The Books - Ekonometrika by Andhika s

Jenis data dalam program E-Views : Jenis Data Annual

Keterangan

Cara Menuliskan Pada Start date : 2005 Data tahunan Pada End date : 2015 Semi-Annual Data semester 2005:1, 2009:2 Quarterly Data kuartalan (tiga bulanan) 2005:1, 2005:4 Monthly Data bulanan 2005:01, 2005:12 Weekly Data mingguan 1/1/2001, 8/31/2001 Daily - 5 days week Data harian, hanya Senin hingga Jumat 1/1/2001, 12/31/2001 Daily - 7 days week Data harian, dari senin sampai Minggu 1/1/2001, 12/31/2001 Integer Data Tidak beraturan atau data cross section 1, dan banyaknya data

Operasi hitungan dalam program E-Views: Hitungan a+b a±b axb a÷

b

ab ¥a a=b a>b ab a
E-Views Operasi Hitungan a+b a ditambah b a±b a dikurangi b axb a dikali b a÷ b a dibagi b a^b a pangkat b a^0.5 akar a bisa dihitung dengan a pangkat 0.5 a=b a sama dengan b a>b a lebih besar daripada b ab a lebih besar atau sama dengan b a
Modul Ekonometrika Ekonomet rika dengan program E-Views By: Andhika S.

Page 1

F ungsi ungsi dalam program E-Views :

ungsi F ungsi

Kegunaan Lx =LOG(x), untuk menghitung log x Ex =EXP(x), untuk menghitung eksponensial x Ax =ABS(x), untuk menghitung nilai absolute x SQx =SQR(x), untuk menghitung akar x RND, NRND Untuk menghasilkan bilangan random, bisa uniform atau normal Rx =@INV(x), kebalikan atau resiprokal dari x Dx =D(x), untuk menghitung selisih antara x(t)-x(t-1) Dnx =D(x,n), untuk menghitung menghitung selisih dengan lag ke-n Lx =x(-1), nilai lag 1 dari variabel x @SUM(x) Menjumlahkan x @MEAN(x) Menghitung rata-rata x @VAR(x) Menghitung varians x @COV(x,Y) Kovarian antara x dan y @COR(x,y) Korelasi antara x dan y @DNORM(x) ungsi densitas normal baku x F ungsi @CNORM(x) Nilai CDF Standard Normal Density x @R, @RBAR(x) Nilai R2 dan Adjusted R 2 @SE, @SSR Standard error regression, sum of squared residual @DW, @F Durbin-Watson dan F -Statistic -Statistic @LOGL Nilai log-likelihood function


Page 2

Tiga kelompok data dalam ekonometrika : Data Time Series : terdiri dari satu objek tapi memiliki beberapa periode waktu. Misal data PDB. Analisis yang dilakukan didasarkan nilai masa lalu dan pengaruhnya terhadap variabel tersebut. Dipengaruhi oleh urutan data Sangat bergantung kepada lag atau diferensi atau difference. Data Cross Section : terdiri beberapa objek (misalnya beberapa perusahaan/Negara) pada suatu waktu, dan memiliki beberapa variabel. Analisis Regresi dan Korelasi yang sering digunakan

Ekonometrika

Data Panel (Pooled Data) : merupakan gabungan antara data time series dengan cross section. Misal: - Memiliki empat objek (perusahaan 1, 2, 3, dan 4) - Masing-masing perusahaan memiliki tiga variabel - Masing-masing objek memiliki empat periode data Janu Januar arii - A ril ril Deskriptif Statistik Mean Median

: :

Max dan Min Std.Dev.

: :

Rata-rata, diperoleh dengan menjumlahkan seluruh data dan membaginya dengan cacah data. Nilai tengah (atau rata-rata rata-rat a dua nilai tengah bila datanya genap) bila datanya diurutkan dari yang terkecil hingga yang terbesar. Median merupakan ukuran tengah yang tidak mudah terpengaruh oleh outlier, terutama bila dibandingkan dengan mean. Nilai yang paling besar atau paling kecil dari data. Ukuran dispersi atau penyebaran data.

:

dimana N = banyaknya observasi  = mean dari data Ukuran asimetri distribusi data di sekitar mean.

