Modul Ekonometrika Dasar

Pelatihan Teknik Ekonometrika Divisi Usaha Kecil dan Mikro Bank BNI

PENGERTIAN EKONOMETRI

Secara harfiah, ekonometri dapat diartikan sebagai “ukuran-ukuran ekonomi”. Sedangkan menurut pengertian yang global, ekonometri dapat didefinisikan sebagai suatu ilmu yang y ang mempelajari analisis kuantitatif dari fenomena ekonomi dalam artian secara umum. umum. Pada mulanya, kajian ekonometri hanya meliputi aplikasi matematika statistik dengan menggunakan data ekonomi untuk menganalisis model-model ekonomi saja. Dalam perkembangannya, teori ini tidak hanya dapat digunakan untuk menganalisis model-model ekonomi saja melainkan juga dapat digunakan untuk menganalisis berbagai fenomena sosial lainnya. Secara teoritis dan prinsip, teknik ekonometri merupakan gabungan antara teori ekonomi, matematika ekonomi, statistika ekonomi, dan matematika statistik . Analisis ekonometrika memerlukan pemahaman dan pendekatan multidisipliner, namun begitu, pelatihan ini akan menyajikan pendekatan praktis dalam melakukan analisis ekonometri. Tetapi, kami sangat mengharapkan para peserta pelatihan dalam menggunakan alat bantu ekonometri ini selalu berangkat dari dan berlandaskan kepada teori yang mendasari gejala-gejala ekonomi ataupun fenomena sosial lainnya. Teori Ekonomi

Dalam konteks analisis ekonometri, peran teori ekonomi umumnya berhubungan dengan pembentukan suatu hipotesis yang biasanya berupa pernyataan yang masih bersifat kualitatif, misalnya “ penurunan harga suatu komoditas akan meningkatkan permintaan komoditas tersebut, atau dapat juga dikatakan bahwa ada hubungan yang negatif antara harga dan permintaan ”. Akan tetapi, teori tersebut tidak memberikan informasi lebih lanjut atau lebih rinci lagi mengenai hubungan antara harga dan permintaan. Misalkan, kalau harga komoditas tersebut turun 10% maka berapa persen kenaikan permintaannya? Matematika Matematika Ekonomi

Peran matematika ekonomi dalam pemodelan ekonometri cenderung untuk menyatakan teori ekonomi dalam hubungan secara matematis yang tentunya sudah lebih spesifik lagi hubungannya bila dibandingkan dengan hubungan yang dinyatakan secara verbal berdasarkan teori ekonomi. Hanya saja, dalam tahap ini, matematika ekonomi belum atau bahkan tidak memperdulikan pengukuran-pengukuran parameter ekonomi secara empiris. Oleh karena itu, teori ekonometri dapat dikatakan merupakan verifikasi empiris dari teori ekonomi. Statistika Ekonomi

Sedangkan peran statistika ekonomi dalam analisis ekonometri adalah untuk mengumpulkan, mengolah, dan menyajikan data ekonomi, baik dalam bentuk tabel

1


maupun grafik. Akan tetapi data ekonomi yang terkumpul tersebut tidak digunakan untuk menguji teori ekonomi. Matematika Statistik

Peranan matematika statistik dalam teknik ekonometri adalah memfasilitasi atau memberikan sarana kerangka metematis dalam mengestimasi/penaksiran model matematika ekonomi yang telah dibangun dari kerangka teori ekonomi dan yang telah dilengkapi dengan data statistik ekonomi. METODOLOGI EKONOMETRI

Berikut ini akan dipaparkan metodologi ekonometri beserta contoh penggunaan tahapan analisisnya dengan mengangkat fenomena ekonomi yang sangat sederhana, dengan tujuan supaya dapat menyoroti metodologi ekonometrinya secara lebih tajam.

1. 2. 3. 4. 5. 6.

Metodologi ekonometri meliputi: Membuat suatu hipotesis/pernyataan. Membuat model ekonometri untuk menguji hipotesis yang telah dibuat. Mengestimasi parameter model. Melakukan verifikasi model. Membuat prediksi. Menggunakan model untuk membuat kebijakan.

Membuat Hipotesis/Pernyataan Hipotesis/Pernyataan

Ada sebuah teori ekonomi yang menyatakan bahwa “ secara “ secara rata-rata, apabila pendapatan seseorang meningkat, maka konsumsinya meningkat pula. Akan tetapi, peningkatan konsumsinya tidak sebesar peningkatan peningkatan pendapatannya”. pendapatannya”. Teori ini merupakan sebuah hipotesis yang mendasari gejala ekonomi. Berlandaskan teori tersebut, ingin diamati, apakah fenomena ini memang demikian berdasarkan pengamatan empiris? Membuat Model Ekonometri

Berdasar teori ekonomi diatas, dapat dikatakan bahwa ada hubungan positif antara konsumsi dan pendapatan, artinya konsumsi akan naik jika pendapatan naik. Tetapi, teori tersebut tidak memberikan penjelasan lebih rinci tentang bentuk hubungan fungsional yang tepat antara konsumsi dengan pendapatan. Yang dapat dijelaskan dari teori tersebut hanyalah bahwa kenaikan konsumsi tidak sebesar kenaikan pendapatan. Artinya, bila pendapatan naik 10%, konsumsi bisa naik 9%, atau 8%, atau hanya 5%, atau berapa saja asal tidak melebihi kenaikan pendapatan yang sebesar 10%. Untuk menjawab pertanyaan itu, kita perlu membuat suatu dugaaan tentang hubungan yang lebih tepat antara konsumsi dengan pendapatan, baik dalam bentuk linier, kuadratik, eksponensial, atau lainnya. Dalam contoh ini, kita mencoba menduga hubungan tersebut dengan bentuk yang paling sederhana yaitu fungsi linier. Penentuan bentuk hubungan tentunya bukan hanya ditentukan oleh kesederhanaan atau

2


kekompleksan model yang akan digunakan, tetapi juga harus didasarkan pada substansi permasalahan. Misalnya, hubungan tersebut dinyatakan sebagai bentuk linear Konsumsi = α 1 + α 2 Pendapatan

(1.1)

Parameter α 1 disebut intersep yang menyatakan besarnya konsumsi bila pendapatan kecil sekali atau bahkan tidak ada pendapatan sama sekali, dengan kata lain tidak seorangpun yang tidak akan mengkonsumsi, sehingga α 1 > 0 . Parameter α 2 menyatakan slope yaitu kemiringan garis konsumsi dengan pendapatan dan bilangan ini menyatakan apabila pendapatan naik 1 unit maka konsumsi akan naik sebesar α 2 unit, dengan nilai 0 < α 2 consume (MPC).

< 1 atau

lebih dikenal sebagai marginal propensity to

Secara geometris, hubungan digambarkan sebagai berikut: Gambar 1.1. Konsumsi

antara

pendapatan

dan

konsumsi

dapat

Hubungan antara pendapatan dan konsumsi

α 2 α 1 Pendapatan Gambar 1.1. merupakan garis estimasi yang menggambarkan hubungan antara pendapatan dan konsumsi, dimana hasil observasi yang dilakukan tidak akan selalu tepat berada pada garis regresi yang terbentuk. Hal ini menunjukkan bahwa hubungan antara variabel konsumsi dan pendapatan adalah tidak eksak. Secara substansi, kondisi ini disebabkan masih adanya variabel lain yang mempengaruhi konsumsi, seperti jumlah rumah tangga, umur, selera, dan sebagainya yang sering disebut dengan error . Jadi berbagai faktor lain yang mempengaruhi konsumsi dengan pendapatan akan ‘ditampung’ dalam error . Bila korelasi antara konsumsi dan pendapatan rendah maka error akan besar, dan sebaliknya, jika korelasi antara konsumsi dan pendapatan tinggi maka error akan akan kecil. Secara grafis dapat digambarkan sebagai berikut:

3


Gambar 1.2.

