Modul Ekonometrika II Revisi 2008 by Syofriza Syofyan

PELANGGARAN ASUMSI KLASIK
BAB I
NORMALITAS
Pengujian Normalitas
Untuk penerapan OLS untuk regresi linier klasik, diasumsikan bahwa

distribusi probabilitas dari gangguan u1 memiliki nilai rata-rata yang
diharapkan sama dengan nol, tidak berkorelasi dan mempunyai varian
yang konstan. Dengan asumsi ini OLS estimator atau penaksir akan
memenuhi sifat-sifat statistik yang diinginkan seperti unbiased dan
memiliki varian yang minimum.
Ada beberapa uji untuk mengetahui normal atau tidaknya faktor
gangguan u2 antara lain Jargue-Bera test atau J-B test. Uji ini
menggunakan hasil estiminasi residual dan chisguare probability
distribution.
Adapun langkah-langkah untuk mendapatkan nilai J-B hitung adalah

sebagai berikut :
(1)Hitung Skewness dan Kurtosis untuk menghitung J – B hitung
(2)Hitung besarnya nilai J-B statistik
Dengan rumus:
Dimana: n = jumlah observasi

S = Skewness (Kemencengan)
K = Kurtosis (Keruncingan)
(3) Bandingkan nilai J-B hitung dengan X 2 – tabel, dengan aturan :

Bila nilai J-B hitung > nilai X 2 tabel, maka hipotesis yang
menyatakan bahwa residual u1 berdistribusi normal dapat ditolak.
Bila nilai J-B hitung < nilai X 2 – tabel, maka yang menyatakan
bahwa residual u1 berditribusi normal tidak dapat ditolak.
Langkah – langkah pengerjaan :

(1) Fasilitas untuk menguji normality menggunakan J-B test disediakan
oleh Eviews, caranya, pertama, dengan menampilkan hasil regresi
yang akan kita uji
(2)Pilh menu Residual Test / Hisrogram - Normality test, dan akan
ditampilkan diagram dengan perhitungan J – B statistiknya :
1
Diagram 1. Hasil Uji Normalitas : J – B Test
2
BAB II
MULTIKOLINEARITAS
A. PENGERTIAN
Multikolinearitas artinya terdapat korelasi yang signifikan di antara

dua 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 tidak
signifikan.
Misalnya : Y = 24.7747 + 0.9415 X2 – 0.0424 X3 + e

Standar error (6.7525) (0.8229) (0.0807)
Nilai t (3.6690) (1.1441) (-0.5261)
3
Adj. R2 = 0.9531 df = 7
Dari hasil regresi dapat dilihat bahwa 98 persen dari variasi

peneluaran konsumsi dijelaskan oleh pendapatan dan harga
barang lain secara bersama-sama. Apabila diuji secara
individual, maka hasilnya adalah tidak signifikan tapi apabila diuji
secara keseluruhan variabel independentnya maka hasilnya
adalah signifikan. Juadi kemungkinan besar terdapat
Multikolinearitas antara X1 dan X2.
b. Tingginya nilai R2 merupakan syarata yang cukup

(sufficient) akan tetapi bukan merupakan syarat yang
penting untuk terjadinya multikorelineartitas, sebab pada
R2 yang rendah (<5%) bisa juga terjadi multikolinearitas.
c. Meregresikan variabel independent X dengan variabel
independent variabel-variabel lain, kemudian dihitung R2-
nya yaitu dengan uji F (uji signifikansi).
Jika F* adalah F hitung maka :
Jika F* > 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
Maka hasil yang didapat akan seperti tampilan berikut :
Gambar 4.2 Tampilan Correlation Matrix
C. PENANGGULANGAN TERHADAP MULTIKOLINEARITAS

Cara menanggulangi multikolinearitas :
1. Menambah jumlah data / observasi
Y = b1 + b2 X2 + b3 X3 + µ
Dimana : Y = konsumsi
X2 = pendapatan
X3 = harga barang itu sendiri
Pendapatan dan harga barang itu sendiri merupakan dua

variabel yang saling mempengaruhi sehingga mengakibatkan
terjadinya Multikolinearitas. Penambahan data baru dapat
menghilangkan Multikolinearitas yang tidak begitu serius.
2. Salah satu cara utnuk menghilangkan multikolinearitas adalah

menghilangkan satu atau lebih variabel bebas yang mempunyai
kolinearitas 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
Gambar 4.3 Menu Uji Wald Restriction
2. Ketik salah satu koefisien dari variabel bebas yang ingin

dihilangkan (yang paling tidak signifikan) seperti pada
tampilan berikut :
Gambar 4.4 Tampilan Correlation Restriction
6
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) maka
penghilangan variabel bebas yang mengandung multikolinearitas
akan mengubah interpretasi dari persamaan regresinya sehingga
penghilangan variabel tersebut tidak diperbolehkan.
Dengan kata lain sekalipun variabel tersebut mengandung
multikolinearitas namun memiliki pengaruh terhadap variabel
dependentnya.
• Jika F statistik tidak signifikan (probabilita > 0,05) maka
penghilangan variabel yang mengandung multikolinearitas tidak
akan mengubah interpretasi dari persamaan regresinya sehingga
penghilangan variabel tersebut diperbolehkan.
Catatan : Perlu diperhatikan bahwa kadang-kadang

menghilangkan satu atau lebih variabel independent dapat lebih
jelek pengaruhnya dibandingkan dengan membiarkan adanya
multikolinearitas dapat lebih jelek pengaruhnya dibandingkan
dengan membiarkan adanya multikolinearitas kecuali jika variabel
yang dhilangkan itu secara teoritis tidak berpengaruh.
Contoh soal : (soal dibawah ini akan terus digunakan untuk

materi praktikum-praktikum selanjutnya)
7
Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB)
Contoh Soal 1
JUB = f (RSBI, GDP)

JUB = α0 + β1RSBI + β2GDP + µ
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 atas
Langkah 2 :
Lakukanlah regresi sesuai dengan model persamaan di atas
Langkah 3 :
Lakukanlah pengujian multikolinearitas dengan menggunakan
correlation matrix, sehingga hasilnya akan tampak seperti gambar di
bawah ini :
8
Correlation Matrix
Lihat gambar
Korelasi antara RSBI dan GDP adalah sebesar 0,74 (lihat kembali teori
di atas). Karena korelasi antar kedua variabel tersebut mendekati nilai
1 (1.0000), maka antara RSBI dan GDP terdapat multikonearitas yang
kuat.
Catatan : multikolinearitas yang kuat terjadi jika korelasi antar
dua 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
SOAL
Berdasarkan data di bawah ini, dimana JUB adalah jumlah uang

beredar, G adalah pengeluaran pemerintah, dan Gdp adalah Gross
Domestic 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 GDP
2. Uji ada atau tidak multikolinearitas
3. Atasilah jika terdapat multikolinearitas
10
BAB III
HETEROSKEDASTISITAS
A. PENGERTIAN
Salah satu asumsi penting dalam analisa regresi adalah variasi
gangguan acak (µ) pada setiap variabel bebas adalah
homoskedastisitas. Asumsi ini dapat ditulis sebagai berikut :
E (µi2) = δ 2
I = 1, 2, ………n
Ketidaksamaan inilah yang disebut sebagai heteroskedastisitas.
11
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 δ 2
menurun.
2. Perbaikan Dalam Pengumpulan Data

