User Guide
Prepared by: Iman Sugema Beni Kapri Ade Holis Bintang Dwitya Wahyu Purnamahadi Farhana Zahrotunnisa
Chapter 1 Loading the data The basic Introduction You must have data on your hand before estimating regression via the software. There are four important things that you have to keep in mind: 1. Trickytreex can only read data from Excel. No other format is allowed. 2. The data is read by column. For instance, if you have four variables: GDP, Invest, Consump, and Govex, you have to put them in four different columns. Each column should be labeled according to the name of the data. The label should be put in the ‘first’ row of your data set. If, there is no label, then the first row would be read as the label, and that would confuse you. 3. The data you put from Excel may be saved as a WKX file, which is a Trickytreex workfile. Once you have that, it may be retrieved any time you need it. In that case, you do not have to use the Excel file. 4. You can work with three types of data: time series, cross-section, and panel data. Times series has a natural ordering based on time and you have to prepare the correct ordering in Excel. Note that Excel has very excellent and easy to use time and date formatting. Cross-section data do not have any natural ordering, and that is why you do not have to put series ID on it. But if you wish, say name of the respondents, you can treat it as “text ID label”. In panel data, you have two ID’s: time series and crosssection, and both should be uniformly formatted. This will be clear by example. The following sections show you how to manage your data
Three steps of having data in Trickytreex First step, prepare everything correctly in Excel. Trickytreex do have “facility” to edit the data. You just do it in Excel everything about data management. Trickytreex will capture anything you specify in Excel. Second step, upload the data from Excel to Trickytreex after making sure the data is correctly specified. We will give you the examples, in the following sections.
Third step, use and save the data. After uploading the data, you can use it for any estimation techniques available in the Trickytreex. Alternatively you can just save it for future use.
Dealing with time series data For simplicity, you may just follow the three step described below. You have to keep in mind that time series mean that you order the data by time interval. First step, prepare the data correctly in Excel. If you have data with other format, please make sure that it can be read properly by Excel. Tricky can only read Excel formatted data! Moreover, you have to put time series ID label. It can be yearly, bi-annually, quarterly, monthly, weekly, daily, or even hourly. You have to learn by yourself how to make consistent time formatting in Excel. If you have any difficulty, just click the help menu. However, if you are comfortable with Excel format, you can make your own “text format”. For instant for quarterly data you can have 2001Q1, 2001Q2, 2001Q3, 2001Q4, 2002Q1 ….. and so on. As long as it is created within Excel, customized time format can be read by Trickytreex. The following figure presents the distinction between time-series format and text format. Figure 1.1. Time series format and text format
Please have a look at Figure 1 with great care. Observe that you have 5 time series data named as XA, XB, XC, XD, and XE (from column C to G). The first rows always contain the name of the series. You can name them as you wish. Column A contains what we call as “text label” indicating year and month. Column B is the “time-series label”, which you can generate by using Excel date format. You can use either one of them, but you cannot have both. Second step upload the data from Excel to Trickytreex by clicking “Trickytreex” and click “From Excel”. This dialog box will appear in the screen. Figure 1.2. Uploading time-series data
In this example, you have 5 variables with 244 observations. So in the “Data Source” you must type or highlight cells C1:G245. If you choose time series label then in the “Time Series ID Label” you must highlight cells B2:B245, and then click “Date” and “Monthly” in the dialog box. Note that this is just an example. Practically speaking, the cells you highlight will depend on the number of variables and the time span. In the case that you choose “text label” then you must highlight cells A2:A245 and click “Text”. It should appear like this.
Figure 1.3. Time series data with text format label
In either case, you proceed by clicking the load button, and the following will appear. Now your data is ready for estimation. Third step, having the data loaded, you can either use it for estimation or save it. After doing the intended estimation you can also save the data. The data saved can be directed to your preferred directory.
