PELATIHAN PENELITIAN
DATA ENTRY DAN EVIEWS APPLICATION
MAMAN SETIAWAN
KERJASAMA HIMPUNAN MAHASISWA EKONOMI DAN STUDI PEMBANGUNAN DAN
LABORATORIUM PENELITIAN, PENGABDIAN PADA MASYARAKAT DAN PENGKAJIAN EKONOMI (LP3E) FAKULTAS EKONOMI UNIVERSITAS PADJADJARAN BANDUNG, 6-8 MEI 2005
Kata Pengantar
Makalah/modul ini disampaikan pada acara ”Pelatihan Penelitian” yang dilaksanakan oleh Himpunan Mahasiswa Ekonomi Studi Pembangunan Fakultas Ekonomi Universitas Padjadjaran pada tanggal 6-8 Mei 2005 di Kampus Unpad Jl. Dipati Ukur No. 35. Adapun makalah/modul ini membahas tentang entri data serta aplikasi program eviews dalam suatu proses pengolahan data dalam penelitian. Peserta dalam acara ini berasal dari mahasiswa berbagai jurusan bidang studi ilmu dan berasal dari berbagai universitas negeri dan swasta di Bandung. Akhir kata semoga makalah/modul ini memberikan kontribusi
atau sumbangan dalam suatu proses
kegiatan penelitian.
Bandung, Mei 2005
Maman Setiawan
Pengantar Pengolahan data statistik memiliki peranan penting di dalam suatu penelitian karena dari hasil pengolahan data statistik ini muncul suatu kesimpulan penelitian. Pengolahan data mencangkup perhitungan data analisis model penelitian. Sebelum dilakukan kesimpulan penelitian, agar hasil penelitian menjadi akurat harus dilakukan uji validitas pada data dan model. Training ini akan berusaha membahas bagaimana proses dari memasukan data hingga seorang peneliti bisa menggunakan hasil estimasi sebagai kesimpulan penelitian. Proses pengolahan data akan dilakukan dengan menggunakan software Eviews 3.1. Eviews ialah program ekonometrika yang telah dipaketkan. Eviews ini ialah pengembangan dari software Micro TSP yang sebelumnya dijalankan melalui system operasi DOS. Eviews bekerja di bawah system Windows. Eviews sendiri merupakan program yang cukup sederhana karena kita tidak banyak melakukan operasi bahasa pemrograman sendiri. Eviews telah menyediakan berbagai metode perhitungan ekonometrika dan statistik. Walaupun program dalam eviews ini belum sepenuhnya lengkap, tetapi diharapkan bisa menjadi panduan di dalam mengolah data.
Ada
beberapa metoda perhitungan yang telah tersedia tetapi ada juga yang harus dibuat manual secara bertahap dengan metoda yang akan dijelaskan dalam modul ini.
Pada dasarnya tahap penelitian bisa digambarkan sebagai berikut :
Perumusan Masalah dan Tujuan Penelitian
Studi Pendahuluan
Studi Kepustakaan
Identifikasi Variabel Penelitian dan Pembentukan Model
Pembuatan Hipotesis
Revisi Proses Pengumpulan Data Tidak
Memenuhi
Ya
Pengolahan Data : Uji Spesifikasi Model dan Uji Asumsi Regresi Linier
Pengolahan Data Statistik : Estimasi Model
Pengujian Hipotesis
Analisis dan Pembahasan
Kesimpulan dan Saran
Gambar 1 Langkah-Langkah Penelitian
Setelah model dan hipotesisnya terbentuk, tahap yang paling penting kemudian ialah proses pengolahan data dan model sehingga dari hasil hasil estimasi model nantinya bisa didapatkan kesimpulan akhir. Kasus 1 Suatu perusahaan penjual bunga di daerah “X” ingin melihat faktor-faktor yang mempengaruhi penjualan bunga ros-nya. Perusahaan tersebut membuat model untuk tujuannya tersebut sebagai berikut : Yt =
1
+
2
X2t +
3
X3t +
4
X4t +
5 X5t +
ut
Di mana : Y = Jumlah Penjualan Bunga Ros, (dalam lusin) X2 = Rata-rata harga bunga Ros, $/lusin X3 = Rata-rata harga bunga mawar, $/lusin X4 = Rata-rata tingkat pendapatan/kapita, $/week X5 = Trend variabel dengan nilai 1,2,3, dan seterusnya, untuk periode 2001-III hingga 2005-II di daerah “X” Untuk mengestimasi model di atas, perusahaan tersebut mengumpulkan database dari survey-survey yang telah dilakukannya selama tahun 2001 kwartal III hingga tahun 2005 kwartal II sehingga diperoleh data sebagai berikut : obs 1971:3 1971:4 1972:1 1972:2 1972:3 1972:4 1973:1 1973:2 1973:3 1973:4 1974:1 1974:2 1974:3 1974:4 1975:1 1975:2