Dengan meningkatnya mutu tekhnik pengumpulan data, maka δ
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 δi 2
adalah fungsi dari variabel
bebas Xi. Fungsi yang dianjurkan adalah :
δi 2
= δ 2 Xi β e vi
atau
1n δi2 = δ2 β 1n Xi + vi
Karena δ 2
tidak diketahui, Park mengasumsikan agar µi2
digunakan sebagai proxy, dan dilakukan regresi :
1n µi 2 = 1n δ 2
+ β 1n Xi + vi
12
= α + β 1n Xi + vi
Jika β 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 X
1 55 80
2 70 85
3 75 90
4 65 100
5 74 105
6 80 110
7 84 115
8 79 120
9 90 125
10 98 130
11 95 140
12 108 145
13 113 150
14 110 160
15 125 165
16 115 180
17 130 185
18 135 190
19 120 200
20 140 205
21 144 210
22 152 220
23 140 225
24 137 230
25 145 240
26 175 245
27 189 250
28 180 260
13
29 178 265
30 191 270
Print out berikut adalah hasil regresi OLS dengan model Y = f

(X,e)
Dependent Variable: Y
Method: Least Squares
Date: 06/07/01 Time: 09:00
Sample: 1 30
Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.
C 9.290307 5.231386 1.775879 0.0866
X 0.637785 0.028617 22.28718 0.0000
R-squared 0.946638 Mean dependent var 119.7333
Adjusted R-squared 0.944732 S.D. dependent var 39.06134
S.E. of regression 9.182968 Akaike info criterion 7.336918
Sum squared resid 2361.153 Schwarz criterion 7.430332
Log likelihood -108.0538 F-statistic 496.7183
Durbin-Watson stat 1.590347 Prob(F-statistic) 0.000000
Berdasarkan print-out tersebut dapat dihitung nilai residual (µI)

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
Gambar 8.1. Tampilan Make Residual
Dari residual tersebut dapat dihitung residual kuadrat (µi2) 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 α = 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
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.
40% 15%-20% 40%

Nilai Terkecil Dihilangkan Nilai terbesar
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
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:
Date: 06/07/01 Time: 09:01
Sample: 1 12
Variable Coefficien Std. Error t-Statistic Prob.
t
C 7.41214 9.53586 0.777291 0.4550
2 6
X 0.65728 0.08373 7.849565 0.0000
9 6
R-squared 0.86036 Mean dependent 81.08333
6 var
2
S.E. of regression 5.84528 Akaike info 6.520159
3 criterion
4
5
6
Hasil Regresi kelompok I dengan RSS1 = 341.6734
Date: 06/07/01 Time: 09:03
Sample: 19 30
17
C -49.74731 34.56614 -1.43919 0.1807
2
X 0.882258 0.146407 6.02607 0.0001
7
3
5
9
7
1
8
Hasil regresi kelompok II dengan RSS2 = 1328.965
F-stat = RSS2/RSS1 = 1328.965/341.6734

= 3.8896
F-tabel (α= 5%, df = {30 – 6 – 2(2)}/2 = 10)
= 2.98
F-stat > F-tabel ⇒ ada heteroskedastisitas
Jika digunakan (α= 1%) maka
F-tabel (α= 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
Jika modelnya : Y = f(X,e)

Maka model White-test nya adalah : µ2 = f(X, X2, e)
Jika modelnya : Y = f(X1,X2, e)

Maka model White test mempunyai dua kemungkinan yaitu:
Model no cross term : µ2 = f(X1, X2, X12,X22, e)
Model cross term : µ2 = f(X1, X2, X12,X22, X1X2, e)
Kriteria uji White adalah jika :

Obs* R square > χ2 tabel, maka ada heteroskedasitas
Obs* R square < χ2 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
Dengan data yang sama pada uji park dan goldfeld and quant,
berikut ditampilkan hasi uji white:
White Heteroskedasticity Test:

F-statistic 2.917301 Probability 0.071274
Obs*R-squared 5.330902 Probability 0.069568
Test Equation:
Dependent Variable: RESID^2
Date: 03/05/04 Time: 09:38
Sample: 1 30
C -12.29621 191.7731 -0.064119 0.9493
X 0.197385 2.368760 0.083329 0.9342
X^2 0.001700 0.006707 0.253503 0.8018
Obs* R- square = 5.331

χ2 tabel dengan (α= 5%,df = 2) = 5.990
Obs* R square < χ2 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 χ2 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 :
Y i = α1 + α2 + u i
20
Lakukanlah tranformasi seperti model logaritma di bawah ini :

LnYi = βi + β2 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 = α1 + α2Xi + ui
E (uiXi) ≠ 0 dan E (ui2) ≠ δu2
Jika diasumsikan (ui2) = δ2 ≠ 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/Xi2 δ2 Xi2 = δ2
Homoskedastisitas
Maka kesalahan penggangu menjadi homoskedastisitas. Dengan
demikian koefisien regresi dari model baru didapat dengan
menggunakan OLS tersebut menjadi unbiased, consistent dan
efficient.
21
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 Profit

1 Kontainer dan Pengepakan 6,375 62. 185.
.3 5 1
2 LKBB 11,62 92. 1,569
6.4 9 .5
3 Industri Jasa 14,65 178. 276.
5.1 3 8
4 Baja dan Tambang 21,86 258. 2,828
9.2 4 .1
5 Perumahan dan Konstruksi 26,40 494. 225.
8.3 7 9
6 Perdagangan umum 32,40 1,083 3,751
5.6 .0 .9
7 Industri waktu luang 35,10 1,620 2,884
7.7 .6 .1
8 Produksi Kertas dan Kayu 40,29 421. 4,645
5.4 7 .7
9 Makanan 70,76 509. 5,036
1.6 2 .4
10 Rumah Sakit 80,55 6,620 13,869
2.8 .1 .9
11 Pesawat terbang 95,29 3,918 4,487
4.0 .6 .8
12 Produk Pelanggan 101,31 1,595 10,278
4.1 .3 .9
13 Elektronik dan listrik 116,14 6,107 8,787
1.3 .5 .3
14 Kimia 122,31 4,454 16,438
5.7 .1 .8
15 Konglomerat 141,64 3,163 9,761
9.9 .8 .4
16 Perlengkapan Kantor dan 175,02 13,210 19,774
komputer 5.8 .7 .5
22
17 Minyak 230,61 1,703 22,626

4.5 .8 .6
18 Automotif 293,54 9,528 18,415
3.0 .2 .4
a. Lakukanlah regresi terhadap R & D = f(Sales, Profit,e)

b. Ujilah apakah ada penyakit heteroskedastisitas dengan Park Test
sbb:
Ln µi 2 = α + β 1n Sales + e1 dan
Ln µi 2 = α + β 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
BAB IV
AUTOKORELASI
A. PENGERTIAN
Yaitu suatu keadaan dimana kesalahan pengganguan dari periode
tertentu (µt) berkorelasi dengan kesalahan pengganggu dari periode
sebelumnya (µt-1). Pada kondisi ini kesalahan pengganggu tidak
bebas 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 masih
“UNBIASED” 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
ut = Yt - βo - β1X1 - β2X2 - βkXk - ….. - βkXk

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 dari
batas atas (du) dan batas bawah (dl) dengan menggunakan
jumlah data (n), jumlah variabel independen / bebas (k) serta
tingkat signifikansi tertentu (α).
e. Nilai DW hitung dibandingkan dengan DW kritis dengan

kriteria penerimaan dan penolakan hipotesis sebagai berikut :
HIPOTESIS NOL KEPUTUSAN KRITERIA

Ada auto korelasi positif Tolak 0 < d < dl
Tidak ada auto korelasi Tidak ada dl < d < du
positif keputusan
Ada auto korelasi negatif Tolak 4-dl < d < 4
Tidak ada auto korelasi Tidak ada 4-du < d <
negatif keputusan 4-dl
Tidak ada auto korelasi Jangan tolak du < d < 4-
du
Dari penjelasan di atas dapat dilihat pada gambar di bawah ini :
25
2. UJI LANGRANGE MULTIPLIER (LM TEST)

