View
246
Download
2
Category
Preview:
Citation preview
PELATIHAN PENELITIAN
DATA ENTRY DAN EVIEWS APPLICATION
MAMAN SETIAWAN
KERJASAMA
HIMPUNAN MAHASISWA EKONOMI DAN STUDI PEMBANGUNAN DAN LABORATORIUM PENELITIAN, PENGABDIAN PADA MASYARAKAT DAN PENGKAJIAN EKONOMI (LP3E)
FAKULTAS EKONOMI UNIVERSITAS PADJADJARAN
BANDUNG, 6-8 MEI 2005
Kata Pengantar
Makalah/modul ini disampaikan pada acara ”Pelatihan Penelitian” yang dilaksanakan
oleh Himpunan Mahasiswa Ekonomi Studi Pembangunan Fakultas Ekonomi
Universitas Padjadjaran pada tanggal 6-8 Mei 2005 di Kampus Unpad Jl. Dipati Ukur
No. 35. Adapun makalah/modul ini membahas tentang entri data serta aplikasi
program eviews dalam suatu proses pengolahan data dalam penelitian. Peserta dalam
acara ini berasal dari mahasiswa berbagai jurusan bidang studi ilmu dan berasal dari
berbagai universitas negeri dan swasta di Bandung. Akhir kata semoga
makalah/modul ini memberikan kontribusi atau sumbangan dalam suatu proses
kegiatan penelitian.
Bandung, Mei 2005
Maman Setiawan
Pengantar
Pengolahan data statistik memiliki peranan penting di dalam suatu penelitian
karena dari hasil pengolahan data statistik ini muncul suatu kesimpulan penelitian.
Pengolahan data mencangkup perhitungan data analisis model penelitian. Sebelum
dilakukan kesimpulan penelitian, agar hasil penelitian menjadi akurat harus dilakukan
uji validitas pada data dan model.
Training ini akan berusaha membahas bagaimana proses dari memasukan data
hingga seorang peneliti bisa menggunakan hasil estimasi sebagai kesimpulan
penelitian. Proses pengolahan data akan dilakukan dengan menggunakan software
Eviews 3.1.
Eviews ialah program ekonometrika yang telah dipaketkan. Eviews ini ialah
pengembangan dari software Micro TSP yang sebelumnya dijalankan melalui system
operasi DOS. Eviews bekerja di bawah system Windows. Eviews sendiri merupakan
program yang cukup sederhana karena kita tidak banyak melakukan operasi bahasa
pemrograman sendiri. Eviews telah menyediakan berbagai metode perhitungan
ekonometrika dan statistik. Walaupun program dalam eviews ini belum sepenuhnya
lengkap, tetapi diharapkan bisa menjadi panduan di dalam mengolah data. Ada
beberapa metoda perhitungan yang telah tersedia tetapi ada juga yang harus dibuat
manual secara bertahap dengan metoda yang akan dijelaskan dalam modul ini.
Pada dasarnya tahap penelitian bisa digambarkan sebagai berikut :
Gambar 1
Langkah-Langkah Penelitian
Studi Pendahuluan Perumusan Masalah dan Tujuan Penelitian
Studi Kepustakaan
Identifikasi Variabel Penelitian dan Pembentukan Model
Pembuatan Hipotesis
Proses Pengumpulan Data
Pengolahan Data : Uji Spesifikasi Model dan Uji Asumsi
Regresi Linier
Pengolahan Data Statistik : Estimasi Model
Pengujian Hipotesis
Analisis dan Pembahasan
Kesimpulan dan Saran
Memenuhi
Ya
Tidak
Revisi
Setelah model dan hipotesisnya terbentuk, tahap yang paling penting
kemudian ialah proses pengolahan data dan model sehingga dari hasil hasil estimasi
model nantinya bisa didapatkan kesimpulan akhir.