Y 11484.00 9348.000 8429.000 10079.00 9240.000 8862.000 6216.000 8253.000 8038.000 7476.000 5911.000 7950.000 6134.000 5868.000 3160.000 5872.000
X2 2.260000 2.540000 3.070000 2.910000 2.730000 2.770000 3.590000 3.230000 2.600000 2.890000 3.770000 3.640000 2.820000 2.960000 4.240000 3.690000
X3 3.490000 2.850000 4.060000 3.640000 3.210000 3.660000 3.760000 3.490000 3.130000 3.200000 3.650000 3.600000 2.940000 3.120000 3.580000 3.530000
X4 158.1100 173.3600 165.2600 172.9200 178.4600 198.6200 186.2800 188.9800 180.4900 183.3300 181.8700 185.0000 184.0000 188.2000 175.6700 188.0000
X5 1.000000 2.000000 3.000000 4.000000 5.000000 6.000000 7.000000 8.000000 9.000000 10.00000 11.00000 12.00000 13.00000 14.00000 15.00000 16.00000
Agar model tersebut di atas bisa diestimasi maka ada beberapa tahapan di eviews : 1. Entry data 2. Estimasi model dengan data yang dientry I. Proses Entry data Sebelum suatu model bisa diestimasi, maka data untuk variabel-nya harus tersedia dengan lengkap. Data harus dimasukan dulu ke dalam software dengan lengkap. Berikut cara entry data di Eviews : Buka Program Eviews sehingga terlihat workfile sebagai berikut :
Klik File | New | Workfile
Sehingga muncul workfile sebagai berikut :
Karena datanya dalam bentuk kwartal maka checklist Quarterly | lalu masukan di star date : 2001:3 (tahun awal) kemudian masukan 2005:2 (tahun akhir) di end date. Sehingga muncul workfile sebagai berikut :
Dari workfile yang sudah ada kita akan membuat nama-nama variabel terlebih dahulu: Klik Object | New Object |
Sehingga muncul kotak dialog sebagai berikut : Isi type object dengan series (sama untuk semua variabel) , Isi name for Object dengan nama variabel : Y | Klik OK
Ulangi untuk variabel X2,X3,X4, dan X5 . Sehingga di workfile muncul nama variabel yang siap diisi sebagai berikut :
buka semua variabel yang masih kosong untuk diisi dengan data : Tekan CTRL (tidak dilepas) bersamaan klik satu per satu variabel Y, X2, X3, X4, danX5 | Lalu klik kanan pada mouse | pilih open as group | sehingga muncul hasil sebagai berikut :
Sehingga muncul spreadsheet sebagai berikut :
Klik Edit | Lalu isi setiap variabel dengan data pada tabel 1 di atas sehingga spreadsheet akhir akan terisi data sebagai berikut :
Klik name : Group 1 pada spreadsheet | Klik File | pilih save as : Data1 Kasus III
Bagaimana jika model tersebut memiliki model sebagai berikut : LnYt =
1
+
2
Ln(X2t/X3t) +
3
Ln( X4t )+
4 X5t +
ut
Maka tahapan yang harus dilakuakn ialah : 1. Melakukan transformasi data di eviews dengan fasilitas Generate series Klik Quick | Generate Series Dikotak generate series satu per satu ditulis di sebagai berikut : LnY=Log(Y) X2X3=X2/X3 Ln(X2X3)=Log(X2/X3) SqrtX4=Sqrt(X4) Misalkan untuk LnY=Log(Y) : Klik Quick | Generate Series :
II. Proses Estimasi Model Karena data sudah tersedia maka estimasi model untuk selanjutnya bisa dilakukan. Model : Yt =
1
+
2
X2t +
3
X3t +
4
X4t +
5 X5t +
ut
Caranya : Klik Quick | Estimate Equation | sehingga muncul kotak dialog sebagai berikut :
Masukan Model yang akan diestimasi ke dalam kotak dialog “equation specification”, sebagai berikut : Penulisan persamaan di Eviews hanya variabelnya saja yang dipisahkan dengan spasi. Variabel yang diketikan paling awal dibaca Eviews sebagai variabel dependen. Kemudian C =
1.
