Mengenal E–Views
Membuat workfile baru Workfile baru dapat dibuat dengan cara: 1. Memilih menu file –> New –> Workfile, atau 2. Mengetikkan “New” pada command window
•
Jika data Anda merupakan data tahunan, pilihlah “Annual”, kemudian ketikkan tahun awal dan tahun akhir data Anda
1
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
• • • •
•
Jika data yang Anda miliki merupakan data setengah tahunan (semester), pilihlah ”Semi–Annual”, kemudian ketikkan tahun diikuti titik dua kemudian 1 atau 2. Misalnya 2007:1 berarti tahun 2007 semester pertama. Untuk memasukkan data kuartalan, pilih “Quarterly”, lalu ketikkan tahun diikuti titik dua dan nomor kuartal (1 hingga 4). Untuk data bulanan, pilihlah “Monthly”, kemudian ketikkan tahun diikuti titik dua dan nomor bulan (1 hingga 12). Misalnya 2007:6. Untuk data mingguan dan harian, Anda harus memastikan sistem penanggalan yang digunakan dalam komputer Anda dengan cara memilih menu option –> Frequency conversion – dates.
Untuk data tanpa tanggal, Anda harus memasukkan jumlah data atau pengamatan yang Anda miliki.
Input data Input data pada E–Views data dilakukan dengan banyak cara, namun yang paling mudah dilakukan adalah dengan mengetikkannya secara langsung, atau jika Anda memiliki softcopy–nya, Anda dapat melakukan copy–paste secara langsung. Yang harus Anda lakukan adalah: 1. Pilih menu Quick –> Empty groups 2. Ketikkan data atau paste data yang sudah di–copy pada kolom di sebelah kanan nomor data/pengamatan/tahun. 3. Ketikkan nama series data (variabel) pada sel paling atas.
Halaman 2
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
E–Views menyimpan data berdasarkan series (variabel), sehingga pada workfile akan muncul sejumlah series.
Untuk menampilkan beberapa series dalam bentuk spreadsheet, Anda dapat memilih series yang Anda inginkan lalu klik kanan –> Open –> As group.
Halaman 3
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Statistik Deskriptif Series Untuk mengetahui statistik deskriptif data, dapat dilakukan dengan cara: 1. Buka series yang akan diuji. 2. Pilih View –> Descriptive statistics –> Histogram and Stats
Anda dapat pula melakukan pengujian statistik deskriptif pada series tertentu berdasarkan klasifikasi atau kelompok tertentu. Cara yang harus dilakukan adalah: 1. Buka series yang akan diuji. 2. Pilih View –> Descriptive statistics –> Stats by classification.
Halaman 4
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Uji Beda Series Anda dapat melakukan uji beda pada series berdasarkan series tertentu. Misalnya pada series PK akan diuji berdasarkan series gol. Yang harus dilakukan adalah: 1. Buka series yang akan diuji. 2. Pilih View –> Test for Descriptive stats –> Equality test by classification. 3. Ketikkan series yang berperan sebagai pembagi group/klasifikasi. 4. Pilih statistic yang akan diuji. Secara otomatis, E–Views akan menyesuaikan metoda yang digunakan, sebagai contoh, jika Anda membandingkan Mean sementara series classification terdiri dari 2 nilai, maka akan muncul uji t.
Statistik Deskriptif Group 1. Buka group yang akan diuji, atau pilih beberapa series, kemudian buka sebagai group. 2. Pilih View –> Descriptive stats –> Common sample
Halaman 5
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Uji Beda Group Anda dapat melakukan uji beda terhadap beberapa series yang tergabung dalam satu group. E–Views akan menyesuaikan metoda dengan tes yang akan dilakukan dan jumlah series yang akan dibandingkan. Misalnya jika Anda akan membandingkan Mean pada 3 series, maka otomatis akan muncul uji Anova. Cara yang harus dilakukan adalah: • Pilih View –> Test of Equality.
Halaman 6
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Ordinary Least Square Ordinary Least Square Regression dapat dilakukan dengan tiga cara. 1. Mengetikkan “LS Y C X1 X2 X3….Xt” pada command window. 2. Pilih pada menu workfile Objects –> New object –> Pilih Equation kemudian ketikkan Y C X1 X2 X3….Xt pada dialog box. Pada metoda, pilihlah LS (least square). 3. Jika series yang akan diregres telah terbuka sebagai group, pilih pada menu group Procs –> Make equation –> Isi dialog box seperti pada langkah No. 2.
Sebagai contoh, akan dilakukan regresi dengan variable dependen PK (Preferensi Keputusan) dan variable independent masing–masing adalah RP (Risk Preference) dan SE (Self Esteem). Pada command window diketikkan “LS PK C RP SE” kemudian tekan enter, sehingga output yang muncul adalah sebagai berikut:
Halaman 7
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Sebelum melakukan analisis atas aoutput E–Views, perlu dipahami terlebih dahulu hipotesis yang akan diuji. Penelitian di atas bertujuan untuk mengetahui apakan preferensi keputusan dipengaruhi oleh risk preference dan self esteem, sehingga hipotesisnya adalah: H1 H2
“Risk preference berpengaruh terhadap preferensi keputusan”. “Self esteem berpengaruh terhadap preferensi keputusan”.