Skewness

dimana Kurtosis

Jarque-Bera

= estimator deviasi standar yang dihitung melalui rumus

:

= Mengukur ketinggian suatu distribusi.

:

dimana = estimator estimato r bias terhadap terhada p varians. Kurtosis suatu data berdistribusi berdistr ibusi normal adalah 3. Uji statistik untuk mengetahui apakah data berdistribusi normal.


Page 3

Asumsi Model Regresi OLS 1. Hubungan antara Y i i, X 1i 1i dan X 2i 2i bersifat linier. 2. X 1i 1i dan X 2i 2i bersifat tetap pada setiap observasi (nilai tidak berubah-ubah). 3. Nilai x harus bervariasi. 4. Nilai ei yang diharapkan (expected value) adalah nol, nilai yang diharapkan hanya dipengaruhi oleh variabel independen. 5. Varian variabel pengganggu e i adalah sama atau bersifat homoskedastis. 6. Tidak ada korelasi serial antarresidual (tidak ada hubungan antara e i dan e j ). 7. Tidak ada hubungan antara e i dengan x i i. 8. Variabel pengganggu e i berdistribusi normal. 9. Tidak ada multikolinearitas sempurna antarvariabel independen. 10. Jumlah observasi n harus lebih besar daripada jumlah parameter yang diestimasi (variabel independen).


Page 4

Permasalahan Dalam Analisis Regresi Linear L inear Pengujian Asumsi Klasik

Multikolinearitas

Autokorelasi

Heteroskedastisitas

Indikasi Terjadi Permasalahan

R2 Tinggi Variabel X tidak signifikan Cara Mengatasinya

-

-

-

Biarkan saja model

mengandung iko l linearitas i nearitas . mult iko Tambahkan data bila memungkinkan. Hilangkan salah satu variabel independen, terutama yang memiliki hubungan linear yang kuat dengan variabel lain. Transformasikan salah satu variabel, atau melakukan diferensiasi.

-

Dengan metode lain

-

untuk mendeteksi okorelas i seperti aut okorelas Breusch-Godfrey h-Godfrey Uji Breusc atau nama lainnya adalah Lagrange Multiplier . Sortcase data.

-

-


Dengan metode lain untuk

mendeteksi heter heter o os k edast dast is itas seperti: s k e k Uji Par k White Uji White Uji Korelasi Sp earman earman -Q uandt Uji Go ldfeld ldfeld -Q uandt -Go dfrey Uji Breusch-P Breusch-Pagan agan -Go dfrey Metode Grafik Metode WLS (Weighted Least Squar e) e) Metode Transformasi

Page 5

Model Probabilitas Linier (LPM) Digunakan untuk menganalisis variabel dependen yang bersifat kategorik dan nonkategorik. minus (-) : - Tidak terdistribusi normal, namun tidak menjadi masalah jika data yang digunakan banyak. - Varian residual bersifat heteroskedastis gunakan WLS - Nilai prediksi Y i i tidak selalu terletak di antara 0 dan 1 - Nilai koefisien determinasi tidak lagi mampu menjelaskan kesesuaian garis regresi dengan datanya. Sehingga muncul analisis model baru yakni logit dan probit. Model Logit (logistic) Digunakan untuk menganalisis variabel dependen dengan kemungkinan di antara 0 dan 1. Model logit dapat diterapkan dalam 2 (dua) kondisi yang berbeda. 3. Data individual (level mikro). 4. Data kelompok atau replikasi. Regresi Data Kategorik

Model Probit (probability unit) dikenal juga dengan normit (normal equivalent deviate) Model probit juga dapat diterapkan dalam 2 (dua) kondisi yang berbeda. 1. Data individual (level mikro). 2. Data kelompok atau replikasi. Model Tobit (limited dependent variable) Variabel dependennya terbatas sehingga disebut model sensor atau censored model. Tidak seperti data cross section yang dapat dianalisis dengan OLS. Persamaan tobit harus dianalisis menggunakan prosedur prosedur yang diajukan oleh James Heckman H eckman berikut ini: a. Estimasi probabilitas Y=1 dengan model probit. b. Estimasi model dengan menambah sebuah variabel (yang disebut inverse Mills ratio atau hazard rate) yang diturunkan dari estimasi dengan model probit. Menghasilkan estimasi yang konsisten namun lebih efisien jika menggunakan model maximum likelihood.


