LAMPIRAN
Lampiran 1. Evaluasi Model
Evaluasi Model 1) Kriteria Ekonomi
2) Kriteria Statistika a) R2
Keterangan Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga. • Kebaiksuaian (goodness of fit) model. • Menunjukkan seberapa besar persen variasi dalam variabel dependen mampu dijelaskan oleh variabel independennya. • Model semakin baik jika R2 mendekati satu.
b) Uji-t
• Mengukur signifikansi parameter masing-masing variabel independen terhadap dependennya. • Hipotesis pengujian: H0 = αk = 0 atau H0 = αk = 0 H1 = αk > 0 H1 = αk 0 • Tolak H0, apabila t-stat pada taraf nyata tertentu lebih besar daripada t tabel, sehingga kesimpulannya variabel tersebut berpengaruh nyata (signifikan) terhadap variabel dependen
c) Uji-F
• Mengetahui ada-tidaknya pengaruh variabel independen terhadap variabel dependen secara keseluruhan. • Hipotesis pengujian H0 = α1 = α2 = … = αk = 0 H1 = minimal terdapat satu nilai α yang tidak sama dengan nol • Tolak H0, jika probabilitas F-stat < taraf nyata tertentu, sehingga kesimpulannya minimal terdapat satu variabel independen yang mempengaruhi variabel dependen
65
Lampiran 2. Uji Asumsi
Uji Asumsi
Keterangan
1) Heteroskedastisitas
• Terjadi jika ragam sisaan tidak konstan (Var (μi2) = σi2). • Mengakibatkan estimasi koefien penduga menjadi tidak efisien meskipun konsisten dan standard error estimasi juga menjadi bias (Baltagi, 2005). • Pendeteksian heteroskedastisitas pada pengolahan data panel dengan Eviews 6: Jika Sum Square Resid pada Weighted Statistics < Sum Square Resid pada Unweighted Statistics, maka terjadi heteroskedastisitas • Salah satu cara mengatasi heteroskedastisitas: penggunaan metode Generalized Least Squares (GLS) (Juanda, 2009)
2) Multikolinearitas
• Adanya keterkaitan atau hubungan linier antara variabel independen. • Mengakibatkan hasil estimasi menjadi tidak tepat, sebab estimator memiliki varians dan kovarians yang besar. • Indikasi terjadinya masalah multikolinearitas ialah (Gujarati, 2004): ¾ Tanda koefisien tidak sesuai dengan yang diharapkan ¾ Nilai R2 tinggi meski dalam uji-t banyak variabel yang tidak signifikan ¾ Matriks korelasi antar variabel tinggi (rij > 0.8) ¾ R2 < rij • Salah satu cara mengatasi multikolinearitas: penggabungan data time series dan cross-section (Juanda, 2009).
3) Autokorelasi
• Korelasi antara anggota serangkaian observasi yang diurutkan berdasarkan waktu atau ruang. • Mengakibatkan standar error penduga bias ke bawah atau lebih kecil dari nilai sebenarnya sehingga nilai statistik uji-t tinggi. • Deteksi autokorelasi dapat dilakukan dengan melakukan uji Durbin-Watson (DW). • Kerangka Identifikasi Autokorelasi (Gujarati, 2004) 4-dL < DW < 4: Tolak H0, autokorelasi negatif 4-dU < DW < 4-dL: Tanpa kesimpulan dL < DW < 4-dU: Terima H0, tidak ada autokorelasi dL < DW < dU: Tanpa kesimpulan 0 < DW < dL: Tolak H0, autokorelasi positif (dL dan dU diketahui dari Tabel Durbin-Watson) • Salah satu cara mengatasi autokorelasi: penggunaan metode GLS (Juanda, 2009).
4) Normalitas
• mengetahui apakah error term menyebar normal atau tidak • Pengujian tersebut dilakukan dengan uji Jarque Bera dengan hipotesis: H0 = error term menyebar normal H1 = error term tidak menyebar normal • Terima H0, jika nilai probabilitas Jarque Bera > taraf nyata. Artinya, error term dalam model telah menyebar normal.
66
Lampiran 3. Uji Chow Model Permintaan Impor Buah-buahan
Redundant Fixed Effects Tests Equation: Untitled Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square
Statistic
d.f.
Prob.
