modul ekonometrika ii revisi 2008 by syofriza syofyan
TRANSCRIPT
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
1/92
PELANGGARAN ASUMSI KLASIK
BAB I
NORMALITAS
Pengujian Normalitas
Untuk penerapan OLS untuk regresi linier klasik, diasumsikan bahwadistribusi probabilitas dari gangguan u1 memiliki nilai rata-rata yangdiharapkan sama dengan nol, tidak berkorelasi dan mempunyai varianyang konstan. Dengan asumsi ini OLS estimator atau penaksir akanmemenuhi sifat-sifat statistik yang diinginkan seperti unbiased danmemiliki varian yang minimum.Ada beberapa uji untuk mengetahui normal atau tidaknya faktor
gangguan u2 antara lain Jargue-Bera test atau J-B test. Uji inimenggunakan hasil estiminasi residual dan chisguare probabilitydistribution.
Adapun langkah-langkah untuk mendapatkan nilai J-B hitung adalahsebagai berikut :(1)Hitung Skewness dan Kurtosis untuk menghitung J B hitung(2)Hitung besarnya nilai J-B statistik
Dengan rumus:
Dimana: n = jumlah observasiS = Skewness (Kemencengan)K = Kurtosis (Keruncingan)
(3) Bandingkan nilai J-B hitung denganX2 tabel, dengan aturan :Bila nilai J-B hitung > nilai X 2 tabel, maka hipotesis yangmenyatakan bahwa residual u1 berdistribusi normal dapat ditolak.Bila nilai J-B hitung < nilai X 2 tabel, maka yang menyatakanbahwa residual u1 berditribusi normal tidak dapat ditolak.
Langkah langkah pengerjaan :(1) Fasilitas untuk menguji normalitymenggunakan J-B test disediakan
oleh Eviews, caranya, pertama, dengan menampilkan hasil regresiyang akan kita uji
(2)Pilh menu Residual Test / Hisrogram - Normality test, dan akanditampilkan diagram dengan perhitungan J B statistiknya :
1
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
2/92
PELANGGARAN ASUMSI KLASIK
Diagram 1. Hasil Uji Normalitas : J B Test
2
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
3/92
PELANGGARAN ASUMSI KLASIK
BAB IIMULTIKOLINEARITAS
A. PENGERTIAN
Multikolinearitas artinya terdapat korelasi yang signifikan di antaradua atau lebih variabel independent dalam model regresi.
B. CARA MENDETEKSI ADANYA MULTIKOLINEARITAS
a. R2 cukup tinggi (0,7 1,0) tetapi uji-tnya untuk masing-masing koefisien regresinya menunjukkan tidaksignifikan.
Misalnya : Y = 24.7747 + 0.9415 X2 0.0424 X3 + eStandar error (6.7525) (0.8229) (0.0807)Nilai t (3.6690) (1.1441) (-0.5261)
3
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
4/92
PELANGGARAN ASUMSI KLASIK
Adj. R2 = 0.9531 df = 7
Dari hasil regresi dapat dilihat bahwa 98 persen dari variasipeneluaran konsumsi dijelaskan oleh pendapatan dan hargabarang lain secara bersama-sama. Apabila diuji secara
individual, maka hasilnya adalah tidak signifikan tapi apabila diujisecara keseluruhan variabel independentnya maka hasilnyaadalah signifikan. Juadi kemungkinan besar terdapatMultikolinearitas antara X1 dan X2.
b. Tingginya nilai R2 merupakan syarata yang cukup(sufficient) akan tetapi bukan merupakan syarat yangpenting untuk terjadinya multikorelineartitas, sebab padaR2 yang rendah ( F tabel, artinya Ho ditolak; Ha diterima ada multikolinearitas
Jika F* < F tabel, artinya Ho diterima; Ha diterima tidak ada multikolinearitas
d. Menggunakan Matriks Korelasi (Correlation Matrix)Langkah-langkahnya adalah sebagai berikut :1. Pastikan data sudah siap (berada pada kota group)
2. Klik Views, pilih Correlations seperti tampilan berikut :
Gambar 4.1 Tampilan Group untuk masuk ke Menu Correlation
4
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
5/92
PELANGGARAN ASUMSI KLASIK
Maka hasil yang didapat akan seperti tampilan berikut :
Gambar 4.2 Tampilan Correlation Matrix
C. PENANGGULANGAN TERHADAP MULTIKOLINEARITASCara menanggulangi multikolinearitas :1. Menambah jumlah data / observasi
Y = b1 + b2 X2 + b3 X3 + Dimana : Y = konsumsi
X2 = pendapatanX3 = harga barang itu sendiri
Pendapatan dan harga barang itu sendiri merupakan duavariabel yang saling mempengaruhi sehingga mengakibatkanterjadinya Multikolinearitas. Penambahan data baru dapatmenghilangkan Multikolinearitas yang tidak begitu serius.
2. Salah satu cara utnuk menghilangkan multikolinearitas adalahmenghilangkan satu atau lebih variabel bebas yang mempunyaikolinearitas tinggi, yang setelah itu diuji dengan menggunakan
Uji Wald.Adapun langkah-langkahnya sebagai berikut :
1. Klik Views, lalu pilih Cefficient Test dan klik Wald Coefficient Restrictions. Seperti tampilan berikut :
5
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
6/92
PELANGGARAN ASUMSI KLASIK
Gambar 4.3 Menu Uji Wald Restriction
2. Ketik salah satu koefisien dari variabel bebas yang ingindihilangkan (yang paling tidak signifikan) seperti padatampilan berikut :
Gambar 4.4 Tampilan Correlation Restriction
6
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
7/92
PELANGGARAN ASUMSI KLASIK
3. Hasil akan seperti tampilan berikut :
Gambar 4.5 Tampilan Layar Uji Wald
D. INTERPRETASI PENGUJIAN WALD TEST
Jika F statistik signifikan (probabilita < 0,05) makapenghilangan variabel bebas yang mengandung multikolinearitasakan mengubah interpretasi dari persamaan regresinya sehinggapenghilangan variabel tersebut tidak diperbolehkan.Dengan kata lain sekalipun variabel tersebut mengandungmultikolinearitas namun memiliki pengaruh terhadap variabeldependentnya.
Jika F statistik tidak signifikan (probabilita > 0,05) makapenghilangan variabel yang mengandung multikolinearitas tidakakan mengubah interpretasi dari persamaan regresinya sehinggapenghilangan variabel tersebut diperbolehkan.
Catatan : Perlu diperhatikan bahwa kadang-kadangmenghilangkan satu atau lebih variabel independent dapat lebih
jelek pengaruhnya dibandingkan dengan membiarkan adanyamultikolinearitas dapat lebih jelek pengaruhnya dibandingkandengan membiarkan adanya multikolinearitas kecuali jika variabelyang dhilangkan itu secara teoritis tidak berpengaruh.
Contoh soal : (soal dibawah ini akan terus digunakan untukmateri praktikum-praktikum selanjutnya)
7
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
8/92
PELANGGARAN ASUMSI KLASIK
Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB)
Contoh Soal 1
JUB = f (RSBI, GDP)JUB = 0 + 1RSBI + 2GDP +
Keterangan :JUB = Jumlah Uang Beredar (US$)RSBI = Tingkat Suku Bunga SBI (%)GDP = Gross Domestic Produsct (US$)
Soal :1. Lakukanlah pengujian multikolinearitas terhadap soal di atas.2. Jika ada multikolinearitas, tanggunglangi dan interpretasikan
hasilnya.
Jawaban
Langkah 1 :Masukkan data di atasLangkah 2 :Lakukanlah regresi sesuai dengan model persamaan di atasLangkah 3 :Lakukanlah pengujian multikolinearitas dengan menggunakancorrelation matrix, sehingga hasilnya akan tampak seperti gambar dibawah ini :
8
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
9/92
PELANGGARAN ASUMSI KLASIK
Correlation Matrix
Lihat gambarKorelasi antara RSBI dan GDP adalah sebesar 0,74 (lihat kembali teoridi atas). Karena korelasi antar kedua variabel tersebut mendekati nilai1 (1.0000), maka antara RSBI dan GDP terdapat multikonearitas yangkuat.Catatan : multikolinearitas yang kuat terjadi jika korelasi antardua atau lebih variabel lebih dari 0,70.
Langkah 4 :Lakukanlah penanggulangan multikonearitas dengan menggunakan
Wald test. (lihat teori penanggulangan).
Langkah 5 :Interpretasi sesuai dengan hasil pengujian Wald Test.
Langkah 4 dan 5, lihat penjelasan asisten di depan kelas.
9
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
10/92
PELANGGARAN ASUMSI KLASIK
SOAL
Berdasarkan data di bawah ini, dimana JUB adalah jumlah uangberedar, G adalah pengeluaran pemerintah, dan Gdp adalah GrossDomestic Product.
obs JUB G GDP
1983 21469 585 75832
1984 18385 412 62665
1985 23417 766 86554
1986 28661 971 93638
1987 35885 1075 113718
1988 42998 1304 134105
1989 54704 1829 156851
1990 86470 2495 198597
1991 97105 2771 228450
1992 118053 3554 269884
1993 145303 3744 287976
1994 186514 4504 372221
1995 224368 4960 456381
1996 366534 5955 557659
1997 178120 2945 283782
Pertanyaan:
1. Regreslah JUB dengan G dan GDP2. Uji ada atau tidak multikolinearitas3. Atasilah jika terdapat multikolinearitas
10
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
11/92
PELANGGARAN ASUMSI KLASIK
BAB III
HETEROSKEDASTISITAS
A. PENGERTIAN
Salah satu asumsi penting dalam analisa regresi adalah variasi
gangguan acak () pada setiap variabel bebas adalah
homoskedastisitas. Asumsi ini dapat ditulis sebagai berikut :
E (i2) = 2 I = 1, 2, n
Ketidaksamaan inilah yang disebut sebagai heteroskedastisitas.
11
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
12/92
PELANGGARAN ASUMSI KLASIK
Hal tersebut dikarenakan beberapa hal, yaitu :
1. Error Learning Model
Sebagaimana adanya proses perbaikan yang dilakukan unit-unit
ekonomi, maka perilaku kesalahan menjadi lebih kecil dengan
bertambahnya waktu. Dalam hal ini diharapkan 2 menurun.
2. Perbaikan Dalam Pengumpulan Data
Dengan meningkatnya mutu tekhnik pengumpulan data, maka 2 diharapkan menurun. Jadi sebuah bank yang mempunyai
peralatan pemrosesan data yang canggih cenderung melakukan
kesalahan yang lebih sedikit pada laporan bulanan atau
kuartalan dibandingkan bank tanpa fasilitas tersebut.
3. Kesalahan spesifikasi model
Salah satu asumsi dalam analisis regresi adalah model
dispesifikasi secara benar. Jika satu variabel yang semestinya
harus dimasukkan, tetapi karena suatu hal variabel tersebut
tidak dimasukkan, hal itu akan menyebabkan residual dari
regresi akan memberikan hasil yang berbeda dengan benar dan
varians dari kesalahan tidak konstan.