Langkah-Langkah Pengujian :
a. Estimasi persamaan model dengan OLS
b. Klik View, Residual Test, serial correlation LM Test, sehingga
akan muncul hasil print-out seperti ini :
Gambar 3.1 Tampilan Layar menu LM Test

c. Kemudian untuk Lags to include, ketik 1, seperti gambar di
bawah ini :
26
Gambar 3.2 Tampilan Layar menu LM Test (LAGS)
d. Lihat hasil print-outnya, dimana :

# Jika R2 (T-1) > 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 AUTOKORELASI

Dengan menggunakan “COCHRANE – ORCUTT PROCEDURE”
1. Buat estimasi persamaan regresi awal dan hitung residualnya (ut)

Yt = βo + β1X1t + β2X2 + ut
2. Buat estimasi persamaan regresi untuk periode t-1
Y t-1 = βo + β1X1 t-1 + β2X2 t-1 + ut
3. Buat estimasi persamaan koefisien dari serial korelasi (FIRST
DIFFERENCE EQUATION) dengan cara :
Y t = βo + β1X1 t + β2X2 t + ut …………………………..1)
(Y t-1 = βo + β1X1 t-1 + β2X2 t-1 + ut-1) ρ koefisien autokorelasi
ρY t-1 = βoρ + ρβ1X1 t-1 + ρβ2X2 t-1 + ut-1ρ ……………2)
Y t = βo + β1X1 t + β2X2 t + ut
ρY t-1 = βoρ + ρβ1X1 t-1 + ρβ2X2 t-1 + ut-1ρ
Y t - ρY t-1 = βo - βoρ + β1X1 t - ρβ1X1 t-1 + β2X2 t + ρβ2X2 t-1 + ut - ut–1ρ
Y t - ρY t-1 = (1-ρ) βo + β1(X1 t - ρX1 t-1) + β2 (X2 t - ρX2 t-1) + (ut - ut–1ρ)
Dimana : Yt* = Yt - ρYt-1

βo* = (1-ρ) βo
X 1t* = (X 1t - ρ X1t-1)
27
X 2t* = (X 2t - ρ X2t-1)
ut* = (ut - ut-1ρ)
4. Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1
+v, ut adalah residual, pada hasil estimasi ρ = coefficient resid
(1)
5. Lakukan generate setiap variabel dimana
Y21 = Yt – Y (-1) *ρ
X22 = X1t – X (-1) *ρ
X23 = X2t – X (-1) *ρ
Catatan : untuk ρ langsung masukkan angkanya (lihat langkah
(4))
6. Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE
EQUATION
Y2,1 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 Test
2. Lakukanlah penanggulangan autokorelasi
3. Interpretasikanlah model yang telah ditanggulangi
Jawaban
1. 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), sehingga
muncul hasil regresi di halaman berikut :
Breusch-Godfrey Serial Correlation LM Test:

F-statistic 15.25434 Probability 0.00245
2
Obs*R-squared 8.715324 Probability 0.00315
28
Test Equation:
Dependent Variable: RESID
Date: 03/16/01 Time: 13:27
t
RSBI 0.894039 0.789838 1.131926 0.2817
GDP -0.030313 0.051350 -0.590318 0.5669
C 1375.418 9666.484 0.142287 0.8894
RESID(-1) -1.010293 0.258673 -3.905680 0.0025
R-squared 0.581022 Mean dependent var -6.79E-
12
3
9
Sum squared resid 4.09E+09 Schwarz criterion 22.9836
0
9
1
HASIL REGRESI LM-TEST

Lihatlah hasil regresi di atas :
Probabilita Obs* R-Squared = 0.003155 lebih kecil daripada α (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. 107.6 4,213.0
0
1971 45,579.0 40.5 1,128.6 1986 368,425. 109.6 4,452.9
0
1972 55,797.0 41.8 1,240.4 1987 409,765. 113.6 4,742.5
29
0
1973 70,499.0 44.4 1,385.5 1988 447,189. 118.3 5,108.3
0
1974 103,811.0 49.3 1,501.0 1989 477,365. 124.0 5,489.1
0
1975 98,185.0 53.8 1,635.2 1990 498,337. 130.7 5,803.2
0
1976 124,228.0 56.9 1,823.9 1991 490,981. 136.2 5,986.2
0
1977 151,907.0 60.6 2,031.4 1992 536,458. 140.3 6,318.9
0
1978 176,002.0 65.2 2,295.9 1993 589,441. 144.5 6,642.3
0
1979 212,007.0 72.6 2,566.4 1994 668,590. 148.2 7,054.3
0
1980 249,750.0 82.4 2,795.0 1995 749,574. 152.4 7,400.5
0
1981 265,067.0 90.9 3,131.3 1996 803,327. 156.9 7,813.2
0
1982 247,642.0 96.5 3,259.2 1997 876,366. 160.5 8,300.8
0
1983 268,901.0 99.6 3,534.9 1998 917,178. 163.0 8,759.9
0
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 pada
Mobil 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
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 27.5
16 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 30
28 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 Timah
YEAR HT IHP HTL JPR HA
1973 21.89 45.10 220.40 1,491.00 19.00
1974 22.29 50.90 259.50 1,504.00 19.41
1975 19.63 53.30 256.30 1,438.00 20.93
1976 22.85 53.60 249.30 1,551.00 21.78
1977 33.77 54.60 352.30 1,646.00 23.68
1978 39.18 61.10 329.10 1,349.00 26.01
1979 30.58 61.90 219.60 1,224.00 27.52
1980 26.30 57.90 234.80 1,382.00 26.89
31
1981 30.70 64.80 237.40 1,553.70 26.85

1982 32.10 66.20 245.80 1,296.10 27.23
1983 30.00 66.70 229.20 1,365.00 25.46
1984 30.80 72.20 233.90 1,492.50 23.88
1985 30.80 76.50 234.20 1,634.90 22.62
1986 32.60 81.70 347.00 1,561.00 23.72
1987 35.40 89.80 468.10 1,509.70 24.50
1988 36.60 97.80 555.00 1,195.80 24.50
1989 38.60 100.00 418.00 1,321.90 24.98
1990 42.20 106.30 525.20 1,545.40 25.58
1991 47.90 111.10 620.70 1,499.50 27.18
1992 58.20 107.80 588.60 1,469.00 28.72
1993 52.00 109.60 444.40 2,084.50 29.00
1994 51.20 119.70 427.80 2,378.50 26.67
1995 59.50 129.80 727.10 2,057.50 25.33
1996 77.30 129.30 877.60 1,352.50 34.06
1997 64.20 117.80 556.60 1,171.40 39.79
1998 69.60 129.80 780.60 1,547.60 44.49
1999 66.80 137.10 750.70 1,989.80 51.23
2000 66.50 145.20 709.80 2,023.30 54.42
2001 98.30 152.50 935.70 1,749.20 61.01
2002 101.40 147.10 940.90 1,298.50 70.87
Ket: HT = Harga Timah (cent/pound)
IHP = Indeks Harga
Produksi
HTL = Harga Timah di London (Poundsterling)
JPR = Jumlah Pembangunan Rumah/th
HA = Harga Alumunium (cent/pound)
Pertanyaan:
a. Regresilah model LnHT = f (LnIHP, LnHTL, LnJPR, LnHA, e) dengan
terlebih dahulu merubah data dalam bentuk Ln
b. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM –
Test)
c. Jika ada, maka sembuhkan penyakit tersebut dengan terlebih
dahulu menghitung koefisien ρ- nya.
Kerjakanlah soal-soal di atas pada kertas HVS, sertakan pula hasil

print-out anda. Kumpulkanlah minggu depan pada praktikum IV!
BAB V
PERSAMAAN SIMULTAN
32
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
- 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 variabel predetermined dalam model
k = Jumlah variabel predetermined dalam persamaan
34
1. Order Conditions
Syarat identifikasi suatu persamaan struktural:
Pada persamaan simultan sejumlah M persamaan (yang
tidak mempunyai predetermined 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 = α0 + α1Pt + u1t