Kasus 1
Suatu perusahaan penjual bunga di daerah “X” ingin melihat faktor-faktor yang
mempengaruhi penjualan bunga ros-nya. Perusahaan tersebut membuat model untuk
tujuannya tersebut sebagai berikut :
Yt = �1 + �2 X2t + �3 X3t + �4 X4t + �5 X5t + ut
Di mana :
Y = Jumlah Penjualan Bunga Ros, (dalam lusin)
X2 = Rata-rata harga bunga Ros, $/lusin
X3 = Rata-rata harga bunga mawar, $/lusin
X4 = Rata-rata tingkat pendapatan/kapita, $/week
X5 = Trend variabel dengan nilai 1,2,3, dan seterusnya, untuk periode 2001-III hingga
2005-II di daerah “X”
Untuk mengestimasi model di atas, perusahaan tersebut mengumpulkan database dari
survey-survey yang telah dilakukannya selama tahun 2001 kwartal III hingga tahun
2005 kwartal II sehingga diperoleh data sebagai berikut :
obs Y X2 X3 X4 X5 1971:3 11484.00 2.260000 3.490000 158.1100 1.000000 1971:4 9348.000 2.540000 2.850000 173.3600 2.000000 1972:1 8429.000 3.070000 4.060000 165.2600 3.000000 1972:2 10079.00 2.910000 3.640000 172.9200 4.000000 1972:3 9240.000 2.730000 3.210000 178.4600 5.000000 1972:4 8862.000 2.770000 3.660000 198.6200 6.000000 1973:1 6216.000 3.590000 3.760000 186.2800 7.000000 1973:2 8253.000 3.230000 3.490000 188.9800 8.000000 1973:3 8038.000 2.600000 3.130000 180.4900 9.000000 1973:4 7476.000 2.890000 3.200000 183.3300 10.00000 1974:1 5911.000 3.770000 3.650000 181.8700 11.00000 1974:2 7950.000 3.640000 3.600000 185.0000 12.00000 1974:3 6134.000 2.820000 2.940000 184.0000 13.00000 1974:4 5868.000 2.960000 3.120000 188.2000 14.00000 1975:1 3160.000 4.240000 3.580000 175.6700 15.00000 1975:2 5872.000 3.690000 3.530000 188.0000 16.00000
Agar model tersebut di atas bisa diestimasi maka ada beberapa tahapan di eviews :
1. Entry data
2. Estimasi model dengan data yang dientry
I. Proses Entry data
Sebelum suatu model bisa diestimasi, maka data untuk variabel-nya harus
tersedia dengan lengkap. Data harus dimasukan dulu ke dalam software dengan
lengkap. Berikut cara entry data di Eviews :
Buka Program Eviews sehingga terlihat workfile sebagai berikut :
Klik File | New | Workfile
Sehingga muncul workfile sebagai berikut :
Karena datanya dalam bentuk kwartal maka checklist Quarterly | lalu masukan di
star date : 2001:3 (tahun awal) kemudian masukan 2005:2 (tahun akhir) di end date.
Sehingga muncul workfile sebagai berikut :
Dari workfile yang sudah ada kita akan membuat nama-nama variabel terlebih dahulu:
Klik Object | New Object |
Sehingga muncul kotak dialog sebagai berikut :
Isi type object dengan series (sama untuk semua variabel) , Isi name for Object
dengan nama variabel : Y | Klik OK
Ulangi untuk variabel X2,X3,X4, dan X5 .
Sehingga di workfile muncul nama variabel yang siap diisi sebagai berikut :
buka semua variabel yang masih kosong untuk diisi dengan data :
Tekan CTRL (tidak dilepas) bersamaan klik satu per satu variabel Y, X2, X3, X4,
danX5 | Lalu klik kanan pada mouse | pilih open as group | sehingga muncul hasil
sebagai berikut :
Sehingga muncul spreadsheet sebagai berikut :
Klik Edit | Lalu isi setiap variabel dengan data pada tabel 1 di atas sehingga
spreadsheet akhir akan terisi data sebagai berikut :
Klik name : Group 1 pada spreadsheet | Klik File | pilih save as : Data1
Kasus III
Bagaimana jika model tersebut memiliki model sebagai berikut :
LnYt = �1 + �2 Ln(X2t/X3t) + �3 Ln(�X4t )+ �4 X5t + ut
Maka tahapan yang harus dilakuakn ialah :
1. Melakukan transformasi data di eviews dengan fasilitas Generate series
Klik Quick | Generate Series
Dikotak generate series satu per satu ditulis di sebagai berikut :
LnY=Log(Y)
X2X3=X2/X3
Ln(X2X3)=Log(X2/X3)
SqrtX4=Sqrt(X4)
Misalkan untuk LnY=Log(Y) :
Klik Quick | Generate Series :
II. Proses Estimasi Model
Karena data sudah tersedia maka estimasi model untuk selanjutnya bisa dilakukan.