B. PENDETEKSIAN HETEROSKEDASTISITAS
a. Uji Park
Uji ini mengasumsikan bahwa i 2 adalah fungsi dari variabel
bebas Xi. Fungsi yang dianjurkan adalah :
i 2 = 2 Xi e vi atau
1n i2 = 2 1n Xi + vi
Karena 2 tidak diketahui, Park mengasumsikan agar i2
digunakan sebagai proxy, dan dilakukan regresi :
1n i 2 = 1n 2 + 1n Xi + vi
12
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
13/92
PELANGGARAN ASUMSI KLASIK
= + 1n Xi + vi
Jika signifikan, maka ada heteroskedasitas dalam data sebab
hipotesis pengujian heteroskedasitas adalah :
H0 : Tidak ada heteroskedastisitas
Ha : Ada heteroskedastisitas
Contoh:
Berikut adalah data hipotetis tentang Pengeluaran Konsumsi (Y)
dalam Juta Rp dan Pendapatan (X) dalam juta Rp pertahun pada
30 responden di DKI Jakarta (Sudah di rangking dari yang terkecil
ke yang terbesar):
No Y X1 55 802 70 853 75 904 65 1005 74 1056 80 1107 84 115
8 79 1209 90 12510 98 13011 95 14012 108 14513 113 15014 110 16015 125 16516 115 18017 130 18518 135 190
19 120 20020 140 20521 144 21022 152 22023 140 22524 137 23025 145 24026 175 24527 189 25028 180 260
13
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
14/92
PELANGGARAN ASUMSI KLASIK
29 178 26530 191 270
Print out berikut adalah hasil regresi OLS dengan model Y = f
(X,e)
Dependent Variable: YMethod: Least SquaresDate: 06/07/01 Time: 09:00Sample: 1 30Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.
C 9.290307 5.231386 1.775879 0.0866X 0.637785 0.028617 22.28718 0.0000
R-squared 0.946638 Mean dependent var 119.7333Adjusted R-squared 0.944732 S.D. dependent var 39.06134S.E. of regression 9.182968 Akaike info criterion 7.336918Sum squared resid 2361.153 Schwarz criterion 7.430332Log likelihood -108.0538 F-statistic 496.7183Durbin-Watson stat 1.590347 Prob(F-statistic) 0.000000
Berdasarkan print-out tersebut dapat dihitung nilai residual (I)
untuk kemudian di kuadratkan dan di Ln kan. Caranya sebagai
berikut:a. Pada tampilan hasil regresi, klik View lalu pilih make residual
series dan ketik Residual dan kilk OK seperti tampilan berikut
ini:
14
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
15/92
PELANGGARAN ASUMSI KLASIK
Gambar 8.1. Tampilan Make Residual
Dari residual tersebut dapat dihitung residual kuadrat (i2) lalu di
Ln kan dengan menggunakan Generate pada workfile yaitu:
RES2=RESIDUAL^2
LNRES2=LOG(RES2)
LNX=LOG(X)
Gambar 8.2. Hasil Uji Park
Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil
seperti Gambar 2.2.
Dari hasil print out tersebut terlihat bahwa koefisien LNX
memiliki probabilitas 0.8154 (tidak signifikan pada = 5%), hal
ini berarti bahwa tidak ada heteroskedastisitas pada model
tersebut.
Note: Pada uji Park ini, jika variabel bebasnya lebih dari 1 maka
diregres secara terpisah, dengan demikian dapat
diketahui variabel mana yang menyebabkan adanya
heteroskedastisitas
15
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
16/92
PELANGGARAN ASUMSI KLASIK
b. Goldfeld-Quant Test
Langkah-langkah pengujiannya adalah sebagai berikut :
1. Urutkanlah dari variabel bebas X dari yang terkecil yang
terbesar
2. Kemudian buat dua regresi secara terpisah, pertama untuk
nilai X yang terkecil. Kedua untuk nilai X besar dan hilangkan
beberapa data yang ada ditengah.
3. Buatlah rasio RSS (Residual Sum of Square = error sum if
square) dari regresi kedua terhadap regresi pertama
(RSS2/RSS1) untuk mendapatkan nilai F hitung.
4. Lakukan uji F dengan menggunakan derajat kebebasan
(degree of freedom) sebesar (n-d-2k)/2, dimana
n = banyaknya observasi,d = banyaknya data atau nilai observasi yang hilang
k = banyaknya parameter yang diperkirakan.
Kriteria uji F jika :
F hitung > F tabel, maka ada heteroskedasitas
F hitung < F tabel, maka tidak ada heteroskedasitas
Uji Goldfeld-Quant ini sangat tepat untuk sampel besar ( n > 30).
Seandainya tidak ada data yang dibuang (d = 0) tes masih
berlaku tetapi kemampuan untuk mendeteksi adanya
heteroskedasitas agak berkurang.
Contoh:
16
40%Nilai Terkecil
15%-20%Dihilangkan
40%Nilai terbesar
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
17/92
PELANGGARAN ASUMSI KLASIK
Dengan data yang sama pada uji Park di atas, maka dibuang
20% nilai tengah dari total observasi (6 observasi), yaitu
observasi ke 13 s/d observasi ke 18. Kita dapat meregres dua
kelompok data yaitu kelompok I (obs ke 1 s/d obs ke 12) dan
kelompok II (obs ke 19 s/d obs ke 30). Hasil regresinya adalah
sebagai berikut:
Dependent Variable: YMethod: Least SquaresDate: 06/07/01 Time: 09:01Sample: 1 12Included observations: 12
Variable Coefficient
Std. Error t-Statistic Prob.
C 7.412142
9.535866
0.777291 0.4550
X 0.657289
0.083736
7.849565 0.0000
R-squared 0.860366
Mean dependentvar
81.08333
Adjusted R-squared 0.846402
S.D. dependent var 14.91466
S.E. of regression 5.84528
3
Akaike info
criterion
6.520159
Sum squared resid 341.6734
Schwarz criterion 6.600977
Log likelihood -37.12095
F-statistic 61.61567
Durbin-Watson stat 2.317116
Prob(F-statistic) 0.000014
Hasil Regresi kelompok I dengan RSS1 = 341.6734
Dependent Variable: YMethod: Least SquaresDate: 06/07/01 Time: 09:03Sample: 19 30
17
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
18/92
PELANGGARAN ASUMSI KLASIK
Included observations: 12Variable Coefficient Std. Error t-Statistic Prob.
C -49.74731 34.56614 -1.439192
0.1807
X 0.882258 0.146407 6.02607
7
0.0001
R-squared 0.784081 Mean dependent var 157.5833
Adjusted R-squared 0.762489 S.D. dependent var 23.65455
S.E. of regression 11.52807 Akaike info criterion 7.878459
Sum squared resid 1328.965 Schwarz criterion 7.959277
Log likelihood -45.27076 F-statistic 36.31361
Durbin-Watson stat 1.315331 Prob(F-statistic) 0.000128
Hasil regresi kelompok II dengan RSS2 = 1328.965
F-stat = RSS2/RSS1 = 1328.965/341.6734
= 3.8896
F-tabel (= 5%, df = {30 6 2(2)}/2 = 10)
= 2.98
F-stat > F-tabel ada heteroskedastisitas
Jika digunakan (= 1%) maka
F-tabel (= 1%, df = {30 6 2(2)}/2 = 10) =
4.85
F-stat < F-tabel tidak ada heteroskedastisitas
c. Uji White
Hasil uji park bisa berbeda dengan uji Golfeld and Quant. Jika
terjadi keraguan maka sebaiknya digunakan uji white yang pada
prinsipnya meregres residual yang dikuadratkan dengan variabel
bebas pada model.
18
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
19/92
PELANGGARAN ASUMSI KLASIK
Jika modelnya : Y = f(X,e)
Maka model White-test nya adalah : 2 = f(X, X2, e)
Jika modelnya : Y = f(X 1,X2, e)
Maka model White test mempunyai dua kemungkinan yaitu:
Model no cross term : 2 = f(X1, X2, X12,X22, e)
Model cross term : 2 = f(X1, X2, X12,X22, X1X2, e)
Kriteria uji White adalah jika :
Obs* R square > 2 tabel, maka ada heteroskedasitas
Obs* R square < 2 tabel, maka tidak ada heteroskedasitas
atau
Prob Obs* R square < 0.05, maka ada heteroskedasitas
Prob Obs* R square > 0.05, maka tidak ada heteroskedastisitas
Langkah-langkah pengujian White Test :
1. Lakukan estimasi fungsi regresi terlebih dahulu,
menspesifikasikan variabel bebas dan variabel tidak bebas.
2. Klik View, Residual Test, White Heteroskedasticity (Cross term
or no Cross term), seperti pada gambar berikut :
Gambar 2.3. Tampilan Layar Menu Uji White
Contoh:
19
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
20/92
PELANGGARAN ASUMSI KLASIK
Dengan data yang sama pada uji park dan goldfeld and quant,
berikut ditampilkan hasi uji white:
White Heteroskedasticity Test:
F-statistic 2.917301 Probability 0.071274Obs*R-squared 5.330902 Probability 0.069568Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 03/05/04 Time: 09:38Sample: 1 30Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.C -12.29621 191.7731 -0.064119 0.9493
X 0.197385 2.368760 0.083329 0.9342X^2 0.001700 0.006707 0.253503 0.8018R-squared 0.177697 Mean dependent var 78.70511Adjusted R-squared 0.116785 S.D. dependent var 112.5823S.E. of regression 105.8043 Akaike info criterion 12.25570Sum squared resid 302252.7 Schwarz criterion 12.39582Log likelihood -180.8355 F-statistic 2.917301Durbin-Watson stat 1.856573 Prob(F-statistic) 0.071274
Obs* R- square = 5.331
2 tabel dengan (= 5%,df = 2) = 5.990
Obs* R square < 2 tabel, maka tidak ada heteroskedasitas
atau
Prob Obs* R square = 0.0695
Prob Obs* R square > 0.05,maka tidak ada heteroskedastisitas
Note: df pada 2 tabel adalah jumlah variabel bebas
(regresors) pada regresi model White-test kecuali konstanta.
C. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS
1. Transformasi Logaritma Natural
Jika model berikut ini mengandung heteroskedastisitas :
Yi = 1 + 2 + ui20
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
21/92
PELANGGARAN ASUMSI KLASIK
Lakukanlah tranformasi seperti model logaritma di bawah ini :
LnYi = i + 2 LnXi
Transformasi dalam bentuk logaritma akan memperkecil skala
dari observasi dan kemungkinan besar varians juga akan
semakin mengecil dan ada kemungkinan homoskedastisitas
terpenuhi.
2. Transformasi Dengan Membagi Persamaan Dengan Variabel
Bebas
Jika model regresi yang telah diuji terdapat heteroskedastisitas
maka salah satu penanggulangannya dapat dilakukan dengan
membagi persamaan regresi tersebut dengan variabel bebas
(independen) yang mengandung heteroskedastisitas. Variabel
bebas (independen) yang mengandung heteroskedastisitas
tersebut diperoleh dari pengujian White-Test.
Yi = 1 + 2Xi + ui
E (uiXi) 0 dan E (ui2) u2
Jika diasumsikan (ui2) = 2 0 maka dengan mentransformasikan
model regresi tersebut diperoleh model regresi baru sebagai
berikut :
Yi / Xi = bo / Xi + b1 + ui/Xi
Dimana : Var (ui/Xi)2 = 1/Xi2 var (ui)2 = 1/Xi22 Xi2 = 2
Homoskedastisitas
Maka kesalahan penggangu menjadi homoskedastisitas. Dengan
demikian koefisien regresi dari model baru didapat dengan
menggunakan OLS tersebut menjadi unbiased, consistent dan
efficient.
21
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
22/92
PELANGGARAN ASUMSI KLASIK
Soal latihan:
Berikut adalah data Biaya R & D, Sales dan Profit pada 18 kelompok
Industri sebuah negara pada tahun 2000 (dalam Juta US$)
No Industri Sales R & D Profit1 Kontainer dan Pengepakan 6,375
.362.
5185.
12 LKBB 11,62
6.492.
91,569
.53 Industri Jasa 14,65
5.1178.
3276.
84 Baja dan Tambang 21,86
9.2258.
42,828
.15 Perumahan dan Konstruksi 26,40
8.3494.
7225.
