Cara-Baca-Regresi data panel.pdf

Oleh ; Tim Penyusun

A.

Memulai EViews

Langkah-langkah menjalankan program EViews adalah sebagai berikut : 1. Sama seperti seperti halnya halnya

memulai memulai

software software

berbasis berbasis

windows windows , pilih Start Menu

Kemudian an Pilih Pilih EViews EViews 6. EViews. Kemudi

Gambar Gambar 1.1 1.1 : Memulai Memulai Prog Program ram EViews EViews 6

Atau klik dua kali icon

EVie EViews ws 6 yang ada di desktop komputer.

2. Sehing Sehingga ga akan akan tampak tampak tampilan tampilan EView EViewss seperti seperti gamb gambar ar di bawa bawah h ini ini

Dilarang Memperbanyak Tanpa Seijin Penyusun

Menu

MENU

Command Window

UTAMA

WORK AREA, tempat berbagai hasil ditampilkan STATUS BAR

Gambar 1.2 : Bagian-bagian program EViews 6

Pada EViews 6 terdapat beberapa macam jendela (windows) yang fungsinya

berbeda

satu sama lain. Secara ringkas, tampilan-tampilan jendela(window) dalam EViews, antara lain: 

Main Window (Jendela Utama)

merupakan jendela program EViews. Semua

Jendela yang lain dibuka melalui atau di dalam jendela. 

Command

Window

(Jendela

Program )

berfungsi untuk mengetikkan perintah

macro EViews, baik untuk menganalisa data maupun menyusun program. 

Database Window (Jendela Basisdata) berfungsi melakukan manajemen terhadap

beberapa objek dengan range berbeda. 

Workfile Window (Jendela Workfile) berfungsi melakukan manajemen terhadap

beberapa objek dengan range sama. 

Object

Window

(Jendela

Objek )

berfungsi

melakukan

manajemen terhadap

objek (unit analisa terkecil dalam EViews). 3. EViews siap digunakan untuk menginput data dengan membuat working file atau melakukan analisis data. Klik menu FILE

NEW untuk melihat tampilan berikut ini :

Gambar 1.3 : Tampilan Awal EViews


Setiap kali akan bekerja dengan EViews, Anda harus membuat dulu workfile ini (Anda tidak perlu melakukannya jika Anda menjalankan EViews dengan cara batch).

B.

Membuat Workfile dan mengimpor data

Pada contoh kali ini, kita akan mengimpor data dari Program Excel. Dalam kasus ini kita akan meneliti factor-faktor yang mempengaruhi penjualan buanga mawar (rose) di Perusahaan ABC. Untuk meneliti factor-faktor tersebut, peneliti perusahaan membuat model untuk tujuannya tersebut sebagai berikut : Di mana : Y = a0 + a1 X1 + a2 X2 + a3 X3 Y = Jumlah Penjualan Bunga Ros, (dalam lusin) X1 = Rata-rata harga bunga Ros, $/lusin X2 = Rata-rata promosi, $/lusin X3 = Rata-rata tingkat pendapatan/kapita, $/week Dan data-datanya ditampilakan dalam program Ms. Excel di bawah ini :

Gambar 1.4 : Contoh data Excel yang akan diimpor ke Program EViews

Langkah-langkah yang digunakan untuk mengimpor data adalah sebagai berikut : 1. Pilih menu File

New

Workfile, sehingga di layar akan tampak tampilan berikut ini :


Gambar 1.5 : Tampilan untuk menentukan jenis data dengan EViews 6

Berikut ini adalah jenis data dan cara pendekatan jenis data dalam program EViews Jenis Data Annual

Keterangan

Cara Menuliskan

data Tahunan.

Pada Start Date : 2010 Pada End Date : 2015

Semi-Annual

untuk data 6 bulanan (semester).

2010:1, 2015:2

Quarterly

data 3 bulanan (triwulan)

2010:1, 2015:4

Monthly

data bulanan.

