REGRESI DENGAN EVIEWS

REGRESI DENGAN EVIEWS Dr. Werner R. Murhadi www.wernermurhadi.wordpress.com

Pada kesempatan ini kita akan menggunakan Eviews untuk melakukan analisis data dengan menggunakan pooled data.

Contoh: Kita akan menguji pengaruh variabel IO (Institutional ownership), AKB (aliran kas bebas) dan IOS (Investment oppportunity set) terhadap DPR (dividend payout ratio). Sampel terdiri dari 10 perusahaan (A s/d J) dengan masa pengamatan selama 4 tahun.

www.wernermurhadi.wordpress.com

10 perusahaan, mulai th 2006 - 2009


Cell yang akan mulai diimport

Variabel setelah c2 yang akan diimport



Statistik Deskriptif


Membuat Model regresi



Hasil ini akan sama persis dg menggunakan program SPSS


Asumsi Klasik 1: Multikolinearitas Asumsi Regresi Klasik: Tidak ada hubungan exact collinearity antara variabel Independen (variable- variable X); misalnya: antara X2 dan X3

tidak ada hubungan exact linear (X2= 4X3).


Konsekuensi Multicollinearity Konsekuensi adanya multicollinearity yang tinggi:  Meskipun masih BLUE, namun estimator OLS mempunyai varians dan covarians yg besar shg sulit utk menentukan estimasi yg tepat.  Konfiden interval lebih melebar. the confidence intervals tend to be much wider, leading to the acceptance of the “zero null hypothesis” (i.e., the true population coefficient is zero) more readily.  t ratio cenderung utk statistically insignificant (Ho: β=0 diterima). Namun demikian R2 dapat sangat tinggi.  Estimator OLS dan standard errors-nya sensitive thd perubahan kecil dlm data.


Identifikasi Multikolinearitas:  Koefisien Determinasinya tinggi, tapi signifikanasi parameter rendah (tidak signifikan)  Korelasi yang tinggi antar veriaber regresor /independen (> 0.90)  Tolerance (TOL) dan variance inflation factor (VIF) Tolerance = 1 – R^2 VIF = 1 – tolerance Dimana R^2 adalah koefisien korelasi antara xi dengan var explanatory lainnya. Bila mana VIF > 5 menunjukan kolinearitar tinggi. Terdapat masalah multikol




Signifikansi Paramater Rendah X1, X2, X5

Koefisien Determinasi tinggi


MENGATASI MULTIKOLINIERITAS

 Combining cross-sectional and time series data.

Melakukan kombinasi data crosssectional dan data time-series, yang dikenal sebagai pooling the data atau Data Panel  Dropping a variable(s) and specification bias. Cara termudah adalah drop salah satu variable yang mempunyai kolinieritas yang tinggi dan parameter yang tidak signifikan.  Signifikansi parameter rendah (X1= GNP deflator; X2,= GNP; X5= org non-intitusi >14 th)  Korelasi Tinggi : X1 vs X2 dan X2 vs X5 dan X1 vs X5  Kerjakan lagi Regresi dg menghilangkan X5 atau X2 atau X1 atau ketiganya.


 Dropping a variable(s) and specification bias.


 Transformation of variables.

First difference

 Ratio Transfornation: Cara ini juga digunakan utk mengatasi heteroscedastisity.


Transformation of variables. First difference


Asumsi Klasik 2: Autokorelasi Asumsi Klasik: No serial correlation, cov (ui , uj ) = 0, i ≠ j KONSEKUENSI Adanya autokorelasi, maka estimator OLS:  linear unbiased, consistent dan asymptotically normally distributed,  tidak lagi efficient (tidak varians minimum - tdk BLUE).


Identifikasi Autokorelasi:  Durbin Watson (Ho: No Auto; dan H1: Auto)




Nilai DW untuk Deteksi Autokorelasi



Melanjutkan dari uji DW


P Value < 5% Signifikan H1 diterima berarti ada autokorelasi


Mengatasi Autokorelasi


Kembali ke file 12-4 waktu menguji DW

Masukaan Spec persamaan spt uji DW, kmdn pindah ke options


Hasil Koefisien Regresi sama, namun standar error lebih besar sehingga t-test yang lebih kecil. (note: OLS underestimate stand error). www.wernermurhadi.wordpress.com

Asumsi Klasik 3: Heteroskedastisitas


Penyebab varians ui adalah variabel (tidak konstan): 1. Sejalan proses belajar (the error-learning models) manusia, kesalahan (error) perilaku makin mengecil seiring berjalannya waktu. Dalam kasus ini, SD(σ^2 )-i akan mengecil. 2. Dengan income meningkat, orang lebih mempunyai kebebasan dan lebih banyak pilihan utk penggunakan income-nya. Sehingga SD-I akan meningkat sejalan dg peningkatan income.

3. Perbaikan teknik pengumpulan data akan menurunkan SD-i. 4. Kesalahan spesifikasi model:  Kesalahan spesifikasi model yg dikarenakan menghilangkan variable

penting dlm model.  Dlm fungsi demand bila tidak dimasukan harga komoditi complementary maka SD-i tidak konstan.  Kesalahan tranformasi data (mis. Rasio / first diff)  Kesalahan bentuk fungsi (mis. Linier vs log-linier model). www.wernermurhadi.wordpress.com

Menguji Heteroskedastisitas 1. White Test (menu Eviews): (a) No cross term ; & (b) Cross term • Model :

Dari persamaan tsb di-estimasi kofisien model dan estimasi residual. Kemudian dimodelkan kembali:

• Hipotesa: Ho: homosedastik Hi : heterosedastik Statistik Uji :

Keputusan: Tolak Ho bila p-value < (5% atau 10%). www.wernermurhadi.wordpress.com

Dengan menggunakan data Gujarati (11-5)



Apakah mengandung Hetero? Uji dengan White




Nilai P value chi squere cukup kecil shg H1 diterima ada hetero


2. Uji Glesjer , Dimana setelah melakukan regresi biasa dan memperoleh nilai residual Maka residual tersebut diabsolut kan dan menjadi variabel dependen, se

dangkan independen nya tetap. [Res] = α + β . Ind1



Nilai P value chi squere cukup kecil shg H1 diterima ada hetero


Mengatasi Heteroscedastics:  White Heteroscedasticity /Robust Standar Error

 Generalized Least Square/ Weight Least Square White Hetero Dalam menu Quick , Estimation Equation , pilih option , heteroscedastisity consistent koefisient covarian.



Dibandingkan dengan sebelumnya (tanpa Robust SE) maka, Standar error intercept menurun dan SE koefisien slope meningkat sedikit. Setelah ini lakukan lagi uji white untuk melihat hetero. www.wernermurhadi.wordpress.com


REGRESI DENGAN EVIEWS

Recommend Documents