Garis linier konsumsi, pendapatan, dan error

Konsumsi

ε = error α 1 Pendapatan Untuk mengakomodir hubungan yang tidak eksak ini kita perlu memodifikasi model (1.1) menjadi model yang lebih baik lagi seperti model (1.2) Konsumsi = α 1 + α 2 Pendapatan + ε

(1.2)

Variabel ε adalah error yang juga merupakan variabel random yang menyatakan variabel-variabel yang mempengaruhi konsumsi tetapi tidak terwakili secara eksplisit di dalam model. Mengestimasi Parameter Model

Setelah memiliki model seperti pada model (1.2), tahap selanjutnya adalah bagaimana mengestimasi model (1.2) atau tepatnya adalah bagaimana cara mencari α 1 dan α 2 serta berapa besar nilai dari parameter-parameter tersebut? Langkah awal yang perlu dilakukan adalah dengan melakukan pengamatan di lapangan atau memanfaatkan data yang telah diamati/tersedia guna mendapatkan pasangan data konsumsi dan pendapatan. Dengan menggunakan data pengamatan tersebut dan melalui teknik estimasi tertentu akan diperoleh besaran α 1 dan α 2 . Teknik pengestimasian ini akan dibahas secara terpisah pada bagian berikutnya. Melakukan Verifikasi Model

Setelah taksiran α 1 dan α 2 diperoleh, pertanyaan selanjutnya adalah apakah α 1 dan α 2 yang didapatkan sesuai dengan teori ekonomi? Dalam hal ini, apakah besaran parameter 0 < α 2

< 1 sama seperti yang dikatakan oleh teori?

Masalahnya sekarang adalah bagaimana kalau ternyata parameter yang kita peroleh ternyata tidak sesuai dengan teori. Kalau hal ini terjadi, kita perlu melihat lagi bentukan modelnya, datanya, dan teknik penaksirannya. Kalau memang semuanya sudah benar, mungkin memang ada suatu anomali pada teori tersebut yang perlu dijelaskan.

4


Membuat Prediksi

Setelah kita peroleh besarnya nilai estimasi dari parameter α 1 dan α 2 , dan setelah diverifikasi ternyata model kita sesuai dengan teori, maka model tersebut dapat digunakan untuk memprediksi suatu nilai variabel terikat (konsumsi) untuk periode atau masa mendatang. Misalkan saja model yang kita estimasi sebagai berikut Konsumsi = 100.000 + 0,65 Pendapatan Dari model ini kita dapat memprediksi seberapa kenaikan konsumsi seseorang bila gaji tahun depan dinaikkan sebesar 25%. Katakanlah jika seseorang memiliki gaji sebesar Rp 1.000.000,- berarti dia akan menyisihkan pendapatannya untuk konsumsi sebesar Rp 750.000,- pada tahun tersebut. Dan ketika gaji orang tersebut naik 25% atau menjadi Rp 1.250.000,- pada tahun berikutnya, maka konsumsinya akan menjadi Rp. 912.500,-. Apa manfaat dari informasi ini? Misalnya, untuk seorang marketing manager tentunya informasi ini sangat penting, sebab dapat diartikan bahwa tahun depan akan terjadi peningkatan permintaan terhadap produknya bila kelompok yang gajinya dinaikkan adalah pasar bagi produknya. Lebih jauh lagi, persamaan tadi dapat menunjukkan dampak kenaikan pendapatan terhadap inflasi, atau besarnya dana yang akan terserap oleh sektor perbankan sehingga dapat diprediksi besarnya modal yang dapat dipinjam oleh para nasabah. Menggunakan Model Untuk Membuat Kebijakan

Kebutuhan akan penggunaan model untuk kebutuhan pembuatan kebijakan sangat bersifat subjektif. Artinya, kita tidak bisa dengan serta merta menggunakan hasil dari model yang kita peroleh tadi untuk sembarang kebijakan (terlebih) yang tidak ada hubungannya dengan model tersebut, dengan kata lain, kita harus memperhatikan keterkaitan antara model yang kita bentuk, interpretasi hasil perhitungan yang kita peroleh, serta implikasi kebijakan yang akan kita lakukan berdasarkan hasil akhir perhitungan model yang kita bangun. Dalam praktek kesehariannya, model-model yang dibentuk dapat sangat bermanfaat untuk berbagai kebijakan yang akan diambil baik oleh pemerintah, pihak pihak swasta, maupun kepentingan-kepentingan lain yang berkaitan dengan masalah sosial, bahkan politik sekalipun.

5


Permasalahan jenis data penelitian menjadi sangat penting dalam sebuah pembentukan suatu model penelitian, karena jenis data penelitian berkaitan erat dengan sumber data dan pemelihan metode yang nantinya akan digunakan oleh peneliti. Di lain pihak, penentuan metode pengumpulan data sangat dipengaruhi oleh jenis dan sumber data penelitian yang dibutuhkan. JENIS DATA

Data penelitian pada dasarnya dapat dikelompokkan menjadi tiga jenis yaitu: a. Data Subyek (Self-reported Data) Merupakan data yang berupa opini, sikap, pengalaman atau karakteristik dari seseorang atau sekelompok orang yang menjadi subyek penelitian (responden), sehingga merupakan data penelitian yang dilaporkan sendiri oleh responden secara individual atau secara kelompok. Data jenis ini dapat diperoleh melalui proses observasi. b. Data Fisik ( Physical Data) Merupakan jenis data yang berupa obyek atau benda-benda fisik, antara lain dalam bentuk bangunan, pakaian, buku, dan lain-lain, yang merupakan benda berwujud yang menjadi bukti suatu keberadaan atau kejadian pada masa lalu. Data fisik dikumpulkan melalui metode observasi. c. Data Dokumenter ( Documentary Data) Merupakan data berupa faktur, jurnal, surat-surat, notulen hasil rapat, memo, atau dalam bentuk laporan program. Data jenis ini dikumpulkan dengan melalui metode observasi dan analisis dokumen yang dikenal dengan content analysis, antara lain berupa kategori isi, telaah dokumen, pemberian kode berdasar karakteristik kejadian atau transaksi.