Klik Ok sehingga dihasilkan estimasi regresi sebagai berikut :
Klik View | Pilih Representation | sehingga diperoleh fungsi persamaan sebagai berikut :
Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 23:53 Sample: 2001:3 2005:2 Included observations: 16 Variable Coefficient C 10816.04 X2 -2227.704
Std. Error t-Statistic 5988.348 1.806181 920.4657 -2.420193
Prob. 0.0983 0.0340
X3 X4 X5 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
1251.141 6.282986 -197.3999 0.834699 0.774590 969.8744 10347220 -129.7401 2.333986
1157.021 1.081347 30.62166 0.205181 101.5612 -1.943655 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
0.3027 0.8412 0.0780 7645.000 2042.814 16.84252 17.08395 13.88635 0.000281
Jika hasil diatas ditulis dihasilkan persamaaan sebagai berikut : Y = 10816.04325 - 2227.70436*X2 + 1251.141202*X3 + 6.282986279*X4 Std. error (5988,35) (920,46) (1157,02) (30,62) Std. Error
-197.3999396*X5 (101,56)
Klik Name untuk menyimpan persamaan | beri nama : eq01 2.1 Pengujian Spesifikasi model Uji Ramsey’s RESET Ramsey membuat pengujian tentang spesifikasi error yang disebut RESET ( regression specification error test ). RESET test ini melihat suatu pola yang sistematik dari perubahan residual regresi ( uˆi ) dihubungkan dengan estimasi yi ( Yˆi ) pada persamaan (a ) di bawah ini. Jika kita masukan Yˆi dalam persamaan (a) maka akan meningkatkan R2 dan jika kenaikan R2 ini secara statistik signifikan maka model persamaan (a) yang merupakan persamaan linear ialah miss-specified ( tidak memenuhi spesifikasi model ). Misal kita memiliki persamaan : Yi =
1
+
2 Xi +
u3i
..(a)
Di mana : Y= Total Cost dan X = output Tahapan dalam RESET ini ialah : 1. Estimasi model a dengan OLS biasa kemudian didapat estimasi Yi yaitu Yˆi 2. Estimasi lagi persamaan a dengan memasukan regressor tambahan Yˆi . Kalau kita gambarkan hubungan antara Yˆi dan uˆi maka ada hubungan yang kurva linear.
Ramsey menyarankan memasukan Yˆi 2 dan Yˆi 3 sebagai regressor tambahan. Sehingga kita estimasi persamaan : Yi =
1+
2X2
+
3 X3
+
4 X4 +
5X5+
6
Yˆi 2 +
7
Yˆi 3 + ui
(a.1)
2 ) dan R2 dari persamaan (a) 3. Dari persamaan a.1 didapat R2 yang baru ( Rnew 2 disebut Rold . Dari hasil ini kita bisa mencari nilai F-statistiknya untuk mengetahui
apakah kenaikan dalam R2 dari menggunakan model (a.1) itu signifikan atau tidak : F=
2 2 ( Rnew − Rold ) / jumlah regressor - regressor baru 2 (1 - R new ) /(n − jumlah parameter - parameter di dalam model baru )
Jika nilai F-statistik yang telah dihitung itu signifikan pada tingkat
misal 5% maka
kita bisa menerima hipotesis bahwa model (a) itu misspecified. Sebaliknya jika nilai F-statistik yang telah dihitung itu tidak signifikan pada tingkat
misal 5% maka
model specified. Caranya di eviews : Dari hasil estimasi awal (eq.1) : Klik View | stability test | pilih Ramsey Reset | masukan :2 (jika kita misalkan ada hubungan kuadratik)
Klik OK sehingga muncul hasil sebagai berikut :
F-statistik paling atas dari hasil estimasi ramsey test di eviews ialah sama dengan : F=
2 2 ( Rnew − Rold ) / jumlah regressor - regressor baru 2 (1 - R new ) /(n − jumlah parameter - parameter di dalam model baru )
Uji Hipotesis : Ho : Model Specified(linier)
H1: Model misspecified (tidak linier)
Pengujian : Jika nilai p-value F-statistik <
=5% maka Ho ditolak
Ternyata p-value F-statistik = 0,52 > 0,05 maka Ho tidak ditolak sehingga bisa disimpulkan bahwa model di atas memenuhi spesifikasi (kelinieran).