96 Perdagangan umum 32,40
5.61,083
.03,751
.9
7 Industri waktu luang 35,107.7 1,620.6 2,884.18 Produksi Kertas dan Kayu 40,29
5.4421.
74,645
.79 Makanan 70,76
1.6509.
25,036
.410 Rumah Sakit 80,55
2.86,620
.113,869
.911 Pesawat terbang 95,29
4.03,918
.64,487
.812 Produk Pelanggan 101,31
4.1
1,595
.3
10,278
.913 Elektronik dan listrik 116,14
1.36,107
.58,787
.314 Kimia 122,31
5.74,454
.116,438
.815 Konglomerat 141,64
9.93,163
.89,761
.416 Perlengkapan Kantor dan
komputer175,02
5.813,210
.719,774
.5
22
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
23/92
PELANGGARAN ASUMSI KLASIK
17 Minyak 230,614.5
1,703.8
22,626.6
18 Automotif 293,543.0
9,528.2
18,415.4
a. Lakukanlah regresi terhadap R & D = f(Sales, Profit,e)
b. Ujilah apakah ada penyakit heteroskedastisitas dengan Park Test
sbb:
Ln i 2 = + 1n Sales + e1 dan
Ln i 2 = + 1n Profit + e2
c. Lakukanlah Uji White dengan metode cross term
b. Jika ada penyakit heteroskedastisitas sembuhkanlah dengan
Transformasi logaritma atau membagi dengan variabel yang
menyebabkan terjadinya heteroskedastisitas.
c. Interpretasikanlah hasil yang sudah disembuhkan.
23
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
24/92
PELANGGARAN ASUMSI KLASIK
BAB IV
AUTOKORELASI
A. PENGERTIAN
Yaitu suatu keadaan dimana kesalahan pengganguan dari periode
tertentu (t) berkorelasi dengan kesalahan pengganggu dari periode
sebelumnya (t-1). Pada kondisi ini kesalahan pengganggu tidakbebas tetapi satu sama lain saling berhubungan. Bila kesalahan
pengganggu periode t dengan t-1 berkorelasi maka terjadi kasus
korelasi serial sederhana tingkat pertama (first order
autocorrelation).
B. PENGARUH ADANYA AUTOKORELASI
Dengan adanya autokorelasi dengan dugaan parameter OLS masihUNBIASED Dan CONSISTENT tetapi standar error dari dugaan
parameter regresi adalah bias, sehingga mengakibatkan uji statistik
menjadi tidak tepat dan interval kepercayaan menjadi bias (biased
confidence intervals).
C. PENGUJIAN TERHADAP ADANYA AUTOKORELASI
1. UJI DURBIN WATSON
Langkah-langkah pengujian autokorelasi dengan Durbin Watson
a. Tentukan hipotesis Null dan Hipotesis alternatif dengan
ketentuan
Ho : Tidak ada autokorelasi (positif/negatif)
Ha : ada autokorelasi (positif/negatif)
b. Estimasi model dengan OLS dan hitung nilai residualnya
24
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
25/92
PELANGGARAN ASUMSI KLASIK
ut = Yt - o - 1X1 - 2X2 - kXk - .. - kXk
c. Hitung Durbin Watson dengan rumus sebagai berikut :
Dimana: t = periode
n = jumlah observasi
ut = Residual periode t
ut-1 = residual periode t-1
d. Hitung Durbin Watson kritis yang terdiri dari nilai kritis daribatas atas (du) dan batas bawah (dl) dengan menggunakan
jumlah data (n), jumlah variabel independen / bebas (k) serta
tingkat signifikansi tertentu ().
e. Nilai DW hitung dibandingkan dengan DW kritis dengan
kriteria penerimaan dan penolakan hipotesis sebagai berikut :
HIPOTESIS NOL KEPUTUSAN KRITERIAAda auto korelasi positif Tolak 0 < d < dl Tidak ada auto korelasi
positif
Tidak ada
keputusan
dl < d < du
Ada auto korelasi negatif Tolak 4-dl < d < 4 Tidak ada auto korelasi
negatif
Tidak ada
keputusan
4-du < d X2 atau probabilitas R2 (T-1) < 0.05,
maka ada autokorelasi
# Jika R2 (T-1) < X2 atau probabilitas R2 (T-1) > 0.05,
maka tidak ada autokorelasi
D. PENANGGULANGAN TERHADAP AUTOKORELASIDengan menggunakan COCHRANE ORCUTT PROCEDURE
1. Buat estimasi persamaan regresi awal dan hitung residualnya (u t)Yt = o + 1X1t + 2X2 + ut
2. Buat estimasi persamaan regresi untuk periode t-1Y t-1 = o + 1X1 t-1 + 2X2 t-1 + ut
3. Buat estimasi persamaan koefisien dari serial korelasi (FIRSTDIFFERENCE EQUATION) dengan cara :Y t = o + 1X1 t + 2X2 t + ut ..1)(Y t-1 = o + 1X1 t-1 + 2X2 t-1 + ut-1) koefisien autokorelasiY t-1 = o + 1X1 t-1 + 2X2 t-1 + ut-1 2)
Y t = o + 1X1 t + 2X2 t + utY t-1 = o + 1X1 t-1 + 2X2 t-1 + ut-1Y t - Y t-1 = o - o + 1X1 t - 1X1 t-1 + 2X2 t + 2X2 t-1 + ut - ut1Y t - Y t-1 = (1-) o + 1(X1 t - X1 t-1) + 2 (X2 t - X2 t-1)+ (ut - ut1)
Dimana : Yt* = Yt - Yt-1o* = (1-) oX 1t* = (X 1t - X1t-1)
27
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
28/92
PELANGGARAN ASUMSI KLASIK
X 2t* = (X 2t - X2t-1)ut* = (ut - ut-1)
4. Buat estimasi nilai melalui estimasi fungsi residual ut = ut-1+v, ut adalah residual, pada hasil estimasi = coefficient resid(1)
5. Lakukan generate setiap variabel dimanaY21 = Yt Y (-1) *X22 = X1t X (-1) *X23 = X2t X (-1) *Catatan : untuk langsung masukkan angkanya (lihat langkah(4))
6. Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKEEQUATIONY2,1 C X2,2 X2,3
Contoh Soal Autokorelasi
Soal yang digunakan adalah contoh soal 1 (praktikum I)
Instruksi :1. Lakukanlah pengujian autokorelasi dengan menggunakan :
a. LM-Test
b. Durbin-Watson Test2. Lakukanlah penanggulangan autokorelasi3. Interpretasikanlah model yang telah ditanggulangi
Jawaban1. Pengujian Autokorelasi dengan menggunakan LM-Test
Langkah 1 :Masukanlah data pada Contoh soal 1 (praktikum 1)
Langkah 2 :Regresikanlah model tersebut
Langkah 3 :Lakukanlah uji LM-Test (Lihat prosedur pengujian LM-Test), sehinggamuncul hasil regresi di halaman berikut :
Breusch-Godfrey Serial Correlation LM Test:F-statistic 15.25434 Probability 0.00245
2Obs*R-squared 8.715324 Probability 0.00315
28
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
29/92
PELANGGARAN ASUMSI KLASIK
5
Test Equation:Dependent Variable: RESIDMethod: Least Squares
Date: 03/16/01 Time: 13:27Variable Coefficien
tStd. Error t-Statistic Prob.
RSBI 0.894039 0.789838 1.131926 0.2817GDP -0.030313 0.051350 -0.590318 0.5669
C 1375.418 9666.484 0.142287 0.8894RESID(-1) -1.010293 0.258673 -3.905680 0.0025
R-squared 0.581022 Mean dependent var -6.79E-12
Adjusted R-squared 0.466755 S.D. dependent var 26403.53
S.E. of regression 19280.82 Akaike info criterion 22.79479
Sum squared resid 4.09E+09 Schwarz criterion 22.98360
Log likelihood -166.9609 F-statistic 5.084779
Durbin-Watson stat 1.825773 Prob(F-statistic) 0.018931
HASIL REGRESI LM-TEST
Lihatlah hasil regresi di atas :
Probabilita Obs* R-Squared = 0.003155 lebih kecil daripada (5%),
maka terdapat autokorelasi. Atau untuk pengujian dapat juga
membandingkan Obs* R-Squared dengan tabel Chi-Squared.
Untuk soal no. 2 dan 3 perhatikan pembahasan asisten di depan kelas.
Tugas / Quiz 2
Soal 1.
Perhatikanlah data dibawah ini :
Data Impor, GDP, CPI suatu Negara, tahun 1970 -1998
Tahun IMPOR CPI GDP Tahun IMPOR CPI GDP
1970 39,866.0 38.8 1,039.7 1985 338,088.0
107.6 4,213.0
1971 45,579.0 40.5 1,128.6 1986 368,425.0
109.6 4,452.9
1972 55,797.0 41.8 1,240.4 1987 409,765. 113.6 4,742.5
29
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
30/92
PELANGGARAN ASUMSI KLASIK
0
1973 70,499.0 44.4 1,385.5 1988 447,189.0
118.3 5,108.3
1974 103,811.0 49.3 1,501.0 1989 477,365.0
124.0 5,489.1
1975 98,185.0 53.8 1,635.2 1990 498,337.0
130.7 5,803.2
1976 124,228.0 56.9 1,823.9 1991 490,981.0
136.2 5,986.2
1977 151,907.0 60.6 2,031.4 1992 536,458.0
140.3 6,318.9
1978 176,002.0 65.2 2,295.9 1993 589,441.0
144.5 6,642.3
1979 212,007.0 72.6 2,566.4 1994 668,590.0
148.2 7,054.3
1980 249,750.0 82.4 2,795.0 1995 749,574.0
152.4 7,400.5
1981 265,067.0 90.9 3,131.3 1996 803,327.0
156.9 7,813.2
1982 247,642.0 96.5 3,259.2 1997 876,366.0
160.5 8,300.8
1983 268,901.0 99.6 3,534.9 1998 917,178.0
163.0 8,759.9
1984 332,418.0 103.9 3,932.7
Ln Impor = f (LnCPIt , LnGDP)
Pertanyaan :
1. Regresikanlah model di atas
2. Lakukanlah pengujian Multikolinearitas
3. Jika ada multikolinearitas apakah kita dapat membuang variabel
yang menyebabkan multikolineritas tersebut ?
Soal 2.
Data Peggunaan BBM padaMobil Angkutan Kota
No Obs PBBM KEC TK BK
1 39.6 100 66 22.5
2 39.3 103 73 22.5
3 38.9 106 78 22.5
4 38.8 113 92 22.5
5 38.2 106 78 22.5
6 42.2 109 90 25
7 40.9 110 92 25
8 40.7 101 74 25
30
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
31/92
PELANGGARAN ASUMSI KLASIK
9 40 111 95 25
10 39.3 105 81 25
11 38.8 111 95 25
12 38.4 110 92 25
13 38.4 110 92 25
14 38.4 110 92 25
15 46.9 90 52 27.516 36.3 112 103 27.5
17 36.1 103 84 27.5
18 36.1 103 84 27.5
19 35.4 111 102 27.5
20 35.3 111 102 27.5
21 35.1 102 81 27.5
22 35.1 106 90 27.5
23 35 106 90 27.5
24 33.2 109 102 30
25 32.9 109 102 30
26 32.3 120 130 30
27 32.2 106 95 3028 32.2 106 95 30
29 32.2 109 102 30
30 32.2 106 95 30
Ket: PBBM = rata-rata mil/galon
KEC = rata-rata kecepatan (Mil/jam)
TK = tenaga kuda kendaraan
BK = berat kendaraan (ratus pound)
Pertanyaan:
a. Lakukan regresi terhadap PBBM = f(KEC, TK, BK, e)
b. Lakukan pengujian heteroskedastisitas dengan Park Test, Golfeld
and Quant Test dan White-test.
c. Tanggulangilah penyakit tersebut dengan metode yang anda
ketahui.
d. Interpretasikanlah hasil regresi yang sudah bebas dari
heteroskedastisitas.