Fungsi Supply Qt = β0 + β1Pt + u2t
Pada model ini Pt dan Qt merupakan variable endogen tanpa

predetermined variable, agar identified maka 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
Contoh: Fungsi Demand Qt = α0 + α1Pt + α2 It + u1t-

……………(1)
Fungsi Supply Qt = β0 + β1Pt + u2t………………
……… (2)
Pada model ini Pt dan Qt merupakan variable endogen
dan It adalah predetermined 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 identified dan 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
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= α0 + α1 P+ α2 X + v
Qs= β0 + β1 P + β2 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= Π0 + Π1 X + Π 2 Pl +Ω1
Q= Π 3 + Π 4 X + Π 5 Pl +Φ2
Persamaan Reduce Form dapat dicari dengan langkah sebagai berikut:

 Selesaikan persamaan Qd = Qs
α0 + α1 P+ α2 X + v = β0 + β1 P + β2 Pl + u
37
α1 P - β1 P = β0 - α0 - α2 X + β2 Pl + u - v
 β0 − α 0   α 2   β2   u−v 
P =  −

 α −β
 X +   Pl +  
α
 1 − β1   1 1   α 1 − β1   α 1 − β1 
P = ∏0 + ∏1 X + ∏3 Pl + Ω
 Kemudian substitusikan persamaan P diatas dengan salah satu

persamaan Q, misalnya dengan Qd
Qd = α0 + α1 P+ α2 X + v
 β0 − α0   α2   β2   u−v 
Qd = α0 + α1  −
   X +   Pl +   + α2 X + v
α1 − β1   α1 − β1   α1 − β1   α 1 − β1 
 α1β 0 − α1α 0   α1α 2   αβ   α u − α1v 

  −   X +  1 2  Pl +  1 
 α1 − β1   α1 − β1   α 1 − β1   α1 − β 
Q d = α0 + + α2 X + v
 α1β 0 − α1α 0   α1α 2   αβ   α u − α1v 

  −   X +  1 2  Pl +  1 
 α1 − β1   α1 − β1   α 1 − β1   α1 − β1 
Q d = α0 + + α2 X + v
Lalu samakan semua penyebutnya dengan α1 − β 1
 α 0α1 − α 0 β1   α1β 0 − α1α 0   α1α 2   αβ   α u − α1v 

  +   −   X +  1 2  Pl +  1 
 α − β   1 α − β1 α
 1 − β1  1α − β1  +
Qd =  α1 − β1  1 1
 α 1α 2 − β 1α 2   α v − β 1v 
  X +  1 
 α1 − β1   α1 − β1 
 α β − α 0 β1   α 2 β1   αβ   α u − β1v 
Qd =  1 0  −   X +  1 2  Pl +  1 
 α 1 − β1   α 1 − β1   α 1 − β1   α1 − β1 
Qd = ∏3 +∏4 X +∏5 Pl +Φ
38
Dari persamaan reduce form-nya diperoleh 6 koefisien reduksi yaitu: Π0

Π1 Π2 Π3 Π4 dan Π5 yang akan digunakan untuk menaksir 6 koefisien
structural yaitu α0, α1, α2, β0, β1 dan β2
Langkah-langkah ILS:
1. Regres persamaan reduced form dengan metode OLS, yaitu :
P= Π0 + Π1 X + Π 2 Pl +Ω1
Q= Π 3 + Π 4 X + Π 5 Pl +Φ2
2. Ambil nilai koefisien dari hasil regresi tersebut, kemudian
masukkan pada koefisien reduced form untuk menaksir koefisien
struktural.
Hasil Regresi OLS persamaan reduced form

Dependent Variable: P
X 0.017971 0.004477 4.014026 0.0007
PL -1.190681 0.384484 -3.096827 0.0059
C 94.08825 10.42454 9.025651 0.0000
Adjusted R- 0.627636 S.D. dependent var 24.97410
squared
Durbin-Watson 0.847730 Prob(F-statistic) 0.000032
stat
Dependent Variable: Q
Date: 03/18/02 Time: 16:23
Sample: 1970 1991
X 0.009026 0.002417 3.735081 0.0014
PL -0.615342 0.207526 -2.965133 0.0080
C 95.32565 5.626663 16.94177 0.0000
squared
39

stat
 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
Gambar 4.1
Hasil regresi P = a11 + a12 Pl+ a13 X + v
Date: 03/18/02 Time: 22:56
Sample: 1970 1991
PL -1.190681 0.38448 -3.096827 0.0059
4
X 0.017971 0.00447 4.014026 0.0007
7
C 94.08825 10.4245 9.025651 0.0000
4
var 9
squared 0
criterion 7
Sum squared 4412.668 Schwarz criterion 8.56057
resid 5
41

9
stat 2
Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v
Gambar 4.2
42
Gambar 4.3.
Membuat residual dari regresi P = a11 + a12 Pl+ a13 X + v
Gambar 4.4.
43
Gambar 4.5.
Hasil regresi Q=b0 + b1 PF + b2 RES1 + b3X + e
Date: 03/18/02 Time: 22:51
Sample: 1970 1991
t
PF 0.516798 0.178522 2.894866 0.0097
RES1 0.042096 0.126833 0.331900 0.7438
X -0.000262 0.000899 -0.290921 0.7744
C 46.70099 13.59172 3.435989 0.0029
squared
S.E. of 8.425265 Akaike info criterion 7.263313
regression
resid
stat
Lakukan langkah yang sama pada persamaan yang lain!
44
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).
Method: Two-Stage Least Squares
45
Date: 03/18/02 Time: 16:40

Sample: 1970 1991
Instrument list: PL X
t
PL 0.034507 0.142983 0.241336 0.8119
Q 1.991068 0.699260 2.847392 0.0103
C -95.71162 60.00985 -1.594932 0.1272
squared
S.E. of 21.48358 Sum squared resid 8769.343
regression
F-statistic 9.408793 Durbin-Watson stat 1.790965
Prob(F-statistic) 0.001446
Method: Two-Stage Least Squares
Date: 03/18/02 Time: 16:42
Sample: 1970 1991
Instrument list: X PL
Variable Coefficie Std. Error t-Statistic Prob.
nt
P 0.51679 0.231710 2.23036 0.0380
8 4
X -0.00026 0.001167 -0.22414 0.8250
2 1
C 46.7009 17.64115 2.64727 0.0159
9 5
2 var 6
squared 8 5
S.E. of 10.9354 Sum squared resid 2272.09
regression 4 3
F-statistic 8.11581 Durbin-Watson stat 1.76922
0 7
Prob(F-statistic) 0.00283
3
46
 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
Gambar 4.8
Tuliskan INST diikuti variabel instrumen-nya atau predetermined

variabel
Inst x Pl
P= C(1) + C(2) *Q+ C(3)* PL
Q= C(4) + C(5) *P+ C(6)* X
48
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: UNTITLED
Estimation Method: Two-Stage Least Squares
Date: 03/18/02 Time: 15:52
Sample: 1970 1991
Instruments: PL X C
Coefficien Std. Error t-Statistic Prob.
t
49
C(1) -95.71162 60.0098 -1.594932 0.1190