2.2 Pengujian Masalah yang Terjadi dalam Regresi Linier Masalah-masalah penyimpangan asumsi yang dapat timbul pada model regresi terutama regresi linier meliputi masalah multikolinier, heteroskedastisitas,
dan
autokorelasi. Penyimpangan-penyimpangan ini mengakibatkan model menjadi tidak valid, hasil-hasil pengujian menyesatkan, dan variasi residual yang diperoleh tidak sesuai dengan semestinya. Atau dengan kata lain hasil estimasinya tidak lagi BLUE.
Pengujian Multikolinear Multikolinier ialah kondisi dimana adanya hubungan antara variabel-variabel bebas. Jika multikolinier itu sempurna maka setiap koefisien regresi dari variabelvariabel bebasnya tidak dapat menentukan dan standar errornya tidak terbatas. Jika multikolinier kurang dari sempurna maka koefisien regresi walaupun bisa menentukan, tetapi memiliki standar error yang besar (dalam hubungan dengan koefisien mereka itu sendiri), yang berarti koefisien-koefisiennya tidak bisa diestimasi dengan akurasi yang tepat. Cara umum untuk mendeteksi adanya multikolinear dalam model ialah dengan melihat bahwa adanya R 2 yang tinggi dalam model tetapi tingkat signifikansi tstatistiknya sangat kecil dari hasil regresi tersebut dan cenderung banyak yang tidak signifikan. Selain itu untuk menguji multikolinear, bisa dilihat matrik korelasinya. Jika masing-masing variabel bebas berkorelasi lebih besar dari 80 % maka termasuk yang memiliki hubungan
yang tinggi atau ada indikasi multikolinearitas
(Gujarati,2003). Cara pengujian Multikolinear dengan matriks korelasi di Eviews sebagai berikut : Pada workfile : Klik Group1 data yang telah dibuat sebelumnya.
Klik View | Pilih Correlations Y X2 X3 X4 X5
Y 1.000000 -0.784155 -0.022686 -0.413036 -0.851760
X2 -0.784155 1.000000 0.472491 0.289245 0.653135
X3 -0.022686 0.472491 1.000000 -0.104396 -0.127347
X4 -0.413036 0.289245 -0.104396 1.000000 0.549885
X5 -0.851760 0.653135 -0.127347 0.549885 1.000000
Dari matriks korelasi di atas terlihat bahwa hubungan antara variabel independennya (tidak termasuk Y) semuanya di bawah 70% sehingga bisa disimpulkan bahwa tidak terdapat masalah multikolinear di dalam model.
Pengujian Autokorelasi Penaksiran model regresi linier mengandung asumsi bahwa tidak terdapat autokorelasi di antara disturbance terms, yaitu : Cov ( ei, ej ) = 0
di mana i
j
a. Autokorelasi ini umumnya terjadi pada data time series. Konsekuensi dari adanya autokorelasi pada model ialah bahwa penaksir tidak efisien dan uji t serta uji F yang biasa tidak valid walaupun hasil estimasi tidak bias (Gujarati, 2003). Pengujian yang bisa digunakan untuk meneliti kemungkinan terjadinya autokorelasi adalah uji Durbin-Watson ( D-W ). a. Metode Durbin-Watson Test Metode Durbin Watson ini mengasumsikan adanya first order autoregressive AR(1) dalam model. Hipotesa dari uji tersebut ialah : 1.
Ho : ρ = 0 H1 : ρ > 0
Artinya :
Jika d < du, H0 ditolak pada tingkat α sehingga secara statistik adanya autokorelasi positif yang signifikan. 2.
Ho : ρ = 0 H1 : ρ < 0
Artinya :
Jika ( 4 – d ) < du, H0 ditolak pada tingkat
α , sehingga secara statistik
mengandung autokorelasi negatif yang signifikan. 3.
H0 : ρ = 0 Artinya : H1 : ρ ≠ 0 Jika d < du atau ( 4 – d ) < du, H0 ditolak pada tingkat 2 α sehingga secara statistik terlihat bahwa adanya autokorelasi baik positif maupun negatif secara signifikan.