SUMBER DATA

Sumber data penelitian merupakan faktor penting yang menjadi pertimbangan dalam penentuan metode pengambilan data, disamping jenis data yang telah dikemukakan dimuka. Sumber data penelitian terdiri atas data primer dan data sekunder. a. Data Primer ( Primary Data)

6


Merupakan data yang diperoleh secara langsung dari sumbernya dan belum pernah diolah sebelumnya. Misalnya data yang diperoleh dari hasil wawancara lapangan dengan responden. Ada dua metode yang dapat digunakan untuk mengumpulkan data primer, yaitu metode survei dan metode observasi.

b. Data Sekunder (Secondary Data) Merupakan data yang sudah tersedia dan telah dikumpulkan sebelumnya serta telah mengalami proses pengolahan atau diperoleh peneliti secara langsung melalui perantara, misalnya data yang dipublikasikan oleh BPS (Biro pusat Statistik). Dalam hal ini peneliti hanya sekedar memanfaatkan data yang sudah ada sesuai dengan kebutuhannya. Secara umum, data penelitian dapat dikelompokan pada menjadi dua kelompok besar yaitu: a. Data Kualitatif Data yang tidak dinyatakan dalam bentuk angka seperti jenis kelamin. Data ini banyak digunakan dalam penelitian filosofis, deskriptif dan historis. Data kualitatif dibagi menjadi 2 yaitu data yang bersifat nominal seperti jenis kelamin (laki-laki, perempuan) dan data yang bersifat ordinal (ranking) seperti baik, sedang dan buruk. Data ini dapat ditransformasikan ke dalam bentuk kuantitatif dengan memberikan simbol angka, sehingga dapat diolah dengan menggunakan metode statistik tertentu. b. Data Kuantitatif Merupakan data dalam bentuk angka seperti pendapatan, umur, gaji, dan lainlain. Data ini dapat dibedakan menjadi: (1) Data Nominal • Data yang berasal dari gejala yang bersifat normal, yaitu suatu gejala yang hanya dapat digolongkan secara terpisah atau secara deskrit atau secara kategorik. • Penggolongan tersebut dilakukan antara lain dalam bentuk jenis atau keadaan yang bervariasi menurut jumlah atau frekuensinya. • Untuk pengolahan data diatas dapat digunakan berbagai perhitungan statistik yang khusus untuk mengolah data berbentuk frekuensi. (2) Data Kontinum • Data yang berasal dari gejala yang bersifat kontinum juga yaitu gejala yang bervariasi menurut tingkatan atau jenjang. Data tersebut tidak dapat dipisahkan antara yang satu dengan yang yang lainnya. • Data kontinum dapat dibedakan menajdi: (a) Data dengan skala ordinal, skala ordinal adalah angka yang menunjukan suatu posisi dalam suatu urutan tertentu atau dalam satu seri. (b) Data dengan skala interval, dalam data interval antara nilai-nilai yang berbentuk angka dan menempati titik-titik yang berdekatan ternyata berjarak sama. Jarak tersebut kemudian dibandingkan dengan ukuran-ukuran tertentu. Misalnya rata-rata (mean), skala nilai (0-10) atau yang lainnya. 7


(c)

Data dengan skala rasio, memiliki titik nol yang absolut, sehingga suatu gejala yang dinyatakan dengan nol berarti gejala tersebut sama sekali tidak ada. Selain itu data ini juga memiliki bentuk satuan yang sama dan dapat dilakukan perbandingan secara pasti.

Dalam melakukan suatu analisa empirik kita dapat mengelompokkan jenis data yang tersedia menjadi tiga kategori, yaitu: i. Time Series Data Merupakan data yang disusun menurut urutan waktu seperti data harian, mingguan, bulanan, triwulan maupun tahunan. ii. Cross Section Data Merupakan data yang disusun pada suatu waktu yang sama dari berbagai macam kelompok seperti daerah, perusahaan dan perorangan. iii. Pooled Data Adalah data yang merupakan gabungan dari data time series dan data cross section. Misalnya data penyaluran kredit beerdasar kelompok bank yang ada (misalnya bank asing, bank umum nasional, bank swasta devisa, dan kelompok bank lainnya) selama periode 1990-2000. Kegunaan dari data ini umumnya adalah untuk memperbanyak jumlah observasi guna memenuhi kebutuhan minimum jumlah observasi dalam sebuah penelitian. PERMASALAHAN DALAM DATA

Dalam melakukan pengumpulan data, kita sering kali dihadapkan pada beberapa masalah sebagai berikut: a. Missing Data Missing data (data kosong) merupakan fenomena yang paling sering muncul terutama pada data-data sekunder yaitu masalah ketidaktersediaan data. Caracara yang dapat digunakan untuk mengatasi masalah tersebut adalah: • Drop data, ini merupakan cara termudah yaitu dengan membuang atau menghapus keseluruhan data yang tidak tersedia tersebut dalam penelitian yang akan dilakukan. Akan tetapi cara ini tidak selalu dapat dilakukan ketika data atau veriabel yang akan dibuang tersebut adalah merupakan variabel substantif dalam sebuah model. • Estimasi data, yaitu mencoba ‘mengisi’ data-data yang tidak tersedia (kosong) dengan cara membuat trend data atau regresi dari variabel tersebut terhadap waktu. b. Outlier Outlier adalah data yang nilainya jauh berbeda atau menyimpang dari trend data secara keseluruhan. Cara mengatasi outlier adalah sebagai berikut: • Melakukan cek ulang terhadap data aslinya, karena ada kemungkinan terjadi kesalahan pada saat entry data. • Jika data outlier tersebut dianggap akan mengacaukan hasil penelitian maka sebaiknya data tersebut dihilangkan.

8


•

Jika data outlier tersebut ada kemungkinan ‘berulang’ (mempunyai pola) maka data tersebut sebaiknya jangan dihilangkan.

SATUAN DATA

Dalam berbagai penelitian seringkali ditemukan data yang berbeda satuan. Untuk memudahkan analisa hasil regresi sebaiknya satuan data disamakan dengan mengubah bentuk data yaitu dalam bentuk logaritma, logaritma natural atau membagi data tersebut dengan standar deviasi masing masing. KONVERSI DATA

Data-data seperti jenis kelamin, jenis pekerjaan, jenjang pendidikan merupakan data-data yang bersifat kualitatif sehingga tidak dapat digunakan untuk regresi. Untuk keperluan analisa perlu adanya transformasi data kualitatif tadi menjadi data kuantitatif, hal ini biasa disebut dengan dummy variable. Misalnya jenis kelamin lakilaki diberi angka 1 dan perempuan diberi angka 0, sehingga variabel yang tadinya bersifat kualitatif berubah menjadi kuantitatif. DATA NOMINAL ATAU RIIL

Data-data yang digunakan dalam penelitian harus memiliki sifat yang sama, jika penelitian menggunakan data riil maka seluruh data yang berbentuk nominal harus di-deflate dengan indeks harga sehingga menjadi data riil. Indeks harga yang digunakan dapat berupa IHK, GDP deflator atau indeks harga lainnya.

9


EViews merupakan salah satu software statistika yang powerful dalam menganalisis data khususnya data time series. Software ini bersifat user friendly karena berbasiskan window dengan berbagai fasilitas seperti data analysis, regression dan forecasting . Dengan EViews ini kita dapat mengapliksikan dengan cepat dan mudah metode statistika sesuai dengan perilaku data, dan selanjutnya dengan metode terpilih ini akan digunakan untuk meramalkan nilai dugaan di masa depan. Beberapa contoh cakupan pengunaan EViews antara lain scientific analysis and evaluation, financial analysis, macroeconomic forecasting , simulation, sales forecasting and cost analysis.

