MODUL PRAKTIKUM

EKONOMETRIKA

(PAS 316P)

KURIKULUM 2012

PROGRAM STUDI S1 STATISTIKA

JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO SEMARANG

2014

2

Pengantar

Modul Praktikum Ekonometrika

Merupakan pengengembangan Modul Ekonometrika yang disusun oleh Di Asih I Maruddani

S.Si, M.Si.

Dosen Pengampu Mata Kuliah ekonometrika

1. Rita Rahmawati, S.Si, M.Si

2. Alan Prahutama S.Si, M.Si

Tim Penyusun Modul Praktikum ini adalah sebagai berikut:

1. Alan Prahutama, S.Si, M.Si

2. Izzuddin Khalid

3. Yusuf Arifka Rahman

4. Novia Dian Ariyani

5. Siti Nurlatifah

6. Kartikaningtyas H.S

7. Indri Puspitasari

8. Rahma Nurfiani Pradita

9. Novika Pratnyaningrum

Adapun Materi-Materi pada Modul Praktikum ini:

1. Pengenalan E-Views

2. Analisis Regresi Berganda dan Pengujian Asumsi

3. Analsis Regresi Variabel Dummy

4. Model Dinamis

5. Regresi Data Panel

Semoga Modul ini bermanfaat dalam kegiatan pembelajaran

3

PRAKTIKUM-1

PENGENALAN EVIEWS DAN ANALISIS DESKRIPTIF

TUJUAN PRAKTIKUM

TIU : Setelah menyelesaikan praktikum ini, mahasiswa diharapkan mampu mengolah data

dengan software Eviews.

TIK : Setelah menyelesaikan praktikum ini, mahasiswa diharapkan mempunyai kompetensi

sebagai berikut:

1. Melakukan input data pada Eviews.

2. Memahami interpretasi dari macam-macam analisis deskriptif.

3. Melakukan analisis deskriptif terhadap data.

A. PENGENALAN EVIEWS

1. Pengertian Eviews

Eviews adalah suatu software yang berfungsi untuk menganalisis data, melakukan

analisis regresi dan melakukan peramalan dengan basis Windows. Dengan fasilitas-fasilitas

yang tersedia disoftware ini, pengguna dapat dengan mudah membangun hubungan statistik

dari data dan dengan menggunakan hubungan tersebut dapat dilakukan peramalan untuk

mengetahui nilai-nilai yang akan datang dari data yang dianalisis, Eviews terutama

digunakan dalam hal analisis data dan evaluasinya, analisis keuangan, peramalan makro

ekonomi, simulasi, peramalan penjualan, dan analisis biaya (Quantitative Micro Software, 2)

2. Mengoperasikan Eviews 4,1

Double klik icon Eviews 5 kemudian muncul Eviews Windoe di layar komputer, Menu

utama Eviews terletak di bawah title bar, Perintah dapat dijalankan dengan meng-klik menu

tersebut, Di bawah menu bar terdapat command window,andadapat menuliskan perintah

pada window tersebut dan menjalankan perintah tersebut dengan menekan enter, Area di

tengah adalah work area dimana akan ditampilkan objek windows yang diperintahkan,

Perintah-perintah yang terdapat di menu utama hampir sama dengan menu yang ada di

work file window,

3. Manajemen Data

a. Membuat File

Untuk membuat suatu workfile, dari menu utama dipilih option : FileNewWorkfile,

Pada kotak Frequency, dipilih salah satu frekuensi workfile yang akan digunakan,

pada kotak Range diisikan tanggal awal pada kolom Start date dan tanggal akhir pada

kolom End date dari data yang akan dibuat.

Aturan dalam mendeskripsikan data adalah sebagai berikut:

4

Annual (data tahunan)

Untuk data antara tahun 1930-2029 dapat ditulis dengan 2 digit atau 4 digit, misalnya

96 atau 1996, Sedangkan untuk tahun-tahun yang lain harus ditulis lengkap, misalnya

tahun 141 atau 11773,

Semi-annual (data ½ tahunan)

Dibuat dengan cara menulis tahun diikuti oleh tanfa “;” atau “S” dan akhiri dengan “1”

atau “2” yang menotasikan semester pertama atau semester kedua, Sebagai contoh

1996:1 atau 1996S1,

Quarterly (data kuartalan)

Dibuat dengan cara menulis tahun diikuti oleh tanda “;” atau “Q” dan diakhiri dengan

“1”, “2”, “3”, atau “4” yang menotasikan nilai kuartalnya, Sebagai contoh 1996:3 atau

1996Q3,

Montly (data bulanan)

Dibuat dengan cara menulis tahun diikuti oleh tanda “;” atau “M” dan diakhiri dengan

“1”, “2”, ,,,, atau “12” yang menotasikan periode bulan, Sebagai contoh 1996:1 atau

1996M11,

Weekly (data mingguan)

Secara standar, data dibuat dengan menulis (bulan:tanggal:tahun), sehingga misalnya

ditulis 09/10/02 menyatakan tanggal 10 September 2002,

Daily (5 day weeks) :data harian (5 hari dalam 1 minggu)

Dibuat dengan menulis (bulan:tanggal:tahun)

Daily (7 day weeks) : data harian (7 hari dalam 1 minggu)

Dibuat dengan menulis (bulan:tanggal:tahun)

Undated or irregular

Digunakan antara lain untuk data cross section, Jika memilih jenis data ini, maka pada

kotak Range terdapat kolom isian untuk Start Observation dan End Observation,

Jika isian telah lengkap klik OK, Maka pada workfile yang telah dibuat, secara

otomatis akan muncul dua icon, yaitu vektor koefisien c dan serial residual resid,

b. Membuat Variabel Baru

Setelah selesai membuat workfile dapat dilanjutkan dengan membuat variabel baru,

Caranya adalah dengan memilih option: Objects New Object

Pilih salah satu tipe pada kotak Type of Object, Beberapa pilihan object adalah :

Equation : membuat persamaan

Graph : membuat grafik

5

Matrix-vector Coef : membuat matriks atau vektor

Model : membuat tabel

Sample : membuat sampel dari populasi yang tersedia

Series : membuat deret runtun waktu

Table : membuat data dalam bentuk tabel

Text : membuat teks

VAR : membuat data vector Auto Regression

Jika dalam hal ini akan dibuat suatu deret runtun waktu, maka pilih Series dan beri

nama objek pada kolom Name of Object, Ada beberapa nama yang tidak boleh

diberikan pada object/variabel, yaitu :ABS, ACOS, AR, ASIN, C, CON, CNORM, COEF,

COS, D, DLOG, DNORM, ELSE, ENDIF, EXP, LOG, LOGIT, LPTI, LPT2, MA, NA,

NRND, PDL, RESID, RND, SAR, SIN, SMA, SQR, dan THEN

c. Memasukkan Data

Untuk memasukkan data , sorot kursor pada variabel depositi dan pilih option :

Show selanjutnya klik OK.

Jika ingin memasukkan data beberapa variabel yang terdapat dalam satu file

sekaligus, dapat dilakukan dengan cara mengetikkan variabel-variabel yang diinginkan

secara berurutan pada kotak dialog Show, Selanjutnya proses pengisian data dapat

dimulai setelah sebelumnya klik tombol : Edit+/-, Proses pengisian datadapat segera

dilakukan.

Untuk menghapus suatu variabel dilakukan dengan klik satu kali pada icon variabel

yang akan dihapus, kemudian klik menu delete pada workfile menu atau klik kanan pada

icon variabel tersebut, kemudian pilih delete,

Untuk memunculkan keterangan variabel, yaitu tanggal dan jam operasi dilakukan,

klik ViewDisplay Command atau klik langsung Label+/- pada workfile menu.

d. Menyimpan File

Workfile yang telah dibuat disimpan dengan cara pilih option :

File Save As atau File Save

e. Membuat Group

Dari beberapa variabel yang dipunyai, dapat dibentuk suatu group yang terdiri dari

dua atau lebih variabel, Pembuatan group dilakukan dengan caranya pada menu utama

dipilih : Object New ObjectsGroupOK

Dilanjutkan dengan mengisi variabel-variabel yang diinginkan paka kotak Series

List, Atau dengan cara lain, pada menu workfile dipilih option: Show , Dilanjutkan

dengan mengisi variabel-variabel yang diinginkan pada kotak Series List , Group yang

telah dibuat dapat disimpan dengan cara klik : Name pada menu workfile, selanjutnya

muncul kotak Object Name, beri nama Group01.

f. Mencetak Data

Data/variabel/group/equation/object yang akan dicetak dibuka terlebih dahulu

(double klik pada icon), kemudian klik menu print.

g. Membuat File Data Runtun Waktu (Series)

Untuk membuka suatu file data yang telah ada pada pada suatu direktori, dari menu

utama pilih option : FileOpenWorkfile

h. Mengubah Ukuran Workfile

6

Jika akan dilakukan perubahan ukuran pada workfile yang telah dibuat, misalkan

akan menambah atau mengurangi jumlah data, maka pilih option : ProcsChange

Workfile Range, Selanjutnya masukkan start date dan end date yang baru.

i. Membuat Grafik

Dari suatu variabel yang telah dipunyai, dapat ditampilkan dalam bentuk grafik,

Jenis-jenis grafik yang dapat ditampilkan adalah : Line graph, bar graph, Scatter, Xy

line, dan Pie,

Langkah yang harus dilakukan adalah sebagai berikut:

1. Dari menu utama Eviews, andaikan akan dibuat Line graph untuk variabel deposito,

pilih option : QuickGraphLine graph

2. Selanjutnya akan muncul kotak dialog seris List, Pada kolom List of series, groups,

and/or series expressions, ketik variabel-variabel yang akan ditampilkan grafiknya,

Klik Ok jika telah selesai,

3. Ada beberapa menu pilihan antara lain:

Print : mencetak

Name : memberi nama graph

Add Text : menambah tulisan sebagai keterangan grafik yang ditampilkan

Line/Shade : untuk menentukan jenis garis, warna, dan arsiran

Option : untuk menentukan beberapa pilihan tampilan grafik

Zoom : untuk menampilkan grafik pada ukuran kecil atau besar.