Tabel 3.3 Kriteria Pengujian Autokorelasi Null Hipotesis
Hasil Estimasi
Kesimpulan
Ho
0 < dw < dl
Tolak
Ho
dl ≤ dw ≤ du
Tidak ada Kesimpulan
H1
4 − dl < dw < 4
Tolak
H1
4 − du ≤ dw ≤ 4 − dl
Tidak ada kesimpulan
Tidak ada otokorelasi,
du < dw < 4 - du
Diterima
baik positif maupun negatif Sumber: Basic Econometrics, Damodar Gujarati(2003)
Caranya Pengujian Autokorelasi di eviews : Dari hasil estimasi model (eq.01) terlihat nilai durbin-watson di sebelah kiri paling bawah :
Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 23:53 Sample: 2001:3 2005:2 Included observations: 16 Variable Coefficient C 10816.04 X2 -2227.704 X3 1251.141 X4 6.282986 X5 -197.3999 R-squared 0.834699 Adjusted R-squared 0.774590 S.E. of regression 969.8744 Sum squared resid 10347220 Log likelihood -129.7401 Durbin-Watson stat 2.333986
Std. Error t-Statistic 5988.348 1.806181 920.4657 -2.420193 1157.021 1.081347 30.62166 0.205181 101.5612 -1.943655 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Prob. 0.0983 0.0340 0.3027 0.8412 0.0780 7645.000 2042.814 16.84252 17.08395 13.88635 0.000281
Jika kita uji berdasarkan tabel durbin-watson di atas maka dicari terlebih dahulu nilai dl dan du pada =1% dengan n=16 dan k’(jumlah variabel independen)=4 yaitu dl=0,532 dan 1,66. sehingga didapat : positif
tidak tentu
tidak ada autokorelasi
tidak tentu
Autokorelasi 0
dl=0,532
negatif autokorelasi
du=1,663
2
4-du= 2,337
4-dl= 3,468
karena 2,33 berada di daerah tidak ada autokorelasi maka bisa disimpulkan bahwa model tidak mengandung masalah autokorelasi.
2.3 Pengujian Homokedastisitas Salah satu asumsi pokok dalam model regresi linear adalah homokedastisitas diartikan sebagai distribusi dari variabel gangguan ui, adalah suatu nilai konstan yang sama σ2 untuk setiap nilai dari variabel penjelasnya, misal : Xi. E(ui2 ) = σ2
i = 1,2,3,…,N
Jika variansnya tidak sama, maka dalam model tersebut terdapat situasi heterokedastisitas, di mana : E(ui2 ) = σi2
i = 1,2,3,…,N
Heteroskedastisitas sering terjadi pada model yang menggunakan data cross section, karena data tersebut menghimpun data yang mewakili berbagai ukuran (Sritua, 1993). Konsekuensi logis dari adanya heteroskedastisitas ialah bahwa penaksir tetap tak bias dan konsisten tetapi penaksir tadi tidak lagi efisien baik dalam sampel kecil maupun sampel besar. Terdapat beberapa metode untuk mengidentifikasi adanya heteroskedastisitas, antara lain: metode grafik, metode Park, metode rank Spearman, metode Lagrangian Multiflier (LM test) dan white heteroscedasticity test.