Cara Menggunakan Regresi dengan Menggunakan Program EViews 3.1

Langkah-langkah yang harus dilakukan adalah sebagai berikut : Sebelum data diolah menggunakan berbagai software statistik maupun ekonometrik langkah pertama yang perlu dilakukan adalah memasukkan data ke dalam komputer, agar data dapat diolah lebih lanjut. Semua data sebaiknya dimasukkan atau diketik dalam microsoft excel . Hal ini dimaksudkan untuk mempermudah pekerjaan, karena data ini dapat dipindah-pindah atau digunakan dalam software-software yang lain. Setelah semua data dimasukkan langkah langkah yang dilakukan untuk memindahkan data ke software Eviews adalah: TAMPILAN AWAL EVIEWS

Tekan program EViews maka akan muncul tampilan sebagai berikut :



Menu EViews ♦ File ♦ Edit ♦ Objects ♦ View ♦ Procs ♦ Quick ♦ O ptions ♦ Window ♦ Help

Close

10


Pada window EViews : Jika Clik :  Minimize, membuat ukuran window menjadi kecil  Restore, ukuran window sedang atau maximize, ukuran window penuh/besar  Close, menutup window EViews Status line menunjukkan: 1. Tempat pesan suatu perintah 2. Default directory 3. Default database 4. Workfile yang aktif

Pembuatan Workfile

Tekan File, New, Workfile maka akan keluar tampilan sebagai berikut :



Pilihan waktu dari data ada berbagai macam ; • Annual untuk data tahunan. • Semi-Annual untuk data semesteran. • Quarterly untuk data triwulanan. • Montly untuk data bulanan. • Weekly untuk data mingguan. • Daily (5 day weeks) untuk data mingguan (5 hari kerja). Contoh data ini adalah data saham, dimana bursa berlangsung dari hari senin-jumat. • Daily (7 day weeks) untuk data mingguan (7 hari). Contoh data penjualan supermarket. • Undated or irregular untuk data cross section, yang ditulis berdasarkan banyaknya observasi. Ketik range waktu yang diinginkan pada Start date dan End date





Ok, Tampilannya sebagai berikut:

11


Button Bar

Procs

MENGIMPOR DATA DARI EXCEL

Pada toolbar window Workfile : Tekan Procs, Impor, Read Text-Lotus-Excel , dapat juga melalui toolbar window E-Views dengan menekan File, Impor, Read Text-Lotus-Excel . pada file yang akan  Tentukan lokasi file excel misalnya di drive A, double click digunakan. ).  Kemudian akan keluar tampilan sebagai berikut : ( Excel Spreadsheet Import 



Click By Observation – series in columns pada Order of data untuk memilih data yang akan digunakan berdasarkan kolom pada excel spreadsheet kita.



Ketik B2 yang menunjukkan lokasi sel di excel spreadsheet yang pertama kali akan diimpor ke EViews workfile dan Sheet2 yang menunjukkan letak data kita pada excel worksheet.



Ketik banyaknya variabel data yang diimpor pada Names of series or number of series if names infiles misalnya 3 , atau kita bisa langsung mengetik nama-nama variabel yang akan diregresi, misalnya Money Deposito GDP



Kemudian ketik 1971 2000 yang menunjukkan tahun series data sesuai dengan range yang ditentukan ketika membuat workfile baru.

12

Pelatihan Teknik Ekonometrika Divisi Usaha Kecil dan Mikro Bank BNI 

OK, maka tampilannya sebagai berikut :

Memasukkan data kedalam workfile EViews juga dapat dilakukan dengan cara sebagai berikut: 

Tekan Quick, Empty Group ( Edit Series) pada tampilan gambar ketiga diatas setelah kita mengisi Workfile Range, dilanjutkan dengan copy data dari excel spreadsheet beserta nama variabelnya. Setelah itu tekan kolom disamping kanan Obs pada Data Sheet EViews, tekan mouse sebelah kanan dan Paste.



Untuk menyimpan group yang sudah ada, tekan Name



Tekan OK

MENYIMPAN WORKFILE 

Tekan Save pada toolbar windows Eviews atau dapat dilakukan melalui File, Save pada menu EViews kemudian beri nama PELATIHAN I

13


GENERATING DATA

Generating data digunakan untuk membuat data baru dari data yang telah masuk ke dalam workfile EViews, sehingga dapat diproses lebih lanjut. Jika data ingin dirubah dalam bentuk logaritma natural (ln) dapat dilakukan dengan cara sebagai berikut: Tekan Genr pada window Workfile, maka akan muncul tampilan sebagai berikut:



Tuliskan nama variabel baru dan fungsi dari variabel baru tersebut dalam kotak Enter Equation. Misalnya kita akan merubah variabel money kedalam bentuk logaritma, maka ketik lnmd=log(money) pada Enter equation  Kotak sample menunjukkan data sample yang akan diubah kedalam bentuk lnmd  Tekan OK, tampilannya sebagai berikut : 

DESKRIPSI DATA

Sebelum melakukan analisis lebih lanjut terhadap data, penyajian dan peringkasan data dalam bentuk deskripsi data, baik berupa nilai statistik atau gambar merupakan tahapan penting dalam melakukan analisis selanjutnya. Hal ini bermanfaat untuk menentukan analisis yang tepat dan efisien terhadap data sesuai tujuan sehingga diperoleh kesimpulan yang tepat dan sah.

14


Tahapan sebelum melakukan deskripsi data adalah mengecek data di workfile adalah sebagai berikut:

Menampilkan Data dalam Group 

Block variabel-variabel yang akan dilihat dalam group

Click kanan



Clik 2 kali pada variabel yang sudah di block , Open Group atau View/Show…, baik pada window workfile maupun EViews, dapat juga dengan cara clik kanan, Open, As Group Maka akan terlihat sebagai berikut :

15


Menampilkan data dalam grafik garis 

Click View, Multiple Graphs, Line pada window Group atau window Workfile

Menampilkan Deskripsi Statistika (Statistik sample masing-masing variabel dan korelasi antar variabel) 

Click View, Deskriptive stats, Individual samples pada window Group atau Workfile

16

Pelatihan Teknik Ekonometrika Divisi Usaha Kecil dan Mikro Bank BNI 

Untuk melihat korelasi antar data click View, Correlation

INSERT DATA BARU

Untuk memasukkan data baru dapat dilakukan dengan langkah-langkah sebagai berikut: 1. Mengubah range tahun dari data/sample Pada widow EViews tekan Procs, Change workfile range…, ketik tahun data yang diinginkan pada end date





Procs, Sample…., ketik range tahun yang diinginkan pada sample range pairs misalnya 1971-2005 (Or sample object to copy)

2. Menyisipkan data series baru Blok variabelnya lalu tekan Show, OK maka akan tampil window group sebagai berikut:



17


Pada window Group, tekan Edit+/-, sehingga akan tampil sebagai berikut:



Lokasi data yang disisipkan

Buka data yang ada di Excel , Blok dan Copy data yang ingin disisipkan.