Model : Yt = �1 + �2 X2t + �3 X3t + �4 X4t + �5 X5t + ut
Caranya : Klik Quick | Estimate Equation | sehingga muncul kotak dialog sebagai berikut :
Masukan Model yang akan diestimasi ke dalam kotak dialog “equation specification”,
sebagai berikut :
Penulisan persamaan di Eviews hanya variabelnya saja yang dipisahkan dengan
spasi. Variabel yang diketikan paling awal dibaca Eviews sebagai variabel dependen.
Kemudian C = �1.
Klik Ok sehingga dihasilkan estimasi regresi sebagai berikut :
Klik View | Pilih Representation | sehingga diperoleh fungsi persamaan sebagai
berikut :
Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 23:53 Sample: 2001:3 2005:2 Included observations: 16
Variable Coefficient Std. Error t-Statistic Prob. C 10816.04 5988.348 1.806181 0.0983 X2 -2227.704 920.4657 -2.420193 0.0340
X3 1251.141 1157.021 1.081347 0.3027 X4 6.282986 30.62166 0.205181 0.8412 X5 -197.3999 101.5612 -1.943655 0.0780
R-squared 0.834699 Mean dependent var 7645.000 Adjusted R-squared 0.774590 S.D. dependent var 2042.814 S.E. of regression 969.8744 Akaike info criterion 16.84252 Sum squared resid 10347220 Schwarz criterion 17.08395 Log likelihood -129.7401 F-statistic 13.88635 Durbin-Watson stat 2.333986 Prob(F-statistic) 0.000281
Jika hasil diatas ditulis dihasilkan persamaaan sebagai berikut :
Y = 10816.04325 - 2227.70436*X2 + 1251.141202*X3 + 6.282986279*X4 Std. error (5988,35) (920,46) (1157,02) (30,62) -197.3999396*X5 Std. Error (101,56)
Klik Name untuk menyimpan persamaan | beri nama : eq01
2.1 Pengujian Spesifikasi model
Uji Ramsey’s RESET
Ramsey membuat pengujian tentang spesifikasi error yang disebut RESET (
regression specification error test ). RESET test ini melihat suatu pola yang
sistematik dari perubahan residual regresi ( iu ) dihubungkan dengan estimasi yi ( iY )
pada persamaan (a ) di bawah ini. Jika kita masukan iY dalam persamaan (a) maka
akan meningkatkan R2 dan jika kenaikan R2 ini secara statistik signifikan maka model
persamaan (a) yang merupakan persamaan linear ialah miss-specified ( tidak
memenuhi spesifikasi model ). Misal kita memiliki persamaan :
Yi =�1 + �2 Xi + u3i ..(a)
Di mana : Y= Total Cost dan X = output
Tahapan dalam RESET ini ialah :
1. Estimasi model a dengan OLS biasa kemudian didapat estimasi Yi yaitu iY
2. Estimasi lagi persamaan a dengan memasukan regressor tambahan iY . Kalau kita
gambarkan hubungan antara iY dan iu maka ada hubungan yang kurva linear.
Ramsey menyarankan memasukan iY 2 dan iY 3 sebagai regressor tambahan.