Page 6

Analisis data runtut waktu (time series analysis) Model Autoregressive (AR) Moving Average (MA) Autoregressive Moving Average (ARMA) Autoregressive Integrated Moving Average (ARIMA) ( ARIMA)

Asumsi Data periode sekarang dipengaruhi oleh data pada periode sebelumnya. Data periode sekarang dipengaruhi oleh nilai residual data pada periode sebelumnya. Data periode sekarang dipengaruhi oleh data pada periode sebelumnya dan juga oleh nilai residual data periode sebelumnya. Mirip dengan ARMA, kecuali data harus didiferen dulu. Diferen inilah yang membedakan ARMA dengan ARIMA.

Menurut Gujarati (2003) ada lima pendekatan dalam peramalan ekonomi berbasis data runtut waktu (time series): 1. Exponential smoothing method. 2. Single-equation regression method. 3. Simultaneous-equation Simultaneous-equation regression model. 4. Autoregressive integrated moving average (ARIMA) ( ARIMA) model. 5. Vector autoregression. Langkah Pengujian AR(1) AR

Uji Stationeritas View Correlogram«Ok

Uji Akar Unit View Unit Root Test..Ok Quick  Est imat imat ion Eq ion Equa uat t ion«( ion«(lea st square square s) s) Example. Ihsg c ma(1) ma(1) and then Ok.

c memiliki nilai t-statistik yang tidak signifikan koefisien AR (t-statistik signifikan) View residual tests Correlogram - Q-stat Klik Ok (untuk mengetahui apakah residual bersifat random atau tidak) Random jika grafik batang, semuanya berada di dalam garis Barlett. Estimasi: -

Dari tampilan hasil analisis klik F orecast orecast Checklist Do graph (grafik) dan F orecast orecast evaluation (mengevaluasi kesalahan estimasi) Ok.


Page 7

Langkah Pengujian MA(1) MA


Moving Average (MA) Memperkirakan nilai Yt dengan menggunakan nilai Y pada periode sebelum-sebelumnya, juga dapat memperkirakan nilai Yt dengan men men unak unakan an nila nilaii res resid idua ualn ln a.

Uji Akar Unit View Unit Root Test..Ok Quick  Est imat imat ion Eq ion Equa uat t ion«( ion«(lea st square square s) s) Example. Ihsg c ma(1) ma(1) and then Ok.

c memiliki nilai t-statistik signifikan koefisien MA (t-statistik signifikan) View residual tests Correlogram - Q-stat Klik Ok (untuk mengetahui apakah residual bersifat random atau tidak) Random jika grafik batang, semuanya berada di dalam garis Barlett. Random = White Noise Tidak Random - Batang-batang pada grafik autokorelasi yang menurun dengan perlahan - Batang keluar dari garis Barlett pada grafik autokorelasi parsial parsial - Nilai probabilitas yang semuanya sangat kecil atau mendekati nol Sehi Sehinn a mod model el MA(1 MA(1)) tid tidak ak be itu coco cocokk un untuk men men anal analis isis is data data IHSG IHSG an di unak unakan an..

Langkah Pengujian ARMA(1,1) ARMA(1,1)


Uji Akar Unit View Unit Root Test..Ok Quick  Est imat imat ion Eq ion Equa uat t ion«( ion«(lea st square square s) s) Example. Ihsg c ar (1) ma(1) and then Ok. (1) ma(1)

Jika salah satu tidak signifikan maka tidak dilanjutkan atau mencari ARMA(p,q) dengan mengganti nilai 1 dengan angka lain yang diperkirakan akan mendatangkan hasil yang baik. Dengan mengulang langkah Quick Estimation Equation« View residual tests Correlogram - Q-stat Klik Ok (untuk mengetahui apakah residual bersifat random atau tidak)


Page 8

Langkah Pengujian ARIMA atau dikenal dengan metode Box Jenkins Data harus bersifat stationer terlebih dahulu. Mean dan varians data time series bersifat konstan dan kovarians-nya tidak terpengaruh oleh waktu. Jika data time series sudah didiferen sebanyak d kali agar stationer dan diterapkan pada model ARMA(p,q) maka persamaan kita menjadi ARIMA(p,d,q). Langkah Pengujian ARIMA: 1. Identifikasi model dengan memilih p, d, q sementara.