Figure 1.4. Loaded time series data
Dealing with cross-section data Cross-section data do not have natural time ordering and therefore time series ID label is not needed. Suppose that four data set YA, YB, YC and YD. To upload the data from excel to Trickytreex, you just follow the step discussed in the previous section (Dealing with time-series data) all the procedures are the same except that you need not to specify the “time series label” in the dialog box. So what you have to do is specifying which data you are going to upload. In the example, the dialog box should appear like this.
Figure 1.5. Loading cross-section data from Excel
Dealing with panel data Panel data means you have two ID for each data set: time series ID and cross-section ID. Suppose you have three countries to analyze, Indonesia, Australia and Germany and two series for each country, X and Y. Therefore you must have 6 data series which should be organized like in the following screen. XIndonesia means variable X that belongs to Indonesia, while YAustralia means variable Y that belongs to Australia. Note that Trickytreex can only deal with un-stacked panel data. The stacking itself is done automatically with in Trickytreex. The rest of the step is exactly the same with the previous section. The resulting operation should appear like in Figure 1.7.
Figure 1.6. Preparing panel data
Figure 1.7. Loaded panel data
Chapter 2 Single Equation Untuk melakukan estimasi regresi pada Trickytreex maka pilih Single Equation kemudian OLS
Tuliskan model yang akan diestimasi GOV_NET[spasi]INV[spasi]LY[spasi]CONS[spasi]c kemudian tekan pada Full Observation–j ika data yang digunakan merupakan keseluruhan data dari data yang dientry kemudian tekan OK.
maka akan muncul hasil estimasi seperti di bawah ini :
Pelanggaran Terhadap Pelanggaran Asumsi OLS (Residual Tests) Untuk melakukan pengujian asumsi-asumsi OLS maka tekan Post test kemudian pilih uji asumsi mana yang ingin dilakukan terlebih dahulu uji autokorelasi atau heteroskedastisitas. Untuk menguji autokorelasi : Setelah hasil estimasiOLS keluar tekan Post Test kemudian Serial Correlation kemudian isi kolom Lag of residual included misal 2.
maka hasil estimasi yang akan muncul sebagai berikut :
Untuk menguji heteroskedastisitas : Setelah hasil estimasi OLS keluar tekan Post Test kemudian Heteroskedasticity– Uji heteroskedastisitas yang di inginkan contoh :Breusch Pagan Godfrey
maka hasil estimasi yang akan muncul sebagai berikut :
Estimasi Weighted Least Square Dengan Trickytreex Untuk melakukan estimasi regresi pada Trickytreex maka pilih Single Equation kemudian WLS
Tuliskan
model yang akan
diestimasi
GOV_NET[spasi]INV[spasi]LY[spasi]CONS[spasi]c
kemudian tekan pada Full Observation–jika data yang digunakan merupakan keseluruhan data dari data yang dientry – jangan lupa untuk mengisi kolom weight dengan pembobot yang telah ditentukan missal 1/inv kemudian tekan OK.
Hasil estimasi Weighted Least Square akan muncul seperti pada gambar berikut ini
Dalam estimasi Weighted Least Square kita dapat juga melakukan pengujian asumsi autokorelasi dan heteroskedastisitas dengan cara seperti yang dilakukan pada OLS.
Estimasi IV/2 SLS Dengan Trickytreex Untuk melakukan estimasi IV/2SLS pada Trickytreex maka pilih Single Equation kemudian IV/2SLS
Kemudian masukan model yang akan diestimasi pada kolom Equation Specification contoh M[spasi]I[spasi]R[spasi]C,
kemudian
isi
kolom
Instrument
dengan
contoh
R[spasi]I[spasi]Y[spasi]C– jangan lupa untuk memasukan constant dalam kolom instrument, kemudian tekan OK
Maka hasil estimasi akan muncul sebagai berikut :
Dalam estimasi IV/2SLS kita dapat juga melakukan pengujian asumsi autokorelasi dan heteroskedastisitas dengan cara seperti yang dilakukan pada OLS.