Sehingga kita estimasi persamaan :
Yi = �1+ �2X2 + �3X3 + �4X4 + �5X5+ �6 iY 2 + �7 iY 3 + ui (a.1)
3. Dari persamaan a.1 didapat R2 yang baru ( 2newR ) dan R2 dari persamaan (a)
disebut 2oldR . Dari hasil ini kita bisa mencari nilai F-statistiknya untuk mengetahui
apakah kenaikan dalam R2 dari menggunakan model (a.1) itu signifikan atau tidak
:
)baru model dalam diparameter -parameterjumlah /()R-(1baru regressor -regressorjumlah /)(
2new
22
−−=
nRR
F oldnew
Jika nilai F-statistik yang telah dihitung itu signifikan pada tingkat � misal 5% maka
kita bisa menerima hipotesis bahwa model (a) itu misspecified. Sebaliknya jika nilai
F-statistik yang telah dihitung itu tidak signifikan pada tingkat � misal 5% maka
model specified.
Caranya di eviews :
Dari hasil estimasi awal (eq.1) :
Klik View | stability test | pilih Ramsey Reset | masukan :2 (jika kita misalkan ada
hubungan kuadratik)
Klik OK sehingga muncul hasil sebagai berikut :
F-statistik paling atas dari hasil estimasi ramsey test di eviews ialah sama dengan :
)baru model dalam diparameter -parameterjumlah /()R-(1baru regressor -regressorjumlah /)(
2new
22
−−=
nRR
F oldnew
Uji Hipotesis :
Ho : Model Specified(linier) H1: Model misspecified (tidak linier)
Pengujian :
Jika nilai p-value F-statistik < � =5% maka Ho ditolak
Ternyata p-value F-statistik = 0,52 > 0,05 maka Ho tidak ditolak sehingga bisa
disimpulkan bahwa model di atas memenuhi spesifikasi (kelinieran).
2.2 Pengujian Masalah yang Terjadi dalam Regresi Linier
Masalah-masalah penyimpangan asumsi yang dapat timbul pada model regresi
terutama regresi linier meliputi masalah multikolinier, heteroskedastisitas, dan
autokorelasi. Penyimpangan-penyimpangan ini mengakibatkan model menjadi tidak
valid, hasil-hasil pengujian menyesatkan, dan variasi residual yang diperoleh tidak
sesuai dengan semestinya. Atau dengan kata lain hasil estimasinya tidak lagi BLUE.
Pengujian Multikolinear
Multikolinier ialah kondisi dimana adanya hubungan antara variabel-variabel
bebas. Jika multikolinier itu sempurna maka setiap koefisien regresi dari variabel-
variabel bebasnya tidak dapat menentukan dan standar errornya tidak terbatas. Jika
multikolinier kurang dari sempurna maka koefisien regresi walaupun bisa
menentukan, tetapi memiliki standar error yang besar (dalam hubungan dengan
koefisien mereka itu sendiri), yang berarti koefisien-koefisiennya tidak bisa diestimasi
dengan akurasi yang tepat.
Cara umum untuk mendeteksi adanya multikolinear dalam model ialah dengan
melihat bahwa adanya 2R yang tinggi dalam model tetapi tingkat signifikansi t-
statistiknya sangat kecil dari hasil regresi tersebut dan cenderung banyak yang tidak
signifikan. Selain itu untuk menguji multikolinear, bisa dilihat matrik korelasinya.
Jika masing-masing variabel bebas berkorelasi lebih besar dari 80 % maka termasuk
yang memiliki hubungan yang tinggi atau ada indikasi multikolinearitas
(Gujarati,2003).
Cara pengujian Multikolinear dengan matriks korelasi di Eviews sebagai berikut :
Pada workfile : Klik Group1 data yang telah dibuat sebelumnya.
Klik View | Pilih Correlations
Y X2 X3 X4 X5 Y 1.000000 -0.784155 -0.022686 -0.413036 -0.851760 X2 -0.784155 1.000000 0.472491 0.289245 0.653135 X3 -0.022686 0.472491 1.000000 -0.104396 -0.127347 X4 -0.413036 0.289245 -0.104396 1.000000 0.549885 X5 -0.851760 0.653135 -0.127347 0.549885 1.000000
Dari matriks korelasi di atas terlihat bahwa hubungan antara variabel independennya
(tidak termasuk Y) semuanya di bawah 70% sehingga bisa disimpulkan bahwa tidak
terdapat masalah multikolinear di dalam model.