5
C(2) 1.991068 0.69926 2.847392 0.0071
0
C(3) 0.034507 0.14298 0.241336 0.8106
3
C(4) 46.70099 17.6411 2.647275 0.0117
5
C(5) 0.516798 0.23171 2.230364 0.0317
0
C(6) -0.000262 0.00116 -0.224141 0.8238
7
Determinant residual 9.78409
covariance 7
Equation: P=C(1)+C(2)*Q+C(3)*PL
Observations: 22
----------------------------------------------------------------------------------------------
-----------------------------------
3 var
6
S.E. of regression 21.4835 Sum squared resid 8769.343
8
Durbin-Watson stat 1.79096
5
Equation: Q=C(4)+C(5)*P+C(6)*X
Observations: 22
----------------------------------------------------------------------------------------------
-----------------------------------
var
squared
S.E. of regression 10.93544 Sum squared resid 2272.093
Durbin-Watson 1.769227
stat
50
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
P= η11+ η 12 X + η 13 Pl +Ω
Q= η 14 + η 15 X + η 16 Pl +Ω
 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 :
Date: 03/19/02 Time: 21:24
Sample: 1970 1991
nt
PL -1.19068 0.384484 -3.09682 0.0059
52
1 7
X 0.01797 0.004477 4.014026 0.0007
1
C 94.0882 10.42454 9.025651 0.0000
5
9 var 09
Adjusted R- 0.62763 S.D. dependent 24.974
squared 6 var 10
1 criterion 97
resid 8 75
6 19
stat 0 32
Membuat Fitted dari hasil regresi

Gambar 4.12
Klik Procs, pilih

forecast
Membuat Residual dari hasil regresi
53
Klik Procs, pilih

Make Residual Series
Gambar 4.13
Beri nama RESID1
Gambar 4.14
54
Buatlah regresi Q = b0 + b1 Resid1 + b2 Pfit + e

Hasil regresi di atas adalah sebagai berikut :
Date: 03/19/02 Time: 21:29
Sample: 1970 1991
nt
RESID1 0.04209 0.123740 0.340196 0.7374
6
PFIT 0.47201 0.088201 5.351585 0.0000
5
C 49.3711 9.780205 5.048068 0.0001
4
8 var 36
squared 7 var 45
8 criterion 94
resid 0 73
4 60
stat 0 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
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

Date: 03/19/02 Time: 21:31
Sample: 1970 1991
nt
PL -0.61534 0.207526 -2.96513 0.0080
2 3
X 0.00902 0.002417 3.735081 0.0014
6
C 95.3256 5.626663 16.94177 0.0000
5
6 var 36
squared 7 var 45
6 criterion 05
resid 1 83
5 95
stat 5 60
Hasil regresi dari P = b0 + b1 RESID2 + b2 Qfit + e

Date: 03/20/02 Time: 08:20
Sample: 1970 1991
56
nt
RESID2 0.14449 0.425041 0.339955 0.7376
5
QF2 2.11202 0.345906 6.105759 0.0000
1
C -103.935 35.04034 -2.96616 0.0079
2 0
6 var 09
squared 2 var 10
8 criterion 06
resid 9 84
7 93
stat 8 32
Kesimpulan :
Nilai Residual tidak signifikan, jadi tidak terjadi hubungan
simultan antara kedua persamaan tersebut.
Soal Simultan:
Diketahui model persamaan simultan adalah sebagai berikut :

R t = a 0 + a 1 Mt + a 2 Y t + u
Yt = b0 + b1 Rt + b2 It + v
Dimana: Rt = Suku bunga

Mt =Jumlah uang beredar
57
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
3,578 626. 436. 6.5
1970 .0 4 2 62
3,697 710. 485. 4.5
1971 .7 1 8 11
3,998 802. 543. 4.4
1972 .4 1 0 66
4,123 855. 606. 7.1
1973 .4 2 5 78
4,099 901. 561. 7.9
1974 .0 9 7 26
4,084 1,015 462. 6.1
1975 .4 .9 2 22
4,311 1,151 555. 5.2
1976 .7 .7 5 66
4,511 1,269 639. 5.5
1977 .8 .9 4 10
1978 4,760 1,365 713. 7.5
58
.6 .5 0 72
4,912 1,473 735. 10.0
1979 .1 .1 4 17
4,900 1,599 655. 11.3
1980 .9 .1 3 74
5,021 1,754 715. 13.7
1981 .0 .6 6 76
4,913 1,909 615. 11.0
1982 .3 .5 2 84
5,132 2,126 673. 8.7
1983 .3 .0 7 50
5,505 2,309 871. 9.8
1984 .2 .7 5 00
5,717 2,495 863. 7.6
1985 .1 .4 4 60
5,912 2,732 857. 6.0
1986 .4 .1 7 30
6,113 2,831 879. 6.0
1987 .3 .1 3 50
6,368 2,994 902. 6.9
1988 .4 .3 8 20
6,591 3,158 936. 8.0
1989 .9 .4 5 40
6,707 3,277 907. 7.4
1990 .9 .6 3 70
6,676 3,376 829. 5.4
1991 .4 .8 5 90
6,880 3,430 899. 3.5
1992 .0 .7 8 70
7,062 3,484 977. 3.1
1993 .6 .4 9 40
7,347 3,499 1,107 4.6
1994 .7 .0 .0 60
7,343 3,641 1,140 5.5
1995 .8 .9 .6 90
7,813 3,813 1,242 5.0
1996 .2 .3 .7 90
1997 8,159 4,028 1,393 5.1
59
.5 .9 .3 80
8,515 4,380 1,566 4.8
1998 .7 .6 .8 50
8,875 4,643 1,669 4.7
1999 .8 .7 .7 60
PRAKTIKUM V
ANALISIS MODEL DINAMIS
Isu Statistik Model Dinamis

♣ Pembentukan model dinamis merupakan satu hal yang penting
dalam pembentukan model ekonomi dan analisis yang
menyertainya. Hal ini disebabkan karena sebagian besar analisis
ekonomi berkaitan erat dengan analisis runtun waktu (time
series) yang sering diwujudkan oleh hubungan antara
perubahan suatu besaran ekonomi dan kebijakan ekonomi pada
60
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
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] = 0
b1 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 Domestik
Bruto dan
IHSG = Indeks Harga Saham Gabungan.
62
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
LNVOLt = C0 + C1(RDt–RDt-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
:
+ (C1+C4) BRDt + (C2+C5) BLNPDBt +(C3+C6) BIHSGt
+ (C7-1) BLNVOLt…..(10)
11. Selain itu, persamaan (9) juga dapat dituliskan sebagai berikut :
+ (C1+C4+ C7-1) BRDt + (C2+C5+ C7-1) BLNPDBt
+(C3+C6 C7-1) BIHSGt + (C7 -1)( BRDt - BRDt - BLNPDBt
- BIHSGt+ BLNVOLt)…..(11)
64
12. Dari persamaan (11) dapat diperoleh persamaan WCM

+ (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
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 +∑diBiDXt
Dimana : DXt = Xt - Xt-1
BXt = Xt-1
T = Trend waktu
B = Operasi kelambaman ke periode t
(backward lag operator)
66
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 suatu
data 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
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 ADF

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 residualnya (RESID)
- Lakukan pengujian stasionarotas variabel residual regresi
persamaan OLS pada derajat nol dengan persamaan sbb:
68
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
TREND AND INTERCEPT (pada Include in test equation)
69
QUIC
SERIES
STATISTIC
UNIT ROOT
TEST
Gambar 5.1
LNVO
Gambar 5.2
70
Hasil Uji Akar-Akar Unit dengan ADF untuk LNVOL
ADF Test -1.4037 1% Critical Value* -4.232