Chapter 3 Binary Choice Model Probit Estimate Xl Masukan
data
yang
ingindiestimasi
–
dependent
variable
berupa
dummy
merepresentasikan suatu kejadian atau pilihan diantara dua alternatif. Lihat data 4
yang
Setelah data yang ingin diestimasi dientry, Pilih Other - Probit
Pada
kolom
Model
isi
dengan
model
yang
akan
di
estimasi
contoh
GRADE[spasi]GPA[spasi]TUCE[spasi]PSI[spasi]c, kemudian tekan all observation – jika ingin
menggunakan keseluruhan time series dari data yang di entry atau sample – jika menggunakan sebagian time series dari data yang di entry, kemudian tekan OK.
kemudian hasil estimasi akan muncul sebagai berikut :
Logit Sama halnya dengan Probit Setelah data yang ingin diestimasi dientry, Pilih Other – Logit.
Pada
kolom
Model
isi
dengan
model
yang
akan
di
estimasi
contoh
GRADE[spasi]GPA[spasi]TUCE[spasi]PSI[spasi]c, kemudian tekan all observation – jika ingin menggunakan keseluruhan time series dari data yang di entry atau sample – jika menggunakan sebagian time seriesdari data yang di entry, kemudian tekan OK.
kemudian hasil estimasi akan muncul seperti pada gambar berikut :
Chapter 4 Time Series Pengujian Kestasioneritasan Data Untuk menguji kestasioneritasan data, pilih Time Series kemudian Unit Root Test.
Muncul 2 pilihan uji kestasioneritas data yaitu Augmented Dicky Fuller (ADF) dan Phillips – Perron (PP)
Pengujian Stasioneritas Augmented Dickey Fuller: Klik Augmented Dicky Fuller (ADF), muncul
Isikan kolom Series dengan salah satu variabel yang akan diuji kestasioneritasannya. Catatan : Isikan hanya satu variabel, jika lebih dari satu akan muncul pesan Error “Jumlah series harus satu”. Pada menu lag length, isikan panjang lag yang diinginkan dikolom Fixed at atau beri tanda cek pada menu toolbox Automatic Selection dan pilih kriteria yang diinginkan. Kemudian isikan panjang lag maksimum yang ingin diikutkan dalam perhitungan pada kolom Maximum Lag. Pada menu observation, cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data. Kemudian Klik OK, maka akan muncul output seperti berikut:
Pada tampilan output muncul nilai 4 model pengujian unit root berdasarkan tipe trend deterministic yang digunakan, yaitu:
Tanpa konstanta dan tanpa tren
Dengan konstanta
Dengan konstanta dan tren linier
Dengan konstanta dan tren kuadratik.
Nilai ADF-Stat dibandingkan dengan critical value pada tingkat α yang diinginkan untuk menentukan apakah variabel yang diuji mengandung unit root atau tidak.
Pengujian Stasioneritas Phillips-Perron (PP): Pada tab Time Series pilih Unit Root Test kemudian klik Phillips-Perron (PP), muncul
Isikan variabel yang akan diuji kestasioneritasannya pada kolom Series. Catatan : Isikan hanya satu variabel, jika lebih dari satu akan muncul pesan Error “Jumlah series harus satu”. Pada menu lag length, isikan panjang lag yang diinginkan dikolom Fixed at atau beri tanda cek pada menu toolbox Automatic Selection. Pada menu observation, cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data. Kemudian Klik OK, maka akan muncul output seperti berikut:
Pada tampilan output muncul nilai 4 model pengujian unit root berdasarkan tipe trend deterministic yang digunakan, yaitu:
Tanpa konstanta dan tanpa tren
Dengan konstanta
Dengan konstanta dan tren linier
Dengan konstanta dan tren kuadratik.
Nilai PP-Stat dibandingkan dengan critical value pada tingkat α yang diinginkan untuk menentukan apakah variabel yang diuji mengandung unit root atau tidak.