1. Correlogram 2. Partial correlogram

2. Estimasi parameter dengan program komputer.

Dapat gunakan OLS ataupun estimasi nonlinier

3. Diagnosis residual apakah sudah bersifat white noise. Bila belum ulangi langkah 1.

View residual tests Correlogram - Q-stat Klik Ok

4. Lakukan perkiraan data masa yang akan ak an datang.

Lakukan F oreca st oreca st

ARIMA

Uji Stationeritas Correlogram« orrelogram« Ok View  C Ok

Uji Akar Unit Unit nit Root Test.. Ok View  U Ok

Quick  Estimation Equation«(least squares) Example. (jika diferensi 1) maka d(Ihsg) c ar(1) ma(1) and then klik Ok. (jika diferensi 2) maka d(d(Ihsg)) c ar(1) ma(1) and then klik Ok. Jika hasil tidak signifikan, mencari model yang baik, misal: d(Ihsg) c ar(2) ma(1) d(Ihsg) c ar(1) ma(2) d(Ihsg) c ar(2) ma(2) d(Ihsg) c ar(3) ma(3)

Membandingkan nilai AIC dan SIC Nilai AR(1) MA(1) ARMA(1,1) AIC SIC AIC = Akaike info criterion SIC = Schwarz criterion

ARIMA(p, d, q)

Jika hasil signifikan, maka model dapat digunakan. Kemudian Diagnosis residual dan F orecast orecast

Kesimpulan Nilai lebih rendah dikatakan model baik


Page 9

ARCH

Analisis yang digunakan untuk menghadapi suatu kondisi model OLS telah terjadi pelanggaran asumsi klasik, terutama autokorelasi dan heteroskedastisitas pada data time series. ser ies.

GARCH

Analisis yang digunakan untuk memperbaiki model ARCH.

= Aut oRegre oRegre ssive ssive C ondit ondit ional ional H et ero ero sceda sceda st icity icity GARCH = Generalized Aut oRegre oRegre ssive ssive C ondit ondit ional ional H et ero ero sceda sceda st icity icity

ARCH

Jenis GARCH(1,1)

Keterangan Persamaan standar ARCH/GARCH: Varian bersyarat (karena tergantung periode sebelumnya) memiliki tiga bagian, yaitu: - Rata-rata - Volatilitas periode sebelumnya (disebut ARCH) - Varian periode sebelumnya (disebut GARCH)

ARCH in mean (ARCH-M) TARCH (Treshold ARCH)

Varian bersyarat dihitung dengan:

EGARCH (Exponential GARCH)

Dengan d t t =1 =1 bila <0, dan d t t =0 =0 bila tidak. Pada Program E-Views, koefisien ditunjukkan oleh (RESID<0)*ARCH(1). Model ini biasanya digunakan pada analisis harga saham yang terpengaruh oleh berita buruk berbeda dengan berita baik. Pengaruh berita baik ditunjukan oleh  sedang pengaruh berita buruk oleh (  +  ). Bila >0, berarti ada leverage effect, pengaruh berita buruk lebih besar dan bersifat volatile. Jika 0, pengaruh berita baik dan buruk bersifat asimetris. Varian bersyarat dihitung dengan rumus:

Component ARCH

Karena berbentuk log, maka leverage effect-nya bersifat ekponensial (bukan kuadratik), sehingga selalu bersifat nonnegative. Keberadaan leverage effect diuji dengan hipotesis nul . Pada GARCH(1,1), persamaan berikut ini: Menunjukkan pembalikan rata-rata terhadap yang bersifat konstan sepanjang waktu. Sebaliknya model Component GARCH memungkinkan pembalikan rata-rata pada berbagai berba gai tingkat dengan persamaan:

Asymmetric Component

Digunakan untuk menggabungkan antara Component ARCH dengan model asimetris TARCH.