j. Membangkitkan Data Baru

Dari suatu variabel yang telah dipunyai, kita dapat membangkitkan suatu data baru,

misalkan untuk tujuan transformasi data, Beberapa transformasi yang dapat

membangkitkan suatu data baru, misalkan untuk tujuan transformasi data, Beberapa

transformasi yang dapat dilakukan antara lain : membuat pangkat, logaritma,

eksponensial, diferensi, dan lain-lain,

Langkah yang harus dilakukan adalah sebagi berikut :

1. Dari menu utama Eviews, pilih option :

Quick Generate Series ATAU ProcsGnerate Series

2. Selanjutnya akan muncul kotak dialog Generate Series by Equation yang dapat

diisikan perintah untuk perhitungan matematis, Perintah operasi matematis Eviews

antara lain :

+ Penjumlahan

/ Pembagian

- Pengurangan

^ Pangkat

* Perkalian

= sama dengan

Selain itu Eviews memiliki perintah dalam bentuk fungsi matematis yang dalam

menuliskan perintahnya diawali dengan tanda @, Beberapa fungsi tersebut antara

lain @log(x), @abs(x), dan @sqrt(x),

7

B. STATISTIK DESKRIPTIF

1. Statistik Deskriptif dari Suatu Variabel

Statistika deskriptif (descriptive statistics) berkaitan dengan penerapan metode statistik

untuk mengumpulkan, mengolah, menyajikan, dan menganalisis data kuantitatif secara

deskriptif, Data adalah sekumpulan datum yang berisi fakta-fakta serta gambaran suatu

fenomena yang dikumpulkan, dirangkum, dianalisis dan selanjutnya diinterpretasikan,

Sedangkan variabel adalah karakteristik data yang menjadi perhatian.

Data menurut skala pengukuran :

a. Nominal, sifatnya hanya untuk membedakan antar kelompok, (Jenis kelamin),

b. Ordinal, selain memiliki sifat nominal, juga menunjukkan peringkat, (ranking)

c. Interval, selain memiliki sifat data ordinal, juga memiliki sifat interval antar observasi

dinyatakan dalam unit pengukuran yang tetap, (Nilai Test),

d. Rasio, selain memiliki sifat data interval, skala rasio memiliki angka 0 (nol) dan

perbandingan antara dua nilai mempunyai arti,

Data menurut sifatnya :

a. Kualitatif

Berupa label/nama-nama yang digunakan untuk mengidentifikasikan atribut suatu

elemen , Nominal atau Ordinal, Data bisa berupa numeric atau nonnumeric

b. Kuantitatif

Mengindikasikan seberapa banyak (how many/diskret atau how much/kontinu), Data

selalu numeric, Interval dan Rasio

Data menurut waktu pengumpulan :

a. Cross-sectional Data

b. Time Series Data

c. Longitudinal /Panel Data

Cara Penyajian Data :

a. Tabel

Tabel satu arah, tabulasi silang, tabel Distribusi Frekuensi

b. Grafik

Batang (Bar Graph), lingkaran (Pie Chart), grafik garis (Line Chart), grafik peta,

Ukuran‐Ukuran Lokasi statistika :

a. Rata‐rata hitung (arithmetic mean, simple arithmetic mean, weighted arithmetic mean)

b. Median dan modus

c. Rata‐rata geometrik dan harmoni

d. Nilai minimum dan maksimum

e. Kuartil, desil, persentil

f. std deviasi

g. Skewnes (kemencengan)

h. Kurtosis (keruncingan).

Untuk menampilkan statistik deskriptif dari suatu variabel dengan menggunakan

Eviews,

misalkan variabel deposito dari file data1,wf1, dilakukan langkah-langkah sebagai

berikut :

8

1. Membuka file data1,wf1

2. Dari menu utama Eviews,pilih option :

Quick Series Statistics Histogram and Stats

3. Selanjutnya akan muncul kotak dialog Series List, Pada kolom Series name, isi dengan

variabel yang akan ditampilkan statistik deskriptifnya, Dalam hal ini dipilih variabel

deposito,

4. Jika semua talah selesai klik ok,

Dari output yang diperoleh dapat ditampilkan statistik deskriptif sesuai dengan kebutuhan

yang akan diteliti, yang dengan cara :

View Descriptive Statistics Stats by Classification

9

2. Statistik Deskriptif dari suatu Group

Untuk menampilkan statistik deskriptif dari suatu group, misalnya dari file data1,wf1

dibuat satu group yang terdiri dari variabel deposito dan ihsg, dilakukan langkah-langkah

sebagai berikut :

1. Membuka file data data1,wf1

2. Dari menu utama Eviews, pilih option :

Quick Group Statistics Descriptive Statistics Common Sample

3. Selanjutnya akan muncul kotak dialog Series List, Pada kolom List of Series, groups,

and/or series expressions, isi dengan variabel yang akan ditampilkan statistik

deskriptifnya, Dalam hal ini dipilih variabel deposito dan ihsg lalu klik OK

3. Covarian matrix

Kovarian adalah ukuran dari seberapa banyak dua set data yang berbeda-beda, Kovarian

menentukan sejauh mana dua variabel yang berkaitan atau bagaimana mereka bervariasi

bersama, Untuk mendapatkan matrix cavariance dari suatu group, misalkan dari file

data1,wf1 dibuat satu group yang terdiri dari variabel deposito dan ihsg, lakukan langkah-

langkah sebagai berikut :

1. Membuka file data1,wf1

2. Dari menu utama Eviews, pilih option :

Quick Group Statistics Covariances

3. Selanjutnya akan muncul kotak diaolog series list, seperti hanya pembuatan statistik

deskriptif untuk group, pada kolom List of series, groups, and/or series expressions,

isi dengan variabel yang akan ditampilkan statistik deskriptifnya, Dalam hal ini dipilih

variabel deposito dan ihsg,

4. Jika semua telah selesai, klik OK

4. Correlations Matrix

Jika korelasi (r) =0 atau r~0 antara X dan Y tidak terdapat hubungan (X dan Y bebas

satu sama lain) atau hubungan sangat lemah

10

r=-1 Hub X dan Y sangan kuat, tetapi hubungan negatif X semakin besar , nilai Y

semakin kecil. r=1 Hubungan X dan Y sangat kuat dan searah bila X semakin besar ,

nilai Y juga semakin besar

Untuk menampilkan matriks koralasi dari suatu group, misalnya dari file data1,wf1 dibuat

satu group yang terdiri dari variabel deposito dan ihsg, dilakukan langkah-langkah sebagai

berikut :

1. Membuka file data1,wf1

2. Dari menu utama Eviews, pilih option :

Quick Group Statistics Correlations

3. Selanjunya akan muncul kotak dialog Series List, Seperti halnya pada pembuatan

Covariance Matrix, pada kolom List of series, groups, and/or series expressions, isi

dengan variabel yang kan ditampilkan statistik deskriptifnya, dalam hal ini dipilih deposito

dan ihsg,

4. Jika semua telah selesai, klik OK

LATIHAN

WAKTU DEPOSITO IHSG SUKUBUNGA

1999:01 204,54 54,50 15,12

1999:02 207,12 38,20 16,95

1999:03 206,75 34,85 16,22

1999:04 205,34 34,09 14,57

1999:05 204,76 31,20 17,13

1999:06 204,07 25,20 15,47

1999:07 201,93 23,45 12,75

1999:08 206,61 19,06 13,79

1999:09 198,68 15,88 14,44

1999:10 198,79 13,37 14,47

1999:11 199,00 12,91 11,65

1999:12 202,45 12,95 15,14

2000:01 205,12 11,85 15,12

2000:02 205,27 12,64 14,79

2000:03 209,34 12,40 13,08

2000:04 205,48 12,16 15,24

2000:05 207,21 11,81 15,14

2000:06 208,24 11,69 14,84

2000:07 210,91 11,79 16,29

2000:08 211,99 11,36 16,40

2000:09 211,87 12,84 16,74

2000:10 214,33 12,10 16,80

2000:11 217,15 13,17 16,20

2000:12 221,37 13,24 16,20

2001:01 222,10 13,83 16,09

2001:02 224,04 14,35 18,23

2001:03 226,04 14,36 20,99

11

2001:04 227,04 14,93 24,21

2001:05 229,63 14,92 25,02

2001:06 233,46 15,00 22,62

2001:07 238,42 15,14 21,89

2001:08 237,92 15,62 21,31

2001:09 239,44 16,16 20,11

2001:10 241,06 16,67 18,49

2001:11 245,18 17,06 16,72

2001:12 249,15 17,24 15,72

1. Buatlah histogram statistk diskriptif untuk masing-masing variabel!

2. Buatlah statistik diskriptif untuk suatu group yang terdiri dari Deposito, IHSG, dan

Sukubunga!

3. Buatlah covarian matrix dan correlation matrix dari group (Deposito, IHSG,

Sukubunga)!

12

PRAKTIKUM 2

ANALISIS REGRESI LINIER BERGANDA DAN PENGUJIAN ASUMSI

TUJUAN PRAKTIKUM :

TIU : Setelah menyelesaikan praktikum ini, mahasiswa diharapkan mampu mengolah data

dengan software Eviews.

TIK : Setelah megikuti praktikum ini, mahasiswa diharapkan mampu :

1. Melakukan serangkaian analisis regresi linier sederhana dan regresi linier berganda

meliputi penaksiran parameter regresi, uji serentak, dab uji parsial.

2. Melakukan pengujian asumsi klasik beserta penyembuhannya.

1. Analisis Regresi Linier

Analisis Regresi adalah metode statistika yang digunakan untuk membentuk model

hubungan antara variabel terikat (Y) dengan satu atau lebih variabel bebas (X).

Analisis regresi linier sederhana digunakan untuk menentukan persamaan regresi yang

menunjukkan hubungan secara linear antara satu variabel independen (X) dengan variabel

dependen (Y). Data yang digunakan biasanya berskala interval atau rasio.