Soal 3.
Data Faktor-Faktor Yang Mempengaruhi Harga TimahYEAR HT IHP HTL JPR HA1973 21.89 45.10 220.40 1,491.00 19.001974 22.29 50.90 259.50 1,504.00 19.411975 19.63 53.30 256.30 1,438.00 20.931976 22.85 53.60 249.30 1,551.00 21.781977 33.77 54.60 352.30 1,646.00 23.681978 39.18 61.10 329.10 1,349.00 26.011979 30.58 61.90 219.60 1,224.00 27.521980 26.30 57.90 234.80 1,382.00 26.89
31
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
32/92
PELANGGARAN ASUMSI KLASIK
1981 30.70 64.80 237.40 1,553.70 26.851982 32.10 66.20 245.80 1,296.10 27.231983 30.00 66.70 229.20 1,365.00 25.461984 30.80 72.20 233.90 1,492.50 23.881985 30.80 76.50 234.20 1,634.90 22.621986 32.60 81.70 347.00 1,561.00 23.72
1987 35.40 89.80 468.10 1,509.70 24.501988 36.60 97.80 555.00 1,195.80 24.501989 38.60 100.00 418.00 1,321.90 24.981990 42.20 106.30 525.20 1,545.40 25.581991 47.90 111.10 620.70 1,499.50 27.181992 58.20 107.80 588.60 1,469.00 28.721993 52.00 109.60 444.40 2,084.50 29.001994 51.20 119.70 427.80 2,378.50 26.671995 59.50 129.80 727.10 2,057.50 25.331996 77.30 129.30 877.60 1,352.50 34.061997 64.20 117.80 556.60 1,171.40 39.791998 69.60 129.80 780.60 1,547.60 44.49
1999 66.80 137.10 750.70 1,989.80 51.232000 66.50 145.20 709.80 2,023.30 54.422001 98.30 152.50 935.70 1,749.20 61.012002 101.40 147.10 940.90 1,298.50 70.87
Ket: HT = Harga Timah (cent/pound)IHP = Indeks Harga
ProduksiHTL = Harga Timah di London (Poundsterling)JPR = Jumlah Pembangunan Rumah/thHA = Harga Alumunium (cent/pound)
Pertanyaan:
a. Regresilah model LnHT = f (LnIHP, LnHTL, LnJPR, LnHA, e) dengan
terlebih dahulu merubah data dalam bentuk Lnb. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM
Test)c. Jika ada, maka sembuhkan penyakit tersebut dengan terlebih
dahulu menghitung koefisien - nya.
Kerjakanlah soal-soal di atas pada kertas HVS, sertakan pula hasilprint-out anda. Kumpulkanlah minggu depan pada praktikum IV!
BAB V
PERSAMAAN SIMULTAN
32
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
33/92
PELANGGARAN ASUMSI KLASIK
A. Pengertian
Suatu himpunan persamaan dimana variabel dependen dalam
satu atau lebih persamaan juga merupakan variabel
independen dalam beberapa persamaan yang lain.
Suatu model yang mempunyai hubungan sebab akibat antara
variabel dependen dan variabel independennya, sehingga suatu
variabel dapat dinyatakan sebagai variabel dependen maupun
independen dalam persamaan yang lain.
Misalnya:
1. X = f (Y) tetapi Y = f (X)
Qt = f (P) tetapi P = f (Qt)
2. Jumlah uang beredar
M = a0 + b1 Y1 + u1
Y1 = b0 + b1M1 + b2I2 + u1
3. Fungsi demand : Q = b0 + b1P1 + b2P2+ b3Y1+ u1
Fungsi produksi : P = b0 + b1Q1 + b2W2 + v1
Variabel dalam persamaan simultan:
Variabel endogen/ endogenous variable : variabel dependen
pada persamaan simultan (jumlahnya sama dengan jumlah
persamaan dalam model simultan).
Variabel yang sudah diketahui nilainya/ predetermined variable :
variabel ini diperlakukan sebagai variabel yang nir stokastik yang
nilai-nilainya sudah tertentu atau sudah ditentukan.
Predetermined variable dibedakan menjadi dua, yaitu:
- Variabel eksogen : - Variabel eksogen sekarang Xt , Pt
- Variabel eksogen waktu lampau Xt-1, Pt-1
33
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
34/92
PELANGGARAN ASUMSI KLASIK
- Variabel endogen waktu lampau (lagged endogenous variabel)
Yt-1, Qt-1
Dapatkah OLS digunakan untuk menaksir koefisien dalam persamaan
simultan?
Tidak dapat, jika OLS tersebut digunakan untuk meregres
masing-masing persamaan secara sendiri-sendiri. Karena
asumsi dari OLS adalah nir-stokastik atau jika stokastik, dianggap
tidak tergantung pada variabel residual yang stokastik. Jika
hanya dilakukan regresi pada salah satu model regresi, maka
persamaan tunggal tersebut tidak dapat diperlakukan sebagai
sebuah model yang lengkap.
Dapat diterapkan, jika model persamaan tersebut sudah diubah
dalam bentuk reduce form, yaitu dengan memasukkan salah
satu persamaan pada persamaan yang lain.
B. Masalah Identifikasi dalam Persamaan Simultan
Masalah identifikasi sering dijumpai pada model ekonometri yang lebih
dari satu persamaan. Untuk memecahkan masalah ini harus dilakukan
pengujian atau persyaratan agar diketahui koefisien persamaan mana
yang ditaksir. Persyaratan ini disebut Kondisi Identifikasi (condition og
identification).
Ada dua macam dalil pengujian identifikasi, yaitu Order condition dan
Rank condition. Notasi yang dipergunakan adalah:M = jumlah variabel endogen dalam model
m = jumlah variabel endogen dalam persamaan
K = Jumlah variabelpredetermineddalam model
k = Jumlah variabelpredetermineddalam persamaan
34
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
35/92
PELANGGARAN ASUMSI KLASIK
1. Order Conditions
Syarat identifikasi suatu persamaan struktural:
Pada persamaan simultan sejumlah M persamaan (yang
tidak mempunyaipredetermined variable)
M - 1 1
Jika M-1 = 1, maka persamaan tersebut identified.
Jika M-1 > 1, maka persamaan tersebut overidentified.
Jika M-1 < 1, maka persamaan tersebut unidentified.
Contoh: Fungsi Demand Qt = 0 + 1Pt + u1t
Fungsi Supply Qt = 0 + 1Pt + u2t
Pada model ini Pt dan Qt merupakan variable endogen tanpa
predetermined variable, agar identifiedmaka M-1 = 1, jika
tidak maka tidak identified.
Pada kasus ini (M = 2) dan 2 1 = 1 identified
Pada persamaan yang memiliki predermined variable
berlaku aturan:
K k m 1
Jika K k = m 1, maka persamaan tersebut identified .
Jika K k > m 1, maka persamaan tersebut overidentified
.
Jika K k < m 1, maka persamaan tersebut unidentified .
35
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
36/92
PELANGGARAN ASUMSI KLASIK
Contoh: Fungsi Demand Qt = 0 + 1Pt + 2 It + u1t-
(1)
Fungsi Supply Qt = 0 + 1Pt + u2t
(2)Pada model ini Pt dan Qt merupakan variable endogen
dan It adalahpredetermined variable.
Persamaan (1) : K k < m 1 atau 1 1 < 2 1
Unidentified
Persamaan (2) : M 1 = 1 atau 2 1 = 1
Indentified
Catatan
Persamaan yang dapat diselesaikan dengan sistem persamaan
simultan adalah persamaan yang identifieddan over identified.
2. Rank Conditions.
Suatu persamaan yang mempunyai M persamaan dikatakan
identified, sekurang-kurangnya mempunyai satu determinan
berdimensi (M-1) yang tidak sama dengan nol.
Kesimpulan :
Jika K k = m 1, dan rank dari matriks A adalah (M-1),
maka persamaan tersebut exactly identified .
Jika K k > m 1, dan rank dari matriks A adalah (M-1),
maka persamaan tersebut overidentified .
Jika K k m 1, dan rank dari matriks A adalah kurang
dari (M-1), maka persamaan tersebut underidentified .
Jika K k < m 1, dan rank dari matriks A adalah kurang
dari (M-1), maka persamaan tersebut unidentified.
36
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
37/92
PELANGGARAN ASUMSI KLASIK
C. Metode Persamaan Simultan
Indirect Least Squares (ILS)
Metode ILS dilakukan dengan cara menerapkan metode OLS pada
persamaan reduced form.
Asumsi yang harus dipenuhi dalam penggunaan prosedur ILS:
1. Persamaan strukturalnya harus exactly identified.
2. Variabel residual dari persamaan reduced form-nya harus
memenuhi semua asumsi stokastik dari teknik OLS. Jika asumsi
ini tidak terpenuhi, maka akan menyebabkan bias pada
penaksiran koefisiennya.
Contoh:
Diketahui suatu model persamaan simultan adalah sebagai berikut :
Qd= 0 + 1 P+ 2 X + v
Qs= 0 + 1 P + 2 Pl + u
Dimana:
Qd = Jumlah barang yang diminta
Qs = Jumlah barang yang ditawarkan
P = harga barang
X = Income
Pl = harga Input
Persamaan reduce form-nya adalah sebagai berikut :
P= 0 + 1 X + 2 Pl +1
Q= 3 + 4 X + 5 Pl +2
Persamaan Reduce Form dapat dicari dengan langkah sebagai berikut:
Selesaikan persamaan Qd = Qs
0 + 1 P+ 2 X + v = 0 + 1 P + 2 Pl + u
37
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
38/92
PELANGGARAN ASUMSI KLASIK
1 P - 1 P = 0 - 0 - 2 X + 2 Pl + u - v
P =
+
+
1111
2
11
2
11
00
vuPlX
P = +++ PlX 310
Kemudian substitusikan persamaan P diatas dengan salah satu
persamaan Q, misalnya dengan Qd
Qd = 0 + 1 P+ 2 X + v
Qd = 0 + 1
+
+
1111
2
11
2
11
00
vuPlX + 2 X + v
Qd = 0 +
+
+
1
11
11
21
11
21
11
0101 vuPlX
+ 2 X + v
Qd = 0 +
+
+
11
11
11
21
11
21
11
0101
vuPlX
+ 2 X + v
Lalu samakan semua penyebutnya dengan 1 1
Qd =+
11
1010
+
+
11
11
11
21
11
21
11
0101
vuPlX
+
+
11
11
11
2121
vvX
Qd =
+
+
11
11
11
21
11
12
11
1001
vuPlX
Qd = +++ PlX 543
38
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
39/92
PELANGGARAN ASUMSI KLASIK
Dari persamaan reduce form-nya diperoleh 6 koefisien reduksi yaitu: 0
1 2 3 4 dan 5 yang akan digunakan untuk menaksir 6 koefisien
structural yaitu0, 1, 2, 0, 1 dan 2
Langkah-langkah ILS:
1. Regres persamaan reduced form dengan metode OLS, yaitu :
P= 0 + 1 X + 2 Pl +1
Q= 3 + 4 X + 5 Pl +2
2. Ambil nilai koefisien dari hasil regresi tersebut, kemudian
masukkan pada koefisien reduced form untuk menaksir koefisienstruktural.
Hasil Regresi OLS persamaan reduced form
Dependent Variable: PIncluded observations: 22
Variable Coefficient Std. Error t-Statistic Prob.