Tempatkan kursor pada awal lokasi penyisipan (Window Group) dan Edit, Paste



18


CARA MELAKUKAN REGRESI DENGAN MENGGUNAKAN EVIEWS

Misalkan kita memiliki fungsi regresi sederhana sebagai berikut Money = f(GDP, Tingkat Bunga Deposito) Money = β1 + β2 GDP + β3 Tingkat Bunga Deposito 

Masukan data yang akan diregresi



Tulis persamaan regresinya dengan cara tekan Quick, Estimate Equation pada window Eviews dan tulis persamaan regresi dalam kotak yang tersedia; atau tekan Object, New Object, OK



Tulis model persamaan permintaan uang diatas dengan cara mengetik money c deposito gdp pada kotak Equation Specification



Pada kotak Estimation Settings kita bisa menentukan model fungsi dan sample yang akan digunakan. Untuk jenis regresi OLS kita pilih LS-Least Squares … dan kita ketik range sample penelitian 1971 2000



Tekan OK, akan terlihat sebagai berikut :



Hasilnya :

19




Untuk melihat model regresi yang telah dilakukan, tekan View, Representation pada window Equation



Jika ingin kembali kepada hasil estimasi yang dilakukan sebelumnya, tekan View, Output Estimation



Simpan hasil estimasi yang telah dilakukan, tekan Save, Name pada window Workfile

20


EVALUASI HASIL REGRESI

Ada beberapa kriteria untuk menyatakan bahwa model regresi yang dihasilkan adalah baik, pada umumnya ada tiga kriteria evaluasi yang digunakan yaitu : 1. Kriteria ekonometrika (multikolinieritas, otokorelasi dan heteroskedastisitas) 2. Kriteria ekonomi (tanda dan besaran) 3. Kriteria statistik (uji diagnostik) 1. Kriteria Ekonometrik a. Multikolinieritas Multilolinieritas adalah keadaan dimana dua atau lebih independent variable berkorelasi tinggi. Deteksi ada tidaknya multikolinieritas dapat dilihat dari nilai R 2, F-hitung serta t-hitung, dimana identifikasi awal terjadinya kasus multikolinieritas adalah jika nilai R 2 dan F-hitung cenderung tinggi sedangan nilai t-hitung banyak yang tidak signifikan.

Cara lain untuk mendeteksi ada tidaknya multikolinieritas adalah dengan memperhatikan hasil prob t-statistic hasil regresi. Apabila banyak koefisien parameter yang diduga menunjukkan hasil yang tidak signifikan maka hal ini mengindikasikan adanya multikolinieritas. Selain itu ada juga beberapa cara yang digunakan untuk mendeteksi ada tidaknya masalah multikolinieritas (Judge et. al., 1982, hal 868) yaitu (1) Melihat matriks koefisen korelasi antara masing-masing variabel bebas. Jika korelasi antara dua variabel lebih besar dari 0,8 maka terdapat masalah multikolinieritas yang serius. (2) Melihat nilai Condition Index (dengan menggunakan program SPSS), jika lebih besar dari 30 maka terdapat masalah multikolinieritas yang serius. Treatment termudah untuk pelanggaran ini adalah dengan menghilangkan salah satu variabel yang tidak signifikan tersebut. Namun hal ini seringkali tidak dipergunakan karena akan menciptakan bias dari parameter yang spesifik dalam model. Diharapkan bias tersebut cukup kecil sehingga bias penghilangan variabel ini tidak terlalu besar. Cara lain adalah dengan mencari variabel instrumental yang berkorelasi dengan dependent variable namun tidak berkorelasi dengan variabel bebas lainnya. Cara ini cukup rumit mengingat kita tidak memiliki informasi mengenai tipe variabel tersebut. Untuk mencegah penghilangan variabel yang salah dapat digunakan regresi stepwise. Cara melihat multikolinieritas dengan EView, melalui koefisien korelasi, caranya : 

Pilih variabel-independent variable dalam model, Klik kanan, Open, as Group. Akan muncul tampilan sebagai berikut:

21




Pilih View, Correlation

Jika korelasi antara dua variabel lebih besar dari 0,8 maka terdapat masalah multikolinieritas yang serius. b. Otokorelasi Salah satu asumsi dasar dari perhitungan regresi dengan metode OLS adalah tidak adanya korelasi antar variabel gangguan atau galat pada periode tertentu (et ) dengan galat periode sebelumnya (et-1), atau E (et ,e t-1) = 0. Jika pada suatu kondisi tertentu terjadi hubungan antar galat periode et dengan periode et-1 maka terjadi kasus otokorelasi sederhana tingkat pertama, first order autocorellation = AR(1), dimana nilai koefisien AR(1) menunjukkan nilai korelasi antar galat dalam persamaan. Eksistensi otokorelasi dalam model yang diteliti akan menghasilkan estimasi koefisien yang konsisten dan tidak bias (unbiased ) tetapi memiliki varians yang besar, dengan perkataan lain hasil penafsiran menjadi tidak efisien. Varians estimasi parameter yang tidak efisien ini menyebabkan nilai t-hitung masingmasing variabel cenderung kecil. Ada beberapa metode yang dapat dipakai untuk mendeteksi kasus otokorelasi, yaitu: Uji Durbin Watson Uji ini dilakukan dengan membandingkan nilai DW-statistik yang dihitung dengan batas atas (DWu) dan batas bawah (DWl) dari tabel Durbin-Watson dengan memperhatikan jumlah observasi dan jumlah independent variable. Selang kepercayaan yang didapat dari hasil pengujian mencakup 5 daerah yaitu:

22


1. DWSTAT< DWL 2. DWL < DWSTAT 4 – DW L

otokorelasi negatif tidak dapat disimpulkan tidak terjadi otokorelasi tidak dapat disimpulkan otokorelasi positip

Kelemahan dari Uji Durbin Watson adalah adanya daerah inconclusive (daerah 2 dan 4) sehingga uji ini tidak dapat memberikan penjelasan dengan tepat mengenai ada tidaknya korelasi antar variabel gangguan (galat) pada periode tertentu dengan galat periode sebelumnya terutama pada kedua daerah tersebut. Cara mengatasi masalah otokorelasi, dapat dilakukan dengan beberapa cara, seperti: 1. Merubah bentuk persamaan dari persamaan Yit = α + βXit + ∈it menjadi Yit - Y1t – 1 = αI (1 - ⎯ρi ) + β (X1t - ⎯ρi X1t – 1) +∈it - ⎯ρI ∈i t – 1 besaran ρ berada pada –1 <ρ<1 2 Mengatasi masalah tersebut dengan cara mencari nilai ρ yang paling optimal dengan cara coba-coba dengan program eviews nilai ρ didapat pada waktu meregres dengan AR (1). 3 Masukan nilai ρ ke dalam bentuk persamaan yang dirubah (2). Kembali ke hasil regresi awal: yang dihasilkan adalah  Dari hasil regresi awal terlihat bahwa DW statistik sebesar 1,427 pada selang DWSTAT< DW L nilai tersebut berada di  Nilai tersebut berada luar selang DWU < DWSTAT < 4–DWU, yang berarti terjadi otokorelasi negatif

Untuk itu perlu dilakukan treatment agar nilai DW menjadi lebih baik  Kembali ke Estimate  Tambahkan AR(1) kedalam persamaan regresi  OK

23


 

Terlihat bahwa nilai DW statistik yang dihasilkan adalah sebesar 1,850 Nilai tersebut berada pada selang DWU < DW STAT < 4–DWU, yang berarti terjadi tidak terjadi otokorelasi

Uji Lagrange Multiplier ( LM )

Untuk memperkuat hasil uji Durbin Watson yang dilakukan sebelumnya, dapat dilakukan uji lainnya dengan Lagrange Multiplier dengan menggunakan uji Breusch-Godfrey Serial Correlation LM test yang menitik beratkan pada perbandingan antara nilai Obs*R-squared dengan nilai χ 2 tabel pada tingkat kepercayaan tertentu dan derajat kebebasan (df ) yang sesuai dengan jumlah independent variable. Pendugaan pengujian otokorelasi dilakukan dengan pembuatan hipotesa sebagai berikut : H 0 : no autocorrelation H 1 : autocorrelation Jika nilai Obs*R-squared > masalah otokorelasi.