Vector Auto Regression (VAR) Untuk melakukan pengujian VAR pilih menu Time Series kemudian pilih Vector Autoregression
Klik menu Vector Autoregression, muncul
Pada kolom Endogenus Variables ketik seluruh variabel yang akan dimodelkan dalam VAR. Isikan panjang lag yang diinginkan pada kolom Lag Length. Ketik “cons” pada kolom Exogenus
Variable untuk menambahkan konstanta pada model dan tambahkan variabel eksogen lainnya jika ada. Apabila tidak terdapat variabel eksogen didalam model, kolom ini dapat dikosongkan. Pada menu observation, cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data. Kemudian Klik OK, maka akan muncul output seperti berikut:
Nilai di kolom atas merupakan nilai koefisien estimasi dari masing-masing variabel didalam model disertai nilai t-statistiknya didalam kurung. Simbol L1, L2, dan seterusnya merupakan koefisien untuk lag pertama, kedua dan seterusnya (t-1, t-2,…dst). Pada kolom dibawahnya terdapat nilai statistik regresi untuk masing-masing variabel, seperti RSS, TSS, R2, Adj R2, F-stat, dan seterusnya. Sedangkan pada kolom yang paling bawah disajikan ringkasan statistik untuk model VAR secara keseluruhan.
Pengujian Lag Optimal Penentuan lag optimal dilakukan dengan menggunakan tiga kriteria, yaitu Akaike Information Criterion (AIC), Schwarz Based Criterion(SBC), dan Hannan-Quinn Criterion (HQC). Langkahlangkah pengujiannya adalah sebagai berikut:
Pada tampilan output VAR terdapat beberapa tab dibagian atasnya. Klik tab Lag Length, maka muncul kotak dialog Maximum Lag.
Selanjutnya isikan nilai lag maksimal yang akan diikutkan dalam pengujian model. Klik OK.
Muncul tampilan output Lag Selection. Untuk menentukan lag optimal pilih nilai AIC, SBC, atau HQC yang paling kecil (minimum).
Pengujian Residual Trickytreex menyediakan berbagai pengujian residual, seperti variance-covariance and Crosscorrelation matrix, correlogram, Portmanteau autocorrelation test, dan non-normality test. Langkah untuk melakukan pengujian residual adalah : Klik Tab Residual pada tampilan output VAR yang telah ada. Akan muncul pilihan menu sesuai dengan pengujian yang ingin dilakukan.
Pilih Get Residual untuk menampilkan nilai residual dari model VAR.
Pilih variance-covariance and Cross-correlation matrix untuk menampilkan matriks varians kovarian dan matriks korelasi silang.
Pilih Correlogram untuk melakukan pengujian correlogram.
Pilih Portmanteau autocorrelation test untuk melakukan pengujian autokorelasi Portmanteau.
Pilih Non-normality test untuk melakukan test normalitas pada residual.
Impulse Response Function (IRF) Model VAR Impulse Response Function atau IRF digunakan untuk melihat bagaimana respon suatu variabel akibat adanya perubahan/shok dari variabel itu sendiri atau variabel lainnya dalam kurun waktu
tertentu. Untuk menghitung Impulse Response Function pada model VAR, klik tab Impulse pada tampilan output VAR.
Pilih salah satu jenis shock yang diinginkan pada menu toolbox yang ada, kemudian pada kolom Number of periods isikan jumlah periode yang ingin dilihat perubahannya, kolom ini wajib terisi. Kita juga dapat memilih cek Accumulated Shock jika ingin melihat akumulasi shok pada seluruh periode. Jika kita memilih menu toolbox Cholesky, isikan urutan variabel yang akan dihitung pada kolom ordering.
Selanjutnya Klik OK.
Forecast Error Variance Decompotion (FEVD) Analisis FEVD bertujuan untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu dalam sistem VAR. Analisis FEVD digunakan untuk menggambarkan relatif pentingnya setiap variabel dalam sistem karena adanya shock. Untuk menghitung nilai FEVD, klik tab FEVD pada tampilan output VAR. Muncul kotak dialog FEVD seperti berikut.