a. Uji Heteroskedastisitas dengan metode White’s General Heterocedasticity Metode pengujian dengan metode White ini tidak menggunakan asumsi normalitas sehingga sangat mudah untuk diimplementasikan dan sangat cocok dengan model logit yang berdistribusi Logistic (Gujarati,2003). Jika suatu model logit ialah sebagai berikut : Yi =
1
+
2
X2i +
3 X3i +
ui
..(b)
Maka proses pengujian dengan metode white ini ialah dengan melakukan regresi tambahan sebagai berikut :
uˆi2 = α1 + α 2 X 2i + α 3 X 3i + α 4 X 22i + α 5 X 32i + α 6 X 2i X 3i + vi
...(b.1)
Regresi ini ialah regresi di mana variabel residual kuadrat dari regresi asli (b.1) diregres terhadap variabel independen yang asli ( X ) dan kuadrat dari variabel indepeden tersebut, serta dari interaksi variabel independennya (cross product(s) of the regressors). Dari hasil regresi ini tujuannya adalah untuk mendapatkan nilai R2 yang akan digunakan dalam pengujian hipotesis. Pengujian hipotesis yang dilakukan ialah : H0 : Tidak ada heteroskedastis (homokedastis) H1 : Ada heteroskedastis
Pengujian : Pada regresi persamaan (b.1) di atas didapat bahwa jumlah sampel (n) dikalikan dengan nilai R2 akan sama (asymtot) dengan distribusi Chi-Square dengan degree of freedom (DF) ialah sama dengan jumlah regressor (tidak termasuk konstanta) di dalam regresi tambahan, yaitu: n . R2 ~
2
…..(b.2)
df
dari persaman b.1 di atas maka didapat df = 5 Tahap 4 : Pengujian : Jika nilai
2
dari persamaan b.1 lebih besar dari nilai
2
tabel maka H0 ditolak yang
artinya terdapat heteroskedastis di dalam model tetapi jika kecil dari nilai
2
2
dari persamaan b.1 lebih
tabel maka H0 diterima yang artinya tidak terdapat heteroskedastis
di dalam model dan juga bisa dikatakan bahwa koefisien –koefisien pada regresi tambahan : 2
=
3
=
4
=
5
=
6=
0
Caranya Pengujian Homoskedastisitas di eviews : Dari hasil estimasi model (eq.01) :
Klik View | Residual test | pilih white heteroscedaticity (cross term)
didapat hasil estimasi model white sebagai berikut :
Dari hasil estimasi didapat bahwa : Obs*R-squared =13,91 dengan p-value=0,45. : Obs*R-squared = n.R2 = 13,91. Uji hipotesis : Ho : Tidak ada heteroskedastisitas H1 : Ada heteroskedastisitas Pengujian : Jika p-value < =5% maka Ho ditolak
Karena p-value= 0,45 > =5% maka Ho tidak ditolak, sehingga bisa disimpulkan bahwa tidak ada heteroskedastisitas di dalam model.
III. Analisis Model Regresi Pengujian Statistik Uji Koefisien Determinasi ( R 2 ) Koefisien determinasi ( R2 ), digunakan untuk mengukur seberapa besar variabelvariabel bebas dapat menjelaskan variabel terikat. Koefisien ini menunjukan seberapa besar variasi total pada variabel terikat yang dapat dijelaskan oleh variabel bebasnya dalam model regresi tersebut. Nilai dari koefisien determinasi ialah antara 0 hingga 1. Nilai R2 yang mendekati 1 menunjukan bahwa variabel dalam model tersebut dapat mewakili permasalahan yang diteliti, karena dapat menjelaskan variasi yang terjadi pada variabel dependennya. Nilai R2
sama dengan atau mendekati 0 ( nol )
menunjukan variabel dalam model yang dibentuk tidak dapat menjelaskan variasi dalam variabel terikat. Penghitungan R2 diperoleh dari :
ESS R = = TSS 2
(Yˆt − Y ) 2 (Yt − Y ) 2
dimana ESS = Explained sum of square TSS = Total sum of square Nilai koefisien determinasi akan cenderung semakin besar bila jumlah variabel bebas dan jumlah data yang diobservasi semakin banyak. Oleh karena itu, maka digunakan ukuran adjusted R2 ( R 2 ), untuk menghilangkan bias akibat adanya penambahan jumlah variabel bebas dan jumlah data yang diobservasi. Adjusted R2 ( R 2 ) dihitung dengan rumus :
R 2 = 1 – ( 1- R2 )
k −1 n−k
Di mana : n = Jumlah observasi k = Jumlah parameter dalam model
Dalam analisis data time series, jika koefisisen determinasi ( R 2 ) > Durbin Watson ( DW ) statistik maka itu menandakan regresi mengalami spurious regression.
Uji t- Statistik Uji t-statistik digunakan untuk menguji pengaruh variabel-variabel bebas terhadap variabel tak bebas secara parsial. Uji t-statistik biasanya berupa pengujian hipotesa : Ho = Variabel bebas tidak mempengaruhi variabel tak bebas H1 = Variabel bebas mempengaruhi variabel tak bebas Dengan menguji dua arah dalam tingkat signifikansi = α dan df = n – k ( n = jumlah observasi,
k = jumlah parameter ) maka hasil pengujian akan menunjukan : Ho diterima bila t − statistik < t − tabel Ho ditolak bila t − statistik > t − tabel
α =x% Daerah Kritis
Terima H0
Daerah Kritis
- t-tabel
t-tabel
Gambar Pengujian t – Statistik Nilai t-statistik didapatkan dengan rumus : tt =
βt Sβt
Di mana β t ialah koefisien variabel dan Sβt ialah standar error dari variabel.