Statistic 92 4
5% Critical Value -3.538
6
10% Critical Value -3.200
9
*MacKinnon critical values for rejection of hypothesis
of a unit root.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(LNVOL)
Date: 02/19/03 Time: 20:42
Sample(adjusted): 1993:1 2001:4
Included observations: 36 after adjusting endpoints
Variable Coeffici Std. t- Prob.
ent Error Statistic
LNVOL(-1) -0.2962 0.21101 -1.40379 0.1706
22 5 2
D(LNVOL(-1)) -0.2807 0.23443 -1.19777 0.2404
97 2 7
D(LNVOL(-2)) 0.03281 0.22566 0.14540 0.8854
2 1 2
D(LNVOL(-3)) 0.02204 0.18786 0.11736 0.9074
9 4 7
C 3.92859 2.45344 1.60125 0.1198
7 2 9
@TREND(1992: 0.02679 0.03055 0.87679 0.3876
1) 2 7 0
2 var 42
71
squared 5 var 33
S.E. of 0.54988 Akaike info 1.7928
regression 7 criterion 04
resid 1 24
47 31
stat 1 63
2. Uji Derajat Integrasi

- Klik QUICK, SERIES STATISTICS, UNIT ROOT TEST
- Ketik variabel yang akan diuji, misalnya LNVOL
- Untuk pengujian DF, pilih
1st DIFFERENCE (pada Test for unit root in)
INTERCEPT (pada Include in test equation)
- Untuk pengujian ADF, pilih
1st DIFFERENCE (pada Test for unit root in)
TREND AND INTERCEPT (pada Include in test equation)
72
1st
Gambar 5.3
Hasil Uji Derajat Integrasi dengan ADF untuk LNVOL
ADF Test -4.5853 1% Critical -4.241

Statistic 67 Value* 2
5% Critical -3.542
Value 6
10% Critical -3.203
Value 2
of a unit root.

Dependent Variable: D(LNVOL,2)
Date: 02/19/03 Time: 20:55
ent Error Statistic
D(LNVOL(-1)) -2.2767 0.49653 -4.58536 0.000
79 1 7 1
73
D(LNVOL(-1),2) 0.7811 0.41949 1.86222 0.072

90 2 9 7
D(LNVOL(-2),2) 0.6346 0.31384 2.02221 0.052
56 2 3 5
D(LNVOL(-3),2) 0.3703 0.17543 2.11123 0.043
84 5 3 5
C 0.6221 0.25135 2.47527 0.019
74 5 7 4
@TREND(1992: -0.0169 0.00944 -1.79429 0.083
1) 44 3 3 2
R-squared 0.7567 Mean -0.029
89 dependent var 432
squared 56 var 205
Sum squared 8.3554 Schwarz 2.014
resid 74 criterion 934
30 763
stat 98 000
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)
NONE (pada Include in test equation)
74
lnvol rd lnpdb
Gambar 5.4
R01
Gambar 5.5
Hasil Uji Kointegrasi
ADF Test -2.5442 1% Critical -2.628

Statistic 61 Value* 0
5% Critical -1.950
75
Value 4
10% Critical -1.620
Value 6
of a unit root.

Dependent Variable: D(R01)
Date: 02/19/03 Time: 21:16
ent Error Statistic
R01(-1) -0.6063 0.23830 -2.54426 0.016
08 4 1 0
D(R01(-1)) 0.0492 0.22925 0.21488 0.831
63 5 5 2
D(R01(-2)) 0.0692 0.20550 0.33681 0.738
18 9 2 5
D(R01(-3)) 0.0443 0.17506 0.25321 0.801
28 2 5 7
R-squared 0.2682 Mean -0.018
98 dependent var 524
squared 00 var 731
70 209
stat 76 362
4. Aplikasi ECM
- Cari variabel ECT dengan cara:
Klik GENR lalu ketik
76
ECT=RD(-1)+LNPDB(-1)+IHSG(-1)-LNVOL(-1)
Dalam e-views :BX = X(-1)
Xt – Xt-1 = D(X) atau bentuk first diference
- Klik QUICK, ESTIMATE EQUATION
- Pada Equation Specification ketiklah:
D(LNVOL) C D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT
Gambar 5.6
Hasil Regresi ECM
Dependent Variable: D(LNVOL)

Date: 03/07/04 Time: 07:24
ent Error Statistic
C -9.6586 2.93512 -3.29069 0.0025
77
03 3 9
D(RD) 0.02645 0.04310 0.61371 0.5439
3 4 0
D(LNPDB) 0.93282 1.15618 0.80681 0.4259
4 5 2
D(IHSG) 0.00356 0.00082 4.34067 0.0001
2 1 1
RD(-1) -0.6257 0.14045 -4.45543 0.0001
93 6 7
LNPDB(-1) 0.79569 0.25746 3.09043 0.0042
0 8 6
IHSG(-1) -0.6289 0.13892 -4.52711 0.0001
18 2 6
ECT 0.63249 0.13932 4.53959 0.0001
6 9 2
R-squared 0.48054 Mean 0.1018
8 dependent var 09
squared 2 var 91
12 97
stat 5 32
78
Besarnya koefisien regresi jangka panjang untuk intercept / konstanta,

RD, LNPDB dan IHSG adalah:
β0
C0= ----- Koefisien jangka panjang untuk konstanta
ECT
β4+ECT
C1= --------- Koefisien jangka panjang untuk RDt
ECT
β5+ECT
C2= --------- Koefisien jangka panjang untuk LNPDBt
ECT
β6+ECT
C3= --------- Koefisien jangka panjang untuk IHSGt
ECT
Untuk melakukan uji-t dalam jangka pendek dapat dilakukan dengan

melihat 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
Gambar 5.7
Hasilnya adalah sebagai berikut:
D(LNP D(IHS LNPDB(- IHSG(-

C D(RD) DB) G) RD(-1) 1) 1) ECT
8.6149 -0.003 -0.976 -0.001 0.3374 -0.7470 0.3334 -0.3345
C 44 405 791 127 24 89 53 87
-0.003 0.0018 -0.008 0.0000 -0.000 -0.0001 -0.0004 0.0004
D(RD) 405 58 645 08 272 27 20 28
D(LNP -0.976 -0.008 1.3367 0.0000 -0.047 0.08375 -0.0481 0.0482
DB) 791 645 64 41 145 4 83 23
D(IHSG -0.001 0.0000 0.0000 0.0000 -0.000 0.00008 -0.0000 0.0000
) 127 08 41 01 058 1 56 57
0.3374 -0.000 -0.047 -0.000 0.0197 -0.0303 0.0193 -0.0194
RD(-1) 24 272 145 058 28 90 59 17
LNPDB -0.747 -0.000 0.0837 0.0000 -0.030 0.06629 -0.0296 0.0297
(-1) 089 127 54 81 390 0 51 32
IHSG(- 0.3334 -0.000 -0.048 -0.000 0.0193 -0.0296 0.0192 -0.0193
1) 53 420 183 056 59 51 99 56
-0.334 0.0004 0.0482 0.0000 -0.019 0.02973 -0.0193 0.0194
ECT 587 28 23 57 417 2 56 13
80
Langkah 2:
Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai
Var-Covarnya.
(1) (2) (3)=(1)*(2)
Ct*Matriks Var-
Ct Matriks Var-Covarian
Covar
ect,ect c,ect
1/ect -Co/ect ? ?
c,ect c,c
ect,ect rd(-1),ect
1/ect -C1/ect ? ?
rd(-1),ect rd(-1),rd(-1)
ect,ect lnpdb(-1),ect
1/ect -C2/ect lnpdb(- lnpdb(- ? ?
1),ect 1),lnpdb(-1)
ect,ect ihsg(-1),ect
1/ect -C3/ect ihsg(- ihsg(-1),ihsg(- ? ?
1),ect 1)
Hasil perhitungannya sebagai berikut:

(1) (2) (3)=(1)*(2)
Matriks Var- Ct*Matriks Var-
Ct
Covarian Covar
1.581 -15.270 0.0194 -0.33458 5.14004 -132.084
038 615 13 7 2 489
-0.3345
878.614944
1.581 -1.5642 0.0194 -0.01941 0.06106 -0.06155
038 82 13 7 6 9
-0.0194
170.019728
1.581 1.98897 0.0194 0.08982
0.178856
038 0 130.029732 9
0.0297
320.066290
1.581 -1.5720 0.0194 -0.01935 0.06112 -0.06094
038 94 13 6 2 2
-0.01930.019299
81
56
Langkah 3.
Dapatkan nilai Ct yang ditranspose, lalu varian, standar error dan nilai
t-statnya sebagai berikut:
(7)=Coeff/(
(3)=(1)*(2) (4) (5)=(3)*(4) (6)=√(5) 6)
Ct*Matriks Var- Transpose Standar
Varian T-stat
Covar dari Ct eror
5.140 -132.084 17472.732 132.1844
5.140042
042 489 27 6 -0.115525
-132.0844
89
0.061 -0.06155 0.0075186 0.086710
0.061066
066 9 31 04 0.1222199
-0.061559
0.089 0.17885 0.0400587 0.200146
0.089829
829 6 68 866 11.281795
0.178856
0.061 -0.06094 0.0074498 0.086312
0.061122
122 2 92 754 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
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 melihat

signifikansi 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
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 = backward lag operator
3. Minimisasi fungsi biaya tersebut terhadap LNVOLt sehingga

diperoleh:
∂ Ct = 2b1 (LNVOLt – LNVOLt*) + 2b2 [(1-B) LNVOLt] = 0
b1 (LNVOLt – LNVOLt*) + b2 [(1-B) LNVOLt] = 0
b1 LNVOLt – b1 LNVOLt* + b2 LNVOLt - b2 B LNVOLt = 0
b1 LNVOLt – b2 LNVOLt = b1 LNVOLt* + b2 B LNVOLt
(b1 - b2) LNVOLt = b1 LNVOLt* + b2 B LNVOLt
b1 b2
LNVOLt = -------- LNVOLt* + ------- BLNVOLt
b1+b2 b1+b2
jika : b1 b2 b1+b2
b = ------- (1-b) = -------- 1= ---------
b1+b2 b1+b2 b1+b2
maka
LNVOLt = b LNVOLt* + (1-b) B LNVOLt…..(3)
4. Dengan mensubstitusikan persamaan (1) ke persamaan (1), didapat

LNVOLt = b LNVOLt* + (1-b) B LNVOLt
LNVOLt = b (a0 + a1 RDt + a2 LNPDBt + a3 IHSGt) + (1-b) LNVOLt
LNVOLt = a0b + a1b RDt + a2b LNPDBt + a3b IHSGt
+ (1-b) LNVOLt…..(4)
84
5. Dapat diestimasikan dalam studi empiris, karena semua variabelnya

dapat diobservasi, dimana dalam operasionalnya dapat dituliskan
sebagai berikut :
LNVOLt = β0 + β1 RDt + β2 LNPDBt + β3 IHSGt + β4 LNVOLt
Dimana : β0 = a0b β3 = a3b
β1 = a1b β4 = (1-b)
β2 = a2b
Catatan :
Koefisien kelambaman variabel dependen haruslah:
- terletak di antara 0 dan 1 0 < β4 < 1
- Signifikan secara statistik dan bertanda positif (+)
β0
C0= --------- Koefisien jangka panjang untuk konstanta
(1 - β4)
β1
C1= ---------- Koefisien jangka panjang untuk RDt
(1 - β4)
β2
C2= ----------- Koefisien jangka panjang untuk LNPDBt
(1 - β4)
β3
C3= ----------- Koefisien jangka panjang untuk IHSGt
(1 - β4)
Langkah-Langkah pengujian PAM :

85
1. Pastikan data sudah siap dalam workfile

2. Pada menu utama, klik QUICK dan pilih ESTIMATE EQUATION
3. Ketik persamaan regresi yang diinginkan, misalnya LNVOL C RD
LNPDB IHSG LNVOL(-1)
Gambar 5.8
Hasil Regresi PAM
86
Dependent Variable: LNVOL

Date: 03/07/04 Time: 09:35
ent Error Statistic
C -9.3073 2.82015 -3.30030 0.0023
68 6 3
RD 0.01115 0.01630 0.68386 0.4987
1 6 5
LNPDB 1.40156 0.36804 3.80817 0.0006
5 1 9
IHSG 0.00336 0.00076 4.42846 0.0001
8 1 1
LNVOL(-1) 0.36581 0.13443 2.72105 0.0102
7 9 6
R-squared 0.92390 Mean 14.625
2 dependent var 13
squared 9 var 48
52 83
stat 2 00
87
Untuk menghitung nilai t-stat untuk koefisien jangka panjang, dapat

dilakukan dengan cara yang sama dengan metode pada model ECM
dimana matriks Ct dan matriks Var-Covar yang digunakan adalah
sebagai berikut:
(1) (2) (3)=(1)*(2)

Ct*Matriks Var-
Ct Matriks Var-Covarian
Covar
Lnvol(-1),lnvol(-
1/(1-β
-Co/(1-β4)1) c, lnvol(-1) ? ?
4 )
c, lnvol(-1) c,c
Lnvol(-1),lnvol(-
1/(1-β -C1/(1-β
1) Rd,lnvol(-1) ? ?
4) 4)
rd, lnvol(-1) rd,rd
Lnpdb, lnvol(-
1/(1-β -C2/(1-β
β4, β4 1) ? ?
4 ) )
4
lnpdb, lnvol(-1) Lnpdb,lnpdb
1/(1-β -C3/(1-β β4, β4 Ihsg, lnvol(-1)
? ?
4 ) )
4 ihsg, lnvol(-1) ihsg,ihsg
Langkah selanjutnya silahkan anda cobakan sendiri.
88
DATA UNTUK ANALISIS MODEL DINAMIS
obs LNVOL RD LNPDB IHSG

1992:1 11.64648 22.53000 11.10708 27806.00
1992:2 12.20175 21.45000 11.13845 313.6000
1992:3 11.40376 20.49000 11.20467 298.3920
1992:4 11.90752 18.93000 11.20526 274.3350
1993:1 12.31172 17.73000 11.25909 310.7580
1993:2 12.68878 16.61000 11.29515 360.3460
1993:3 12.85433 15.30000 11.09017 419.9610
1993:4 13.10320 14.20000 11.36489 588.7650
1994:1 12.96607 13.40000 11.38485 492.3730
1994:2 12.44361 12.72000 11.44023 457.2950
1994:3 13.20067 12.50000 11.51102 497.9700
1994:4 13.31020 12.99000 11.52725 469.6400
1995:1 12.96114 13.87000 11.57630 428.6410
1995:2 13.65874 14.85000 11.62329 492.2700
1995:3 13.66362 15.66000 11.67095 493.2400
1995:4 14.08830 16.28000 11.68842 513.8400
1996:1 14.33549 16.68000 11.71611 585.7000
1996:2 14.38319 16.42000 11.76637 594.2500
1996:3 14.81044 16.85000 11.82730 573.3000
1996:4 15.23850 16.70000 11.87932 637.4300
89
1997:1 15.14846 16.39000 11.89000 662.2300