Modul Ekonometrika dengan program E-Views By: Andhika S.

Page 10

Lakukan regresi OLS lengkap dengan uji asumsi klasik Quick Estimation Equation« Lakukan teknik WLS dan uji lain untuk mengatasi permasalahan heteroskedastisitas. Selanjutnya gunakan Correlogram-Q-Statistics untuk mengatasi masalah autokorelasi. Jika OLS dan WLS tidak dapat digunakan maka gunakan teknik GARCH(1,1) Quick Estimation Equation«(pilih method ARCH) Ok ARCH-M pilih None Jika GARCH(1,1) tidak dapat digunakan maka gunakan teknik ARCH-M Quick Estimation Equation«(pilih method ARCH) Ok ARCH-M pilih Std.Dev. Klik Option pilih Coefficient Covariance, klik Ok dan klik Ok sekali lagi Lakukan pengujian Correlogram-Q-Statistics Correlogram-Q-Statistics dan Uji Akar Unit. Untuk uji akar unit, hal yang y ang dilakukan membuat variabel baru. 1. Klik lembar kerja .wf1 (bukan hasil analisis) 2. Klik Object  New Object pilih Series dan beri nama resid01 3. Klik Genr pada isian persamaan isikan dengan resid01 = resid  Ok 4. Klik 2 (dua) kali variabel resid01 5. Klik View Unit Root Test«Lalu pilih Trend and Intercept Ok 6. Hasil uji akar unit jika |AD F | masih lebih besar dibanding dengan nilai kritis absolut pada alpha 5% disimpulkan dis impulkan residual masih mengandung masalah autokorelasi. Jika ARCH-M tidak dapat digunakan maka gunakan teknik TARCH Quick Estimation Equation«(pilih method ARCH) Ok ARCH-M pilih Std.Dev. Model pilih TARCH Variance Regressors masukkan salah satu variabel v ariabel independend kedalam varian residualnya Klik Option pilih Heteroskedasticity Consistent Variance, klik Ok dan klik Ok sekali lagi. Jika hasil analisis sudah baik lakukan uji korelogram residual. Sebelum menampilkan korelogram, diperbaharui isi variabel resid01 dengan melakukan langkah 3-4-5 uji akar unit (jika ingin membuat variabel baru, resid02 lakukan dari langkah 1). Uji akar unit tidak perlu dilakukan, karena apabila statistik Q tidak signifikan berarti residual sudah memiliki varian yang konstan atau sudah stationer. Lakukan uji normalitas V iew iew Re s Re sidual idual T e sts H i st ogram ogram - N ormality ormality T e st .

Sebagai alternatif pencarian model yang baik gunakan GARCH(1,1) GARCH(1,1) dengan Regresor Varian Modul Ekonometrika dengan program E-Views By: Andhika S.