Rumus umum regresi linear sederhana adalah:

Ŷ = β0 + β1X

Keterangan:

Ŷ = Variabel dependen (nilai yang diprediksikan)

X = Variabel independen

β0 = Konstanta (nilai Ŷ apabila X = 0)

β1 = Koefisien regresi (nilai peningkatan ataupun penurunan)

Analisis Regresi Berganda merupakan perkembangan dari analisis regresi linier sederhana.

Analisis regresi berganda bertujuan untuk mengetahui hubungan antar variabel respon dengan

variabel prediktor dimana banyaknya variabel prediktor lebih dari satu.

Persamaan umum regresi linier berganda

Y = β0 + β1 X1 + β2 X2 +…+ βn Xn

Keterangan :

Y = variabel terikat

β = konstanta

β1 , β2 = koefisien regresi

X1 , X2 = variabel bebas

Persamaan variabel yang telah diperoleh harus diuji kecocokan modelnya, kemudian

dilanjutkan dengan uji signifikansi koefisien regresinya.

1. Uji Kecocokan Model (Uji F)

Hipotesis yang diuji secara umum adalah :

Ho : β1 = β2 = … = βp = 0 (Model tidak cocok )

H1 : Paling sedikit ada satu βj ≠ 0 dengan j=1,1,…,p (Model cocok)

Statistik Uji yang digunakan adalah uji F, dimana

Fhit = 𝐽𝐾𝑅

𝑘⁄

𝐽𝐾𝑆𝑛−𝑘−1⁄

Kriteria ujinya adalah Ho ditolak jika F hitung > F(α;k;n-k-1) atau P-value < α

2. Uji Parsial (Uji t)

Hipotesis yang diujikan adalah :

13

H0 : βj=0 (koefisien tidak signifikan)

H1 : βj≠0 dengan j=1,2…,p (koefisian signifikan)

Statistik Uji yang digunakan adalah t-Student, yaitu :

thit= 𝑏1

√𝐾𝑇𝑆

∑(𝑋−�̅�)2

Kriteria pengujiannya adalah tolak H0 jika |thit| > t (α/2;n-k-1) atau P-value <α

2. Koefisien determinasi (R2)

R2 dapat diartikan sebagai suatu nilai yang mengukur proporsi atau variasi total di sekitar

nilai tengah Y yang dapat dijelaskan oleh model regresi. Nilai R2 berkisar antara 0 sampai

dengan 1.

Langkah – langkah yang harus dilakukan untuk menentukan persamaan regresi dengan

eviews, adalah sebagai berikut:

1. Buka eviews lalu memasukkan data yang akan diregresikan pada workfile

2. Untuk membuat persamaan regresi, pada menu utama eviews pilih Quick Estimate

Equation

Atau pada workfile menu pilih option Object New Object Equation OK

3. Pada kolom Equation Specification, ketik persamaan y c x1 x2

4. Pada kolom Estimation settings terdapat dua hal yang perlu diperhatikan, yaitu :

14

a. Method

Kolom ini digunakan untuk memilih metode yang akan digunakan untuk estimasi, yaitu LS

(Least Square), TSLS (Two Stage Least Square), dan Binary (Binary Choice, seperti

logit, probit, dan extreme value ).

b. Sample

Kolom ini digunakan untuk menentukan banyaknya sampel yang akan digunakan. Pada contoh

diatas, jumlah sampel yang akan digunakan untuk pengujian adalah 34.

5. Akan muncul output seperti ini

Model awal yang didapat adalah: Y= 18.70206 + 0.380280 x1 + 1.418575 x2 + 0.533059 x3

Pada uji F dilihat pada prob(F-statistic). Jika prob(F-statistic) < α maka H0 ditolak yang berarti

model regresi cocok. Sedangkan pada uji t dilihat pada prob masing masing koefisien. Jika prob

< α maka Ho ditolak, artinya koefisien signifikan.

2. Asumsi Normalitas

Asumsi normalitas dari populasi akan dipenuhi jika residual data sampel berdistribusi

normal εi~NID (0,σ2

). Menurut Suliyanto (2011), metode yang digunakan untuk melihat

kenormalan suatu distribusi ada 2 yaitu :

1. Uji Normalitas dengan Analisis Grafik

Analisis grafik dengan histogram dilakukan dengan cara menggambarkan variabel

dependent sebagai sumbu vertikal dan nilai residual terstandarisasi sebagai sumbu

horizontal. Jika Histogram Standardized Regression Residual membentuk kurva seperti

lonceng maka nilai residual tersebut dinyatakan normal.

Analisis grafik dengan Normal Probability Plot dilakukan dengan cara membandingkan

distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal.

Distribusi normal digambarkan dengan sebuah garis diagonal lurus dari kiri bawah ke kanan

atas, sedangkan distribusi kumulatif dari data sesungguhnya digambarkan dengan ploting.

Jika data berdistribusi normal, maka garis yang menggambarkan data sesungguhnya akan

mengikuti ke garis diagonalnya.

2. Uji Normalitas dengan Jarque-Bera (JB Test)

JB Test merupakan uji normalitas dengan berdasarkan pada koefisien keruncingan

(kurtosis) dan koefisien kemiringan (skewness). JB dirumuskan dengan :

15

JB = n [S2

6+

(K − 3)2

24]

Keterangan :

JB = Statistik Jarque-Bera

S = Koefisien skewness

K = Koefisien kurtosis

Residual dikatakan normal Jika nilai Jarque-Bera (JB) ≤ X2 tabel.

Pelanggaran atas asumsi normalitas akan menimbulkan konsekuensi yaitu nilai prediksi

yang diperoleh akan bias dan tidak konsisten. Menurut Suliyanto (2011), jika asumsi normalitas

tidak terpenuhi maka dapat dilakukan beberapa metode treatment untuk mengatasi pelanggaran

tersebut, diantaranya adalah :

1. Penambahan data

Penambahan data mengakibatkan nilai residual yang memiliki nilai ekstrem akan

semakin berkurang. Hal ini dikarenakan semakin banyakjumlah data maka pembagi nilai

ekstrem akan semakin besar sehingga nilai rata-ratanya akan mendekati nilai tengah.

2. Transformasi variabel

Dengan melakukan transformasi maka selisih antara nilai terbesar dengan nilai terkecil

akan semakin pendek, sehingga nilai ekstrem akan mendekati nilai rata-ratanya.

Langkah-langkah uji normalitas dalam eviews adalah sebagai berikut :

1. Ketikkan data pada workfile eviews

2. Buat persamaan regresi

3. Dari output, pilih option : View Residual Test Histogram - Normality Test

4. Maka akan muncul output histogram beserta nilai mean, median, maximum, minimum,

standar deviasi, skewness, kurtosis, Jarque-Bera dan probability.

Lakukan analisis terhadap nilai Jarque-Bera dan Probability untuk menentukan apakah

residual berdistribusi normal atau tidak.

2. Asumsi Heteroskedastisitas

Dalam analisis regresi linier berganda, salah satu asumsi yang harus dipenuhi agar taksiran

parameter dalam model tersebut bersifat BLUE adalah var (ui) = σ2 (konstan), yaitu semua

sesatan mempunyai variansi yang sama. Apabila var (ui) ≠ σ2, maka varians bersifat

heteroskedastisitas. Apabila terjadi heteroskedastisitas, penaksir OLS tetap linier dan tak bias,

tetapi tidak lagi mempunyai variansi minimum yang terbaik sehingga penaksir-penaksir OLS

menjadi tidak efisien.

Deteksi heteroskedastisitas dapat dilakukan dengan beberapa metode, yaitu :

1. Metode Grafik

16

Scatter plot didapat dengan cara memetakan nilai ZPRED (prediksi) dengan SRESID

(residual). Model yang baik didapatkan jika tidak terdapat pola tertentu pada grafik.

2. Uji Park

Uji Park dilakukan dengan cara meregresikan kembali variabel independen awal dengan

variabel dependen diganti dengan log dari residual kuadrat .

3. Uji white

Uji White dilakukan dengan cara meregresikan residual kuadrat sebagai variabel

dependen dengan variabel dependen ditambah dengan kuadrat variabel independen,

kemudian ditambahkan lagi dengan perkalian dua variabel independen.

4. Uji Glejser

Uji Glejser dilakukan dengan cara meregresikan absolute residual sebagai variabel

dependen dan variabel independent diambil dari variabel independent pada model awal.

5. Uji Spearman’s Rank Correlation, dll

Prosedur pengujian dilakukan dengan hipotesis sebagai berikut:

Hipotesis : H0 : Tidak ada heterokedastisitas

H1 : Ada heterekodastisitas

Kriteria ujinya adalah jika obs*R-square > X2 atau P-value < α, maka H0 yang menyatakan

adanya homoskedastisitas ditolak.

Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah :

1. Transformasi variabel, baik variabel respon, variabel penjelas, maupun keduanya. Beberapa

transformasi yang digunakan adalah ln, log, √, dll. Transformasi log/ln dan √ hanya bisa

digunakan jika semua data bernilai positif.

2. Menggunakan metode Weighted Lesat Square (WLS).

Untuk mengilustrasikan uji heteroskedastisitas menggunakan Eviews, akan digunakan data

yang disimpan dalam file heteroskedastisitas.wfi1.

1. Lakukan estimasi model regresi dengan persamaan mgp c hp wt sp, outputnya adalah:

2. Untuk ilustrasi ini, pendeteksian heteroskedastisitas dilakukan dengan metode white. Dari

jendela output model regresi, pilih option : View Residual Test White

Heteroscedasticity. Terdapat dua menu yang dapat digunakan untuk uji heteroskedastisitas,

yakni utuk pengujian adanya heteroskedastisitas murni, pilih opsi no cross term, atau cross

term pengujian sekaligus antara heteroskedastisitas dan adanya bias dalam penentuan

model pilih opsi cross term.

17

Nilai prob.(chi-square) = 0.000008 < α=0.05, maka data mengandung heteroskedastisitas.

Apabila pendeteksian dilakukan dengan menggunakan metode park, pilih Genr dari menu

utama workfile, kemudian buat workfile baru resid2 yaitu kuadrat dari residual. Kemudian

regresikan kembali dengan variabel dependentnya adalah log(resid2).