Analisis: • Hal yang perlu kita lakukan pertama kali adalah melihat nilai P–Value dari uji Anova. Pada output E-Views nilai P–Value ditunjukkan oleh prob(F– Statistic) yaitu sebesar 0,006060. Nilai ini menunjukkan bahwa minimal salah satu dari variabel independen memang memiliki pengaruh terhadap variabel dependen. • Untuk mengetahui variabel independen mana yang berpengaruh pada variabel dependen, perlu dilihat pada tabel uji t. Berdasarkan tabel uji t maka dapat dilihat bahwa variabel RP memiliki pengaruh terhadap variabel dependen karena memiliki P–Value sebesar 0,0015. • Besarnya pengaruh variabel RP ditunjukkan oleh nilai koefisiennya, yaitu 0,224108. Hal ini dapat pula diartikan ”Jika RP naik sebesar 1 satuan, maka Ceteris Paribus, PK akan naik sebesar 0,224108 satuan”.
UJI ASUMSI Sebelum membuat simpulan akhir mengenai analisis yang telah dilakukan di atas, perlu dilakukan pengujian terhadap model regresi di atas, apakah memenuhi persyaratan yang harus dipenuhi jika kita akan menggunakan analisis regresi.
Normalitas Suatu model regresi akan menghasilkan estimasi yang reliabel jika model tersebut memiliki nilai error yang berdistribusi normal. Uji normalitas dapat dilakukan dengan cara memilih pada menu equation, pilih View –> Residual Tests –> Histogram – Normality Test. Hasil uji normalitas menunjukkan P–Value sebesar 0,431161, sehingga dapat disimpulkan bahwa model regresi yang diuji memiliki nilai error yang berdistribusi normal.
Halaman 8
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Multikolinieritas Multikolinieritas adalah adanya hubungan linier antar variabel independent. Multikolinieritas dapat dideteksi dengan melihat condition index atau nilai VIF (SPSS). Jika condition index melebihi nilai yang ditentukan oleh peneliti, biasanya 30, maka dapat disimpulkan terdapat multikolinieritas. Pada E–Views, multikolinieritas dapat dideteksi dengan melihat matrik korelasi antar variabel dependen. Jika terdapat korelasi yang kuat (biasanya di atas 0,8) maka dapat disimpulkan terdapat multikolinieritas. Pada model yang digunakan sebagai contoh, akan kita lihat matriks korelasinya. Caranya adalah: 1. Buka RP dan SE sebagai group. 2. Pada menu group, pilih View –> Correlations –> Common samples
Halaman 9
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Hasil uji korelasi menunjukkan bahwa antara RP dan SE tidak terdapat hubungan yang kuat, sehingga dapat disimpulkan bahwa tidak terdapat multikolinieritas pada model. Seandainya terdapat multikolinieritas, maka hal yang dapat dilakukan antara lain adalah: 1. Mentransformasi data (misalnya dengan logaritma natural). 2. Mengeluarkan variabel yang berkorelasi dari model. 3. Mencari data tambahan. Menghitung VIF Jika kita hendak mendeteksi adanya multikolinieritas dengan VIF, maka kita perlu menghitung secara manual. Untuk model seperti pada contoh, yaitu PK = a + B1 SE + B2 RP +ε Misalnya kita ingin menghitung nilai VIF untuk SE, maka langkah yang harus kita lakukan adalah sebagai berikut: 1. Lakukan regres dengan variabel dependen SE dan variabel independen PK. Caranya adalah dengan mengetikkan LS SE C RP 2. Rumus menghitung VIF adalah 1/(1-R2). Kita akan mengitung VIF dan menyimpannya dalam bentuk matriks. Yang harus kita lakukan adalah ketik MATRIX S = 1/(1-@r2) 3. Buka matriks S dari jendela workfile. Nilai VIF akan muncul.
Jika nilai VIF kurang dari 10, maka kita katakan bahwa variabel tersebut tidak berkorelasi dengan variabel lain. Dengan kata lain, model yang kita uji terbebas dari masalah multikolinieritas.
Halaman 10
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Heterokedastisitas Regresi mensyaratkan bahwa pada nilai error pada model selalu konstan pada setiap pengamatan. E–Views memiliki fasilitas built in untuk mendeteksi adanya heterokedastisitas. Pilihlah menu pada equation, lalu pilih View –> Residual Test –> White Heterokedasticity.
Kita lihat nilai P–Value pada Obs*R–squared sebesar 0,415377. Nilai ini menunjukkan bahwa tidak terdapat heterokedastisitas pada model. Jika terdapat heterokedastisitas, biasanya disebabkan oleh adanya faktor berpengaruh kuat terhadap variabel dependen namun tidak masuk dalam model, sehingga kita perlu mencari tahu variabel apa yang mungkin menyebabkan munculnya heterokedastisitas kemudian memasukkannya dalam model.
Otokorelasi Asumsi ini bertujuan untuk memastikan bahwa variabel dependen hanya dipengaruhi oleh variabel independen, bukan yang lain, terutama error. Cara pengujian yang banyak dilakukan adalah dengan melakukan uji Durbin– Watson. Cara lain yang dapat digunakan untuk mendeteksi otokorelasi adalah dengan Breusch–Godfrey Serial Correlation LM Test. Test ini dilakukan pada E–Views dengan cara: Pada menu Equation pilih View –> Residual Test –> Serial Correlation LM Test.
Halaman 11
Kurniawan Ali Fachrudin S.E., M.Si., Ak.
Jika nilai P–Value pada Obs*R–squared lebih besar dari alpha, maka dapat disimpulkan bahwa pada model yang diuji tidak terdapat masalah otokorelasi.
Halaman 12