Page 11

Dimana memasukan salah satu variabel independen ke dalam persamaan varian residualnya. r esidualnya. 1. Tuliskan persamaan Y c X 1 X 2 ar(1) kedalam Estimation Equation« 2. Isikan salah satu variabel pada bingkai Variance regressors (boleh memasukkan lebih dari satu variabel). 3. Klik option aktifkan bingkai Coefficient covariance  Ok Jika hasil analisis menunjukkan bahwa semua koefisien signifikan, selanjutnya perlu dilakukan uji autokorelasi di antara residualnya, dengan membuat korelogram dari residualnya. Sehingga perlu diperbaharui isi variabel resid01 dan kerjakan langkah 3-4-5 seperti yang telah diuraikan. Last, menguji apakah data terdistribusi normal atau tidak dengan cara View Residual TestsHistogram - Normality Test. Interpretasikan hasil, jika probabilitas < 0.05 maka model dapat dikatakan tidak baik. Data finansial seperti cadangan devisa, nilai tukar, maupun tingkat suku bunga mempunyai karakteristik tersendiri dibandingkan dibandingkan data deret waktu (time series). Beberapa Beberapa karakteristik dari dari data finansial yaitu menunjukan volatilitas yang tinggi mengikuti periode waktu, sedangkan variansi/ragam adalah konstan untuk data jangka waktu yang y ang panjang. Dalam beberapa periode terdapat variansi/ragam data finansial relatif tinggi. Keadaan ini disebut conditionally heteroskedastic. Jika terdeteksi adanya conditionally heteroskedastic maka model autoregressive moving average (ARMA) tidak akurat lagi untuk digunakan. Model deret waktu (time series) yang mengakomodir adanya heteroskedastic / heteroskedastisitas adalah ARCH (Autoregressive Conditional Heteroscedasticity) / GARCH (General Autoregressive Conditional Heteroscedasticity). Variabel-variabel ekonomi biasanya nonstasioner dan mempunyai sifat kointegrasi, sehingga model statistik yang dibentuk harus dapat mengatasi dan mencerminkan sifat tersebut. Metode yang sesuai dengan permasalahan ini adalah metode VAR (Vector Autoregression). Metode ARCH/GARCH fungsinya untuk mengetahui ada tidaknya volatilitas dari masing-masing variabel yang diteliti. Selanjutnya dengan metode VAR akan selidiki pengaruh volatilitas dari variabel nilai tukar, suku bunga, IHSG dan neto ekspor terhadap volatilitas cadangan devisa. Hasil model VAR yang diperoleh tersebut kemudian digunakan untuk melakukan uji berikutnya yaitu uji kointegrasi Johansen untuk mengetahui hubungan keseimbangan jangka panjang dan Vector Error Correction Mechanism (VECM) untuk mengetahui mengetahui hubungan keseimbangan jangka pendek.

Mengapa menggunakan menggunakan panel data, menurut Baltagi (2005): Modul Ekonometrika dengan program E-Views By: Andhika S.

Page 12

1. Controlling for individual heterogeneity. 2. Panel data give more informative data, more variability, less collinearity among the variables, more degrees of freedom and more efficiency. 3. Panel data are better able to study the dynamics of adjustment. 4. Panel data are better able to identify and measure effects that are simply not detectable in pure cross-section or pure time-series data. 5. Panel data models allow us to construct and test more complicated behavioral models than purely cross-section or time-series data. 6. Micro panel data gathered on individuals, firms and households may be more accurately measured than similar variables measured at the macro level. 7. Macro panel data on the other hand have a longer time series and unlike the problem of nonstandard distributions typical of unit roots tests in time-series analysis, Chapter 12 shows that panel unit root tests have standard asymptotic distributions. Limitations of panel data include: 1. Design and data collection problems. 2. Distortions of measurement errors. 3. Selectivity problems. 1. OLS untuk dapatkan µ 2. GLS untuk F E ( F i xed Effect) Fixed 3. GLS untuk RE (Random Effect) Meng-input data panel Sebenarnya tidak ada perlakuan khusus dalam meng-input data panel, jika dalam dalam analisis regresi dengan data silang hanya perlu membuat variabel saja, pada data panel hanya perlu ditambah dengan satu variabel lagi, yaitu nama perusahaan/negara/wilayah perusahaan/negara/wilayah dan sebagainya. Untuk lebih jelas perhatikan gambar berikut ini:

1. Jalankan program E-Views buka file kerja dengan data tahunan, periode 2001 hingga 2004. Modul Ekonometrika dengan program E-Views By: Andhika S.

Page 13

2. Klik tombol Object  New Object  pilih Pool dan namai objek tersebut dengan nama iklan  klik Ok. 3. Klik tombol Procs  Import Pool data (ASCII,XLS,WK?)« lalu isikan nama file yang akan diimpor. 4. Ubah isian Upper-left data cell menjadi C2 (semula B2, seperti biasanya). Pada bingkai Ordinari and Pool, isikan tiga variabel yang akan di-input (dalam satu baris, tiap variabel cukup diberi jarak satu spasi), masing-masing diakhiri dengan tanda Tanya Tanya (?). Klik Ok. 5. Jendela Pool:Iklan biarkan saja, karena k arena dalam mengolah data penel menggunakan jendela ini. Data Panel/Pool (digunakan minimal dengan program E-Views 5.1) Siapkan data panel yang anda miliki dalam bentuk file excel exc el sehingga berbentuk Propinsi 11 (DI. ACEH) Propinsi 12 (Sum. Utara) Propinsi 13 (Sum. Barat) Tahun hhc_11 hhc_12 hhc_13 pc_11 pc_12 pc_13 gc_11 gc_12 1993 3585867 9640899 3170980 39335 142070 69789 749383 1582850 1994 3997613 10375013 3398551 44176 160469 69549 766880 1641098 1995 4051535 10766529 3665808 45194 177012 74758 777087 1727578 1996 4180572 11601029 4027448 46958 206956 78187 813554 1778635 1997 4256956 14962294 4440232 47583 219492 85976 883824 1986876 1998 3980107 13270701 4167695 46587 220372 94013 969750 2016423