2

tabel maka H 0 ditolak, dengan kata lain terjadi

Pengujiannya dapat dilakukan Lagrange Multiplier Test : 



 

dengan

menggunakan Breusch-Godfrey

Pada Equation toolbar, tekan View, Residual Test, Serial Corelation LM Test Akan muncul tampilan berikut ini:

Lihat nilai probabilita dan nilai Obs*R-squared Dari P-Value terlihat bahwa nilai P-Value > α Hal ini mengindikasikan tidak terjadi otokorelasi pada persamaan.

24


Hasil treatment yang dilakukan sebelumnya membuktikan bahwa masalah otokorelasi telah teratasi. c. Heteroskedastisitas Asumsi lain yang digunakan dalam penerapan model regresi linear yaitu varians dari setiap gangguan atau residual adalah konstan. Heteroskedastisitas adalah keadaan di mana asumsi tersebut di atas tidak tercapai, dengan kata lain E (et 2) = δ t2 , dimana E (et 2) adalah ekspektasi dari error dan δ t2 adalah varians dari error yang berbeda tiap periode waktu.

Dampak adanya heteroskedastisitas adalah tidak efisiennya proses estimasi, sementara hasil estimasinya sendiri tetap konsisten dan tidak bias. Eksistensi dari masalah heteroskedastisitas akan menyebabkan hasil uji-t dan uji-F menjadi tidak berguna (misleading ). Pada penelitian ini, pengujian kasus heteroskedastisitas akan dilakukan dengan menggunakan White Heteroskedasticity Test pada consistent standard errors & covariance. Hasil yang perlu diperhatikan dari hasil uji ini adalah nilai F dan Obs*R-squared , dengan hipotesis sebagai berikut H 0 : homoskedasticity H 1 : heteroskedasticity 2

Kemudian kita membandingkan antara nilai Obs*R-squared dengan nilai tabel dengan tingkat kepercayaan tertentu dan derajat kebebasan (df) yang sesuai dengan jumlah independent variable. 





Pada window Equation, tekan View, Residual Test, White Heteroskedasticity Ada dua macam versi yaitu Cross product term option dan no cross product term option. Jika modelnya memiliki banyak variabel bebas maka disarankan untuk menggunakan no cross term option Akan muncul tampilan sebagai berikut:

25


 

Lihat nilai Obs*R-squared kemudian bandingkan dengan 2 tabel Atau bisa dilihat dari P-Value terlihat bahwa nilai P-Value > α Hal ini mengindikasikan tidak terjadi otokorelasi pada persamaan. 2

Jika nilai Obs*R-squared > tabel maka H 0 ditolak, dengan kata lain terjadi masalah heteroskedastisitas. Dalam hal ini P-Value (0,0007) < α 5% (0,05), maka telah terjadi masalah heteroskedastisitas Treatment nya adalah dengan melakukan weighted pada variabel yang dispesifikasikan. Cara melakukan mengatasi masalah heteroskedastisitas adalah:  Pada window Equation, tekan Option  Beri tanda (√) pada Heteroskedasticity dan beri tanda (√) pada weighted  Masukan variabel yang paling signifikan untuk di-weighted  OK



Akan didapat hasil estimasi baru yang telah terbebas dari masalah heteroskedastisitas

26


2. Kriteria ekonomi

Pada kriteria ini melihat kecocokan tanda (positif atau negatif) dan juga nilai koefisien penduga dengan berdasarkan teori. Hasil yang positif berarti “jika X mengalami peningkatan sebesar satu satuan maka Y akan mengalami peningkatan juga sebesar nilai koefisien yang dihasilkan dari regresi”. Jika hasilnya negatif berarti sebaliknya. 3. Kriteria Statistik a. Uji Signifikansi

Merupakan suatu pengujian yang bertujuan untuk mengetahui apakah koefisien regresi signifikan atau tidak. Sebelum melakukan pengujian, biasanya dilakukan hipotesis terlebih dahulu, yaitu: H 0 : β = 0 H 1 : β ≠ 0 Artinya, berdasarkan data yang tersedia, akan dilakukan pengujian terhadap β, apakah sama dengan nol, yang berarti tidak mempunyai pengaruh signifikan terhadap variabel terikat, atau tidak sama dengan nol, yang berarti mempunyai pengaruh yang signifikan. Uji t Kolom yang berada di tengah pada output regresi menunjukan nilai t-hitung yang dihasilkan dalam regresi. Jika hasil t-hitung > t-tabel , maka hipotesis nol ditolak pada tingkat kepercayaan (1-α). Dalam hal ini dapat dikatakan bahwa β signifikan secara statistik. Dengan (T-k) degrees of freedom. Uji Probability Kolom paling kanan pada output regresi menunjukan nilai probabilitas dari parameter regresi yang kita duga, dibawah asumsi bahwa error regresi

27


terdistribusi secara normal. Nilai ini ditunjukan oleh p-value. Secara singkat dengan nilai p-value ini, kita dapat menentukan apakah kita menerima atau menolak hipotesa. Jika nilai p-value < nilai maka kita dapat menolak hipotesa Ho, dengan tingkat keyakinan (1- α). Dalam hal ini dapat dikatakan bahwa β signifikan secara statistik . Nilai p-value dihitung berdasarkan distribusi t dengan (T-k) degrees of Freedom. b. Uji F F-statistik merupakan uji ketepatan model atau yang biasa dikenal dengan goodness of fit dibawah hipotesanya. Yaitu :

H 0 H 1

: Semua parameter = 0 : Semua parameter ≠ 0

Dalam hipotesanya uji ini tidak melibatkan konstanta. Untuk metode Ordinary Least Squares nilai F-statistik dihitung dengan formula sebagai berikut: F =

R 2 / (k − 1)

(1 − R )/ (T − k ) 2

Nilai F akan mengikuti distribusi F dengan degree of freedom (k-1) untuk pembilang dan (T-k) sebagai penyebutnya. Nilai F statistik yang besar lebih baik dibandingkan dengan nilai F statistik yang rendah. Sedangkan nilai prob F merupakan tingkat signifikansi marginal dari F statistik. Dengan nilai prob F maka kita dapat melakukan penolakan hipotesa H 0 jika nilai prob F kurang dari nilai alpha. Maka pada tingkat keyakinan (1- α) kita dapat menyimpulkan bahwa seluruh parameter yang diduga (tidak termasuk konstanta) adalah berbeda dengan nol. Atau model yang digunakan adalah model yang baik. 2

c. R-squared (R ) Nilai R-squared (R 2) statistik mengukur tingkat keberhasilan model regresi yang digunakan dalam memprediksi nilai dependent variable. R 2 merupakan fraksi dari variasi yang mampu dijelaskan oleh model. Nilai R 2 terletak antara nol sampai dengan satu. Semakin mendekati satu maka model dapat dikatakan semakin baik. 2

Adjusted R-squared (Adj-R ) Salah satu masalah jika kita menggunakan ukuran R 2 untuk menilai baik buruknya suatu model adalah kita akan selalu mendapatkan nilai yang terus naik seiring dengan penambahan variabel bebas ke dalam model. Adj-R 2 secara umum memberikan penalti atau hukuman terhadap penambahan variabel bebas yang tidak mampu menambah daya prediksi suatu model. T − 1 Adj. R 2 = 1 − 1 − R 2 T − k 2 Nilai Adj-R tidak akan pernah melebihi nilai R 2 bahkan dapat turun jika menambahkan variabel bebas yang tidak perlu dan bahkan untuk model yang memiliki kecocokan yang rendah ( goodness of fit ).