Pengujian Autokorelasi
Penaksiran model regresi linier mengandung asumsi bahwa tidak terdapat
autokorelasi di antara disturbance terms, yaitu :
Cov ( ei, ej ) = 0 di mana i � j
a. 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 ).
a. Metode Durbin-Watson Test
Metode Durbin Watson ini mengasumsikan adanya first order autoregressive
AR(1) dalam model.
Hipotesa dari uji tersebut ialah :
1. 0:10:
>=
ρρ
HHo
Artinya :
Jika d < du, H0 ditolak pada tingkat α sehingga secara statistik adanya
autokorelasi positif yang signifikan.
2. 0:10:
<=
ρρ
HHo
Artinya :
Jika ( 4 – d ) < du, H0 ditolak pada tingkat α , sehingga secara statistik
mengandung autokorelasi negatif yang signifikan.
3. 0:10:0
≠=
ρρ
HH
Artinya :
Jika d < du atau ( 4 – d ) < du, H0 ditolak pada tingkat 2α sehingga secara
statistik terlihat bahwa adanya autokorelasi baik positif maupun negatif secara
signifikan.
Tabel 3.3 Kriteria Pengujian Autokorelasi
Null Hipotesis Hasil Estimasi Kesimpulan
Ho 0 < dw < dl Tolak
Ho dudwdl ≤≤ Tidak ada Kesimpulan
H1 44 <<− dwdl Tolak
H1 dldwdu −≤≤− 44 Tidak ada kesimpulan
Tidak ada otokorelasi,
baik positif maupun
negatif
du < dw < 4 - du Diterima
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 :
Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 23:53 Sample: 2001:3 2005:2 Included observations: 16
Variable Coefficient Std. Error t-Statistic Prob. C 10816.04 5988.348 1.806181 0.0983 X2 -2227.704 920.4657 -2.420193 0.0340 X3 1251.141 1157.021 1.081347 0.3027 X4 6.282986 30.62166 0.205181 0.8412 X5 -197.3999 101.5612 -1.943655 0.0780
R-squared 0.834699 Mean dependent var 7645.000 Adjusted R-squared 0.774590 S.D. dependent var 2042.814 S.E. of regression 969.8744 Akaike info criterion 16.84252 Sum squared resid 10347220 Schwarz criterion 17.08395 Log likelihood -129.7401 F-statistic 13.88635 Durbin-Watson stat 2.333986 Prob(F-statistic) 0.000281
Jika kita uji berdasarkan tabel durbin-watson di atas maka dicari terlebih dahulu
nilai dl dan du pada �=1% dengan n=16 dan k’(jumlah variabel independen)=4 yaitu
dl=0,532 dan 1,66. sehingga didapat :
positif tidak tentu tidak ada autokorelasi tidak tentu negatif
Autokorelasi autokorelasi
0 dl=0,532 du=1,663 2 4-du= 2,337 4-dl= 3,468
karena 2,33 berada di daerah tidak ada autokorelasi maka bisa disimpulkan bahwa
model tidak mengandung masalah autokorelasi.
2.3 Pengujian Homokedastisitas
Salah satu asumsi pokok dalam model regresi linear adalah homokedastisitas
diartikan sebagai distribusi dari variabel gangguan ui, adalah suatu nilai konstan yang
sama σ2 untuk setiap nilai dari variabel penjelasnya, misal : Xi.
E(ui2 ) = σ2 i = 1,2,3,…,N
Jika variansnya tidak sama, maka dalam model tersebut terdapat situasi
heterokedastisitas, di mana :
E(ui2 ) = σi
2 i = 1,2,3,…,N
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.
a. 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). Jika suatu model logit ialah
sebagai berikut :
Yi = �1 + �2 X2i + �3 X3i + ui ..(b)
Maka proses pengujian dengan metode white ini ialah dengan melakukan regresi
tambahan sebagai berikut :
iiiiiiii vXXXXXXu ++++++= 326235
22433221
2ˆ αααααα ...(b.1)
Regresi ini ialah regresi di mana variabel residual kuadrat dari regresi asli (b.1)
diregres terhadap variabel independen yang asli ( X ) dan kuadrat dari variabel
indepeden tersebut, serta dari interaksi variabel independennya (cross product(s) of
the regressors). Dari hasil regresi ini tujuannya adalah untuk mendapatkan nilai R2
yang akan digunakan dalam pengujian hipotesis.