2010:01, 2015:12

Weekly

data mingguan

1/1/2010, 12/30/2015

Daily – 5 days week

untuk

5 hari seminggu, Senin-

1/1/2010, 12/28/2015

Untuk 7 hari seminggu, Senin-

1/1/2010, 12/30/2015

Jumat Daily – 7 days week

Minggu Integer data

Data

tidak

beraturan,

cross

1, dan banyaknya data

section

2. Pada pilihan Start date, isikan dengan angka 1990 dan pada End Date, isikan angka 2005 ( sesuai dengan data yang ada pada tabel di atas). Isian yang lain, seperti WF dan Page, kita kosongi dahulu karena belum akan kita gunakan. 3. Pilih OK . Untuk menuju tampilan di bawah ini


Gambar 1.6 : Layar Kerja Program EViews 6

Sekarang Anda sudah membuat sebuah Workfile untuk mengerjakan berbagai analisis. Langkah selanjutnya adalah kita akan mengimpor data dari program Ms. Excel. Sebelum mengimpor data, tutup program Ms. Excel tempat data kita berada. Karena EViews tidak dapat membaca data yang sedang dibuka oleh program lain. 4. Pilih menu File

Import

Read-Lotus-Excel

Gambar 1.7 : Menu untuk mengimpor data dari program teks atau spreadsheet

5. Pilih nama file dan jenis file yang akan diimpor. Dalam kasus ini, kita pilih jenis Excel (*.xls). kemudian pilih nama file yang akan diinput. Diakhiri dengan mengklik OK


PILIH FILE YANG AKAN DIINPUT

Tentukan Jenis Filenya

Gambar 1.7 : Menu untuk mengimpor data dari program teks atau spreadsheet

6. Pada tampilan windows berikutnya, kita diminta untuk menentukan posisi awal ( Upper Left Data Cell ). Pada table yang kita buat. Upper Left Data Cell berada di cell B2 (data pertama variable

Y). Pada isian di bawahnya, isikan bentuk model yang akan kita analisis yaitu Y X1 X2 X3. Berarti nantinya kita akan mempunya 4 variabel, yaitu vari able y, x1,x2,x3

Gambar 1.8 : Menentukan variabel yang akan diimpor

Setelah mengklik OK, maka tampilan workfile akan tampak seperti gambar berikut ini. Variabel c dan resid secara otomatis sudah bertambah dalam program EViews. Dilarang Memperbanyak Tanpa Seijin Penyusun

Gambar 1.9 : Layar kerja setelah mengimpor variabel

7. Agar tidak berulangkali melakukan langkah-langkah di atas, sebaiknyaworkfile tersebut kita simpan dengan memilih menu File Save As kemudian beri nama file. Apabila ingin menjalankan program EViews dilain waktu, kita cukup membuka dengan menu File

C.

Open

EViews Workfile kemudian pilih nama filenya.

Menampilkan dan Mengedit Data

Setelah workfile siap kita buat, maka untuk melihat data yang baru saja kita impor, langkahlangkahnya adalah sebagai berikut : 1. Pilihlah variable yang akan kita lihat y, x1, x2,x3 (tampilan akan berbeda urutannya jika kita mengklik sebaliknya). Klik dulu variable y, kemudian tekan tombol CTRL dan kliklah variable x1, x2, dan x3 secara berurutan. Yang akan tampak di layar seperti gambar di bawah ini :

Gambar 1.10 : Memilih variabel

2. Klik kanan pada daerah yang diblok. Pilih menu Open

As Group


Gambar 1.11 : Menu untuk menampilkan data

3. Sehingga akan muncul data group yang tadi kita pilih.

Gambar 1.10 : Data yang ditampilkan dalam program EViews

4. Kita bias mengubah dan menampahkan data pada group yang kita buat. Caranya, klik tombol (Edit +/-) yang ada di sudut kanan atas. Kemudian editlah data yang diinginkan. Apabila sudah selesei, klik lagi tombol

untuk mengakhiri mode edit.


A.

Regresi Sederhana

Salah satu kegunaan program EViews adalah menghitung persamaan regresi. Pada kasus ini kita akan menghitung persamaan regresi untuk factor-faktor yang mempengaruhi penjualan bunga mawar yang digambarkan oleh model Yt a0 + a1 X1 + a2 X2 +at ut 1. Dari data workfile yang tttelah kita buka tadi, pilih menu Quick

Estimate Equation

2. Kemudian akan tampak windows Equation Estimation. dengan

Isikan

menuliskan

persamaan y

sebagai

regresinya variable

dependen, c adalah konstanta, dan x1-x3 sebagai variable independen. 3. Metode regresi yang disediakan ada beberapa cara. Namun pada kasus ini kita pilih metode

Gambar 2.1 : Menu untuk melakukan analisis Regresi

least square dan sampel akan secara otomatis mengikuti dari data yang kita tampilkan di

workfile.