Pada kolom Cholesky ordering isikan urutan variabel yang akan dianalisis dengan FEVD dan isikan pula jumlah periode yang diinginkan, kemudian klik OK. Untuk kembali ke menu VAR dapat meng-klik tab Re-estimate.
Pengujian Johansen Cointegration Var Untuk melakukan uji kointegrasi Johansen, pilih menu Johansen Cointegration test pada tab Time Series
Akan muncul kotak dialog
Ketik variabel endogen dan eksogen pada kolom yang tersedia. Jangan memasukan konstanta dan atau trend di kolom Exogenus Variable, jika tidak ada variabel eksogen maka kolom ini dapat dikosongkan. Kemudian isikan nilai lag maksimal pada kolom Maximum Lag. Pada menu observation, cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data. Kemudian Klik OK, maka akan muncul output seperti berikut:
Dari output tersebut kita dapat memperoleh model trend deterministik yang terbaik berdasarkan kriteria AIC, SBC, dan HQC.
Uji Rank Rank-test dilakukan untuk melakukan pengujian kointegrasi. Langkahnya adalah sebagai berikut: Klik Rank test pada kotak dialog Johansen Cointegrating VAR. Akan muncul kotak dialog Johansen Cointegrating test berikut ini.
Ketik variabel yang akan diujikan didalam model pada kolom Endogenus Variables. Isikan lag interval yang diinginkan. Kemudian ketik variabel eksogen yang akan dimasukan didalam model jika ada, kolom variabel exogenus dapat dikosongkan. Selanjutnya pilih model yang diinginkan model trend deterministik yang terbaik berdasarkan hasil output sebelumnya. Cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data. Kemudian Klik OK, maka akan muncul output seperti berikut:
Nilai lambda Eigenvalue dan nilai trace dibandingkan dengan critical value-nya masing-masing untuk mendapatkan banyaknya persamaan kointegrasi.
Vector Error Correction Model (VECM) Setelah diperoleh nilai lag optimal VAR dan jumlah persamaan kointegrasi serta model trend determistik yang terbaik, kita dapat menghitung model VECM. Klik VECM pada kotak dialog Johansen Cointegrating VAR. Muncul kotak dialog VECM.
Ketik variabel endogen pada kolom Endogenus Variables. Ketik variabel eksogen jika ada, kolom ini dapat dikosongkan. Kemudian isikan lag optimal VECM pada kolom Lag in VECM dan isikan
jumlah persamaan kointegrasi pada kolom Number of Cointegrating vector. Selanjutnya pilih model trend deterministik terbaik berdasarkan uji sebelumnya. Cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data. Kemudian Klik OK, maka akan muncul output seperti berikut:
Terdapat empat kolom pada tampilan output VECM. Kolom pertama atau yang paling atas merupakan nilai koefisien estimasi dari vektor kointegrasi disertai nilai standard error-nya masing-masing dibawahnya. Simbol L1, L2, dan seterusnya merupakan koefisien untuk lag pertama, kedua dan seterusnya (t-1, t-2,…dst). Kolom kedua merupakan nilai koefisien estimasi dari model VECM. Kolom ketiga merupakan nilai statistik regresi untuk masing-masing variabel, seperti RSS, TSS, R2, Adj R2, F-stat, dan seterusnya. Sedangkan pada kolom keempat disajikan ringkasan statistik untuk model VECM secara keseluruhan.
Pengujian Residual Pada model VECM juga disediakan berbagai pengujian residual. Klik Tab Residual pada tampilan output VECM yang telah ada. Akan muncul pilihan menu sesuai dengan pengujian yang ingin dilakukan.
Pilih Get Residual untuk menampilkan nilai residual dari model VAR.
Pilih Covariance and Cross-correlation matrix untuk menampilkan matriks kovarian dan matriks korelasi silang.
Pilih Correlogram untuk melakukan pengujian correlogram.
Pilih Portmanteau autocorrelation test untuk melakukan pengujian autokorelasi Portmanteau.