Data dikatakan terkena heteroskedastisitas jika minimal satu nilai probabilitas dari variabel

independent kecil dari alpha.

3. Untuk ilustrasi ini, penyelesaian heteroskedastisitas menggunakan metode WLS. Pilih menu

utama Quick Estimate Equation, kemudian ketikkan persamaan mpg c hp sp wt. Pada

menu option, klik Weighted LS/TSLS. Kemudian isikan variabel WT kedalam kolom isian

dakanan weight. Klik tombol OK dan selanjutnya klik tombol OK sekali lagi.

18

4. Selanjutnya cek residual testnya kembali seperti langkah 2, apabila masih terkena

heteroskedastisitas maka lakukan penyembuhan dengan transformasi variabel.

3. Asumsi Multikolinieritas

Multikolinieritas yakni situasi dimana terdapat korelasi atau hubungan linier antar variabel

bebas sehingga variabel-variabel bebas tersebut tidak bersifat ortogonal. Variabel-variabel

bebas yang bersifat ortogonal memiliki nilai korelasi nol diantara sesamanya.

Adanya multikolinieritas menyebabkan nilai dari koefisien-koefisien regresi tidak dapat

ditaksir, sehingga dapat menyesatkan interpretasi dan nilai standar error setiap koefisien regresi

menjadi tak terhingga sehingga tingkat signifikansi variabel bebasnya buruk.

Ciri-ciri suatu persamaan regresi mengandung multikolinieritas adalah :

1. Nilai standar errornya memiliki nilai yang tak terhingga atau cukup besar.

2. Nilai koefisien determinasi R² tinggi tetapi variabel bebas banyak yang tidak signifikan.

3. Nilai koefisien korelasi antar variabel bebas cukup tinggi atau lebih besar dari 0,8 (r>0,8).

4. Nilai VIF(Variance Inflation Factors) > 10.

Langkah-langkah dalam mendeteksi multikolinieritas dengan software Eviews:

1. Klik Quick Estimate Equation

2. ketikkan “ import c pdb ihk”

Tingginya nilai R=squared dan tidak signifikannya variabel bebas terhadap model,

mengindikasikan terjadi Multikolinieritas.

19

Penyembuhan multikolinieritas dapat dilakukan dengan beberapa cara. Diantaranya adalah :

1. Mengeluarkan variabel bebas yang mengandung multikolinieritas dari model.

2. Transformasikan variabel

3. Penambahan data baru atau ukuran observasi.

4. Kombinasikan data cross section dengan data time series.

5. Menggunakan analisis komponen Utama.

Salah satu cara mengatasi Multikolinieritas adalah dengan Analisis Komponen Utama,

langkah-langkah dalam minitab adalah sebagai berikut :

1. Ketikkan variabel dependent dan independent yang ada:

2. Kemudian cek multikolinieritanya dengan cara:

3. Masukkan “import pdb ihk” kedalam kolom Variabel:

Didapatkan output:

Eigenanalysis of the Correlation Matrix

Eigenvalue 2.9886 0.0086 0.0028

Proportion 0.996 0.003 0.001

Cumulative 0.996 0.999 1.000

Variable PC1 PC2 PC3

import -0.577 -0.813 0.074

pdb -0.578 0.342 -0.741

20

ihk -0.578 0.471 0.667

Terlihat nilai Eigenvalue lebih dari 1 maka terjadi multikolinieritas.

4. Bangkitkan data principal component:

Klik stat multivariate principal component masukkan variabel independent

pada kolom variabel

5. Klik storage kemudian isikan kolom yang digunakan untuk data pc1 dan pc2

Kemudian akan muncul data principal component pada kolom c4 dan c5:

6. Regresikan variabel pc1 dan pc2 dengan variabel import:

21

7. Masukkan variabel dependent pada kolom response dan variabel independent pada kolom

prediktor

8. Kemudian klik option kemudian centang “variance inflation factors”

Muncul output:

Regression Analysis: import versus pc1, pc2

The regression equation is

import = 101 + 50.6 pc1 + 16.3 pc2

Predictor Coef SE Coef T P VIF

Constant 100.631 2.171 46.35 0.000

pc1 50.633 1.587 31.91 0.000 1.0

pc2 16.29 42.12 0.39 0.705 1.0

S = 8.68469 R-Sq = 98.7% R-Sq(adj) = 98.5%

Dari output terlihat nilai VIF dari PC1 dan PC2 sama dengan 1 < 10 maka tidak terjadi

multikolinieritas dalam model regresi.

4. Asumsi Autokorelasi

Misalkan didapat suatu persamaan regresi antara x dengan y, dimana y adalah data

inflasi dan x merupakan data impor dari tahun 2010 sampai ahun 2013 sebagai berikut.

22

Berdasarkan nilai Durbin-Watson pada regresi diatas didapatkan bahwa terdapat

autokorelasi karena nilai 0 < d (0,167864) <dL (1,4918).

Untuk mencari dL dilakukan interpolasi sebagai berikut:

Jumlah data adalah 48. Maka nilai ini berada pada n 45 dan 50. Untuk variabel

independen=1, didapatkan nilai masing-masing untuk du adalah 1,57 dan 1,59. Sedangkan

untuk dL adalah 1,48 dan 1,50.

Maka nilai dL dapat dicari sebagai berikut.

45 − 48

45 − 50=

1,48 − 𝑥

1,48 − 1,50= 1,4918

Maka nilai dU dapat dicari sebagai berikut.

45 − 48

45 − 50=

1,57 − 𝑥

1,57 − 1,59= 1,582

Penyembuhan autokorelasi dilakukan dengan metode Cochrane Orcutt atau dengan

diferensi. Penyembuhan dengan Cochrane Orcutt dengan model autoregresif 2 adalah :

1. Buatlah series dari residual yang telah kita dapatkan dari model regresi dengan cara buka

tampilan model regresi yang didapat, kemudian pilih : Proc Make a Residual Series.

2. Regresikan residual dengan residual sebelumnya dan residual sebelumnya lagi, residual

residual(-1) residual(-2) dimana minus 1 dalam tanda kurung menunjukkan residual periode

sebelumnya, sedangkan residual(-2) merupakan periode t-2.

23

3. Estimasi kembali untuk model regresi setelah nilai-nilai dari ρ diketahui. Buat variabel y

dengan persamaan y=1.264305*inflasi(-1)-0.370455*inflasi(-2). Kemudian generate

equation newy=inflasi-y. Lakukan sama untuk impor. Hasilnya adalah :

Pada hasil output diatas didapatkan bahwa sudah tidak terjadi autokorelasi, karena nilai

dL (1,582) < d (1,777613) < dU (2,42).

2. Untuk mengatasi masalah autokorelasi dapat juga digunakan metode Difference yaitu

D(inflasi) c D(impor)

LATIHAN

menyajikan data konsumsi (Y), pendapatan upah (X1), pendapatan nonupah nonpertanian (X2),

dan pendapatan pertanian (X3)

Tahun y x1 x2 x3

1958 62.8 43.41 17.1 3.96

1959 65 46.44 18.65 5.48

1960 63.9 44.35 17.09 4.37

1961 67.5 47.82 19.28 4.51

1962 71.3 51.02 23.24 4.88

1963 76.6 58.71 28.11 6.37

1964 86.3 87.69 30.29 8.96

1965 95.7 76.73 28.26 9.76

1966 98.3 75.91 27.91 9.31

1967 100.3 77.62 32.3 9.85

1968 103.2 78.01 31.39 7.21

1969 108.9 83.57 35.61 7.39

1970 108.5 90.59 37.58 7.98

1971 111.4 95.47 35.17 7.42

1. Lakukan analisis regresi pada data diatas dan ujilah asumsinya

2. Jika terdapat asumsi yang tidak terpenuhi, lakukan perbaikan asumsi agar asumsi terpenuhi

dan didapat model akhir yang memenuhi semua asumsi.

24

PRAKTIKUM 3

REGRESI DENGAN VARIABEL DUMMY

TUJUAN PRAKTIKUM

TIU : Setelah menyelesaikan praktikum ini, mahasiswa diharapkan mampu mengolah data

dengan software Eviews.

TIK : Setelah menyelesaikan praktikum ini, mahasiswa diharapkan mempunyai kompetensi untuk

melakukan serangkaian analisis regresi linier dengan variabel prediktor dummy yang meliputi

interpretasi model, penaksiran parameter regresi dan pengujian parameter regresi.

Regresi Linier tidak hanya terbatas digunakan untuk memodelkan hubungan dimana

variabel bebas (X) bertipe data interval atau rasio saja. Regresi linier juga memungkinkan bila

digunakan untuk melakukan analisis data bila variabel bebasnya (X) bertipe data nominal.

Teknik semacam ini dikenal dengan nama regresi variabel dummy.

Dalam mengungkapkan suatu fenomena di sekitar kita, seringkali dibutuhkan veriabel

selain numerik, yang salah satunya adalah variabel kategorik. Dalam regresi variabel kategorik

yang diberi harga nol atau satu biasa disebut variabel dummy / indikator / biner / kualitatif /

boneka / dikotomi. Dalam penerapannya, variabel dummy digunakan untuk mengkuantitatifkan

data kualitatif, seperti: jenis kelamin, pendidikan, status perkawinan, kualitas produk, kepuasan

pelayanan dan sebagainya. Model regresi dapat hanya menggunakan variabel dummy/indikator

sebagai variabel bebas, tetapi dapat pula disertai variabel bebas lain yang numerik.

Variabel dummy hanya mempunyai 2 (dua) nilai yaitu 1 dan nilai 0, serta diberi simbol D. D

= 1 untuk suatu kategori. D = 0 untuk kategori yang lain. Variabel dummy (D) dapat digunakan

untuk mengetahui ada tidaknya perubahan dalam intersep, slope atau keduanya.