Gambar 2.2 : Menuliskan persamaan regresi dengan metode kuadrat terkecil


Gambar 2.3 : Tampilan Hasil Analisis Regresi

4. Ada baiknya output di atas kita copikan terlebih dahulu pada lembar kerja yang lain, misalkan dalam file MsWord. Perintah kerjanya sama seperti biasa kita melakukan copy dan paste diantara dua jendela.

Blok semua output di atas dengan cara menyorotinya menggunakan mouse.

Kemudian pada posisi semua sudah kena blok, klik kana pada mouse – Copy dan Ok . Pindah sekarang ke jendela MsWord, dan tempatkan kursor di daerah yang akan ditempatkan output tersebut. Berikutnya gunakan perintah paste di MsWord atau Ctrl-V. Selain itu, output tersebut harus diberi nama, karena suatu saat kita perlu mengeluarkannya kembali. Caranya, masih tetap berada di jendela output, klik icon Name, kemudian cantumkan nama obyeknya yang baru pada kolom

disiapkan oleh EViews secara default, yaitu eq1

Gambar 2.4 : Memberikan Nama Pada Hasil Output

5. Apabila ingin menamilkan grafik yang menunjukkan antara data dan nilai prediksinya, serta residual regresinya, klik tombol Resids sehingga akan tampil gambar sebagai berikut :


Gambar 2.5 : Tampilan Grafik Dta, Prediksi, dan Residualnya

6. Klik View | Pilih Representation | sehingga diperoleh fungsi persamaan sebagai berikut :

Gambar 2.6 : Tampilan Persamaan regersi pada EViews


B.

Membaca Regresi Sederhana dengan EViews Dependent Variable: Y Method: Least Squares Date: 10/14/11 Time: 01:04 Sample: 1990 2005 Included observations: 16 Coefficient

Std. Error

t-Statistic

C X1

13354.60 -3628.186

6485.419 635.6282

2.059173 -5.708031

0.0619 0.0001

X2 X3

2633.755 -19.25394

1012.637 30.69465

2.600888 -0.627274

0.0232 0.5422

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Prob.

0.777929

Mean dependent var

7645.000

0.722411 1076.291 13900824 -132.1020

S.D. dependent var Akaike info criterion S chwarz criterion Hannan-Quinn criter.

2042.814 17.01275 17.20589 17.02264

Durbin-Watson stat

2.316836

14.01227 0.000316

Tabel 2.1 : Tampilan Persamaan regersi dalam bentuk tabel setelah diekspor ke Ms. Word

Persamaan Regresinya Y = 13354.6016273 - 3628.18590451*X1 + 2633.75481796*X2 - 19.2539446358*X3


UJi

Nilai

Keterangan

Menunjukkan kemampuan model. Variabel R-squared

0.777929

independen mampu menjelaskan pengaruhnya sebanyak 77,79% terhadap variable dependen Nilai R2 yang sudah disesuaikan. (akan

Adjusted R-squared

0.722411

S.E. of regression

1076.291

Standar error dari persamaan regresi

Sum squared resid

13900824

Jumlah nilai residual kuadrat

Log likelihood

-132.1020

dijelaskan pada penjelasan berikutnya)

Nilai log likehood yang dihitung dari nilai koefisien estimasi Uji serempakpengaruh semua variable

F-statistic

14.01227

independen (x1,x2,x3) terhadap variable dependen (y)

Prob(F-statistic)

0.000316

Probabilitas nilai uji F-statistik.

Mean dependent var

7645.000

Nilai mean rata-rata variable dependen (y)

S.D. dependent var

2042.814

Standar deviasi variable dependen (y) Digunakan untuk menguji kelayakan model selain menggunakan Uji F. Semakin kecil AIC,

Akaike info criterion

17.01275

semakin baik modelnya. Namun nilai ini baru dapat dibandingkan apabila ada model lain yang juga sudah dihitung AIC-nya Sama seperti AIC, SIC digunakan untuk

Schwarz criterion

17.20589

menguji kelayakan model. Semakin kecil SIC, semakin baik modelnya. Sama seperti AIC, HQC digunakan untuk

Hannan-Quinn criter.