Pilih Non-normality test untuk melakukan test normalitas pada residual.
Impulse Response Function (IRF) Model VECM Impulse Response Function atau IRF digunakan untuk melihat bagaimana respon suatu variabel akibat adanya perubahan/shok dari variabel itu sendiri atau variabel lainnya dalam kurun waktu
tertentu. Untuk menghitung Impulse Response Function pada model VAR, klik tab Impulse pada tampilan output VECM.
Pilih salah satu jenis shock yang diinginkan pada menu toolbox yang ada, kemudian pada kolom Number of periods isikan jumlah periode yang ingin dilihat perubahannya, kolom ini wajib terisi. Kita juga dapat mengklik cek Accumulated Shock jika ingin melihat akumulasi shok pada seluruh periode. Jika kita memilih menu toolbox Cholesky, isikan urutan variabel yang akan dihitung pada kolom ordering.
Selanjutnya Klik OK.
Forecast Error Variance Decompotion (FEVD) Analisis FEVD bertujuan untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu dalam sistem VECM. Analisis FEVD digunakan untuk menggambarkan relatif pentingnya setiap variabel dalam sistem karena adanya shock. Untuk menghitung nilai FEVD, klik tab FEVD pada tampilan output VECM. Muncul kotak dialog FEVD seperti berikut.
Pada kolom Cholesky ordering isikan urutan variabel yang akan dianalisis dengan FEVD dan isikan pula jumlah periode yang diinginkan, kemudian klik OK. Untuk kembali ke kotak dialog Johansen Cointegrating test dapat meng-klik tab Re-estimate.
Pengujian Kointegrasi Engle-Granger Untuk melakukan uji kointegrasi Engle-Granger pilih menu Time Series -> Engle-Granger Cointegration test. Terdapat 2 pilihan uji, yakni Augmented Dickey Fuller (ADF) dan PhillipPerron (PP).
Augmented Dickey Fuller Test Pilih Augmented Dickey Fuller (ADF) untuk menghitung kointegrasi dengan metode ADF. Akan muncul kotak dialog berikut.
Isikan variabel dalam model yang akan diuji kointegrasi. Pada menu Lag Selection Method pilih lag yang diinginkan di kolom Fixed at atau cek pada menu toolbox Automatic Selection untuk memerintahkan software mencari lag yang sesuai. Jika memilih automatic selection -> klik pilihan kriteria dan isikan maksimum lag yang diikutkan dalam pengujian. Pada menu Observation, cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data.
Kemudian Klik OK, maka akan muncul output seperti berikut:
Terdapat empat kolom pada tampilan output Engle-Granger Cointegrating test. Pada setiap kolom terdapat 3 pilihan output yang disajikan berdasarkan model trend deterministiknya. Kolom pertama menampilkan nilai statistik ADF. Nilai ADF-Stat tersebut dibandingkan dengan critical value pada tingkat α yang diinginkan untuk menentukan apakah model tersebut terkointegrasi atau tidak. Kolom kedua menyajikan nilai koefisien estimasi dari masing-masing model vektor kointegrasi. Kolom ketiga merupakan nilai t-ratio dari koefisien estimasi masing-masing variabel. Sedangkan pada kolom keempat menyajikan nilai statistik regresi untuk masing-masing variabel, seperti RSS, TSS, R2, Adj R2, F-stat, dan seterusnya.
Phillips-Perron Test Pilih Phillips-Perron (PP) untuk menghitung kointegrasi dengan metode Phillips-Perron.
Selanjutnya akan muncul kotak dialog berikut ini.
Pada kolom Variables ketik variabel-variabel yang akan diuji kointegrasi. Kemudian pada menu Lag Selection Method isikan lag yang diinginkan atau cek pada menu toolbox Automatic Selection untuk memerintahkan software memilihkan lag. Pada menu Observation, cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data.
Selanjutnya klik Ok. Akan muncul output berikut ini.