(

)

4. Kriteria Lainnya

28


a. Standard Error of Regression (S.E. of regression) Merupakan ikhtisar yang mengukur akar dari variance yang diukur berdasarkan nilai residual dari regresi yang dilakukan dengan model yang ada. Semakin kecil nilai S. E. of regression maka model dinilai semakin baik. c. Sum of Squared Residuals Sum of Squared Residuals tidak jauh berbeda dengan S.E. of regression. Ia merupakan jumlah kuadrat dari kesalahan (residual) dari model regresi yang kita gunakan. Semakin besar nilai SSR ini berarti model memiliki kecocokan yang buruk. d. Log Likelihood Nilai dari log likelihood function merupakan evaluasi terhadap nilai parameter yang kita duga dalam regresi. Perhitungan nilai log likelihood menggunakan asumsi bahwa error terdistribusi secara normal. Likehood ratio test merupakan tes yag mengukur perbedaan antara nilai log likelihood untuk model restricted dan nilai log likelihood untuk unrestricted dari persamaan yang digunakan semula. Semakin besar nilai log likelihood tes maka model yang kita gunakan semakin baik. e. Akaike Information Criterion Nilai dari Akaike Information Criterion (AIC) dihitung dengan formula:

AIC = 2l / T − 2k / T dimana nilai l adalah niali log likelihood diatas

l = −T / 2(1 + log(2π ) + log(ε ' ε / T )) AIC sering kali digunakan sebagai seleksi terhadap nilai alternatif dari nonnested, dimana nilai AIC yang lebih kecil menunjukkan hasil yang lebih baik. Misalnya, kita ingin menggunakan lag dari variabel dalam model, maka panjang distribusi lag yang digunakan adalah yang meminimumkan nilai AIC. f.

Schwarz Criterion Schwarz Criterion (SC) merupakan alternatif dari AIC dimana SC memberikan penalti terhadap penambahan variabel bebas. SC dihitung menggunakan formula: SC = 2l / T + (k log T ) / T

Ketentuan yang digunakan dalam SC sama dengan IC, dimana makin kecil nilai SC makin menunjukkan hasil yang lebih bagus. Selain uji-uji tersebut, masih ada beberapa uji lainnya yang juga dibutuhkan dalam melakukan suatu regresi ekonometri, yaitu: a. Uji Normalitas

29


Apabila ukuran sampel yang digunakan kecil, distribusi error term perlu diuji apakah mendekati normal. Uji yang dilakukan adalah dengan menggunakan uji Jarque–Bera (Uji J-B). Uji ini didasarkan pada error penduga least squares. Prosedur pengujiannya sebagai berikut: H 0 H 1

: error term memiliki distribusi normal : error term tidak memiliki distribusi normal

Statistik J-B dihitung melalui tahapan sebagai berikut: (1) Hitung kecondongan ( α3) dan ketinggian ( α4) distribusi error term. (2) Hitung statistik

⎛ α 32 (α 4 − 3) 2 ⎞ ⎟⎟ + J − B = n⎜⎜ 24 24 ⎝ ⎠

Dalam sample besar statistik JB mengikuti distribusi Chi-square dengan bebas. Jika statistik J-B lebih kecil dibandingkan dengan nilai kritis Chi-squared , berarti error term mendekati distribusi normal. Uji ini perlu dilakukan jika sampel yang digunakan kurang dari 30, karena jika sampel lebih dari 30 maka error term cenderung akan terdistribusi secara normal. Langkah-langkah dalam melakukan uji J-B adalah sebagai berikut: , Click kanan  Pada window Workfile, pilih Resid  Pilih View, Deskriptive Stat, Histogram and Stat  Akan muncul tampilan berikut :



= 5% maka daerah kritis penolakan H 0 adalah ketika J-B > probability (P-Value) <

2

atau

Dari hasil uji tersebut terlihat bahwa nilai 0.64 > 5% sehingga H 0 dapat diterima yang artinya data tersebut terdistribusi secara normal.

30


b. Uji Kausalitas Masalah yang sering muncul dalam perekonomian adalah menentukan apakah perubahan satu variabel menyebabkan perubahan pada variabel yang lain. Contohnya adalah apakah perubahan Money akan menyebabkan perubahan pada GDP atau antar keduanya ditentukan secara endogen? Menghadapi permasalahan ini maka diperlukan uji kausalitas. Dalam melakukan uji ini dilakukan dua kali pengujian dengan menampilkan jumlah lag yang berbeda, hal ini dilakukan untuk melihat apakah hasilnya konsisten untuk setiap lag yang berbeda.    



Pada window Workfile, pilih variabel Money dan GDP Klik kanan, Open as Group Pilih View, Granger Gausality Test, pilih besaran Lag yang diinginkan Akan muncul tampilan berikut :

= 5% maka daerah kritis penolakan H 0 adalah ketika J-B > probability (P-Value) <

2

atau

Pengujian pertama H 0 : Money tidak mempengaruhi (tidak menyebabkan) GDP H 1 : Money mempengaruhi (menyebabkan) GDP Dari hasil uji terlihat bahwa H 0 ditolak, dengan kata lain variabel Money memiliki pengaruh terhadap GDP Pengujian kedua: H 0 : GDP tidak mempengaruhi (tidak menyebabkan) Money H 1 : GDP mempengaruhi (menyebabkan) Money Dari hasil uji terlihat bahwa probability (P-Value) < 0,05 ( 5%) berarti H 0 ditolak , dengan kata lain GDP memiliki pengaruh terhadap Money. Untuk memastikan hasil uji yang didapat maka dapat dilakukan dengan menambahkan jumlah lag pada pengujiannya Jika lagnya ditambahkan (lag = 3)

31


Dari hasil pengujian tersebut dapat terlihat adanya hasil yang konsisten untuk berbagai lag, maka hipotesa yang menyatakan Money tidak mempengaruhi GDP dapat ditolak.

c. Uji Stationeritas Isu statistik yang berkaitan dengan analisa data time series adalah masalah stasioneritas data. Pengujian stasioneritas data dilakukan untuk menghindari kasus spurious regression, dimana ciri-ciri dari spurious regression adalah regresi akan menghasilkan nilai R-squared yang tinggi dan t-statistic yang nampak signifikan namun tidak mempunyai arti dalam ilmu ekonomi.

Salah satu bentuk pengujiannya adalah menggunakan Dickey-Fuller test (1979), pengujian ini dilakukan melalui regresi suatu variabel terhadap lag -nya. Dickey-Fuller menganjurkan untuk melakukan transformasi data ke dalam tiga persamaan regresi dibawah ini (Enders, 1995: 221). i. y t − y t −1

= Δ y t = γ y t −1 + ε t ii. y t − y t −1 = Δ y t = a 0 + γ y t −1 + ε t iii. y t − y t −1 = Δ y t = a0 + γ y t −1 + a 2 t + ε t Pengujian bisa dilakukan terhadap satu atau lebih persamaan regresi di atas. Untuk pendugaan pengujian unit root dilakukan dengan hipotesa sebagai berikut H 0 : γ = 0 : unit root H 0 : γ ≠ 0 : no unit root Pengujian hipotesa unit root dilaksanakan dengan membandingkan hasil τ stastistik hasil regresi dengan tabel Dickey-Fuller . Jika τ statistiknya lebih kecil dari nilai kritisnya maka kita menerima H 0 : γ = 0 atau dengan kata lain variabel yang diteliti, yt , mengandung unit root sehingga dapat dikatakan bahwa data tidak stasioner. Modifikasi dari Dickey-Fuller test adalah Augmented Dickey-Fuller test (Enders, 1995: 222). Disini dilaksanakan pengujian atas persamaan regresi yang memiliki order lebih dari first order difference.