1. REGRESI DENGAN VARIABEL INDEPENDENT KUALITATIF 2 KATEGORI

Pada praktikum kali ini, untuk memahami Model Regresi dengan Independent Dummy

Variabel, maka akan dilakukan analisis dampak krisis ekonomi terhadap impor di Indonesia

pada periode 1980-2002. Model perilaku impor adalah sebagai berikut:

Yt = β0 + β1Dt + β2Xt + et

Dengan:

Yt = Impor

Xt= GDP

Dt = 0, untuk periode sebelum tahun 1997

= 1, untuk periode tahun 1997 dan sesudahnya

Model perilaku impor tersebut berisi satu variabel kuantitatif yaitu Gross Domestic Product

(GDP) dan satu variabel kualitatif yaitu periode yang mempunyai dua kelas atau kategori yaitu

periode sebelum tahun 1997 dan periode tahun 1997 dan sesudahnya.

25

Berikut merupakan Data Impor Indonesia Periode 1980-2002

TAHUNIMPOR

(MILYAR $)

GDP

(MILYAR RP)TAHUN

IMPOR

(MILYAR

$)

GDP

(MILYAR

RP)

1980 10834 159343.3 1992 27280 309468.6

1981 13272 171979.2 1993 28328 329775

1982 16859 175848.7 1994 31983 383792.3

1983 16352 183216.8 1995 40630 414418.9

1984 13882 196005.3 1996 42929 413797.9

1985 10259 200827 1997 41694 433245.9

1986 10718 212615.6 1998 27337 376374.9

1987 12370 223097.5 1999 24004 379557.7

1988 13249 235993.5 2000 33515 397666.3

1989 16360 253597.6 2001 30962 411691.9

1990 21837 271958.1 2002 31289 426740.6

1991 25869 290859.1

Untuk melakukan analisis model tersebut, dilakukan langkah-langkah sebagai berikut:

1. Memasukkan data impor dan disimpan dengan nama dataimpor.wf1

2. Buatlah variabel baru dengan nama “dummy” dan diberikan nilai 0 untuk periode sebelum

tahun 1997 dan nilai 1 untuk periode tahun 1997 dan sesudahnya

26

3. Lakukan estimasi persamaan regresi dengan persamaan impor c dummy gdp

4. Dari output persamaan regresi yang diperoleh, maka perbedaan impor sebelum krisis dan

sesudah krisis adalah sebagai berikut

Sebelum krisis �̂�t = �̂�0 + �̂�2 Xt

Sesudah krisis �̂�t = (�̂�0 + �̂�1 )+ �̂�2 Xt

Interpretasi output yaitu

Berdasarkan output didapatkan model awal yaitu IMPOR = -10110,97 – 6351,086

DUMMY + 0,118573 GDP. Model regresi untuk periode sebelum tahun 1997 (sebelum

krisis) dengan Dt= 0,IMPOR = -10110,97 + 0,118573 GDP. Model regresi untuk periode

tahun 1997 dan sesudahnya (setelah krisis) dengan Dt= 1, IMPOR = -16462,056 +

0,118573 GDP.

Berdasarkan output nilai prob(F-statistic) yaitu 0,000000 < α=5%, maka model regresi

cocok. Selanjutnya nilai probabilitas koefisien masing-masing variabel yaitu variabel

DUMMY dan GDP masing sebesar 0,0136 dan 0,000. Probabilitas keduanya < 5% maka

didapatkan koefisien variabel DUMMY dan GDP keduanya signifikan.

Model akhir sama dengan model awal yaitu IMPOR = 10110,97 – 6351,086 DUMMY +

0,118573 GDP. Model regresi untuk periode sebelum tahun 1997 (sebelum krisis) dengan

Dt= 0, IMPOR = -10110,97 + 0,118573 GDP. Model regresi untuk periode tahun 1997 dan

sesudahnya (setelah krisis) dengan Dt= 1, IMPOR = -16462,056 + 0,118573 GDP.

27

Untuk mengetahui ada pengaruh atau tidak antara GDP (Xt) terhadap besarnya IMPOR (Y)

“yang tergantung” pada DUMMY yaitu periode (Dt) maka dibandingkan dua buah regresi

yaitu model impor sebelum krisis dan model impor sesudah krisis.

2. MEMBANDINGKAN DUA BUAH REGRESI

Untuk membandingkan dua buah regresi model impor sebelum dan sesudah krisis,

digunakan model:

Yt = β0 + β1Dt + β2Xt + β3(DtXt) + et

Langkah – langkah yang dilakukan adalah sebagai berikut:

1. Dengan data yang telah disimpan, dilakukan estimasi persamaan regresi dengan

persamaan impor c dummy gdp dummy*gdp

2. Dari output persamaan regresi yang diperoleh, maka perbedaan persamaan regresi impor

sebelum krisis dan sesudah krisis adalah sebagai berikut:

Sebelum krisis �̂�t = β0 + β2Xt

Sesudah krisis �̂�t = (β0 + β1) + (β2 + β3) Xt

3. Untuk melihat prbandingan kedua buah regresi, maka diperhatikan nilai t-statistik atau nilai

prob untuk parameter β1 dan β3. Jika parameter β1 signifikan, berarti ada perbedaan

intersep pada kedua regresi, sedangkan jika parameter β3 signifikan, berarti ada

perbedaan slope pada kedua regresi.

Intrepretasi output yaitu

Untuk membandingkan dua buah regresi model sebelum periode tahun 1997 dan

periode tahun 1997 seterusnya,digunakan model yang memuat interaksi antara variabel

bebas GDP dengan variabel Dummy. Berdasarkan output didapatkan model awal yaitu

IMPOR= -9564,941 – 40994,19 DUMMY + 0,116476 GDP + 0,086451 DUMMY*GDP.

Model regresi untuk periode sebelum tahun 1997 (sebelum krisis) dengan Dt = 0, IMPOR =

-9564,941+ 0,116476 GDP. Sedangkan model regresi untuk periode tahun 1997 dan

sesudahnya (setelah krisis) dengan Dt = 1, maka IMPOR = -50559,131 + 0,202927 GDP.

Berdasarkan output nilai prob(F-statistic) didapatkan yaitu 0,000000 < α=5%, maka

model regresi cocok. Selanjutnya nilai probabilitas koefisien masing-masing variabel yaitu

28

variabel DUMMY, GDP dan DUMMY*GDP masing-masing sebesar 0,000; 0,1581;0,2279.

Probabilitas GDP dan DUMMY*GDP < 5%, keduanya tidak signifikan artinya tidak ada

perbedaan intersep dan slope diantara kedua regresi. Maka dapat disimpulkan bahwa

model regresi sebelum periode tahun 1997 dengan model regresi periode tahun 1997 dan

sesudahnya tidak berbeda.

Model akhir yaitu Model akhir yaitu IMPOR = 9564,941 + 0,116476 GDP. Model regresi

untuk periode sebelum tahun 1997 (sebelum krisis) dengan Dt = 0, IMPOR = 9564,941 +

0,116476 GDP. Sedangkan model regresi untuk periode tahun 1997 dan sesudahnya

(setelah krisis) dengan Dt = 1, maka IMPOR = 9564,941 + 0,116476 GDP.

3. PIECEWISE REGRESSION (REGRESI SEPOTONG DEMI SEPOTONG)

Model yang akan dianalisis untuk persamaan regresi sepotong demi sepotong adalah

model komisi penjualan. Teknik variabel dummy untuk menjelaskan model ini adalah

sebagai berikut:

Yt = β0 + β1Xi + β2(Xi – X*)Dt + et

Dengan

Y = komisi penjualan

X = volume penjualan

X* = volume penjualan minimum

Dt = 0, jika X<X*

= 1, jika X>X*

Xt = GDP riil

Masalah yang akan dianalisis adalah dengan volume penjualan minimal sebesar 9,5 juta

maka seorang sales akan dapat meningkatkan komisinya.

Berikut merupakan data komisi penjualan.

X (ribu Rp) 600 700 800 900 1000 1500 1800 2100 2400 2700

Y (juta Rp) 5 6 7 8 9 10 1 12 13 14

Langkah-langkah yang dilakukan adalah sebagai berikut:

1. Masukkan data komisi penjualan dengan nama komisi.wtf1

29

2. Buatlah variabel baru dengan nama DUMMY dan diberikan nilai 0 jika X<9,5 juta dan

nilai 1 jika X>9,5 juta

3. Bangkitkan variabel baru dengan nama THRESHOLD = X-9,5

4. Lakukan estimasi persamaan regresi dengan persamaan y c x threshold*dummy

30

5. Dari output persamaan regresi yang diperoleh, maka perbedaan komisi penjualan

sebagai berikut

Jika X<X* kenaikan komisi penjualan sebesar �̂�1

Jika X>X* kenaikan komisi penjualan sebesar (�̂�1 + �̂�2)

Interpretasi output yaitu

Berdasarkan output didapatkan model awal yaitu komisipenjualan= -181,8182+145,4545

volumepenjualan+200 (volumepenjualan-9,5)*dummy. Model regresi untuk X>9,5 dengan

Dt=0, komisipenjualan= -181,8182+145,4545 volumepenjualan. Model regresi untuk X>9,5

dengan Dt=1, komisi penjualan= -2081,8182+345,4545 volume penjualan.

Nilai prob(F-statistic) didapatkan yaitu 0,000000 < α=5%, maka model regresi cocok.

Selanjutnya nilai probabilitas koefisien masing-masing variabel yaitu variabel

volumepenjualan dan threshold*dummy masing sebesar 0,003 dan 0,0015. Probabilitas

volumepenjualan dan threshold*dummy < 5% maka didapatkan koefisien variabel

volumepenjualan dan threshold*dummy keduanya signifikan.

Model akhir didapatkan sama dengan model awal yaitu komisipenjualan= -

181,8182+145,4545 volumepenjualan+200 (volumepenjualan-9,5)*dummy. Model regresi

untuk X>9,5 dengan Dt=0, komisipenjualan= -181,8182+145,4545 volumepenjualan. Model

regresi untuk X>9,5 dengan Dt=1, komisi penjualan= -2081,8182+345,4545 volume

penjualan.

Jadi, untuk model regresi dengan Dt=0 yaitu volume penjualan <9,5 maka setiap

bertambahnya 1 volume penjualan maka kenaikan komisi penjualan sebesar �̂�1=145,4545.