17.02264

menguji kelayakan model. Semakin kecil HQC, semakin baik modelnya.

Durbin-Watson stat

2.316836

Nilai Durbin Watson yang digunakan untuk mengetahui apakah ada autokolerasi

Tabel 2.2 : Penjelasan Hasil Regresi


C.

Analisa Model Regresi 1. Pengujian Statistik 2

a) Uji Koefisien Determinasi ( R )

Koefisien determinasi ( R 2 ), digunakan untuk mengukur seberapa besar variabelvariabel bebas dapat menjelaskan variabel terikat. Koefisien ini menunjukan seberapa besar variasi total pada variabel terikat yang dapat dijelaskan oleh variabel bebasnya dalam model regresi tersebut. Nilai dari koefisien determinasi ialah antara 0 hingga 1. Nilai R 2

yang mendekati 1 menunjukan bahwa

variabel dalam model tersebut dapat mewakili permasalahan yang diteliti, karena dapat menjelaskan variasi yang terjadi pada variabel dependennya. Nilai R 2

sama dengan atau mendekati 0 ( nol

) menunjukan variabel dalam model yang dibentuk tidak dapat menjelaskan variasi dalam variabel terikat. Nilai koefisien determinasi akan cenderung semakin besar bila jumlah variabel bebas dan jumlah data yang diobservasi semakin banyak. Oleh karena itu, maka digunakan ukuran 2

R

adjusted

( R 2 ), untuk menghilangkan bias akibat adanya penambahan jumlah variabel bebas dan

jumlah data yang diobservasi. 2 Analisis, melalui program EViews dapat diestimasi nilai Adjusted R = 0,7224 menandakan

bahwa variasi dari perubahan penjualan mawar (Y) mampu dijelaskan secara serentak oleh variabelvariabel

harga mawar (X1), promosi (X2) dan X3 (pendapatan per kapita) sebesar 72,24%,

sedangkan sisanya sebesar 27,76% dijelaskan oleh faktor-faktor lain yang tidak masuk dalam model.

b) Uji t- Statistik

Uji t-statistik digunakan untuk menguji pengaruh variabel-variabel bebas terhadap variabel tak bebas secara parsial. Uji t -statistik biasanya berupa pengujian hipotesa : Ho = Variabel bebas tidak mempengaruhi variabel tak bebas H1 = Variabel bebas mempengaruhi variabel tak bebas Dengan menguji dua arah dalam tingkat signifikansi =α dan df = n – k ( n = jumlah observasi, k = jumlah parameter ) maka hasil pengujian akan menunjukan :


Dari hasil uji t-statistik, bisa disimpulkan bahwa hanya variabel tingkat harga bunga ros dan promosi yang signifikan mempengaruhi variabel penjualan bunga rose sedangkan variabel tingkat tingkat pendapatan/kapita tidak signifikan mempengaruhi penjualan bunga ros.

c) Analisis Variansi/Uji F-Statistik

Uji F-statistik ialah untuk menguji pengaruh variabel bebas terhadap variabel tak bebas secara keseluruhan. Uji F-statistik biasanya berupa : Ho = Variabel bebas tidak mempengaruhi variabel tak bebas H1 = Variabel bebas mempengaruhi variabel tak bebas Jika dalam pengujian kita menerima Ho maka dapat kita simpulkan bahwa tidak terdapat hubungan yang linier antara dependen variabel dengan independen variabel.

Dari hasil uji F-statistik didapat bahwa nilai F-statistik signifikan pada

=

0.000316 (0,3%) hal ini mengindikasikan bahwa secara keseluruhan, semua variabel

independen mampu menjelaskan variabel dependennya yaitu penjualan bunga ros.