X 0.017971 0.004477 4.014026 0.0007PL -1.190681 0.384484 -3.096827 0.0059
C 94.08825 10.42454 9.025651 0.0000R-squared 0.663099 Mean dependent var 109.0909Adjusted R-squared
0.627636 S.D. dependent var 24.97410
Log likelihood -89.52976 F-statistic 18.69819Durbin-Watsonstat
0.847730 Prob(F-statistic) 0.000032
Dependent Variable: QMethod: Least SquaresDate: 03/18/02 Time: 16:23Sample: 1970 1991Included observations: 22
Variable Coefficient Std. Error t-Statistic Prob.X 0.009026 0.002417 3.735081 0.0014PL -0.615342 0.207526 -2.965133 0.0080C 95.32565 5.626663 16.94177 0.0000
R-squared 0.601576 Mean dependent var 100.8636Adjusted R-squared
0.559637 S.D. dependent var 12.39545
Log likelihood -75.96355 F-statistic 14.34395
39
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
40/92
PELANGGARAN ASUMSI KLASIK
Durbin-Watsonstat
2.276325 Prob(F-statistic) 0.000160
Two Stage Least Squares (TSLS)
Metode TSLS sering digunakan dengan alasan:
1. Untuk persamaan yang overidentified, penerapan TSLS
menghasilkan taksiran tunggal (sedangkan ILS menghasilkan
taksiran ganda).
2. Metode ini dapat diterapkan pada kasus exactly identified. Pada
kasus ini taksiran TSLS = ILS.
3. Dengan TSLS tidak ada kesulitan untuk menaksir standar error,
karena koefisien struktural ditaksir secara langsung dari regresi
OLS pada langkah kedua (sedangkan pada ILS mengalami
kesulitan dalam menaksir standar error).
CONTOH METODE 1 UNTUK TSLS:
Persamaan simultan adalah sebagai berikut :
Qd= a11 + a12 P+ a13 X + v
Qs= b11+ b12 P + b12 Pl + u
Langkah-langkah TSLS: (untuk persamaan 1)
1. Regres P = a11 + a12 Pl+ a13 X + v
2. Buatlah nilai Fitted dan Residual dari regresi tersebut (PF
dan RES1).
3. Regres Variabel Q dengan PF dan RES1.
Q = b11 + b12 PF+ b13 RES1 + b14 X + v
40
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
41/92
PELANGGARAN ASUMSI KLASIK
Gambar 4.1
Hasil regresi P = a11 + a12 Pl+ a13 X + v
Dependent Variable: PMethod: Least SquaresDate: 03/18/02 Time: 22:56Sample: 1970 1991Included observations: 22
Variable Coefficient Std. Error t-Statistic Prob.PL -1.190681 0.38448
4-3.096827 0.0059
X 0.017971 0.004477
4.014026 0.0007
C 94.08825 10.4245
4
9.025651 0.0000
R-squared 0.663099 Mean dependentvar
109.0909
Adjusted R-squared
0.627636 S.D. dependent var 24.97410
S.E. of regression 15.23961 Akaike infocriterion
8.411797
Sum squaredresid
4412.668 Schwarz criterion 8.560575
41
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
42/92
PELANGGARAN ASUMSI KLASIK
Log likelihood -89.52976 F-statistic 18.69819
Durbin-Watsonstat
0.847730 Prob(F-statistic) 0.000032
Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v
Gambar 4.2
42
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
43/92
PELANGGARAN ASUMSI KLASIK
Gambar 4.3.
Membuat residual dari regresi P = a11 + a12 Pl+ a13 X + v
Gambar 4.4.
43
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
44/92
PELANGGARAN ASUMSI KLASIK
Gambar 4.5.
Hasil regresi Q=b0 + b1 PF + b2 RES1 + b3X + e
Dependent Variable: QMethod: Least SquaresDate: 03/18/02 Time: 22:51
Sample: 1970 1991Included observations: 22
Variable Coefficient
Std. Error t-Statistic Prob.
PF 0.516798 0.178522 2.894866 0.0097RES1 0.042096 0.126833 0.331900 0.7438
X -0.000262 0.000899 -0.290921 0.7744C 46.70099 13.59172 3.435989 0.0029
R-squared 0.603999 Mean dependent var 100.8636Adjusted R-
squared
0.537999 S.D. dependent var 12.39545
S.E. ofregression
8.425265 Akaike info criterion 7.263313
Sum squaredresid
1277.732 Schwarz criterion 7.461684
Log likelihood -75.89644 F-statistic 9.151495Durbin-Watsonstat
2.301464 Prob(F-statistic) 0.000677
Lakukan langkah yang sama pada persamaan yang lain!
44
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
45/92
PELANGGARAN ASUMSI KLASIK
Langkah-langkah TSLS: (untuk persamaan 2)
1. Regres Q = a11 + a12 Pl+ a13 X + v
2. Buatlah nilai Fitted dan Residual dari regresi tersebut (QF
dan RES2).
3. Regres Variabel P dengan QF dan RES2.
P = b11 + b12 QF+ b13 RES2 + b14 X + v
Metode 2 TSLS:
Buka Workfile, pilih variabel yang dikehendaki akan
diregresi , kemudian Klik estimation
Setelah muncul Equation Specification, pilih method TSLS
Tuliskan instrument variable , Klik OK
Buatlah regresi P = a11 + a12 Q+ a13 Pl + v
Gambar 4.6
Hasil Regresi dengan Two Stage Least Squares (TSLS).
Dependent Variable: PMethod: Two-Stage Least Squares
45
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
46/92
PELANGGARAN ASUMSI KLASIK
Date: 03/18/02 Time: 16:40Sample: 1970 1991Included observations: 22Instrument list: PL X
Variable Coefficien
t
Std. Error t-Statistic Prob.
PL 0.034507 0.142983 0.241336 0.8119Q 1.991068 0.699260 2.847392 0.0103C -95.71162 60.00985 -1.594932 0.1272
R-squared 0.330473 Mean dependent var 109.0909Adjusted R-squared
0.259996 S.D. dependent var 24.97410
S.E. ofregression
21.48358 Sum squared resid 8769.343
F-statistic 9.408793 Durbin-Watson stat 1.790965Prob(F-statistic) 0.001446
Dependent Variable: QMethod: Two-Stage Least SquaresDate: 03/18/02 Time: 16:42Sample: 1970 1991Included observations: 22Instrument list: X PL
Variable Coefficient
Std. Error t-Statistic Prob.
P 0.516798
0.231710 2.230364
0.0380
X -0.000262
0.001167 -0.224141
0.8250
C 46.70099
17.64115 2.647275
0.0159
R-squared 0.295822
Mean dependentvar
100.8636
Adjusted R-
squared
0.22169
8
S.D. dependent var 12.3954
5S.E. ofregression
10.93544
Sum squared resid 2272.093
F-statistic 8.115810
Durbin-Watson stat 1.769227
Prob(F-statistic) 0.002833
46
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
47/92
PELANGGARAN ASUMSI KLASIK
System Method / Full Information Method
Dalam metode ini, seluruh persamaan dalam model diperhitungkan
bersama-sama dan ditaksir secara simultan dengan memperhatikan
seluruh batasan yang ada dalam sistem persamaan dalam model.
Contoh Metode System dengan menggunakan Eviews:
Klik Object, kemudian pilih New object
Gambar 4.7
Pilih System kemudian klik OK
47
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
48/92
PELANGGARAN ASUMSI KLASIK
Gambar 4.8
Tuliskan INST diikuti variabel instrumen-nya ataupredetermined
variabel
Inst x Pl
P= C(1)+ C(2)*Q+ C(3)*PL
Q= C(4)+ C(5)*P+ C(6)*X
48
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
49/92
PELANGGARAN ASUMSI KLASIK
Gambar 4.9.
Klik, Procs kemudian klik estimate. Pilih Two Stage Least Squares
(TSLS) dan Simultaneous, kemudian klik OK.
Gambar 4.10.
Hasil regresi persamaan simultan dengan menggunakan System.
System: UNTITLEDEstimation Method: Two-Stage Least SquaresDate: 03/18/02 Time: 15:52Sample: 1970 1991Instruments: PL X C
Coefficient
Std. Error t-Statistic Prob.
49
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
50/92
PELANGGARAN ASUMSI KLASIK
C(1) -95.71162 60.00985
-1.594932 0.1190
C(2) 1.991068 0.699260
2.847392 0.0071
C(3) 0.034507 0.14298
3
0.241336 0.8106
C(4) 46.70099 17.64115
2.647275 0.0117
C(5) 0.516798 0.231710
2.230364 0.0317
C(6) -0.000262 0.001167
-0.224141 0.8238
Determinant residualcovariance
9.784097
Equation: P=C(1)+C(2)*Q+C(3)*PLObservations: 22
---------------------------------------------------------------------------------------------------------------------------------R-squared 0.33047
3Mean dependent
var109.0909
Adjusted R-squared 0.259996
S.D. dependent var 24.97410
S.E. of regression 21.48358
Sum squared resid 8769.343
Durbin-Watson stat 1.790965
Equation: Q=C(4)+C(5)*P+C(6)*X
Observations: 22---------------------------------------------------------------------------------------------------------------------------------R-squared 0.295822 Mean dependent
var100.8636
Adjusted R-squared
0.221698 S.D. dependent var 12.39545
S.E. of regression 10.93544 Sum squared resid 2272.093
Durbin-Watsonstat
1.769227
50
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
51/92
PELANGGARAN ASUMSI KLASIK
Berikut adalah data yang digunakan dalam bagian simultan ini:
UJI HAUSMAN
Uji Hausman dilakukan untuk mengetahui apakah terdapat
hubungan simultan antara dua persamaan regresi yang ada.
Persamaan simultan adalah sebagai berikut :
Qd= a11 + a12 P+ a13 X + v
Qs= b11+ b12 P + b12 Pl + u
Persamaan reduce form-nya adalah sebagai berikut :
51
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
52/92
PELANGGARAN ASUMSI KLASIK
P= 11+ 12 X + 13 Pl +
Q= 14 + 15 X + 16 Pl +
Variabel endogen: P
Tahap 1 : Meregresikan Pt pada variabel-variabel eksogen (X) dan (Pl)
Tahap 2 : Dapatkan residual dan fitted dari regresi di atas
(masukkan dalam data / variable)
Tahap 3 : Regres variabel endogen yang lain (Qt) pada residual dan
fitted
yang telah dibuat.
Tahap 4 : Lakukan pengujian. Jika variabel residual signifikan, maka
persamaannya adalah simultan.
Gambar 4.11
Hasil regresi :
Dependent Variable: PMethod: Least SquaresDate: 03/19/02 Time: 21:24Sample: 1970 1991Included observations: 22
Variable Coefficie
nt
Std. Error t-Statistic Prob.
PL -1.19068 0.384484 -3.09682 0.0059
52
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
53/92
PELANGGARAN ASUMSI KLASIK
1 7X 0.01797
1
0.004477 4.014026 0.0007
C 94.0882
5
10.42454 9.025651 0.0000
R-squared 0.66309
9
Mean dependent
var
109.09
09Adjusted R-
squared
0.62763
6
S.D. dependent
var
24.974
10S.E. of regression 15.2396
1
Akaike info
criterion
8.4117
97Sum squared
resid
4412.66
8
Schwarz criterion 8.5605
75
Log likelihood -89.52976
F-statistic 18.69819
Durbin-Watson
stat
0.84773
0
Prob(F-statistic) 0.0000
32
Membuat Fitted dari hasil regresi
Gambar 4.12
Membuat Residual dari hasil regresi
53
Klik Procs, pilih
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
54/92
PELANGGARAN ASUMSI KLASIK
Gambar 4.13
Gambar 4.14
54
Klik Procs, pilih
Make Residual Series
Beri nama RESID1
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
55/92
PELANGGARAN ASUMSI KLASIK
Buatlah regresi Q = b0 + b1 Resid1 + b2 Pfit + e
Hasil regresi di atas adalah sebagai berikut :
Dependent Variable: QMethod: Least SquaresDate: 03/19/02 Time: 21:29Sample: 1970 1991Included observations: 22
Variable Coefficie
nt
Std. Error t-Statistic Prob.