Sedangkan untuk model regresi dengan Dt =1 yaitu volume penjualan >9,5 maka setiap

bertambahnya 1 volume penjualan maka kenaikan komisi penjualan sebesar �̂�1 +

�̂�2=345,4545. Selisih komisi penjualan antara volume penjualan <9,5 dengan volume

penjualan >9,5 yaitu sebesar 200 juta.

31

Tugas Praktikum 3

1. Data tabungan personal dan pendapatan Britania Raya 1946-1963 (dalam jutaan pound)

Periode I: 1946-1954 Tabungan Pendapatan Periode II: 1955-1963 Tabungan Pendapatan

1946 0.36 8.8 1955 0.59 15.5

1947 0.21 9.4 1956 0.9 16.7

1948 0.08 10 1957 0.95 17.7

1949 0.3 10.6 1958 0.82 18.6

1950 0.1 11 1959 1.04 19.7

1951 0.12 11.9 1960 1.53 21.1

1952 0.41 12.7 1961 1.94 22.8

1953 0.5 13.5 1962 1.75 23.9

1954 0.43 14.3 1963 1.99 25.2

a. Analisislah model regresi pendapatan terhadap besarnya tabungan dengan variabel

independen kualitatif 2 kategori.

b. Analisislah model regresi apakah ada perbedaan antara periode I dan periode II dengan

membandingkan dua buah regresi.

2. Berikut ini merupakan data biaya total suatu produksi dan output yang dihasilkan dari suatu

perusahaan

Biaya Total (Dolar) Hasil

256 1000

414 2000

634 3000

778 4000

1003 5000

1839 6000

2081 7000

2423 8000

2734 9000

2914 10000

Diketahui bahwa fungsi biaya total berubah kemiringannya pada tingkat hasil 5500 unit.

Analisislah model regresi sepotong demi sepotong (Piecewise Regression).

32

PRAKTIKUM KE-4

MODEL DINAMIS

TUJUAN : TIU : Mahasiswa mengenal dan pempelajari software Eviews untuk pengolahan data. TIK : Mahasiswa dapat mengetahui, dan menganalisis model dinamis dalam analisis

regresi.

MATERI :

Model regresi linear yang sering ditemui biasanya tidak memperhatikan pengaruh waktu

karena pada umumnya model regresi linear cenderung mengasumsikan bahwa pengaruh

variabel bebas terhadap variabel tak bebas terjadi dalam kurun waktu yang sama. Namun,

dalam model regresi linear juga terdapat model regresi yang memperhatikan pengaruh waktu.

Waktu yang diperlukan bagi variabel bebas X dalam mempengaruhi variabel tak bebas Y

disebut berkala atau “a lag” atau “a time lag” Ada 2 macam model regresi linear yang

memperhatikan pengaruh waktu yaitu :

1. Model Dinamis Distribusi Lag

Suatu variabel tak bebas apabila dipengaruhi oleh variabel bebas pada waktu t , serta

dipengaruhi juga oleh variabel bebas pada waktu t −1, t – 2 dan seterusnya disebut model

dinamis distribusi lag. Model dinamis distribusi lag ada 2 jenis yaitu :

a. Model Infinite Lag

Model : Yt = α + β0Xt + β1Xt-1 + β2Xt-2 + . . . + εt (1)

Model (1) disebut model infinite lag sebab panjang beda kalanya tidak diketahui.

Model infinite lag dapat dididekati dengan metode Koyck.

Metode Koyck didasarkan asumsi bahwa semakin jauh jarak lag variabel bebas dari

periode sekarang maka semakin kecil pengaruh variabel lag terhadap variabel tak bebas.

Koyck mengusulkan suatu metode untuk memperkirakan model dinamis distribusi lag

dengan mengasumsikan bahwa semua koefisien β mempunyai tanda sama. Koyck

menganggap bahwa koefisien menurun secara geometris sebagai berikut :

𝛽𝑘 = 𝛽0𝐶𝑘 , 𝑘 = 0,1 ….

dengan :

C : rata-rata tingkat penurunan dari distribusi lag dengan nilai 0 < C < 1

1−C : kecepatan penyesuaian.

(1.2) mempunyai arti bahwa nilai setiap koefisien β lebih kecil dengan nilai sebelumnya atau

yang mendahuluinya (0 < C < 1). Secara grafis, dapat dilihat pada gambar sebagai berikut :

�̂�0 = 𝛽0

�̂�1 = 𝛽0 𝐶

�̂�2 = 𝛽0𝐶2

33

.

�̂�𝑘 = 𝛽0𝐶𝑘

Yt = α + β0Xt + 𝛽0 𝐶 Xt-1 + 𝛽0𝐶2Xt-2 + . . . + εt (1.1)

Yt-1 = α + β0Xt-1 + 𝛽0 𝐶 Xt-2 + 𝛽0𝐶2Xt-3 + . . . + εt -1 (1.2)

CYt-1 = αC + β0CXt-1 + 𝛽0 𝐶2 Xt-2 + 𝛽0𝐶3Xt-3 + . . . + εt -1 (1.3)

Jika persamaan (1.1) - (1.3) maka didapat

Yt - CYt-1 = α(1-C) + β0Xt +(εt - Cεt -1)

Yt = α(1-C) + β0Xt + CYt-1 + Vt (1.4)

Model (1.4) merupakan model Koyck.

b. Model Finite Lag

Model : Yt = α + β0Xt + β1Xt-1 + β2Xt-2 + . . . +βkXt-k + εt

Atau 𝑌𝑡 = 𝛼 + ∑ 𝛽𝑖 𝑋𝑡−𝑖 + 𝜀𝑡𝑘𝑖=0 (2)

Model (2) disebut model finite lag sebab panjang beda kalanya diketahui yaitu sebesar k.

Model finite lag dapat dididekati dengan metode Almon.

Metode Koyck memang banyak digunakan dalam distribusi lag. Penerapan dengan metode

Koyck berdasarkan asumsi bahwa koefisien β menurun secara geometris sepanjang beda

kala (lag). Namun, apabila diagram pencar antara β dengan lag itu naik kemudian menurun

maka metode Koyck tidak dapat diterapkan. Gambar berikut ini akan menunjukkan

perubahan koefisien β.

Gambar 1. Kuadratik

Gambar 2. Kubik

Berdasarkan teori matematik yang dikenal dengan nama Weir-Strass’s Theorem,

Almon berasumsi bahwa i β dapat didekati oleh suatu polinomial dalam i yang memiliki

derajat, dengan i merupakan panjangnya beda kala (lag). Polinomial tersebut bisa

berderajat 0, 1, 2, … dst. Apabila scatter diagram digambarkan seperti gambar 1 maka

model bisa dituliskan sebagai berikut :

𝛽𝑖 = 𝛼0 + 𝛼1𝑖 + 𝛼2𝑖2 (2.1)

34

(2.1) merupakan polinomial dalam i yang kuadratik atau berpangkat dua(second-degree

polynomial in i). Namun, apabila koefisien β mengikuti gambar 2 maka model bisa dituliskan

sebagai berikut :

𝛽𝑖 = 𝛼0 + 𝛼1𝑖 + 𝛼2𝑖2 + 𝛼3𝑖3 (2.2)

(2.2) merupakan polinomial dalam i yang berpangkat tiga (third-degree polynomial in i).

Secara umum, model dituliskan sebagai berikut :

𝛽𝑖 = 𝛼0 + 𝛼1𝑖 + 𝛼2𝑖2 + ⋯ + 𝛼𝑚𝑖𝑚 (2.3)

(2.3) merupakan polinomial dalam i yang berpangkat m (m-degree polynomial in i) dengan

m < k (panjang beda kala maksimum). Almon mengasumsikan bahwa polinomial

berpangkat dua (kuadratik) adalah yang paling tepat digunakan.

Apabila (2.1) disubstitusikan ke (2.2) maka diperoleh :

𝑌𝑡 = 𝛼 + ∑ (𝛼0 + 𝛼1𝑖 + 𝛼2𝑖2)𝑋𝑡−1 + 𝜀𝑡𝑘𝑖=0

= 𝛼 + 𝛼0 ∑ 𝑋𝑡−1𝑘𝑖=0 + 𝛼1 ∑ 𝑖 𝑋𝑡−1

𝑘𝑖=0 + 𝛼2 ∑ 𝑖2𝑋𝑡−1 + 𝜀𝑡

𝑘𝑖=0 (2.4)

Apabila didefiniskan :

𝑍0𝑡 = ∑ 𝑋𝑡−1𝑘𝑖=1

𝑍1𝑡 = ∑ 𝑖 𝑋𝑡−1𝑘𝑖=0 (2.5)

𝑍2𝑡 = ∑ 𝑖2𝑋𝑡−1𝑘𝑖=0

Maka (2.4) menjadi

𝑌𝑡 = 𝛼 + 𝛼0𝑍0𝑡 + 𝛼1𝑍1𝑡 + 𝛼2𝑍2𝑡 + 𝜀𝑡 (2.6)

Apabila dituliskan persamaan regresi dugaan menjadi :

�̂�𝑡 = �̂� + �̂�0𝑍0𝑡 + �̂�1𝑍1𝑡 + �̂�2𝑍2𝑡 + 𝜀𝑡

Model (2.6) dapat diperkirakan koefisiennya dengan metode kuadrat terkecil. Perkiraan �̂�

dan 𝛼𝑖 yang diperoleh akan mempunyai sifat-sifat yang diinginkan asalkan kesalahan

pengganggu 𝜀𝑡memenuhi asumsi dari model linear yang klasik. Setelah semua 𝛼𝑖 dari

(2.6), koefisien �̂� dapat dihitung berdasarkan rumus (2.1) sebagai berikut :

�̂�0 = �̂�0

�̂�1 = �̂�0 + �̂�1 + �̂�2

�̂�2 = �̂�0 + 2�̂�1 + 4�̂�2

.

.

�̂�𝑘 = �̂�0 + 𝑘�̂�1 + 𝑘2�̂�2 (2.7)

Sebelum menerapkan metode Almon, harus melakukan langkah-langkah sebagai berikut :

a) Menentukan panjang maksimum dari beda kala (k).