Terdapat empat kolom pada tampilan output Phillips-Perron test. Pada setiap kolom terdapat 3 pilihan output yang disajikan berdasarkan model trend deterministiknya, meliputi dengan konstanta, dengan konstanta dan trend linier, dan dengan konstanta dan trend kuadratik.
Kolom pertama menampilkan nilai statistik Phillips-Perron. Nilai PP-Stat tersebut dibandingkan dengan critical value pada tingkat α yang diinginkan untuk menentukan apakah model tersebut terkointegrasi atau tidak.
Kolom kedua menyajikan nilai koefisien estimasi dari masing-masing model vektor kointegrasi.
Kolom ketiga merupakan nilai t-ratio dari koefisien estimasi masing-masing variabel.
Sedangkan pada kolom keempat menyajikan nilai statistik regresi untuk masing-masing variabel, seperti RSS, TSS, R2, Adj R2, F-stat, dan seterusnya.
Pengujian Two-Step Engle-Granger Untuk melakukan pengujian Two-Step Engle-Granger pilih menu Time Series -> Vector Error Correction Model -> Two-step Engle-Granger
Selanjutnya akan muncul kotak dialog “Two-step Engle-Granger VECM” berikut ini.
Pada kolom Endogenus Variables ketik variabel yang akan diuji kointegrasi. Kemudian pada kolom Exogenus Variables isikan variabel eksogen jika ada. jika tidak ada kolom ini dapat dikosongkan. Selanjutnya isikan nilai maksimum lag pada Kolom Maximum lag. Pada menu Observation, cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data.
Selanjutnya klik Ok. Akan muncul tampilan output sebagai berikut.
Dari output tersebut kita dapat memperoleh model trend deterministik yang terbaik berdasarkan kriteria AIC, SBC, dan HQC. Selanjutnya kita dapat melakukan uji kointegrasi dengan metode ADF dan Phillips-Perron melalui pilihan menu Coint test yang tersedia. Klik Coint test Akan muncul pilihan Metode Augmented Dickey Fuller (ADF) dan Phillips-Perron (PP) seperti gambar berikut ini.
Selanjutnya untuk membentuk model VECM, pilih menu VECM pada tab yang tersedia dan akan muncul kotak dialog seperti berikut.
Pada kolom Endogenus Variables ketik variabel yang akan dimasukkan kedalam model VECM. Kemudian pada kolom Exogenus Variables isikan variabel eksogen jika ada. jika tidak ada kolom ini dapat dikosongkan. Selanjutnya isikan nilai maksimum lag VECM pada Kolom Lag in VECM.
Pada menu CV List isikan variabel yang terdapat dalam vektor kointegrasi. Jumlah vektor kointegrasi dapat lebih dari 1. Pada menu Observation, cek pilihan All Observation jika ingin memproses seluruh range data yang ada atau isikan sample pada kolom from dan to untuk memproses sebagian data. Seperti pada contoh pengisian berikut ini.
Klik Ok. Akan muncul output berikut
Terdapat empat kolom pada tampilan output Engle-Granger Cointegrating VAR (VECM).
Kolom pertama atau yang paling atas merupakan nilai koefisien estimasi dari vektor kointegrasi disertai nilai standard error-nya masing-masing dibawahnya.
Kolom kedua merupakan nilai koefisien estimasi dari model VECM.
Kolom ketiga merupakan nilai statistik regresi untuk masing-masing variabel, seperti RSS, TSS, R2, Adj R2, F-stat, dan seterusnya.
Sedangkan pada kolom keempat disajikan ringkasan statistik untuk model VECM secara keseluruhan.
Pada output Two-step Engle-Granger VECM, kita juga dapat langsung melakukan pengujian residual, menghitung IRF dan FEVD seperti pada metode VAR sebelumnya.