11.483429 30.046714
(3,53) 3
0.0000 0.0000
67
Lampiran 4. Uji Hausman Model Permintaan Impor Buah-buahan
Correlated Random Effects - Hausman Test Equation: Untitled Test cross-section random effects Test Summary Cross-section random
Chi-Sq. Statistic Chi-Sq. d.f. 3.339791
3
Prob. 0.3421
68
Lampiran 5. Hasil Estimasi Model Permintaan Impor Buah-buahan
Dependent Variable: LNM Method: Panel EGLS (Cross-section SUR) Date: 05/08/12 Time: 07:58 Sample: 1996 2010 Periods included: 15 Cross-sections included: 4 Total panel (balanced) observations: 60 Linear estimation after one-step weighting matrix Variable
Coefficient
LNP LNY DCRISIS C
-1.001279 2.828298 -1.480811 -27.53164
Std. Error
t-Statistic
0.187382 -5.343515 0.494537 5.719080 0.242975 -6.094503 7.853861 -3.505491
Prob. 0.0000 0.0000 0.0000 0.0009
Effects Specification Cross-section fixed (dummy variables) Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)
0.892565 0.880402 1.013745 73.38657 0.000000
Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat
31.19134 23.51064 54.46697 1.725627
Unweighted Statistics R-squared Sum squared resid
0.688734 22.48693
Mean dependent var Durbin-Watson stat
17.43153 0.595730
69
Lampiran 6. Matriks Korelasi antar Variabel dalam Model Permintaan Impor Buah-buahan
LNP LNM LNY DCRISIS
LNP
LNM
LNY
DCRISIS
1.000000 -0.206836 0.455754 -0.265329
-0.206836 1.000000 0.444515 -0.389580
0.455754 0.444515 1.000000 -0.348228
-0.265329 -0.389580 -0.348228 1.000000
70
Lampiran 7. Uji Normalitas Model Permintaan Impor Buah-buahan 12
Series: Standardized Residuals Sample 1996 2010 Observations 60
10
8
6
4
2
0 -2
-1
0
1
2
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
-7.93e-17 -0.046687 2.608214 -2.567373 0.960817 -0.229205 4.083269
Jarque-Bera Probability
3.459030 0.177370
71
Lampiran 8. Uji Chow Model Outpayments Buah-buahan
Redundant Fixed Effects Tests Equation: Untitled Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square
Statistic
d.f.
Prob.
20.275546 46.476525
(3,52) 3
0.0000 0.0000
72
Lampiran 9. Hasil Estimasi Model Outpayments Buah-buahan
Dependent Variable: LNVM Method: Panel EGLS (Cross-section SUR) Date: 05/08/12 Time: 07:39 Sample: 1996 2010 Periods included: 15 Cross-sections included: 4 Total panel (balanced) observations: 60 Linear estimation after one-step weighting matrix Variable
Coefficient
Std. Error
t-Statistic
Prob.
LNY LNER TM DCRISIS C
2.274051 -0.546297 -7.930314 -1.327377 -13.51131
1.158213 0.765395 2.782785 0.388766 24.54220
1.963413 -0.713746 -2.849776 -3.414332 -0.550534
0.0550 0.4786 0.0063 0.0012 0.5843
Effects Specification Cross-section fixed (dummy variables) Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)
0.888610 0.873615 1.053521 59.26128 0.000000
Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat
21.97851 25.04324 57.71518 1.744514
Unweighted Statistics R-squared Sum squared resid
0.772036 15.77368
Mean dependent var Durbin-Watson stat
17.14387 0.809251
73
Lampiran 10. Matriks Korelasi antar Variabel dalam Model Outpayments Buah-buahan
LNER LNVM LNY TM DCRISIS
LNER
LNVM
LNY
TM
DCRISIS
1.000000 -0.388802 -0.680512 -0.322517 0.609962
-0.388802 1.000000 0.560290 -0.432250 -0.459881
-0.680512 0.560290 1.000000 -0.291314 -0.348228
-0.322517 -0.432250 -0.291314 1.000000 -0.029965
0.609962 -0.459881 -0.348228 -0.029965 1.000000
74
Lampiran 11. Uji Normalitas Model Outpayments Buah-buahan 14
Series: Standardized Residuals Sample 1996 2010 Observations 60
12 10 8 6 4 2 0 -3
-2
-1
0
1
2
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
1.94e-16 0.042919 2.257703 -2.940502 0.989052 -0.365875 3.666698
Jarque-Bera Probability
2.449863 0.293778