Hal ini merupakan kelemahan terbesar dalam teknik Almon. Harus memutuskan

panjangnya beda kala maksimum (k) dengan tepat berdasarkan anggapan, pengalaman,

maupun dasar teori yang sudah memperhitungkan kondisi dan situasi.

b) Menentukan nilai m.

Setelah menentukan nilai k, m juga harus ditentukan, m merupakan derajat atau pangkat

polinomial (degree of the polynomial). Derajat atau pangkat polinomial harus paling sedikit

lebih besar satu dibandingkan dengan banyaknya titik belok dalam kurva yang

menghubungkan iβ dengan i . Misalkan gambar ar (3.2) dan (3.3) hanya ada satu titik belok,

35

sehingga polinomial yang cocok digunakan adalah polinomial berpangkat dua.

Namun,prakteknya banyaknya titik belok seringkali tidak diketahui sehingga biasanya

ditentukan secara subjektif yaitu dengan menggunakan asumsi umum 𝛽𝑖 = 𝛼0 + 𝛼1𝑖 + 𝛼2𝑖2

seperti yang dilakukan Almon.

2. Model Dinamis Autoregressive

Apabila variabel tak bebas dipengaruhi oleh variabel bebas pada waktu t , serta dipengaruhi

juga oleh variabel tak bebas itu sendiri pada waktu t −1 maka model tersebut disebut

autoregressive . Pada pembahasan model dinamis distribusi lag dikenal model Koyck yaitu :

Yt = α(1-C) + β0Xt + CYt-1 + Vt (3)

Model (3.19) mempunyai bentuk sama dengan model dinamis autoregressive :

𝑌𝑡 = 𝛼 + 𝛽0𝑋𝑡 + 𝜆𝑌𝑡−1 + 𝜀𝑡 (3.1) Jadi, model (3.) bersifat autoregressive. Jadi dengan kata lain Transformasi Koyck mengubah Model Distributed Lag menjadi Model Auto Regresive Masalah yang timbul dalam Auto-regresive

1. Munculnya Yt-1 dalam regressor membuat masalah baru karena Yt-1 mempunyai sifat stokastik seperti halnya Yt. Padahal, kita mempunyai asumsi bahwa variabel bebas tidak bleh stokastik. Atau bila stokastik harus independent dengan error term, ut.

2. Dalam model yang sudah ditransformasikan vt = ut -λut-1. Sifat-sifat vt sangat tergantung pada sifat-sifat ut.

a. Ukuran ketepatan respon/reaksi y terhadap perubahan x. 3. Median lag

a. Median lag adalah waktu yang diperlukan untuk mencapai setengah (50%) dari reaksi atas perubahan.

b. Median Lag =(log 2

log 𝜆)

4. Mean lag merupakan rata-rata lag

a. Mean lag = ∑ 𝑘𝛽𝑘

𝛽𝑘=

𝜆

1−𝜆

APLIKASI MENGGUNAKAN E-VIEWS

1. METODE KOYCK

Penelitian dilakukan untuk mengetahui hubungan antara pembelian perlengkapan dan hasil penjualan suatu perusahaan selama 20 tahun. Berdasarkan data pembelian perlengkapan dan hasil penjualan dalam tabel 1 akan ditunjukkan persamaan dinamis distribusi lag dugaan dengan menggunakan metode Koyck.

Tahun Pengeluaran Perlengkapan (Y) Pengeluaran (X)

1991 52.9 30.3 1992 53.8 30.9 1993 54.9 30.9 1994 58.2 33.4 1995 60 35.1 1996 63.4 37.3 1997 68.2 41 1998 78 44.9 1999 84.7 46.5 2000 90.6 50.3 2001 98.2 53.5 2002 101.7 52.8 2003 102.7 55.9 2004 108.3 63 2005 124.7 73 2006 157.9 84.8 2007 158.2 86.6

36

2008 170.2 98.9 2009 180 110.8 2010 198 124.7

Langkah-langkah menentukan model Koyck data diatas :

1. Masukkan data diatas dengan nama pengeluaran dan pengeluaran.

2. Buatlah persamaan regesi dengan metode koyck dugaan dengan cara:

Quick -> estimate equation

Pengeluaran c pengeluaran pengeluaran(-1)

3. Outputnya :

Dari outputnya diperoleh model dugaan :

Yt= 2.727 + 0.941 Xt + 0.468 Yt-1

Model dugaan dapat dituliskandalam bentuk persamaan dinamis distribusi lag dugaan dengan cara sebagai berikut.Berdasarkan persamaan di atas diketahui :

�̂� = 0.468

�̂�(1 − �̂�) = 2.727 -> �̂�= 5.1275

�̂�0 = 𝛽0 = 0.941

�̂�1 = 𝛽0 𝐶 = 0.4403

�̂�2 = 𝛽0𝐶2 =0.206

Jadi model lag dugaannya adalah

�̂� = 5.1275 + 0.941 𝑋𝑡−1 + 0.4403 𝑋𝑡−1 + 0.206 𝑋𝑡−2 + ⋯

Bisa diamati bahwa pengaruh dari lag Y menurun secara geometris dilihat dari persamaan Yt= 2.727 + 0.941 Xt + 0.468 Yt-1. Diketahui bahwa nilai koefisien dari Y t −1 bernilai positif yaitu sebesar 0.468. Nilai 0.4682 berarti bahwa apabila penjualan naik sebesar 1% makapengeluaran perlengkapan akan naik sebesar 0.468%.

Median lag= (log 2

log 𝜆) = (

log 2

log 0.468) = -0,91289

Artinya : 50% dari perubahan pengeluaran (y) dicapai kurang dari satu periode,

Mean lag =0.468

1−0.468= 0,879699

Artinya: dampak perubahan pada pengeluaran (y) yang dirasakan pada periode pertama sebesar

0.88nya.

2. METODE ALMON

37

Berikut ini data laba dan penjualan sektor pabrik di Amerika Serikat, lakukan analisis

menggunakan metode Almon.

Tahun LABA PENJUALAN Z0 Z1 Z2

1965:1 10503 114862

1965:2 12092 123968

1965:3 10834 121454

1965:4 12201 131917 360284 713976 1651084

1966:1 12245 129911 377339 746729 1733445

1966:2 14001 140976 383282 758107 1750665

1966:3 12213 137828 402804 796549 1847873

1966:4 12820 145465 408715 809513 1870931

1967:1 11349 136989 424269 844049 1965561

1967:2 12615 145126 420282 841403 1959301

1967:3 11014 141536 427580 855499 2002267

1967:4 12730 151776 423651 842755 1954941

1968:1 12539 148862 438438 870226 2024054

1968:2 14849 158913 442174 877022 2029790

1968:3 13203 155727 459551 911965 2120345

1968:4 14947 168409 463502 920139 2131137

Langkah-langkah menentukan model Almon data diatas :

1. Masukkan data diatas dengan nama laba dan pengeluaran.

2. Buatlah Z0t, Z1t, Z2t dengan cara :

Quick -> generate series

Z0t = pengeluaran(-1)+pengeluaran(-2)+pengeluaran(-3)

Z1t = pengeluaran(-1)+2*pengeluaran(-2)+3*pengeluaran(-3)

Z2t =pengeluaran(-1)+4*pengeluaran(-2)+9*pengeluaran(-3)

Buatlah persamaan regesi dengan metode almon dengan cara:

Quick -> estimate equation

Laba c Z0t Z1t Z2t

3. Outputnya :

38

Model awal Almon :

�̂� = 3171.751 − 0.129 𝑍0𝑡 + 0.463𝑍2𝑡 − 0.167 𝑍3𝑡

Karena C tidak signifkan maka C dan Z0 tidak digunakan, dan dilakukan regresi lagi

(laba terhadap z1, z2 saja)

Model Akhir Almon:

�̂� = 0.376 𝑍1𝑡 − 0.1555 𝑍2𝑡

Persamaan diatas dapat dituliskan dalam persamaan regresi dugaan distribusi lag

dengan cara sebagai berikut.

�̂�0 = �̂�0=0

�̂�1 = �̂�0 + �̂�1 + �̂�2 = 0 + 0.376 − 0.155 = 0.221

�̂�2 = �̂�0 + 2�̂�1 + 4�̂�2 = 0 + 2 ∗ 0.376 − 4 ∗ 0.155 = 1.372

�̂�3 = �̂�0 + 3�̂�1 + 9�̂�2 = 0 + 3 ∗ 0.376 − 9 ∗ 0.155 = 2.523

Jadi diperoleh model lag dugaannya sebagai berikut :

39

𝑌𝑡 = 0.221 𝑋𝑡−1 + 1.372 𝑋𝑡−2 + 2.523𝑋𝑡−3

Pada persamaan regresi dugaan tersebut terlihat bahwa :

1. Koefisien regresi pada variabel 𝑋𝑡 bernilai nol laba tahun ini tidak dipengaruhi

pengelauaran tahun ini.

2. Koefisien regresi pada variabel 𝑋𝑡−1 bertanda positif berarti bahwa hubungan antara

pengeluaran sekarang dengan laba 1 tahun yang lalu searah atau positif. Semakin

besar laba 1 tahun sebelumnya maka semakin besar pengeluaran sekarang.

3. Koefisien regresi pada variabel 𝑋𝑡−2 bertanda positif berarti bahwa hubungan antara

pengeluaran sekarang dengan laba 2 tahun yang lalu searah atau positif. Semakin

besar laba 3 tahun sebelumnya maka semakin besar pengeluaran sekarang.

4. Koefisien regresi pada variabel 𝑋𝑡−3 bertanda positif berarti bahwa hubungan antara

pengeluaran sekarang dengan laba 3 tahun yang lalu searah atau positif. Semakin

besar laba 3 tahun sebelumnya maka semakin besar pengeluaran sekarang.

LATIHAN

1. Berikut ini data mengenai persediaan (Y) dan penjualan (X) dalam sektor produksi

Amarika Serikat untuk periode 1955-1974.

- Lakukan analisis regresi dengan metode Koyck

- Lakukan analisis regresi dengan metode Almon dengan k=3.