RESID1 0.04209
6
0.123740 0.340196 0.7374
PFIT 0.47201
5
0.088201 5.351585 0.0000
C 49.3711
4
9.780205 5.048068 0.0001
R-squared 0.60213
8
Mean dependent
var
100.86
36Adjusted R-
squared
0.56025
7
S.D. dependent
var
12.395
45S.E. of regression 8.21980
8
Akaike info
criterion
7.1770
94Sum squared
resid
1283.74
0
Schwarz criterion 7.3258
73Log likelihood -75.9480
4
F-statistic 14.377
60Durbin-Watson
stat
2.27898
0
Prob(F-statistic) 0.0001
58
Variabel endogen : Qt
Tahap 1 : Meregresikan Qt pada variabel-variabel eksogen (X dan Pl)
Tahap 2 : Dapatkan residual dan fitted dari regresi di atas
(masukkan dalam data / variable)
55
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
56/92
PELANGGARAN ASUMSI KLASIK
Tahap 3 : Regres variabel endogen yang lain (Pt) pada residual dan
fitted
yang telah dibuat.
Tahap 4 : Lakukan pengujian. Jika variabel residual signifikan, maka
persamaannya adalah simultan.
Hasil regresi dari Q = b0 + b1 PL +b2 X +e
Dependent Variable: QMethod: Least SquaresDate: 03/19/02 Time: 21:31Sample: 1970 1991Included observations: 22
Variable Coefficie
nt
Std. Error t-Statistic Prob.
PL -0.61534
2
0.207526 -2.96513
3
0.0080
X 0.00902
6
0.002417 3.735081 0.0014
C 95.3256
5
5.626663 16.94177 0.0000
R-squared 0.60157
6
Mean dependent
var
100.86
36Adjusted R-
squared
0.55963
7
S.D. dependent
var
12.395
45S.E. of regression 8.22560
6
Akaike info
criterion
7.1785
05Sum squared
resid
1285.55
1
Schwarz criterion 7.3272
83Log likelihood -75.9635
5
F-statistic 14.343
95
Durbin-Watson
stat
2.27632
5
Prob(F-statistic) 0.0001
60
Hasil regresi dari P = b0 + b1 RESID2 + b2 Qfit + e
Dependent Variable: PMethod: Least SquaresDate: 03/20/02 Time: 08:20Sample: 1970 1991
56
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
57/92
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
58/92
PELANGGARAN ASUMSI KLASIK
Yt =GDP
It =PMDN
Tugas :
Buatlah model Reduce Form dari persamaan di atas
Lakukan Uji Hausman
Buatlah regresi dengan menggunakan TSLS dan System
Interpretasikan secara lengkap
Data-datanya sebagai berikut:
YEAR GDP M PMDN R
1970
3,578
.0
626.
4
436.
2
6.5
62
1971
3,697
.7
710.
1
485.
8
4.5
11
1972
3,998
.4
802.
1
543.
0
4.4
66
1973
4,123
.4
855.
2
606.
5
7.1
78
1974
4,099
.0
901.
9
561.
7
7.9
26
19754,084.4
1,015.9
462.2
6.122
1976
4,311
.7
1,151
.7
555.
5
5.2
66
1977
4,511
.8
1,269
.9
639.
4
5.5
101978 4,760 1,365 713. 7.5
58
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
59/92
PELANGGARAN ASUMSI KLASIK
.6 .5 0 72
1979
4,912
.1
1,473
.1
735.
4
10.0
17
1980
4,900
.9
1,599
.1
655.
3
11.3
74
1981
5,021
.0
1,754
.6
715.
6
13.7
76
1982
4,913
.3
1,909
.5
615.
2
11.0
84
1983
5,132
.3
2,126
.0
673.
7
8.7
50
1984
5,505
.2
2,309
.7
871.
5
9.8
00
1985
5,717
.1
2,495
.4
863.
4
7.6
60
1986
5,912
.4
2,732
.1
857.
7
6.0
30
1987
6,113
.3
2,831
.1
879.
3
6.0
50
1988
6,368
.4
2,994
.3
902.
8
6.9
20
1989
6,591
.9
3,158
.4
936.
5
8.0
40
1990
6,707
.9
3,277
.6
907.
3
7.4
70
1991
6,676
.4
3,376
.8
829.
5
5.4
90
1992
6,880
.0
3,430
.7
899.
8
3.5
70
1993
7,062
.6
3,484
.4
977.
9
3.1
40
1994
7,347
.7
3,499
.0
1,107
.0
4.6
60
1995
7,343
.8
3,641
.9
1,140
.6
5.5
90
1996
7,813
.2
3,813
.3
1,242
.7
5.0
901997 8,159 4,028 1,393 5.1
59
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
60/92
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
61/92
PELANGGARAN ASUMSI KLASIK
waktu tertentu dan pengaruhnya terhadap gejala dan perilaku
ekonomi pada waktu yang lain.
Pada dasarnya spesifikasi Model Linier Dinamik (MDL) lebih
ditekankan pada struktur dinamis hubungan jangka pendek
(short run) antara wariabel tak bebas dengan variabel bebas.
Selain itu pula, teori ekonomi tidak terlalu banyak bercerita
tentang model dinamis (jangka pendek) tetapi lebih memusatkan
perilaku variabel dalam keseimbangan atau dalam hubungan
jangka panjang (Insukindro, 1996:1). Sebenarnya perilaku jangka
panjang (long run) dari suatu model akan lebih penting, karena
teori ekonomi selalu berbicara dalam konteks tersebut dan juga
karena hasil pengujian teori akan selalu berfokus kepada sifat
jangka panjang (Insukrindo, 1996b:85).
Modul ini akan membahas sekaligus mempraktekkan isu statistik
model dinamik, khususnya pendekatan kointegrasi dan beberapa
model linier dinamis, yaitu Error Correction Model (ECM) dan
Partial Adjustment Model (PAM).
A. ERROR CORRECTION MODEL (ECM)
Secara umum ECM sering dipandang sebagai salah satu model
dinamik yang sangat terkenal dan banyak diterapkan dalam studi
empirik terutama sejak kegagalan PAM dalam menjelaskan perilaku
dinamik permintaan uang berdasarkan konsep stok penyangga dan
munculnya pendekatan kointegrasi dalam analisis ekonomi time
series.Insukindro (1999:1-2) menyatakan bahwa ECM relatif lebih
unggul bila dibandingkan dengan PAM, misalnya karena
kemampuan yang dimiliki ECM dalam meliputi banyak variabel
dalam menganalisis fenomena ekonomi jangka pendek dan jangka
panjang serta mengkaji konsisten atau tidaknya model empirik
dengan teori ekonometrika, serta dalam usaha mencari pemecahan
61
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
62/92
PELANGGARAN ASUMSI KLASIK
terhadap persoalan variabel time series yang tidak stasioner dan
regresi lancung atau korelasi lancung.
Penurunan ECM
1. Persamaan yang digunakan adalah:
LNVOLt = f (RDt, LNPDBt, IHSGt)1
LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt..(1)
2. Membentuk fungsi biaya kuadrat tunggal dalam ECM
Ct = b1 (LNVOLt LNVOLt*)2 + b2 [(1-B) LNVOLt f (1-B) zt]2..(2)
Dimana : b1 (LNVOLt LNVOLt*)2 = biaya ketidakseimbangan
b2 [(1-B) LNVOLt f (1-B) zt]2 = biaya penyesuaian
zt = f (RDt, LNPDBt, IHSGt)
3. Minimisasi fungsi biaya tersebut terhadap LNVOLt sehingga
diperoleh:
Ct = 2b1 (LNVOLt LNVOLt*) + 2b2 [(1-B) LNVOLt f (1-B) zt] = 0
b1 (LNVOLt LNVOLt*) + b2 [(1-B) LNVOLt f (1-B) zt] = 0b1 LNVOLt b1 LNVOLt* + b2 LNVOLt - b2 B LNVOLt
b2 f (1-B) zt = 0
b1 LNVOLt b2 LNVOLt = b1 LNVOLt* + b2 B LNVOLt +
b2 f (1-B) zt
(b1 - b2) LNVOLt = b1 LNVOLt* + b2 B LNVOLt + b2 f (1-B) zt
b1 b2 b2
LNVOLt = -------- LNVOLt* + ------- BLNVOLt + ------- f (1-B)zt
b1+b2 b1+b2 b1+b2
jika : b1 b2 b1+b2
b = ------- (1-b) = -------- 1= ---------
1 VOL=Volume Perdagangan Saham, RD = Suku Bunga Deposito, PDB = Produk DomestikBruto dan
IHSG = Indeks Harga Saham Gabungan.
62
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
63/92
PELANGGARAN ASUMSI KLASIK
b1+b2 b1+b2 b1+b2
maka
LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt..(3)
4. Dengan mensubstitusikan persamaan (1) ke persamaan (1),
didapat
LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt
LNVOLt = b (a0 + a1 RDt + a2 LNPDBt + a3 IHSGt) + (1-b) LNVOLt
(1-B) f (1-b) zt
LNVOLt = a0b + a1b RDt + a2b LNPDBt + a3b IHSGt + (1-b) LNVOLt
(1-B) f (1-b) zt..(4)
5. Pemecahan komponen koefisien (1-b) f (1-B) terhadap masing-
masing variabel
LNVOLt = a0b + (a1b+(1-b)f1) RDt (1-b)f1 BRDt+ (a2b+(1-b)f2)
LNPDBt - (1-b)f2 BLNPDBt + (a3b+(1-b) IHSGt - (1-b)f3
BIHSGt + (1-b) BLNVOLt..(5)
6. Persamaan (5) merupakan persamaan dinamik
LNVOLt = C0 + C1 RDt + C2 LNPDBt + C3 IHSGt + C4 BRDt + C5
BLNPDBt + C6 BIHSGt + C7 BLNVOLt..(6)
Dimana : C0 = a0b C4 = -(-1-b) f1
C1 = a1b + (1-b)f1 C5 = -(-1-b) f2
C2 = a2b + (1-b)f2 C6 = -(-1-b) f3
C3 = a3b + (1-b)f3 C7 = (-1-b)
7. Melalui proses paramitasi, persamaan (6) dapat diubah ke dalam
bentuk ECM
63
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
64/92
PELANGGARAN ASUMSI KLASIK
LNVOLt = C0 + C1(RDtRDt-1+RDt-1) + C2(LNPDBt-LNPDBt-1+LNPDB t-
1)
+ C3(IHSGt-IHSG t-1+IHSG t-1) + C4 BRDt + C5 BLNPDBt
+ C6 BIHSGt + C7 BLNVOLt..(7)
Dimana : C7 = (1-b)
DLNVOLt = LNVOLt - LNVOLt-1
LNVOLt LNVOL(-1)
BLNVOLt = LNVOL(-1)
8. Persamaan (7) dapat dituliskan dalam bentuk
LNVOLt - BLNVOLt = C0 + C1(DRDt-BRDt) + C2(DLNPDBt-BLNPDBt)
+ C3(DIHSGt-BIHSGt) + C4 BRDt + C5 BLNPDBt
+ C6 BIHSGt + C7 BLNVOLt - BLNVOLt..(8)
9. Dari persamaan (8) dapat diperoleh persamaan ECM tanpa ECT
DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt
+ (C1+C4) BRDt + (C2+C5) BLNPDBt +(C3+C6) BIHSGt
+ (C7-1)[( BRDt + BLNPDBt + BIHSGt)
- ( BRDt + BLNPDBt + BIHSGt ) + BLNVOLt]..(9)
10. Dalam bentuk lain, persamaan (8) dapat dituliskan sebagai berikut
:
DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt
+ (C1+C4) BRDt + (C2+C5) BLNPDBt +(C3+C6) BIHSGt
+ (C7-1) BLNVOLt..(10)
11. Selain itu, persamaan (9) juga dapat dituliskan sebagai berikut :
DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt
+ (C1+C4+ C7-1) BRDt + (C2+C5+ C7-1) BLNPDBt
+(C3+C6 C7-1) BIHSGt + (C7 -1)( BRDt - BRDt - BLNPDBt
- BIHSGt+ BLNVOLt)..(11)
64
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
65/92
PELANGGARAN ASUMSI KLASIK
12. Dari persamaan (11) dapat diperoleh persamaan WCM
DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt
+ (C1+C4+ C7 -1) BRDt + (C2+C5+ C7 -1) BLNPDBt
+(C3+C6 C7 -1) BIHSGt + (1- C7)( -BRDt + BRDt +
BLNPDBt
+ BIHSGt - BLNVOLt)..(12)
13. Persamaan (12) dapat dituliskan dalam bentuk lain
DLNVOLt = d0 + d1 DRDt + d2 DLNPDBt + d3 DIHSGt + d4 BRDt
+ d5 BLNPDBt + d6 BIHSGt + d7 ECT..(13)
Dimana : d0 = C0 d4 = C1+C4+ C7 -1
d1 = C1 d5 = C2+C5+ C7 -1
d2 = C2 d6 = C3+C6 C7 -1
d3 = C3 d7 = (1- C7)ECT = ( -BRDt + BRDt + BLNPDBt + BIHSGt -
BLNVOLt)
14. Persamaan (13) diubah ke dalam bentuk logaritma natural
PENDEKATAN KOINTEGRASI
Pendekatan Kointegrasi merupakan isu statistik yang tidak dapat
diabaikan yang berkaitan erat dengan pengujian terhadap
kemungkinan adanya hubungan keseimbangan jangka panjang antara
65
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
66/92
PELANGGARAN ASUMSI KLASIK
variabel-variabel ekonomi seperti yang dikehendaki teori ekonomi.