1997:2 15.61649 16.16000 11.91442 724.5500
1997:3 15.93115 16.42000 12.00305 546.6800
1997:4 16.14160 15.92000 12.03914 401.7100
1998:1 16.35552 19.50000 12.29066 541.4200
1998:2 15.47827 21.69000 12.35616 445.9200
1998:3 15.23479 22.97000 12.51892 276.1500
1998:4 15.33300 28.29000 12.49166 398.0300
1999:1 14.98580 30.06000 12.54629 393.6200
1999:2 17.33218 28.73000 12.54152 662.0200
1999:3 16.06588 26.99000 12.53388 547.9400
1999:4 16.61649 22.35000 12.54645 676.9200
2000:1 16.25206 20.12000 12.64958 583.2700
2000:2 16.13545 13.44000 12.66534 515.1100
2000:3 16.01539 12.42000 12.71811 421.3300
2000:4 15.51655 12.17000 12.73062 416.3200
2001:1 16.36453 13.01000 12.78097 381.0500
2001:2 16.46563 13.97000 12.82277 437.6200
2001:3 16.24295 14.46000 12.84576 392.4700
2001:4 15.61704 15.48000 12.86551 392.0300
Soal Latihan Analisa Dinamis
Indeks Kompensasi,Indeks Produktivitas dan Tingkat

Pengangguran pada Beberapa perusahaan Besar di Suatu Negara
Tahu Indeks Indeks Produktivitas Tkt Pengangguran (%)
n Kompensasi
1960 60 48.8 5.5
1961 61.8 50.6 6.7
1962 63.9 52.9 5.5
1963 65.4 55 5.7
1964 67.9 57.5 5.2
1965 69.4 59.6 4.5
1966 71.9 62 3.8
1967 73.8 63.4 3.8
1968 76.3 65.4 3.6
1969 77.4 65.7 3.5
1970 78.9 67 4.9
1971 80.4 69.9 5.9
1972 82.7 72.2 5.6
1973 84.5 74.5 4.9
1974 83.5 73.2 5.6
90
1975 84.4 75.8 8.5

1976 86.8 78.5 7.7
1977 87.9 79.8 7.1
1978 89.5 80.7 6.1
1979 89.7 80.7 5.8
1980 89.5 80.4 7.1
1981 89.5 82 7.6
1982 90.9 81.7 9.7
1983 91 84.6 9.6
1984 91.3 87 7.5
1985 92.7 88.7 7.2
1986 95.8 91.4 7
1987 96.3 91.9 6.2
1988 97.3 93 5.5
1989 95.9 93.9 5.3
1990 96.5 95.2 5.6
1991 97.5 96.3 6.8
1992 100 100 7.5
1993 99.9 100.5 6.9
1994 99.7 101.9 6.1
1995 99.3 102.6 5.6
1996 99.7 105.4 5.4
1997 100.4 107.6 4.9
1998 104.3 110.5 4.5
1999 107.3 114 4.2
Seorang peneliti ingin melihat apakah ada pengaruh tingkat

produktivitas dan tingkat pengangguran terhadap besarnya
kompensasi yang diberikan oleh suatu perusahaan pada karyawannya
(baik dalam jangka pendek maupun dalam jangka panjang). Data
diatas menunjukkan Indeks kompensasi, indeks produktivitas dan
tingkat pengangguran dalam persen.
Pertanyaan:
a. Lakukanlah Uji akar-akar unit, uji derajat integrasi dan uji kointegrasi
pada data diatas untuk mengetahui apakah model yang digunakan
merupakan model dinamis atau bukan.
91
b. Jika hasil pengujian menganjurkan penggunaan model dinamis,

gunakanlah model ECM, jika tidak lakukanlah regresi OLS.
c. Interpretasikanlah hasil regresi yang telah anda peroleh
92

Modul Ekonometrika II Revisi 2008 by Syofriza Syofyan

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modul Ekonometrika II Revisi 2008 by Syofriza Syofyan

Cargado por

Copyright:

Formatos disponibles

PELANGGARAN ASUMSI KLASIK

Untuk penerapan OLS untuk regresi linier klasik, diasumsikan bahwa

Adapun langkah-langkah untuk mendapatkan nilai J-B hitung adalah

Dimana: n = jumlah observasi

(3) Bandingkan nilai J-B hitung dengan X 2 – tabel, dengan aturan :

Langkah – langkah pengerjaan :

Diagram 1. Hasil Uji Normalitas : J – B Test

Multikolinearitas artinya terdapat korelasi yang signifikan di antara

B. CARA MENDETEKSI ADANYA MULTIKOLINEARITAS

a. R2 cukup tinggi (0,7 – 1,0) tetapi uji-tnya untuk masing-

Misalnya : Y = 24.7747 + 0.9415 X2 – 0.0424 X3 + e

Dari hasil regresi dapat dilihat bahwa 98 persen dari variasi

b. Tingginya nilai R2 merupakan syarata yang cukup

d. Menggunakan Matriks Korelasi (Correlation Matrix)

Gambar 4.1 Tampilan Group untuk masuk ke Menu Correlation

Maka hasil yang didapat akan seperti tampilan berikut :

Gambar 4.2 Tampilan Correlation Matrix

C. PENANGGULANGAN TERHADAP MULTIKOLINEARITAS

Pendapatan dan harga barang itu sendiri merupakan dua

2. Salah satu cara utnuk menghilangkan multikolinearitas adalah

1. Klik Views, lalu pilih Cefficient Test dan klik Wald –

Gambar 4.3 Menu Uji Wald Restriction

2. Ketik salah satu koefisien dari variabel bebas yang ingin

Gambar 4.4 Tampilan Correlation Restriction

3. Hasil akan seperti tampilan berikut :

Gambar 4.5 Tampilan Layar Uji Wald

D. INTERPRETASI PENGUJIAN WALD TEST

Catatan : Perlu diperhatikan bahwa kadang-kadang

Contoh soal : (soal dibawah ini akan terus digunakan untuk

Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB)

JUB = f (RSBI, GDP)

Langkah 4 dan 5, lihat penjelasan asisten di depan kelas.

Berdasarkan data di bawah ini, dimana JUB adalah jumlah uang

obs JUB G GDP

Hal tersebut dikarenakan beberapa hal, yaitu :

2. Perbaikan Dalam Pengumpulan Data

3. Kesalahan spesifikasi model

Jika β signifikan, maka ada heteroskedasitas dalam data sebab

Print out berikut adalah hasil regresi OLS dengan model Y = f

Berdasarkan print-out tersebut dapat dihitung nilai residual (µI)

Gambar 8.1. Tampilan Make Residual

Dari residual tersebut dapat dihitung residual kuadrat (µi2) lalu di

Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil

Dari hasil print out tersebut terlihat bahwa koefisien LNX

Langkah-langkah pengujiannya adalah sebagai berikut :

1. Urutkanlah dari variabel bebas X dari yang terkecil yang

40% 15%-20% 40%

3. Buatlah rasio RSS (Residual Sum of Square = error sum if

Kriteria uji F jika :

Hasil Regresi kelompok I dengan RSS1 = 341.6734

Hasil regresi kelompok II dengan RSS2 = 1328.965

F-stat = RSS2/RSS1 = 1328.965/341.6734

Jika modelnya : Y = f(X,e)

Jika modelnya : Y = f(X1,X2, e)

Kriteria uji White adalah jika :

Langkah-langkah pengujian White Test :

Gambar 2.3. Tampilan Layar Menu Uji White

White Heteroskedasticity Test:

Obs* R- square = 5.331

Note: df pada χ2 tabel adalah jumlah variabel bebas

C. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS

Lakukanlah tranformasi seperti model logaritma di bawah ini :

2. Transformasi Dengan Membagi Persamaan Dengan Variabel