Tahun Y X

1955 45069 26480

1956 50642 27740

1957 51871 28736

1958 50070 27280

1959 52707 30219

1960 53814 30796

1961 54939 30896

1962 58213 33113

1963 60043 35032

1964 63383 37335

1965 68221 41003

1966 77965 44869

1967 84655 46449

1968 90875 50282

1969 97074 53555

1970 101645 52859

1971 102445 55917

1972 107719 62017

1973 120870 71398

1974 147135 82072

40

PRAKTIKUM 5

Data Panel

TUJUAN

TIU : Setelah menyelesaikan praktikum ini, mahasiswa diharapkan mampu mengolah data panel

dengan software Eviews.

TIK :

1. Mampu melakukan pemodelan CEM, FEM dan REM dengan E-Views

2. Mampu melakukan uji Chow dan Hausman untuk memodelkan

Data panel adalah gabungan antara data runtut waktu (time series) dan data silang (cross

section). Data runtut waktu biasanya meliputi satu objek tetapi meliputi beberapa periode (bisa

harian, bulanan, kuartalan, atau tahunan). Data silang terdiri dari atas beberapa atau banyak

objek, sering disebut responden (misalnya perusahaan) dengan beberapa jenis data (misalnya;

laba, biaya iklan, laba ditahan, dan tingkat investasi) dalam suatu periode waktu tertentu.

• Model dengan data cross section

yi = α + ß Xi + e ; i = 1,2,....,N ; N: banyaknya data cross section

• Mode dengan data time series

yt = α + ß Xt + e ; t = 1,2,....,T ; N: banyaknya data time series

Mengingat data panel merupakan gabungan dari data cross section dan data time

series, maka modelnya dituliskan dengan:

yit = αit + ß Xit + uit ; i = 1,2,....,N; t = 1,2,….., T

di mana :

N = banyaknya observasi

T = banyaknya waktu

Metode Estimasi Model Regresi Panel

Terdapat 3 pendekatan yang biasa digunakan yaitu CEM, FEM, REM.

1. Common Effect Model

Merupakan pendekatan paling sederhana yang disebut estimasi CEM atau pooled least

square. Pada pendekatan ini diasumsikan bahwa nilai intersep masing-masing variabel

adalah sama,begitu pula slope koefisien untuk semua unit cross-section dan time

series.berdasarkan asmsi ini maka model CEM dinyatakan sebagai berikut

Yit = α + ß Xit + uit ; i = 1,2,....,N; t = 1,2,….., T

2. Fixed effect model

41

Salah satu cara memperhatikan unit cross-section pada model regresi panel adalah dengan

mengijinkan nilai intersep berbeda-beda untuk setiap unit cross-section tetapi masih

mengasumsikan slope koefisien tetap. Model FEM dinyatakan sebagai berikut

Yit = αi + ß Xit + uit ; i = 1,2,....,N; t = 1,2,….., T

3. Random Effect Model

Pada model REM, diasumsikan αi merupakan variabel random dengan mean α0 .

sehingga intersep dapat dinyatakan sebagai αi = α0 + ԑi dengan ԑi merupakan error random

mempunyai mean 0 dan varians 2 ԑi , ԑi tidak secara langsung diobservasi atau disebut juga

variabel laten. Persamaan model REM adalah sebagai berikut

Yit = α0 + ß Xit + wit ; i = 1,2,....,N; t = 1,2,….., T

Dengan wit = ԑi + uit . suku error gabungan wit memuat dua komponen error yaitu ԑi

komponen error cross section dan uit yang merupakan kombnasi komponen error cross

section dan time series. Dalam menentukan estimasi model regresi panel, dilakukan

beberapa uji untuk memilih metode pendekatan estimasi yang sesuai. Langkah-langkah yang

dilakukan untuk memperoleh model yang tepat pertama adalah dilakukan uji Chow pada hasil

estimasi FEM, setelah terbukti ada efek individu maka dilakukan uji Hausman untuk

menentukan antara FEM atau REM.

Aplikasi Eviews Untuk Data Panel

Misalkan, terdapat data tiga perusahaan (yaitu perusahaan A, B, C). Masing-masing

perusahaan memiliki data 4penjulan, biaya iklan dan laba (anggaplah datanya dalam jutaan

rupiah). Data ketiga perusahaan tersebut diambil selama kurun waktu empat tahun, yaitu 2001

hingga 2004.

Perusahaan Tahun Penjualan Biaya Laba

A

2001 525 25 55

2002 575 50 57

2003 560 75 58

2004 550 60 50

B

2001 475 35 68

2002 510 45 70

2003 500 50 75

2004 498 50 72

C

2001 510 32 60

2002 525 49 64

2003 560 54 70

42

2004 550 52 68

Inputkan data diatas ke MS.Excel, kemudian simpan dengan nama “data panel”.

Buka menu file, New, Workfile kemudian dalam workfile structure type pilih Dated-regular

frequency dan date spefication, frequency pilih Annual (karena memakai data tahunan)

kemudian isi Start date: 2001 dan End Date: 2004 setelah itu OK

Klik tombol objects, News Object, lalu pilih Pool, dan namai objek tersebut dengan mana

“Iklan”, lalu klik Ok.

Dalam kotak Pool:UNTITLED tertulis:

Cross Section Identifiers: (Enter identifiers below this line)

Dibawah teks diatas ditulis secara _A kemudian dibawah _B dan dibawahnya lagi_C

Kliklah tombol Proc, Import Pool data (ACSII, XLS, WK?)… lalu isikan nama file

yang akan diimpor.pada contoh diatas adalah “data panel”.

Pada bingkai Ordinari and Pool, isikan tiga variabel yang akan diinput (dalam satu baris,

tiap variabel cukup diberi jarak satu spasi), masing-masing diakhiri dengan “?” kemudian

OK.pada workfile akan muncul seperti berikut:

43

Untuk mengestimasi model regresi diatas, masuk ke objek pool iklan kemudian pilih estimate.

Pada bingkai Dependent variable, isikan laba? dan Pada Common coefficients, isikan c

penjualan? iklan ? kemudian OK

Untuk mengestimasi ke model CEM,pada jendela estimation method pilih none pada pilihan

cross-section.

Muncul output sebagai berikut:

untuk melihat estimasasi yang diperoleh tiap perusahaan,klik view kemudian representations.

44

Untuk mengestimasi ke model CEM, pada jendela estimation method pilih fixed pada pilihan

cross-section.diperoleh output sebagai berikut :

Dari tampilan di atas, diketahui bahwa konstan untuk objek (dalam hal ini perusahaan) A

adalah -12,08, B adalah 11,59, dan C adalah 0,50. Sedang konstan variabel penjualan

adalah 0,132 dan iklan -0,012.

untuk melihat estimasasi yang diperoleh tiap perusahaan,klik view kemudian

representations.

Kemudian dilakukan uji chow untuk menentukan antara CEM atau FEM

Klik view kemudian Fixed/Random Effect Testing kemudian RedundantFixed Effects-

Likelihood Ratio

45

Ho : α1 = α2 = α3 = α (Model CEM)

H1 : sekurang-kurangnya ada satu intersept (αit ) yang tidak sama (Model FEM)

Diperoleh nilai prob(cross_section Chi-Square) 0.000 dimana nilai tersebut α = 0.05

sehingga Ho ditolak yang menandakan bahwa model diatas termasuk ke dalam model FEM.

Untuk mengestimasi ke model REM, pada jendela estimation method pilih random pada

pilihan cross-section.Agar dapat dianalisis oleh EViews, kita perlu menambah satu objek lagi,

katakanlah perusahaan D. Datanya tetap meliputi tahun 2001 hingga 2004.

Diperoleh output sebagai berikut:

46

untuk melihat estimasasi yang diperoleh tiap perusahaan,klik view kemudian

representations.

Kemudian dilakukan uji hausman untuk menentukan antara REM atau FEM

Klik view kemudian Fixed/Random Effect Testing kemudian Correlated Random Effects-

Likelihood Ratio

Diperoleh output sebagai berikut

Ho : corr(Xit,uit) = 0 (Model REM)

H1 : corr(Xit,uit) ≠ 0 (Model FEM)

Diperoleh nilai prob(cross_section random) 0.7554 dimana nilai tersebut α = 0.05 sehingga

Ho diterima yang menandakan bahwa model diatas termasuk ke dalam model REM.

47

Latihan

Lakukan analisis data Panel untuk data berikut:

KAB. BANJARNEGARA KAB. BANYUMAS

Tahun Y x1 x2 x3 Y x1 x2 x3

2002 30 0.2055 63.7 2.84 23 0.2728 66.7 4.51

2003 27 0.2314 65.6 2.96 22 0.2788 70.76 3.71

2004 27 0.2134 67.75 3.87 21 0.2834 70.23 4.17

2005 27 0.2617 67.3 4.32 22 0.246 70.7 3.21

2006 29 0.2246 68.3 2.36 24 0.2929 70.8 4.48

2007 27 0.2652 68.99 5.04 22 0.246 71.23 5.30

2008 23 0.2869 69 4.98 23 0.345 71.8 5.38

2009 21 0.256 69.63 5.11 22 0.3244 72.27 5.49

2010 19 0.26 69.91 4.89 20 0.3409 72.6 5.77

TAHUN KAB. PURBALINGGA KAB. CILACAP

2002 32 0.2468 65 4.13 22 0.268 65.3 4.44

2003 31 0.2502 68.69 3.14 21 0.2381 69.16 4.54

2004 31 0.2528 68.74 3.35 21 0.2308 69.28 4.93

2005 30 0.2713 69.3 4.18 22 0.2864 69.5 5.33

2006 32 0.2873 69.9 5.06 25 0.2629 69.8 4.72

2007 30 0.2727 70.89 6.19 23 0.2732 70.25 5.08

2008 27 0.245 70.9 5.30 21 0.2403 70.9 4.92

2009 25 0.2697 71.51 5.61 20 0.2706 71.39 5.25

2010 25 0.2359 72.07 5.95 18 0.2509 71.73 5.65

dengan Y: POV; X1: GINI; X2: IPM: X3: Pertumbuhan Ekonomi