Pendekatan ini dapat pula dianggap sebagai uji teori ekonomi dan
merupakan bagian yang penting dalam perumusan dan estimasi
sebuah model dinamis (Insukindro, 1992:250).
Berkaitan dengan isu tersebut, pengujian terhadap perilaku data
runtun waktu (time series) atau integrasinya dapat dipandang sebagai
uji prasyarat bagi digunakannya pendekatan kointegrasi. Untuk itulah
pertama-tama harus diamati perilaku data ekonomi runtun waktu yang
akan digunakan yang artinya bahwa pengamat harus yakin terlebih
dahulu, apakah data yang digunakan stasioner atau tidak, yang antara
lain dapat dilakukan dengan Uji Akar-Akar Unit (Testing for Unit Root)
dan Uji Derajat Integrasi (Testing for Degree on Integration).
o UJI AKAR-AKAR UNIT
Uji Akar-Akar Unit dipandang sebagai uji stasionaritas karena
pengujian ini pada prinsipnya bertujuan untuk mengamati apakah
koefisien tertentu dari model otoregresif yang ditaksir mempunyai
nilai satu atau tidak.
Pengujian dilakukan dengan menggunakan dua pengujian yang
dikembangkan oleh Dickey dan Fuller (1979, 1981) yang
ditunjukkan dengan persamaan sebagai berikut :
DF : DXt = a0 + a1 BXt + biBiDXt
ADF : DXt = c0 + c1 T+ c2 BXt +diB
i
DXtDimana : DXt = Xt -Xt-1
BXt = Xt-1
T = Trend waktu
B = Operasi kelambaman ke periode t
(backward lag operator)
66
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
67/92
PELANGGARAN ASUMSI KLASIK
k = N1/3, dimana N adalah jumlah observasi
(sampel)
Nilai DF dan ADF untuk hipotesis bahwa a1=0 dan c2=0 ditunjukkan
dengan nilai T-Statistik pada koefisien regresi BXt. Kemudian nilai T-
Statistik tersebut dibandingkan dengan nilai kritis statistik DF dan ADF
tabel untuk mengetahui ada atau tidaknya akar-akar unit.
o UJI DERAJAT INTEGRASI
Pengujian ini dilakukan untuk mengetahui pada derajat atau order
diferensi ke berapa data yang diteliti akan stasioner. Pengujian ini
dilakukan pada Uji Akar-Akar Unit (langkah pertama di atas), jika
ternyata data tersebut tidak stasioner pada derajat pertama
(Insukindro, 1992b: 261-262), maka persamaan untuk derajat
integrasi ditunjukkan dengan persamaan sebagai berikut :
DF : D2Xt = e0 + e1 BDXt + fi Bi D2Xt
ADF : D2Xt = g0 + g1 T + g2 BDXt + hi Bi D2Xt
dimana : D2Xt = DXt -DXt-1
BDXt = DXt-1
T = Trend waktu
B = Operasi kelambaman ke periode t
(backward lag operator)
k = N1/3, dimana N adalah jumlah observasi
(sampel)
Nilai statistik DF dan ADF untuk mengetahui pada derajat berapa suatudata akan stasioner dapat dilihat pada nilai T-Statistik pada koefisien
regresi BDXt pada persamaan di atas. Jika ei dan g2 sama dengan satu
(nilai statistik DF dan ADF lebih besar dari nilai statistik DF dan ADF
tabel), maka variabel tersebut dikatakan stasioner pada derajat
pertama.
67
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
68/92
PELANGGARAN ASUMSI KLASIK
o UJI KOINTEGRASI
Dalam melakukan Uji Kointegrasi harus diyakini terlebih dahulu
bahwa variabel-variabel terkait dalam pendekatan ini memiliki
derajat integrasi yang sama atau tidak.(Insukindro, 1992b:262)
Pengujian ini dilakukan untuk mengetahui apakah dalam jangka
panjang terdapat hubungan antara variabel independen dengan
variabel dependennya. Engle dan Granger (1987) berpendapat
bahwa dari tujuh uji statistik yang digunakan untuk menguji
hipotesis null mengenai tidak adanya kointegrasi, ternyata Uji
CRDW (Cointegration-Regression Durbin-Watson), DF (Dickey-Fuller)
dan ADF (Augmented Dickey-Fuller) merupakan uji statistik yang
paling disukai untuk menguji ada tidaknya kointegrasi tersebut.
Pengujian Kointegrasi dengan CRDW
Langkah-langkah yang harus dilakukan :
- Jika Y = f (X1, X2)
- Lakukan regresi dengan OLS, yaitu Y = a0 + a1 X1 + a2 X2 + e
- Kemudian ambil nilai Durbin-Watson (DW) yang merupakan
nilai CRDW Statistik
- Bandingkan nilai CRDW Statistik dengan DW Engle-Granger
- Jika nilai CRDW Statistik lebih besar dari DW Engle-Granger,
maka artinya terdapat kointegrasi, dan sebaliknya
Pengujian Kointegrasi dengan DF dan ADFLangkah-langkah yang harus dilakukan :
- Jika Y = f (X1, X2)
- Lakukan regresi dengan OLS, yaitu Y = a0 + a1 X1 + a2 X2 + e
- Kemudian ambil nilai residualnya (RESID)
- Lakukan pengujian stasionarotas variabel residual regresi
persamaan OLS pada derajat nol dengan persamaan sbb:
68
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
69/92
PELANGGARAN ASUMSI KLASIK
DF : DEt = p1DEt
ADF : Det = q1Bet + wi Bi DEt
Dapat dikatakan data berkointegrasi jika nilai T-Statistik dari p1
dan
q1 lebih besar dari nilai DF Tabel dan ADF Tabel Engle & Granger.
Langkah-langkah pengujian ECM :
1. Uji Akar-Akar Unit (Unit Root Test)
- Klik QUICK, SERIES STATISTICS, UNIT ROOT TEST
- Ketik variabel yang akan diuji, misalnya LNVOL
- Untuk pengujian DF, pilih
AUGMENTED DICKEY FULLER (pada Test Type)
LEVEL (pada Test for unit root in)
INTERCEPT (pada Include in test equation)
LAG yang diperoleh dari pembulatan N1/3
- Untuk pengujian ADF, pilih
AUGMENTED DICKEY FULLER (pada Test Type)
LEVEL (pada Test for unit root in)
TREND AND INTERCEPT (pada Include in test equation)LAG yang diperoleh dari pembulatan N1/3
69
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
70/92
PELANGGARAN ASUMSI KLASIK
Gambar 5.1
Gambar 5.2
70
UIC
SERIES
UNIT ROOT
LNVO
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
71/92
PELANGGARAN ASUMSI KLASIK
Hasil Uji Akar-Akar Unit dengan ADF untuk LNVOL
ADF Test
Statistic
-1.4037
92
1% Critical Value* -4.232
45% Critical Value -3.538
610% Critical Value -3.200
9*MacKinnon critical values for rejection of hypothesis
of a unit root.
Augmented Dickey-Fuller Test EquationDependent Variable: D(LNVOL)Method: Least SquaresDate: 02/19/03 Time: 20:42Sample(adjusted): 1993:1 2001:4Included observations: 36 after adjusting endpoints
Variable Coeffici
ent
Std.
Error
t-
Statistic
Prob.
LNVOL(-1) -0.2962
22
0.21101
5
-1.40379
2
0.1706
D(LNVOL(-1)) -0.2807
97
0.23443
2
-1.19777
7
0.2404
D(LNVOL(-2)) 0.03281
2
0.22566
1
0.14540
2
0.8854
D(LNVOL(-3)) 0.02204
9
0.18786
4
0.11736
7
0.9074
C 3.92859
7
2.45344
2
1.60125
9
0.1198
@TREND(1992:
1)
0.02679
2
0.03055
7
0.87679
0
0.3876
R-squared 0.27264
2
Mean dependent
var
0.1030
42Adjusted R- 0.15141 S.D. dependent 0.5969
71
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
72/92
PELANGGARAN ASUMSI KLASIK
squared 5 var 33S.E. of
regression
0.54988
7
Akaike info
criterion
1.7928
04Sum squared
resid
9.07127
1
Schwarz criterion 2.0567
24Log likelihood -26.270
47
F-statistic 2.2490
31Durbin-Watson
stat
1.90041
1
Prob(F-statistic) 0.0750
63
2. Uji Derajat Integrasi
- Klik QUICK, SERIES STATISTICS, UNIT ROOT TEST
- Ketik variabel yang akan diuji, misalnya LNVOL
- Untuk pengujian DF, pilih
AUGMENTED DICKEY FULLER (pada Test Type)
1st DIFFERENCE (pada Test for unit root in)
INTERCEPT (pada Include in test equation)
LAG yang diperoleh dari pembulatan N1/3
- Untuk pengujian ADF, pilih
AUGMENTED DICKEY FULLER (pada Test Type)
1st DIFFERENCE (pada Test for unit root in)
TREND AND INTERCEPT (pada Include in test equation)
LAG yang diperoleh dari pembulatan N1/3
72
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
73/92
PELANGGARAN ASUMSI KLASIK
Gambar 5.3
Hasil Uji Derajat Integrasi dengan ADF untuk LNVOL
ADF Test
Statistic
-4.5853
67
1% Critical
Value*
-4.241
25% Critical
Value
-3.542
610% Critical
Value
-3.203
2*MacKinnon critical values for rejection of hypothesis
of a unit root.