Analisis Variansi/Uji F-Statistik Uji F-statistik ialah untuk menguji pengaruh variabel bebas terhadap variabel tak bebas secara keseluruhan. Uji F-statistik biasanya berupa : Ho = Variabel bebas tidak mempengaruhi variabel tak bebas H1 = Variabel bebas mempengaruhi variabel tak bebas Jika dalam pengujian kita menerima Ho maka dapat kita simpulkan bahwa tidak terdapat hubungan yang linier antara dependen variabel dengan independen variabel.
Untuk mendapatkan Nilai F-statistik, digunakan tabel ANOVA ( analysis of variance) seperti diperlihatkan pada tabel di bawah ini : Tabel ANOVA Sumber Variasi Akibat Regresi Akibat Residual Total
Sum of Squares Degree of Mean Square ( SS ) Freedom ESS k-1 EMS=ESS/df RSS n-k RMS=RSS/df TSS n-1
Sumber : Gujarati ( 1995 ) Keterangan : ESS: Explained sum square RSS: Resdiual sum square TSS: Total sum square
Fischer Test F=EMS/RMS
EMS : Explained mean squares RSS : Residual mean squares
Cara lain untuk menghitung F-statistik adalah dengan menggunakan Nilai R2 yang telah diketahui, di mana :
F=
R2
k −1 (1 − R 2 ) n−k
Dengan menguji tingkat signifikansi = α dan df = n – k ( n = jumlah observasi, k = jumlah parameter ) maka hasil pengujian akan menunjukan : Ho diterima bila F − statistik < F − tabel Ho ditolak bila F − statistik > F − tabel
α Terima H0
Daerah Kritis F-tabel
Gambar Pengujian F-Statistik
Caranya di Eviews : Lihat Hasil Estimasi Eq 1. Cara menyajikan hasil output ini bisa dilakukan dengan melakukan perubahan ouitput di bawah ini :
Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 23:53 Sample: 2001:3 2005:2 Included observations: 16 Variable Coefficient C 10816.04 X2 -2227.704 X3 1251.141 X4 6.282986 X5 -197.3999 R-squared 0.834699 Adjusted R-squared 0.774590 S.E. of regression 969.8744 Sum squared resid 10347220 Log likelihood -129.7401 Durbin-Watson stat 2.333986
Std. Error t-Statistic 5988.348 1.806181 920.4657 -2.420193 1157.021 1.081347 30.62166 0.205181 101.5612 -1.943655 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Prob. 0.0983 0.0340 0.3027 0.8412 0.0780 7645.000 2042.814 16.84252 17.08395 13.88635 0.000281
Menjadi lebih mudah dibaca jika kita buat tampilan sebagai berikut :
Tabel Hasil Estimasi Model Dependent Variable: Y Variable Coefficient C 10816.04 X2 -2227.704 X3 1251.141 X4 6.282986 X5 -197.3999 R-squared 0.834699 Adjusted R-squared 0.774590
Keterangan : *** = signifikan pada = 1% ** = signifikan pada = 5% * = Signifikan pada = 10%
Std. Error t-Statistic Prob. 5988.348 1.806181 * 920.4657 -2.420193 ** 1157.021 1.081347 TS 30.62166 0.205181 TS 101.5612 -1.943655 * F-statistic 13.88635 Prob(F-statistic) ***
TS = Tidak signifikan
Nilai R2 artinya bahwa sebesar 83,5 %variabel penjualan buang ros bisa dijelaskan oleh variabel bunga ros itu sendiri, variabel bunga mawar,pendapat/kapita, dan trend waktu sedangkan sisanya sebesar 16,5% bisa dijelaskan oleh variabel lain diluar model. Dari hasil uji F-statistik didapat bahwa nilai F-statistik signifikan pada =1%, hal ini mengindikasikan bahwa secara keseluruhan, semua variabel independen mampu menjelaskan variabel dependennya yaitu penjualan bunga ros. Dari hasil uji parsial bisa disimpulkan bahwa hanya variabel tingkat harga bunga ros dan trend waktu yang signifikan mempengaruhi variabel penjualan bunga ros
sedangkan variabel tingkat harga bunga mawar dan tingkat pendapatan/kapita tidak signifikan mempengaruhi penjualan bunga ros.