32


Bentuk uji stasioneritas data lainnya adalah Phillips-Perron test yang merupakan pengembangan dari Dickey-Fuller test . Dalam pengujian ini tidak diperlukan adanya asumsi error yang homogen dan independent seperti pada Dickey-Fuller test sehingga kondisi error yang dependen dan heterogen dapat diakomodasi dalam pengujian ini. Kelebihan lain dari Phillips-Perron test dibandingkan dengan Dickey-Fuller test adalah tidak adanya masalah dalam pemilihan jumlah lag karena kesalahan dalam penentuan jumlah lag akan mengakibatkan hasil pengujian menjadi bias. Phillips-Perron test juga mengadopsi adanya perubahan yang signifikan dalam data series seperti misalnya structural break sebagai akibat dari oil shock , financial deregulation, atau intervensi dari bank sentral terhadap kebijakan moneter yang seringkali mengakibatkan berubahnya struktur data secara permanen. Pengujian kemudian dilakukan terhadap H 0 : γ *

= γ − 1 = 0 , dimana hasilnya

kemudian dibandingkan dengan McKinnon critical value. Apabila hasil pengujian stastistik yang diperoleh lebih besar daripada McKinnon critical value maka H 0 ditolak dan H 1 diterima dengan kata lain yt adalah stasioner. Cara melakukan uji unit root adalah sebagai berikut:    





Pilih satu variabel yang ada dalam workfile Klik kanan, Open View, Unit Root Test Akan terlihat tampilan sebagai berikut :

Pilih jenis tes yang akan dilakukan, Augmented Dickey Fuller atau Phillip Peron Test OK

33






Apabila hasil pengujian τ stastistik yang diperoleh lebih besar daripada McKinnon critical value maka H 0 ditolak dan H 1 diterima dengan kata lain y t adalah stasioner Lakukan terus untuk variabel yang lain

Peramalan dilakukan untuk memprediksi bagaimana pengaruh pada kebijakan yang sedang berjalan pada variabel-variabel indikator penting yang akan diperhatikan. Salah satu bentuk peramalan adalah simulasi kebijakan pada independent variable untuk menentukan pengaruhnya pada dependent variable. Sebelum melakukan peramalan, misalnya untuk meramalkan jumlah money demand antara tahun 2001-2005 dengan data aktual 1971-2000, kita harus terlebih dahulu mempersiapkan data prediksi tersebut dalam program EXCEL atau LOTUS sebelum diimport ke Eviews. Untuk melakukan peramalan, dapat dilakukan dengan cara sebagai berikut: Dari toolbar Equation, pilih Forecast, maka akan keluar tampilan berikut : 

34




OK , maka tampilannya sebagai berikut:

Dari grafik dan keterangannya di atas, dapat kita lihat bahwa model yang dibuat cukup sempurna. Hal ini ditandai dengan Bias Proportion dan Variance Proportion yang nilainya sangat kecil, kurang dari 1%, juga nilai Theil Inequality Coefficient yang juga kurang dari 5%. Ketiga nilai di atas menandakan model money demand yang dibuat masih fitted nilai aktual dengan nilai peramalannya. Dari grafik juga diketahui bahwa kurva nilai aktualnya tidak melampaui garis putus-putus pada standar deviasi nilai peramalan (pada range data aktual) Untuk membuat peramalan pada range waktu yang lebih kemasa depan sebelumnya data prediksi harus dipersiapkan terlebih dahulu. Pada program EXCEL atau LOTUS dilakukan prediksi nilai dependent variable dengan bentuk persamaan di bawah ini.

35


Karena karakteristik persamaan money demand bukan persamaan linier, maka terlebih dahulu dibuat ( generate) bentuk log naturalnya dari data aktual dan dibuat regresi sederhana dengan log natural money demand (LNMDF) sebagai dependent variable dan tahun sebagai independent variable. Sehingga diperoleh persamaan linier sebagai berikut: LNMDF = -399.5042444 + 0.2056954201*TAHUN Dari persamaan di atas selanjutnya diprediksi nilai log natural money demand (LNMDF) untuk tahun 2001-2005. Untuk mendapatkan kembali nilai nominal money demand, hasil yang diperoleh di-anti log natural. Data inilah yang siap disisipkan ke dalam data pada Eviews. Sebelum disisipkan data pada Eviews, agar data dapat diterima dalam workfile yang sudah ada, maka diubah dulu workfile range yang sudah ada dengan mengganti end date menjadi 2005. Baru selanjutnya data yang sudah dibuat sebelumnya disisipkan ke dalam data yang ada pada Eviews. Selanjutnya dilakukan Forecast seperti langkah yang diuraikan di atas. Sehingga akan diperoleh hasil forecasting tahun 2001-2005 seperti ditampilkan berikut ini:

36


Jika akan dilakukan simulasi misalnya dengan menggunakan asumsi pertumbuhan GDP 10% dan suku bunga deposito turun 1% selama 2001-2003, kemudian konstan pada nilai 10% untuk tahun berikutnya, dengan menggunakan formula hasil regresi persamaan : MONEY = 0.1233679769*GDP - 771.2407939*DEPOSITO + 7513.433428

Dari grafik di atas juga dapat kita ketahui bahwa nilai peramalan cukup fitted dengan nilai aktualnya. Selanjutnya dapat kita lihat bahwa nilai prediksi untuk money demand yang akan datang memiliki trand naik dan nilai prediksinya juga dapat diketahui pada tahun-tahun tertentu di masa depan.

37


1. berikut ini merupakan data produksi industri manufaktur di Indonesia untuk tahun 1983-1998. Tahu n

PROD

NEIM

RER

1983

6836.2

3219.2

4294.6

1984

7679.2

3982.5

5068.1

1985

10307.2

4245.9

4047.4

1986

12645.9

4508.4

4740.9

1987

15735.9

6666.6

4902.5

1988

19534

9262

5278.9

1989

17473.7

11028.1

6862.2

1990

18996.3

11878.5

6768.2

1991

19530.5

15067.5

7941.6

1992

21779.1

19613.1

9066.2

1993

23358.8

22944

9469.8

1994

24465.9

25702.1

10027.5

1995

23550.4

29328.2

11212.6

1996

26388

32124.8

10956.6

1997

33822

35057

21483.8

1998

39609

33157

47184.4

Adapun model regresinya adalah : PROD = F (RER,NEIM) Buatlah regresi sederhana dengan menggunakan data tersebut, serta lakukan ujiuji asumsi dasar yang diperlukan.

2. Model yang digunakan adalah model Rana dan Dowling (1988) dengan beberapa modifikasi. Pada dasarnya model Rana dan Dowling terdiri atas dua persamaan yaitu persamaan produk domestik bruto dan persamaan tabungan. Spesifikasi modelnya adalah sebagai berikut: (a) (b)

PDB S

= c1 + c2 AID + c3 FPI + c4 S + c5 T + u = c1 + c2 AID + c3 FPI + c4 PDB + c5 P + u

Dalam spesifikasi ini, simbol-simbol didefinisikan sebagai berikut : PDB = Produk Domestik Bruto AID = Pinjaman Luar Negeri FPI = Penanaman modal asing S = Tabungan domestik T = Penerimaan Pajak P = inflasi

38

Modul Ekonometrika Dasar

Recommend Documents