2. Uji Asumsi-asumsi Klasik Dalam Regresi

Secara teoritis telah diungkapkan bahwa salah satu metode pendugaan parameter dalam model regresi linear adalah Ordinary Least Square (OLS). Metode OLS digunakan berlandaskan pada sejumlah asumsi tertentu. Ada beberapa asumsi yang harus dipenuhi, pada prinsipnya model regresi linear yang dibangun sebaiknya tidak boleh menyimpang dari asumsi BLUE (Best, Linear , Unbiased dan Estimator), dalam pengertian lain model yang dibuat harus lolos dari penyimpangan asumsi adanya serial korelasi, normalitas, linearitas, heteroskedastisitas dan multikolinearitas. Selanjutnya, kita akan melakukan uji asumsi klasik tersebut.


a) Autokolerasi

Penaksiran model regresi linier mengandung asumsi bahwa tidak terdapat autokorelasi di antara disturbance terms. Autokorelasi

ini

umumnya

terjadi

pada

data

time

series.

Konsekuensi dari adanya autokorelasi pada model ialah bahwa penaksir tidak efisien dan uji t serta uji F yang biasa tidak valid walaupun hasil estimasi tidak bias (Gujarati,2003). Pengujian yang bisa digunakan untuk meneliti kemungkinan terjadinya autokorelasi adalah uji Durbin-Watson ( D-W ). Kriteria Pengujian Autokorelasi

Null Hipotesis

Hasil Estimasi

Kesimpulan

Ho

0 < dw < dl

Tolak

Ho

dl ≤ dw ≤ du

Tidak ada Kesimpulan

H1

4 − dl < dw < 4

Tolak

H1

4 − du ≤ dw ≤ 4 − dl

Tidak ada kesimpulan

Tidak ada otokorelasi, baik positif maupun negatif

du < dw < 4 - du

Diterima

Tabel 2.3 : Kriteria Autokolerasi

Sumber: Basic Econometrics, Damodar Gujarati(2003)

Caranya Pengujian Autokorelasi di EViews : Dari hasil estimasi model (eq.01) terlihat nilai durbin-watson di sebelah kiri paling bawah :

Gambar 2.7 : Nilai durbin Watson pada persamaan regersi EViews Dilarang Memperbanyak Tanpa Seijin Penyusun

Jika kita uji berdasarkan tabel Durbin-Watson di atas maka dicari terlebih dahulu nilai dl dan du pada = 5% dengan n=16 dan k (jumlah variabel independen)= 3 yaitu dl=0,8572 dan dU=1,527 sehingga didapat : positif

tidak tentu

tidak ada autokorelasi

tidak tentu

Autokorelasi 0

dl=0,8572

negatif autokorelasi

du=1,527

2,31

4-du=2,47

4-dl= 3,1428

karena 2,33 berada di daerah tidak ada autokorelasi maka bisa disimpulkan bahwa model tidak mengandung masalah autokorelasi.

b) Heterokesdasitisitas

Heteroskedastisitas sering terjadi pada model yang menggunakan data cross section, karena data tersebut menghimpun data yang mewakili berbagai ukuran (Sritua, 1993). Konsekuensi logis dari adanya heteroskedastisitas ialah bahwa penaksir tetap tak bias dan konsisten tetapi penaksir tadi tidak lagi efisien baik dalam sampel kecil maupun sampel besar. Terdapat beberapa metode untuk mengidentifikasi adanya heteroskedastisitas, antara lain: metode grafik, metode Park , metode rank Spearman, metode Lagrangian Multiflier (LM test) dan white heteroscedasticity test. 

Uji Heteroskedastisitas dengan metode White’s General Heterocedasticity Metode pengujian dengan metode White ini tidak menggunakan asumsi normalitas sehingga sangat mudah untuk diimplementasikan dan sangat cocok dengan model logit yang berdistribusi Logistic (Gujarati,2003).


Pengujian Heterosskedastisitas di EViews :

Klik View | Residual test | pilih

heteroscedaticity

test…

|

pilih white | OK

Gambar 2.8 : Cara Mengukur Nilai Hetereskesdasitas

Dari hasil estimasi didapat bahwa : Obs*R-squared =13,91 dengan p-value=0,86. Uji hipotesis : Ho : Tidak ada heteroskedastisitas H1 : Ada heteroskedastisitas Pengujian : Jika p-value < =5% maka H o ditolak Karena p-value= 0,86 > =5% maka Ho tidak ditolak, sehingga bisa disimpulkan bahwa tidak ada heteroskedastisitas di dalam model.