gc_13 879213 896798 934463 977448 992773 998187

1. Masuk ke program Eviews, kemudian click Quick/Empty Quick /Empty Group 2. Pilih waktu dari data, click yearly dan pada End date tulis 1998. 3. Block work file excel exc el anda (termasuk judul), namun hanya untuk kategori tertentu saja, misal hhc_11 sampai hhc_12 atau pc_11 pc _11 sampai pc_13. Kemudian copy 1. Masuk kembali ke Empty Group di Eviews, block kolom paling kiri dan paste 2. Setelah itu click X(close) 3. Pada tampilan berikutnya pilih name dan Group01 anda ganti sesuai dengan nama yang anda inginkan misalnya untuk hhc_11 sampai hhc_12 diberi nama hhc saja. 4. Lakukan hal yang sama untuk kategori berikutnya, misal jika yang pertama adalah hhc, maka berikutnya adalah pc dan gc Perhatian : Jikalau anda ingin membuat persamaan atau melakukan regresi dengan menggunakan Pool Data, tahapan yang harus anda lakukan setelah membuat work file pada Eviews adalah: 1. Click Object/ New Object/ Pool .... OK. 2. Dalam tampilan baru, masukkan identifier anda misalnya _11 _12 _13. 3. Kemudian click Estimate, pada dependen variabel masukkan variabel dependen anda diikuti dengan ?. Misalnya hhc?. Sedangkan pada common coeficient masukkan variabel bebas anda diikuti dengan ?. Misal gc? atau m? 4. Jika anda menginginkan intercept yang berbeda untuk masing-masing identifier; pada intercept pilih fixed effect atau random effect, atau jika tidak, pilih common effect. Model

Data Panel yang standar ada tiga :


Page 14

1. Pool (konstanta ai=a sama setiap individu) individu) 2. Fixed Effect (FE) FE) atau sama saja LSDV (ai berbeda setiap individu/cro individu/cro ssec ssect t ion) ion) 3. R andom andom Effect/R E (ai berbeda setiap individu/cro individu/cro ss ssec ect t ion) ion). Bila digunakan FE/LSDV dan ditambahkan dumm y variabel, maka akan terjadi kombinasi linier antara dumm y dan konstanta ai sehingga terjadi singular singular matrik (inver se se matrik x¶x adalah zero, zero, atau dalam istilah E-view E-view s adalah near singular singular mat mat rix) rix). Kemungkinan Solusinya: 1.

mudah adalah gunakan model Pool (kontanta ai sama setiap observasi) observasi). jadi untuk menginterpretasikan pengaruh variabel dumm y terhadap dependent dependent variabel gunakan dumm y tersebut. Jadi kalau modelnya pool modelnya pool , tidak perlu ditest (Chow t e stool/ F E ) karena pada model FE akan singular singular mat mat rix; rix; Tapi untuk melihat P ool/ indvidual effec indvidual effect t gunakan gunakan model FE tanpa dumm y variabel. 2. Gunakan model R E saja (tanpa test Hausman) ausman) karena model FE akan singular singular mat mat rix. rix. 3. Variabel dumm y dumm y dimodifikasi dengan perkalian variabel dumm y dengan salah satu variabel independen. misalnya (tarif x variabel dumm y) y). Jika dumm y-nya y-nya adalah (1=OPE (1=OPEC, 0=non OPEC), jadi variabel baru (tarif x dumm y) y) mempunyai arti interaksi tarif negara-negara OPEC/NON-OPEC terhadap dependent variabel (ekpor ). Maka Model FE dapat dicoba (kemungkinan tidak singular singular matrik matrik karena dumm y sudah dimodifikasi) dimodifikasi). Yang

ERROR CORRECTION MODEL (ECM) (Program E-Views 4.1) Modul Ekonometrika dengan program E-Views By: Andhika S.