Pengujian hipotesis yang dilakukan ialah :
H0 : Tidak ada heteroskedastis (homokedastis)
H1 : Ada heteroskedastis
Pengujian :
Pada regresi persamaan (b.1) di atas didapat bahwa jumlah sampel (n) dikalikan
dengan nilai R2 akan sama (asymtot) dengan distribusi Chi-Square dengan degree of
freedom (DF) ialah sama dengan jumlah regressor (tidak termasuk konstanta) di
dalam regresi tambahan, yaitu:
n . R2 ~ �2 df …..(b.2)
dari persaman b.1 di atas maka didapat df = 5
Tahap 4 :
Pengujian :
Jika nilai �2 dari persamaan b.1 lebih besar dari nilai �2 tabel maka H0 ditolak yang
artinya terdapat heteroskedastis di dalam model tetapi jika �2 dari persamaan b.1 lebih
kecil dari nilai �2 tabel maka H0 diterima yang artinya tidak terdapat heteroskedastis
di dalam model dan juga bisa dikatakan bahwa koefisien –koefisien pada regresi
tambahan :
�2 = �3 = �4 = �5 = �6 = 0
Caranya Pengujian Homoskedastisitas di eviews :
Dari hasil estimasi model (eq.01) :
Klik View | Residual test | pilih white heteroscedaticity (cross term)
didapat hasil estimasi model white sebagai berikut :
Dari hasil estimasi didapat bahwa : Obs*R-squared =13,91 dengan p-value=0,45. :
Obs*R-squared = n.R2 = 13,91.
Uji hipotesis :
Ho : Tidak ada heteroskedastisitas
H1 : Ada heteroskedastisitas
Pengujian :
Jika p-value < �=5% maka Ho ditolak
Karena p-value= 0,45 > �=5% maka Ho tidak ditolak, sehingga bisa disimpulkan
bahwa tidak ada heteroskedastisitas di dalam model.
III. Analisis Model Regresi
Pengujian Statistik
Uji Koefisien Determinasi ( 2R )
Koefisien determinasi ( R2 ), digunakan untuk mengukur seberapa besar variabel-
variabel 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 R2 yang mendekati 1 menunjukan bahwa variabel dalam model tersebut dapat
mewakili permasalahan yang diteliti, karena dapat menjelaskan variasi yang terjadi
pada variabel dependennya. Nilai R2 sama dengan atau mendekati 0 ( nol )
menunjukan variabel dalam model yang dibentuk tidak dapat menjelaskan variasi
dalam variabel terikat. Penghitungan R2 diperoleh dari :
��
−−
== 2
22
)(
)ˆ(
YY
YY
TSSESS
Rt
t
dimana ESS = Explained sum of square
TSS = Total sum of square
Nilai koefisien determinasi akan cenderung semakin besar bila jumlah variabel bebas
dan jumlah data yang diobservasi semakin banyak. Oleh karena itu, maka digunakan
ukuran adjusted R2 ( 2R ), untuk menghilangkan bias akibat adanya penambahan
jumlah variabel bebas dan jumlah data yang diobservasi. Adjusted R2 ( 2R ) dihitung
dengan rumus :
2R = 1 – ( 1- R2 ) ��
���
�
−−
knk 1
Di mana :
n = Jumlah observasi
k = Jumlah parameter dalam model
Dalam analisis data time series, jika koefisisen determinasi ( 2R ) > Durbin Watson (
DW ) statistik maka itu menandakan regresi mengalami spurious regression.
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 :
Ho diterima bila statistikt − < tabelt −
Ho ditolak bila statistikt − > tabelt −
α = x %
Daerah Kritis Terima H0 Daerah Kritis
- t-tabel t-tabel
Gambar Pengujian t – Statistik
Nilai t-statistik didapatkan dengan rumus : t
St tt
β
β=
Di mana βt ialah koefisien variabel dan Sβt ialah standar error dari variabel.