Cara Membaca hasil estimasi Regresi : Untuk variabel X2=-2227,704 artinya ialah bahwa jika Variabel X2 naik sebesar 1 unit akan menyebabkan penurunan pada penjualan bungan ros sebesar 2227,705 unit, ceteris paribus. Hal ini mengindikasikan bahwa tingkat harga memiliki hubungan negatif dengan penjualan bunganya itu sendiri. Untuk variabel X3 = 1251,141 artinya ialah bahwa jika variabel X3 naik sebesar 1 unti akan menyebabkan kenaikan penjualan bungan Ros sebesar 1251,141 unit,ceteris paribus. Hal ini mengindikasikan bahwa antara bunga Ros dan mawar merupakan
barang substitusi. Untuk variabel X4 = 6,29 artinya ialah bahwa jika variabel X4 naik sebesar 1 unit akan menyebabkan kenaikan penjualan bunga ros sebesar 6,29 unit, ceteris paribus. Hal ini mengindikasikan bahwa semakin tinggi tingkat pendapatan per kapita masyarakat maka masyarakat cenderung akan banyak membeli bunga Ros. Untuk variabel X5 = -197,4 artinya ialah bahwa jika variabel X5 naik sebesar 1 unit akan menyebabkan penurunan penjualan bunga Ros sebesar 197,4 unit, ceteris paribus. Hal ini mengindikasikan bahwa semakin lam orang akan semakin tidak membeli bunga Ros.
Penulisan Pelaporan Penelitian DAFTAR ISI
ABSTRAK
i
ABSTRACT
ii
PEDOMAN PENGGUNAAN TESIS
iii
KATA PENGANTAR
v
DAFTAR ISI
vii
DAFTAR TABEL
xi
DAFTAR GAMBAR
xiv
DAFTAR GRAFIK
xv
DAFTAR LAMPIRAN
xvi
BAB I
PENDAHULUAN
1
1.1 Latar belakang penelitian
2
1.2 Identifikasi Masalah
6
1.3 Kegunaan Penelitian
6
1.4 Metodologi
7
1.5 Lingkup Penelitian
7
1.6 Sistematika Pembahasan
8
BAB II
TINJAUAN PUSTAKA
9
2.1 Teori-teori Pendukung Penelitian
9
2.2 Kajian Beberapa Studi Empiris
42
2.3 Sintesis Penelitian ( State of the Art )
43
BAB III
METODE PENELITIAN
45
3.1 Langkah Penelitian
45
3.2 Identifikasi Variabel Penelitian dan Pembentukan Model
46
3.3 Objek Penelitian dan Perumusan Hipotesa
55
3.4 Hipotesis
58
3.5 Pengumpulan dan Pengolahan Data
59
3.6 Spesifikasi Model
64
3.7 Analisis Regresi
BAB IV
65
3.7.1 Persamaan Regresi Berganda Biasa
65
3.7.2 Pengujian Masalah yang terjadi dalam Regresi Linier
66
3.7.3 Pengujian Statistik
69
PENGOLAHAN DATA
83
4.1 Variabel-variabel Penelitian
85
4.4 Pengujian Asumsi OLS Klasik
99
4.5 Uji Spesifikasi Model
102
BAB V
ANALISA
103
5.1 Analisis Hubungan antara Variabel dependen dengan variabel
103
independennya
BAB VI
5.1.1
Analisis Statistik
5.1.2
Analisis Ekonomi
103
KESIMPULAN DAN SARAN
119
6.1 Kesimpulan Umum dari Hasil Bab V
119
6.2 Saran
123
DAFTAR PUSTAKA LAMPIRAN
Daftar Pustaka
1. Arief, Sritua (1993), Metodology Penelitian Ekonomi, UIP, Jakarta. 2. Greene H. (2000), William, Econometric Analysis,Prentice Hall, New Jersey. 3. Gujarati N., Damodar (1995), Basic Econometrics , McGraw-Hill. 4. Intriligator, Michael (1980), Econometrics Models, Techniques, and Applications, Prentice-Hall Inc., New Delhi. 5. Lubis, Hari (2003), “Metodologi Penelitian“, Diktat Kuliah, Departemen Teknik Industri, ITB. 6. Singarimbun, Masri, Metode Penelitian Survai, LP3ES, Edisi Revisi, 1987