Page 15

Digunakan apabila variabel

ECM

independen dan variabel dependen, merupakan data time series, series, sehingga masing-masing variabel bersifat tidak stationer.

Ada beberapa cara untuk mengetahui data bersifat stationer atau tidak.

Meto Metode de Grafik

Uji Akar Unit Unit (Unit (Unit Root )

View  Graph  Line

-

Buka salah satu variable yang akan dibuat (double klik nama variabelnya). View  Unit Root Test... Klik Ok.

Lolos

Tidak Lolos

t-statistics > tabel McKinnon. Prob < 0,05 .

t-statistics < tabel McKinnon. Prob > 0,05 . Data cukup didiferensi saja. Dengan cara:

View  Unit Root Test« Check List 1st difference  Klik Ok (jika masih tidak stationer klik 2nd, dst)

Note : Dengan langkah-langkah yang sama. Periksalah apakah data variabel tersebut bersifat stationer atau tidak.


Page 16

Uji Ko Koint int egrasi egrasi

Engle-Granger (EG)

-

2 variabel yang tidak stationer sebelum dideferensi namun stationer pada tingkat diferensi pertama, kemungkinan int egrasi egrasi (terdapat hubungan jangka panjang terjadi k oint diantara keduanya).

Cointegrating Regression Durbin-Watson (CRDW)

Johansen

Tampilkan variabel independent dan dependent yang akan diuji kointegrasinya View  Cointegration Cointegration Test...  Klik Ok. k eyakinan 5% Bandingkan nilai Trace Statistic dengan nilai kritis pada tingkat keyakinan maupun 1%.

Terkointegrasi Terkointegrasi Trace Statistic < 1% maupun 5%

Tidak Terkointegrasi Terkointegrasi Trace Statistic < 1% maupun 5%

Note : Yang baik tidak terkointegrasi terkointegrasi.


Page 17

¨Y = V aria aria le Dependen le Dependent t ¨Xt = V aria aria le Independen le Independent t KK t-1 si si ke sala salahan at au au re sidual sidual lag lag 1 1 dari per dari per samaan samaan awal t-1 = korek ¡

¡

(Y !



0





X t 

1(



KK t 1

2

 et

Model Ko Koreksi Kesalahan (Error Correction Model) (ECM)

Jika kedua (X dan Y) data yang dianalisis tidak stationer tetapi saling berkointegrasi, berarti ada hubungan jangka panjang (keseimbangan) antara kedua variabel tersebut. Dalam jangka pendek ada kemungkinan terjadi ketidakseimbangan (disekuilibrium). Maka diperlukan adanya koreksi dengan model koreksi kesalahan.

Engle-Granger Tahap Pertama

Tahap Kedua

Menghitung nilai residual dari persamaan regresi awal.

Melakukan analisis regresi dengan memasukkan residual dari langkah pertama.

- Quick  Estimate Equation« - Tuliskan persamaan Example: telpon c gaji - LS ² Least Square (NLS and ARMA) - Klik Ok - Klik Procs  Make Residual Series (resid01) - Klik Ok

- Quick  Estimate Equation« - Tuliskan persamaan Example: d(telpon) c d(gaji) resid01(-1) resid01(-1) - LS ² Least Square (NLS and ARMA) - Klik Ok

Nilai statistic t pada residual > 2 dan nilai prob < 0,05 . (Error Correction Model yang digunakan Valid).


Page 18

DAF TAR TAR PUSTAKA Baltagi, 2005. Econometric Econometric Analysis of Panel Data. Third Edition. John Wiley & Sons Ltd, England. Gujarati, Damodar N., 1995. Basic Econometrics. McGraw-Hill College, New York.


Page 19

The Books - Ekonometrika by Andhika s

Recommend Documents