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.
Untuk mendapatkan Nilai F-statistik, digunakan tabel ANOVA ( analysis of variance)
seperti diperlihatkan pada tabel di bawah ini :
Tabel ANOVA
Sumber Variasi Sum of Squares ( SS )
Degree of Freedom
Mean Square Fischer Test
Akibat Regresi ESS k-1 EMS=ESS/df Akibat Residual RSS n-k RMS=RSS/df F=EMS/RMS Total TSS n-1 Sumber : Gujarati ( 1995 ) Keterangan : ESS: Explained sum square EMS : Explained mean squares RSS: Resdiual sum square RSS : Residual mean squares TSS: Total sum square
Cara lain untuk menghitung F-statistik adalah dengan menggunakan Nilai R2 yang
telah diketahui, di mana :
knR
kR
F
−−
−=)1(
12
2
Dengan menguji tingkat signifikansi =α dan df = n – k ( n = jumlah observasi, k =
jumlah parameter ) maka hasil pengujian akan menunjukan :
Ho diterima bila statistikF − < tabelF −
Ho ditolak bila statistikF − > tabelF −
α
Terima H0 Daerah Kritis
F-tabel
Gambar Pengujian F-Statistik
Caranya di Eviews :
Lihat Hasil Estimasi Eq 1.
Cara menyajikan hasil output ini bisa dilakukan dengan melakukan perubahan ouitput
di bawah ini :
Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 23:53 Sample: 2001:3 2005:2 Included observations: 16
Variable Coefficient Std. Error t-Statistic Prob. C 10816.04 5988.348 1.806181 0.0983 X2 -2227.704 920.4657 -2.420193 0.0340 X3 1251.141 1157.021 1.081347 0.3027 X4 6.282986 30.62166 0.205181 0.8412 X5 -197.3999 101.5612 -1.943655 0.0780
R-squared 0.834699 Mean dependent var 7645.000 Adjusted R-squared 0.774590 S.D. dependent var 2042.814 S.E. of regression 969.8744 Akaike info criterion 16.84252 Sum squared resid 10347220 Schwarz criterion 17.08395 Log likelihood -129.7401 F-statistic 13.88635 Durbin-Watson stat 2.333986 Prob(F-statistic) 0.000281
Menjadi lebih mudah dibaca jika kita buat tampilan sebagai berikut :
Tabel Hasil Estimasi Model Dependent Variable: Y
Variable Coefficient Std. Error t-Statistic Prob. C 10816.04 5988.348 1.806181 * X2 -2227.704 920.4657 -2.420193 ** X3 1251.141 1157.021 1.081347 TS X4 6.282986 30.62166 0.205181 TS X5 -197.3999 101.5612 -1.943655 *
R-squared 0.834699 F-statistic 13.88635 Adjusted R-squared 0.774590 Prob(F-statistic) *** Keterangan : *** = signifikan pada � = 1% TS = Tidak signifikan ** = signifikan pada � = 5% * = Signifikan pada � = 10%
Nilai R2 artinya bahwa sebesar 83,5 %variabel penjualan buang ros bisa dijelaskan
oleh variabel bunga ros itu sendiri, variabel bunga mawar,pendapat/kapita, dan trend
waktu sedangkan sisanya sebesar 16,5% bisa dijelaskan oleh variabel lain diluar
model.
Dari hasil uji F-statistik didapat bahwa nilai F-statistik signifikan pada �=1%, hal ini
mengindikasikan bahwa secara keseluruhan, semua variabel independen mampu
menjelaskan variabel dependennya yaitu penjualan bunga ros.
Dari hasil uji parsial bisa disimpulkan bahwa hanya variabel tingkat harga bunga ros
dan trend waktu yang signifikan mempengaruhi variabel penjualan bunga ros
sedangkan variabel tingkat harga bunga mawar dan tingkat pendapatan/kapita tidak
signifikan mempengaruhi penjualan bunga ros.
Cara Membaca hasil estimasi Regresi :
Untuk variabel X2=-2227,704 artinya ialah bahwa jika Variabel X2 naik sebesar 1
unit akan menyebabkan penurunan pada penjualan bungan ros sebesar 2227,705 unit,
ceteris paribus. Hal ini mengindikasikan bahwa tingkat harga memiliki hubungan
negatif dengan penjualan bunganya itu sendiri.
