Modul praktikum ekonometrika

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 : FileNewWorkfile,
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 ViewDisplay 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 ObjectsGroupOK
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 : FileOpenWorkfile
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 : ProcsChange
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 : QuickGraphLine 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 ProcsGnerate 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
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 :
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 :
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 :
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⁄
𝐽𝐾𝑆
𝑛−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−𝑋̅)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,σ
2
). 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
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
TAHUN
IMPOR
(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 𝑌̂t = 𝛽̂0 + 𝛽̂2 Xt
Sesudah krisis 𝑌̂t = (𝛽̂0 + 𝛽̂1 )+ 𝛽̂2 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 𝑌̂t = β0 + β2Xt
Sesudah krisis 𝑌̂t = (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(ribuRp) 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 𝛽̂1
Jika X>X* kenaikan komisi penjualan sebesar (𝛽̂1 + 𝛽̂2)
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 𝛽̂1=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 𝛽̂1 +
𝛽̂2=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 :
𝛽 𝑘 = 𝛽0 𝐶 𝑘
, 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 :
𝛽̂0 = 𝛽0
𝛽̂1 = 𝛽0 𝐶
𝛽̂2 = 𝛽0 𝐶2

33
.
𝛽̂ 𝑘 = 𝛽0 𝐶 𝑘
Yt = α + β0Xt + 𝛽0 𝐶 Xt-1 + 𝛽0 𝐶2
Xt-2 + . . . + εt (1.1)
Yt-1 = α + β0Xt-1 + 𝛽0 𝐶 Xt-2 + 𝛽0 𝐶2
Xt-3 + . . . + εt -1 (1.2)
CYt-1 = αC + β0CXt-1 + 𝛽0 𝐶2
Xt-2 + 𝛽0 𝐶3
Xt-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 + 𝜀𝑡
𝑘
𝑖=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 + 𝛼1 𝑖 + 𝛼2 𝑖2
(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 + 𝛼1 𝑖 + 𝛼2 𝑖2
+ 𝛼3 𝑖3
(2.2)
(2.2) merupakan polinomial dalam i yang berpangkat tiga (third-degree polynomial in i).
Secara umum, model dituliskan sebagai berikut :
𝛽𝑖 = 𝛼0 + 𝛼1 𝑖 + 𝛼2 𝑖2
+ ⋯ + 𝛼 𝑚 𝑖 𝑚
(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 + 𝛼1 𝑖 + 𝛼2 𝑖2)𝑋𝑡−1 + 𝜀𝑡
𝑘
𝑖=0
= 𝛼 + 𝛼0 ∑ 𝑋𝑡−1
𝑘
𝑖=0 + 𝛼1 ∑ 𝑖 𝑋𝑡−1
𝑘
𝑖=0 + 𝛼2 ∑ 𝑖2
𝑋𝑡−1 + 𝜀𝑡
𝑘
𝑖=0 (2.4)
Apabila didefiniskan :
𝑍0𝑡 = ∑ 𝑋𝑡−1
𝑘
𝑖=1
𝑍1𝑡 = ∑ 𝑖 𝑋𝑡−1
𝑘
𝑖=0 (2.5)
𝑍2𝑡 = ∑ 𝑖2
𝑋𝑡−1
𝑘
𝑖=0
Maka (2.4) menjadi
𝑌𝑡 = 𝛼 + 𝛼0 𝑍0𝑡 + 𝛼1 𝑍1𝑡 + 𝛼2 𝑍2𝑡 + 𝜀𝑡 (2.6)
Apabila dituliskan persamaan regresi dugaan menjadi :
𝑌̂𝑡 = 𝛼̂ + 𝛼̂0 𝑍0𝑡 + 𝛼̂1 𝑍1𝑡 + 𝛼̂2 𝑍2𝑡 + 𝜀𝑡
Model (2.6) dapat diperkirakan koefisiennya dengan metode kuadrat terkecil. Perkiraan 𝛼̂
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 𝛽̂ dapat dihitung berdasarkan rumus (2.1) sebagai berikut :
𝛽̂0 = 𝛼̂0
𝛽̂1 = 𝛼̂0 + 𝛼̂1 + 𝛼̂2
𝛽̂2 = 𝛼̂0 + 2𝛼̂1 + 4𝛼̂2
.
.
𝛽̂ 𝑘 = 𝛼̂0 + 𝑘𝛼̂1 + 𝑘2
𝛼̂2 (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 + 𝛼1 𝑖 + 𝛼2 𝑖2
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 + 𝛽0 𝑋𝑡 + 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 =
∑ 𝑘𝛽 𝑘
𝛽 𝑘
=
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 :
𝐶̂ = 0.468
𝛼̂(1 − 𝐶̂) = 2.727 -> 𝛼̂= 5.1275
𝛽̂0 = 𝛽0 = 0.941
𝛽̂1 = 𝛽0 𝐶 = 0.4403
𝛽̂2 = 𝛽0 𝐶2
=0.206
Jadi model lag dugaannya adalah
𝑌̂ = 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 :
𝑌̂ = 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:
𝑌̂ = 0.376 𝑍1𝑡 − 0.1555 𝑍2𝑡
Persamaan diatas dapat dituliskan dalam persamaan regresi dugaan distribusi lag
dengan cara sebagai berikut.
𝛽̂0 = 𝛼̂0=0
𝛽̂1 = 𝛼̂0 + 𝛼̂1 + 𝛼̂2 = 0 + 0.376 − 0.155 = 0.221
𝛽̂2 = 𝛼̂0 + 2𝛼̂1 + 4𝛼̂2 = 0 + 2 ∗ 0.376 − 4 ∗ 0.155 = 1.372
𝛽̂3 = 𝛼̂0 + 3𝛼̂1 + 9𝛼̂2 = 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.
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
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

Modul praktikum ekonometrika

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Modul praktikum ekonometrika

Similar to Modul praktikum ekonometrika (20)

Modul praktikum ekonometrika