Chapter 5 Panel Data Analysis
Input Data Panel dalam Tricky-Treex Tahap pertama adalah siapkan data panel ke dalam Ms. Excel. Dalam software tricky-treex, data panel disusun kesamping untuk setiap cross-sectionper masing-masing variabel. Setiap crosssection untuk masing-masing variabel dipisahkan dengan tanda under line (_). Contoh: CPI_Brasil, CPI_Canada, dan lain-lain.
Melakukan Estimasi Estimasi Fix Effect Model (FEM) Setelah kita memasukan seluruh data ke dalam tricky-treex, maka tahap selanjutnya adalah melakukan estimasi model panel. Untuk melakukan hal itu maka kita memilih pada menu panel fix effect model.
Setelah memilih fix effect model, maka berikutnya kita akan dihadapkan pada berbagai menu. Dalam kolom regressand kita masukan variabel terikatnya, dalam hal ini adalah variabel CPI, sehingga kita ketikan “CPI_?”. Kemudian pada kolom commond slope, kita masukan variabel bebasnya, caranya sama dengan kolom regressand yakni “fx_? index? neer? reer_?”. Untuk kolom individual specific slope dan time specific slope kita kosongkan. Selanjutnya untuk menu toolboxmethod kita klik keduanya apabila kita ingin melakukan perhitungan fix effect model untuk two way. Namun jika tidak kita dapat memilih salah satu.
Adapun hasil estimasi fix effects untuk cross-section adalah:
Adapun hasil estimasi fix effects untuk time adalah:
Kemudian hasil estimasi fix effect untuk cross-section dan time adalah:
Estimasi Random Effect Model (REM) Kembali pada menu awal data panel, untuk mengestimasi random effect model (REM) maka kita klik pada pilihan random effect model.
Setelah masuk pada menu estimasi random effect model, maka pada kolom regressand kita ketikan variabel terikatnya, yakni cpi_?. Kemudian pada kolom regressor kita ketikan variabel bebasnya, yakni “fx_? Index_? Neer_? Reer_?. Selanjutnya untuk menu toolboxmethod kita klik keduanya apabila kita ingin melakukan perhitungan random effect model untuk two way. Tetapi jika tidak kita dapat memilih salah satunya.
Adapun hasil estimasi random effect model untuk cross-section adalah:
Adapun hasil estimasi random effect model untuk time adalah:
Sedangkan hasil estimasi random effect model untuk cross-section dan time adalah:
Estimasi Random Coefficient Model (REM) Selain memiliki kemampuan untuk menjalankan model panel standard, softwaretricky-treex ini juga memiliki kemampuan untuk malakukan analisis random coefficient model. Untuk melakukan hal tersebut maka kita pilih menu random coefficient model.
Selanjutnya setelah kita masuk pada menu random coefficient model, maka kita masukan kolom regressand dengan variabel terikat, yakni “cpi_?”, dan kemudian kolom regressor dengan variabel bebas, yakni “fx_? index_? neer_? reer_?”.
Adapun hasil estimasi random coefficient model adalah:
Estimasi Non-Stationer Panel Dalam menu non-stationer panel, terdapat dua menu utama, yakni: 1) panel unit root dan 2) cointegration test.
Panel Unit Root Test Yang pertama akan dibahas mengenai panel unit root test. Dalam panel unit root test terdapat dua metode yang dapat digunakan, yakni im-pesaran-shin (IPS) dan Breitung. Contoh berikut ini adalah panel unit root test dengan menggunakan metode IPS.
Adapaun hasil panel unit root dengan metode IPS adalah:
Selanjutnya cara melakukan panel unit root dengan menggunakan metode Brietung
Dan hasil panel unit root dengan metode Brietung adalah:
Cointegrated Panel Test Kedua adalah menu cointegration test.Dalam menu terdapat kolom regressand yang kita isikan dengan variable bebas, yakni “cpi_?”.Kemudian kolom regressor kita isi dengan variable bebasnya, yakni: “fx_? Index_?Neer_?Reer_?”.
Ada pun perhitungan tricky-treexter dapat dua tab, yakni tab “cointegration test” dan “cointegrating vector”.
Sedangkan output cointegrating vector
