View
45
Download
1
Category
Preview:
DESCRIPTION
Persamaan Simultan
Citation preview
“PERSAMAAN SIMULTAN”
Disusun untuk Melengkapi Tugas Individu Mata Kuliah
Metode Kuantitatif
Disusun oleh:
Fika Andita Riani 115040100111186
UNIVERSITAS BRAWIJAYA
FAKULTAS PERTANIAN
PROGRAM STUDI AGRIBISNIS
MALANG
2014
1
I. PENDAHULUAN
I.1. Latar Belakang
Indonesia merupakan negara agraris penghasil komoditas pangan beras
khususnya. Seiring dengan adanya pertumbuhan penduduk, maka permintaan pangan
akan semakin meningkat. Peningkatan ini akan diikuti dengan peningkatan produksi
beras dalam negeri. Namun yang terjadi pada beberapa tahun ini perberasan Indonesia
hanya mengalami swasembada beras pada tahun 1969 hingga 1984. Setelah tahun
tersebut Indonesia belum lagi bisa mencukupi kebutuhan beras dalam negeri, yang mana
memaksa melakukan impor beras dalam jumlah cukup besar. Besar impor semakin lama
semakin tinggi seiring dengan kurang mampunya negara dalam mencukupi kebutuhan
pangan dalam domestik sendiri.
Perberasan hingga saat ini masih merupakan persoalan yang cukup rumit dan
belum dapat terselesaikan secara tuntas. Padahal Indonesia pernah tercatat dan dikenang
dunia atas pencapaian swasembada beras sekitar 3 kali periode, yaitu pada tahun 1984,
2004, dan 2008. Saat ini, Indonesia masuk daftar panjang sebagai salah satu negara yang
mengimpor beras, bahkan dilakukan sejak era reformasi. Selama 1998-2003, Indonesia
dan Filipina bergantian menempati negara pengimpor beras terbesar. Dalam grand
strategi pembangunan nasional, acapkali persoalan perberasan menjadi tidak sederhana.
Apalagi, beras juga merupakan komoditas yang bernilai politik.
Kajian mengenai perberasan di Indonesia tidak terlepas dari peran Bulog
(Badan Urusan Logistik). Bulog adalah lembaga pemerintah yang dibentuk pada tahun
1967 dan bertugas untuk mengendalikan stabilitas harga dan penyediaan bahan pokok,
terutama pada tingkat konsumen. Peran Bulog tersebut dikembangkan lagi dengan
ditambah mengendalikan harga produsen melalui instrumen harga dasar untuk
melindungi petani padi dan tidak hanya terbatas pada beras saja tetapi juga pada
pengendalian harga dan penyediaan komoditas lain. Mulai tahun 1988, Bulog kembali
hanya menangani beras dengan prioritas utama yaitu perlindungan kepada petani melalui
harga dasar tetatp. Sedangkan untuk stabilisasi harga konsumen mulai berkurang sejalan
dengan terus tertekannya harga beras domestik.
Beras sendiri adalah komoditas pertanian strategis. Beras berperan penting
dalam ketahanan pangan nasional. Beras menjadi basis revitalisasi pertanian ke depan
mengingat kebutuhan beras tahun 2005-2025 akan terus meningkat. Menurut data BPS
produksi padi tahun 2012 sebesar 68,96 juta ton Gabah Kering Giling (GKG) atau 43,44
2
juta ton beras. Namun, angka ini tidak menjamin bahwa Bulog tidak akan mengimpor
beras. Jadi, untuk memenuhi kebutuhan beras nasioanl agaknya Indonesia harus
menempuh jalan panjang demi mencapai swasembada beras.
Permasalahan klasik perberasan di Indonesia adalah adanya kesalahan
kebijakan politik di masa lalu. Beras diangkat menjadi komoditas superior sehingga
menggeser komoditas lainnya. Singkong, jagung, pisang, dan ubi-ubian tergeser oleh
ketergantungan yang tinggi terhadap beras. Indonesia menjadi konsumen beras terbesar
setelah Cina dan India. Rata-rata orang Asia mengonsumsi 65-70 kg beras per kapita,
sedangkan Indonesia mengonsumsi 139 kg beras per kapita.