Untuk variabel X3 = 1251,141 artinya ialah bahwa jika variabel X3 naik sebesar 1
unti akan menyebabkan kenaikan penjualan bungan Ros sebesar 1251,141 unit,ceteris
paribus. Hal ini mengindikasikan bahwa antara bunga Ros dan mawar merupakan
barang substitusi.
Untuk variabel X4 = 6,29 artinya ialah bahwa jika variabel X4 naik sebesar 1 unit
akan menyebabkan kenaikan penjualan bunga ros sebesar 6,29 unit, ceteris paribus.
Hal ini mengindikasikan bahwa semakin tinggi tingkat pendapatan per kapita
masyarakat maka masyarakat cenderung akan banyak membeli bunga Ros.
Untuk variabel X5 = -197,4 artinya ialah bahwa jika variabel X5 naik sebesar 1 unit
akan menyebabkan penurunan penjualan bunga Ros sebesar 197,4 unit, ceteris
paribus. Hal ini mengindikasikan bahwa semakin lam orang akan semakin tidak
membeli bunga Ros.
Penulisan Pelaporan Penelitian
DAFTAR ISI
ABSTRAK i
ABSTRACT ii
PEDOMAN PENGGUNAAN TESIS iii
KATA PENGANTAR v
DAFTAR ISI vii
DAFTAR TABEL xi
DAFTAR GAMBAR xiv
DAFTAR GRAFIK xv
DAFTAR LAMPIRAN xvi
BAB I PENDAHULUAN 1
1.1 Latar belakang penelitian 2
1.2 Identifikasi Masalah 6
1.3 Kegunaan Penelitian 6
1.4 Metodologi 7
1.5 Lingkup Penelitian 7
1.6 Sistematika Pembahasan 8
BAB II TINJAUAN PUSTAKA 9
2.1 Teori-teori Pendukung Penelitian 9
2.2 Kajian Beberapa Studi Empiris 42
2.3 Sintesis Penelitian ( State of the Art ) 43
BAB III METODE PENELITIAN 45
3.1 Langkah Penelitian 45
3.2 Identifikasi Variabel Penelitian dan Pembentukan Model 46
3.3 Objek Penelitian dan Perumusan Hipotesa 55
3.4 Hipotesis 58
3.5 Pengumpulan dan Pengolahan Data 59
3.6 Spesifikasi Model 64
3.7 Analisis Regresi 65
3.7.1 Persamaan Regresi Berganda Biasa 65
3.7.2 Pengujian Masalah yang terjadi dalam Regresi Linier 66
3.7.3 Pengujian Statistik 69
BAB IV PENGOLAHAN DATA 83
4.1 Variabel-variabel Penelitian 85
4.4 Pengujian Asumsi OLS Klasik 99
4.5 Uji Spesifikasi Model 102
BAB V ANALISA 103
5.1 Analisis Hubungan antara Variabel dependen dengan variabel
independennya
103
5.1.1 Analisis Statistik 103
5.1.2 Analisis Ekonomi
BAB VI KESIMPULAN DAN SARAN 119
6.1 Kesimpulan Umum dari Hasil Bab V 119
6.2 Saran 123
DAFTAR PUSTAKA
LAMPIRAN
Daftar Pustaka
1. Arief, Sritua (1993), Metodology Penelitian Ekonomi, UIP, Jakarta.
2. Greene H. (2000), William, Econometric Analysis,Prentice Hall, New Jersey.
3. Gujarati N., Damodar (1995), Basic Econometrics , McGraw-Hill.
4. Intriligator, Michael (1980), Econometrics Models, Techniques, and Applications, Prentice-Hall Inc., New Delhi.
5. Lubis, Hari (2003), “Metodologi Penelitian“, Diktat Kuliah, Departemen
Teknik Industri, ITB.
6. Singarimbun, Masri, Metode Penelitian Survai, LP3ES, Edisi Revisi, 1987
Recommended