c) Uji Multikolinieritas

Tahapan pengujian melalui program EViews dengan pendekatan koralasi parsial dengan tahapan sebagai berikut : 1. Lakukan regresi seperti contoh di atas : Y = a0 + a1 X1 + a2 X2 + a3 X3 ................................................................ (R1) 2. Kemudian lakukan estimasi regresi untuk : X1 = b0 + b1 X2 + b2 X3 ........................................................................ (R2) X2 = b0 + b1 X1 + b2 X3 ........................................................................ (R3) X3 = b0 + b1 X2 + b2 X1 ........................................................................ (R4)

Gambar 2.8 : Output Nilai Regresi 1






Untuk Persamaan (1) nilai R 2 adalah sebesar 0,77 selanjutnya kita sebut R 1 Untuk Persamaan (1) nilai R 2 adalah sebesar 0,34 selanjutnya kita sebut R 2 Untuk Persamaan (1) nilai R 2 adalah sebesar 0,28 selanjutnya kita sebut R 3 Untuk Persamaan (1) nilai R 2 adalah sebesar 0,16 selanjutnya kita sebut R 4 Ketentuan : Bila nilai R 1 > R 2, R 3, R 4 maka model tidak diketemukan adanya multikolinearitas. Bila nilai R 1 < R 2, R 3, R 4 maka model diketemukan adanya multikolinearitas.

Analisis Hasil Output, menunjukkan bahwa nilai R 1 > R 2,

R 3,

R 4 maka dalam model tidak

diketemukan adanya multikolinearitas.

d) Uji Normalitas

Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Pendugaan persamaan dengan

menggunakan metode OLS

harus

memenuhi

sifat

kenormalan,

karena jika tidak normal dapat menyebabkan varians infinitif (ragam tidak hingga atau ragam


yang sangat besar). Hasil pendugaan yang memiliki varians infinitif menyebabkan pendugaan dengan metode OLS akan menghasilkan nilai dugaan yang not meaningful (tidak berarti). Salah satu metode yang banyak digunakan untuk menguji Normalitas adalah Jarque-Bera test. Pada program EViews, pengujian normalitas dilakukan dengan Jarque-Bera test. Jarque Bera test mempunyai distribusi chi square dengan derajat bebas dua. Jika hasil Jarque-Bera test

lebih besar dari nilai chi square pada α=5 persen, maka tolak hipotesis nul yang berarti tidak berdistribusi normal. Jika hasil Jarque- Bera test lebih kecil dari nilai chi square pada α=5 persen, maka terima hipotesis nul yang berarti error term berdistribusi normal.

Pada tampilan output EViews, pilih View

Residual Tests dan Histogram

Gambar 2.12 : Uji Normalitas dengan EViews


Normality Test.

Gambar 2.13 : Output Uji Normalitas EViews

Untuk mendeteksi apakah residualnya berdistribusi normal atau tidak dengan membandingkan nilai Jarque Bera (JB) dengan X 2 tabel, yaitu : a. Jika nilai JB > X2 tabel, maka residualnya berdistribusi tidak normal. b. Jika nilai JB < X2 tabel, maka residualnya berdistribusi normal.

Analisis Hasil Output, bahwa nilai JB sebesar

1,4529. Karena 1,4529 < 7, 82 maka dapat

disimpulkan bahwa residual berdistribusi normal. Selain itu bisa diketahui juga dari tingkatprobability sebesar 0,483 ( p > 5 %) maka dapat disimpulkan bahwa residual berdistribusi normal.


Enders, W. 1995. Applied Econometric Time Series. John Wiley & Sons, Inc.New York. Koutsoyiannis, A. 1978. Theory of Econometrics. USA.

Second Edition. Harper & Row Publishers, Inc.

Khoirunnurrofiq. 2003. Modul Pengenalan Singkat EViews Version 3.1. Laborotium Komputer Fakultas Ekonomi, Universitas Indonesia, Jakarta. Rahmanta.2009. APLIKASI EVIEWS DALAM EKONOM ETRIKA. Fakultas Pertanian Universitas Sumatera Utara. Medan Winarno, Wahyu Wing. 2009. Analisis Ekonometrika dan Statistika dengan EViews. UPP STIM YKPN. Yogyakarta


Cara-Baca-Regresi data panel.pdf

Recommend Documents