Augmented Dickey-Fuller Test EquationDependent Variable: D(LNVOL,2)
Method: Least SquaresDate: 02/19/03 Time: 20:55Sample(adjusted): 1993:2 2001:4Included observations: 35 after adjusting endpoints
Variable Coeffici
ent
Std.
Error
t-
Statistic
Prob.
D(LNVOL(-1)) -2.2767
79
0.49653
1
-4.58536
7
0.000
1
73
1st
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
74/92
PELANGGARAN ASUMSI KLASIK
D(LNVOL(-1),2) 0.7811
90
0.41949
2
1.86222
9
0.072
7D(LNVOL(-2),2) 0.6346
56
0.31384
2
2.02221
3
0.052
5
D(LNVOL(-3),2) 0.370384
0.175435
2.111233
0.0435
C 0.6221
74
0.25135
5
2.47527
7
0.019
4@TREND(1992:
1)
-0.0169
44
0.00944
3
-1.79429
3
0.083
2R-squared 0.7567
89
Mean
dependent var
-0.029
432Adjusted R-
squared
0.7148
56
S.D. dependent
var
1.005
205S.E. of
regression
0.5367
68
Akaike info
criterion
1.748
303Sum squared
resid
8.3554
74
Schwarz
criterion
2.014
934Log likelihood -24.595
30
F-statistic 18.04
763Durbin-Watson
stat
2.0317
98
Prob(F-statistic) 0.000
000
3. Uji Kointegrasi
- Lakukan regresi dengan OLS (gambar 1.4)
- Klik PROCS, MAKE RESIDUAL SERIES dan beri nama R01
- Klik VIEW, UNIT ROOT TEST dari dialog box R01
- Pilih AUGMENTED DICKEY FULLER (pada Test Type)
LEVEL (pada Test for unit root in)
NONE (pada Include in test equation)
LAG yang diperoleh dari pembulatan N1/3
74
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
75/92
PELANGGARAN ASUMSI KLASIK
Gambar 5.4
Gambar 5.5
Hasil Uji Kointegrasi
ADF Test
Statistic
-2.5442
61
1% Critical
Value*
-2.628
05% Critical -1.950
75
lnvol rd ln db
R01
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
76/92
PELANGGARAN ASUMSI KLASIK
Value 410% Critical
Value
-1.620
6*MacKinnon critical values for rejection of hypothesis
of a unit root.
Augmented Dickey-Fuller Test EquationDependent Variable: D(R01)Method: Least SquaresDate: 02/19/03 Time: 21:16Sample(adjusted): 1993:1 2001:4Included observations: 36 after adjusting endpoints
Variable Coeffici
ent
Std.
Error
t-
Statistic
Prob.
R01(-1) -0.6063
08
0.23830
4
-2.54426
1
0.016
0D(R01(-1)) 0.0492
63
0.22925
5
0.21488
5
0.831
2D(R01(-2)) 0.0692
18
0.20550
9
0.33681
2
0.738
5D(R01(-3)) 0.0443
28
0.17506
2
0.25321
5
0.801
7
R-squared 0.268298
Meandependent var
-0.018524
Adjusted R-
squared
0.1997
00
S.D. dependent
var
0.515
731S.E. of
regression
0.4613
70
Akaike info
criterion
1.395
205Sum squared
resid
6.8115
87
Schwarz
criterion
1.571
152Log likelihood -21.113
70
F-statistic 3.911
209Durbin-Watson
stat
1.9404
76
Prob(F-statistic) 0.017
362
4. Aplikasi ECM
- Cari variabel ECT dengan cara:
Klik GENR lalu ketik
76
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
77/92
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
78/92
PELANGGARAN ASUMSI KLASIK
03 3 9D(RD) 0.02645
3
0.04310
4
0.61371
0
0.5439
D(LNPDB) 0.93282
4
1.15618
5
0.80681
2
0.4259
D(IHSG) 0.00356
2
0.00082
1
4.34067
1
0.0001
RD(-1) -0.6257
93
0.14045
6
-4.45543
7
0.0001
LNPDB(-1) 0.79569
0
0.25746
8
3.09043
6
0.0042
IHSG(-1) -0.6289
18
0.13892
2
-4.52711
6
0.0001
ECT 0.632496
0.139329
4.539592
0.0001
R-squared 0.48054
8
Mean
dependent var
0.1018
09Adjusted R-
squared
0.36325
2
S.D. dependent
var
0.5993
91S.E. of
regression
0.47829
2
Akaike info
criterion
1.5434
93Sum squared
resid
7.09167
5
Schwarz
criterion
1.8847
37Log likelihood -22.098
12
F-statistic 4.0968
97Durbin-Watson
stat
1.90542
5
Prob(F-statistic) 0.0027
32
78
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
79/92
PELANGGARAN ASUMSI KLASIK
Besarnya koefisien regresi jangka panjang untuk intercept / konstanta,
RD, LNPDB dan IHSG adalah:
0
C0= ----- Koefisien jangka panjang untuk konstanta
ECT
4+ECT
C1= --------- Koefisien jangka panjang untuk RDt
ECT
5+ECT
C2= --------- Koefisien jangka panjang untuk LNPDBt
ECT
6+ECT
C3= --------- Koefisien jangka panjang untuk IHSGt
ECT
Untuk melakukan uji-t dalam jangka pendek dapat dilakukan denganmelihat koefisien t-stat atau prob t-stat yang ada pada print out,
namun dalam jangka panjang perlu dihitung dengan prosedur sbb:
Menghitung Nilai T-Stat Jangka Panjang
Langkah 1.
Dapatkan nilai penaksir varian-kovarian parameter dengan memilih
covariance matriks pada equation box (Lihat tampilan berikut)
79
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
80/92
PELANGGARAN ASUMSI KLASIK
Gambar 5.7
Hasilnya adalah sebagai berikut:
C D(RD)
D(LNP
DB)
D(IHS
G) RD(-1)
LNPDB(-
1)
IHSG(-
1) ECT
C
8.6149
44
-0.003
405
-0.976
791
-0.001
127
0.3374
24
-0.7470
89
0.3334
53
-0.3345
87
D(RD)
-0.003
405
0.0018
58
-0.008
645
0.0000
08
-0.000
272
-0.0001
27
-0.0004
20
0.0004
28D(LNP
DB)
-0.976
791
-0.008
645
1.3367
64
0.0000
41
-0.047
145
0.08375
4
-0.0481
83
0.0482
23D(IHSG
)
-0.001
127
0.0000
08
0.0000
41
0.0000
01
-0.000
058
0.00008
1
-0.0000
56
0.0000
57
RD(-1)0.3374
24-0.000
272-0.047
145-0.000
0580.0197
28-0.0303
900.0193
59-0.0194
17LNPDB
(-1)
-0.747
089
-0.000
127
0.0837
54
0.0000
81
-0.030
390
0.06629
0
-0.0296
51
0.0297
32IHSG(-
1)
0.3334
53
-0.000
420
-0.048
183
-0.000
056
0.0193
59
-0.0296
51
0.0192
99
-0.0193
56
ECT
-0.334
587
0.0004
28
0.0482
23
0.0000
57
-0.019
417
0.02973
2
-0.0193
56
0.0194
1380
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
81/92
PELANGGARAN ASUMSI KLASIK
Langkah 2:
Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai
Var-Covarnya.
(1) (2) (3)=(1)*(2)
Ct Matriks Var-CovarianCt*Matriks Var-
Covar
1/ect -Co/ectect,ect c,ectc,ect c,c
? ?
1/ect -C1/ectect,ect rd(-1),ect
rd(-1),ect rd(-1),rd(-1)? ?
1/ect -C2/ect
ect,ect lnpdb(-1),ectlnpdb(-
1),ect
lnpdb(-
1),lnpdb(-1)
? ?
1/ect -C3/ect
ect,ect ihsg(-1),ectihsg(-
1),ect
ihsg(-1),ihsg(-
1)
? ?
Hasil perhitungannya sebagai berikut:
(1) (2) (3)=(1)*(2)
CtMatriks Var-
Covarian
Ct*Matriks Var-
Covar1.581
038
-15.270
615
0.0194
13
-0.33458
7
5.14004
2
-132.084
489
-0.3345
878.614944
1.581
038
-1.5642
82
0.0194
13
-0.01941
7
0.06106
6
-0.06155
9
-0.0194
170.019728
1.581038
1.988970
0.0194130.029732
0.089829
0.178856
0.0297
320.066290
1.581
038
-1.5720
94
0.0194
13
-0.01935
6
0.06112
2
-0.06094
2-0.01930.019299
81
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
82/92
PELANGGARAN ASUMSI KLASIK
56
Langkah 3.
Dapatkan nilai Ct yang ditranspose, lalu varian, standar error dan nilai
t-statnya sebagai berikut:
(3)=(1)*(2) (4) (5)=(3)*(4) (6)=(5)
(7)=Coeff/(
6)Ct*Matriks Var-
Covar
Transpose
dari CtVarian
Standar
erorT-stat
5.140
042
-132.084
4895.140042
17472.732
27
132.1844
6 -0.115525
-132.0844
890.061
066
-0.06155
90.061066
0.0075186
31
0.086710
04 0.1222199
-0.0615590.089
829
0.17885
60.089829
0.0400587
68
0.200146
866 11.2817950.178856
0.061
122
-0.06094
20.061122
0.0074498
92
0.086312
754 0.0655402-0.060942
Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat
ditarik suatu kesimpulan.
Hasil regresi ECM dapat dilaporkan sebagai berikut:
Hasil regresi ECM jangka pendek
Dependent Variabel:D(LNVOL)
82
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
83/92
PELANGGARAN ASUMSI KLASIK
Variable Coefficient Std. Error t-Statistic
C -9.658603 2.935123 -3.290699
D(RD) 0.026453 0.043104 0.61371
D(LNPDB) 0.932824 1.156185 0.806812
D(IHSG) 0.003562 0.000821 4.340671
Hasil Regresi ECM jangka panjang
Dependent Variabel:D(LNVOL)
Variable Coefficient Std. Error t-Statistic
C -15.27061515 132.18446 -0.115525041
D(RD) 0.010597695 0.08671004 0.122219936
D(LNPDB) 2.258015861 0.200146866 11.28179472
D(IHSG) 0.005656953 0.086312754 0.065540172
Interpretasikanlah hasil tersebut dengan terlebih dahulu melihatsignifikansi dari masing-masing variabelnya.
Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya
terlebih dahulu.
B. PARTIAL ADJUSTMENT MODEL (PAM) Model penyesuaian parsial selama dua dekade dapat dikatakan
sangat sukses digunakan dalam analisis ekonomi khususnya
dalam konteks permintaan uang dengan menggunakan data
kuartalan. Namun harus diakui bahwa pendekatan ini juga
banyak mendapatkan kritikan dari para ahli ekonomi
sehubungan dengan kelambanan variabel dependennya.
(Insukindro, 1990b:93)
Penurunan PAM
1. Persamaan yang digunakan dalam penelitian ini adalah:
LNVOLt = f (RDt, LNPDBt, IHSGt)
LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt..(1)
83
-
8/14/2019 Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan
84/92
PELANGGARAN ASUMSI KLASIK
2. Membentuk fungsi biaya kuadrat tunggal
Ct = b1 (LNVOLt LNVOLt*)2 + b2 [(1-B) LNVOLt]2..(2)
Dimana : b1 (LNVOLt LNVOLt*)2 = biaya ketidakseimbangan
b2 [(1-B) LNVOLt]2 = biaya penyesuaian
B = bac