Berkurangnya lahan pertanian juga menjadi sebuah masalah serius. Banyak
lahan pertanian yang beralih menjadi lahan perkebunan dan perumahan. Lahan yang
beralih fungsi mencapai 100.000 ha, sementara areal sawah baru hanya 40.000 ha. Tentu
saja ini adalah sebuah ketimpangan. Bagaimana bisa memenuhi kebutuhan beras
nasional jika tempat tanamnya saja selalu berkurang? Akhirnya solusi terakhir selalu
berujung pada impor. Padahal impor beras dapat memberikan tekanan tersendiri bagi
petani di Indoesia.
I.2. Tujuan
1. Untuk mengetahui model simultan pada komoditas beras
2. Untuk mengetahui perkembangan permintaan, produksi, harga, impor, dan penawaran
beras tiap tahunnya
3. Untuk mengidentifikasi dan menyusun persamaan simultan antara yang ada di lapang
dan teori yang ada
3
II. METODE
II.1. Teori Data Time Series
Time series merupakan data yang terdiri atas satu objek tetapi meliputi beberapa periode
waktu misalnya harian, bulanan, mingguan, tahunan, dan lain-lain. Kita dapat melihat
contoh data time series pada data harga saham, data ekspor, data nilai tukar (kurs), data
produksi, dan lain-lain sebagainya. Jika kita amati masing-masing data tersebut terkait
dengan waktu (time) dan terjadi berurutan. Misalnya data produksi minyak sawit dari
tahun 2000 hingga 2009, data kurs Rupiah terhadap dollar Amerika Serikat dari tahun
2000 – 2006, dan lain-lain. Dengan demikian maka akan sangat mudah untuk mengenali
jenis data ini.
Data time series juga sangat berguna bagi pengambil keputusan untuk memperkirakan
kejadian di masa yang akan datang. Karena diyakini pola perubahan data runtun waktu
beberapa periode masa lampau akan kembali terulang pada masa kini. Data time series
juga biasanya bergantung kepada lag atau selisih. Katakanlah pada beberapa kasus
misalnya produksi dunia komoditas kopi pada tahun sebelumnya akan mempengaruhi
harga kopi dunia pada tahun berikutnya. Dengan demikian maka akan diperlukan data
lag produksi kopi, bukan data aktual harga kopi. Tabel berikut ini akan memperjelas
konsep lag yang mempengaruhi data time series.
II.2. Model 2 SLS
Menurut Gujarati (2006), Two Stage Least Square (2SLS) merupakan suatu metode yang
digunakan untuk estimasi parameter suatu persamaan struktural yang estimasinya
memiliki lebih dari satu nilai (over identified). Metode 2SLS digunakan untuk
memperoleh nilai parameter struktural pada persamaan yang teridentifikasi berlebih.
Metode ini dapat diterapkan pada suatu sistem persamaan individu dalam sistem tanpa
memperhitungkan persamaan lain secara langsung dalam sistem.
Two Stage Least Squares (2SLS) adalah metode statistik yang digunakan untuk
menggantikan metode OLS yang tidak dapat digunakan untuk mengestimasi suatu
persamaan dalam sistem persamaan simultan. Terutama karena adanya saling
ketergantungan antara variabel dependen Y dan beberapa variabel independen X yang
membuat perbedaan antara variabel dependen dan variabel independen menjadi
meragukan (Koutsoyiannis, 1978).
4
II.3. Persamaan Simultan
Berbeda dengan model-model ekonometrika sebelumnya, sistem persamaan simultan
memiliki lebih dari satu persamaan dengan masing-masing variabel independent dan
variabel dependent. Karena terdapat banyak persamaan maka terdapat lebih dari satu
variabel dependent. Persamaan-persamaan tersebut menggambarkan hubungan antar
fenomena ekonomi. Selain itu, variabel dependent pada satu persamaan dapat menjadi
variabel independent pada persamaan lain sehingga antar persamaan saling berhubungan.
Pada model ini terdapat dua jenis variabl endogen dan eksogen.
Istilah dalam persamaan simultan antara lain:
1. Persamaan Struktural/Perilaku:
a. Struktur atau perilaku dari fenomena ekonomi yang diamati.
b. Perilaku variabel endogen terhadap perubahan-perubahan variabel penjelas pada
persamaan yang bersangkutan
2. Persamaan Identitas:
a. Persamaan yang tidak dpt menunjukkan perilaku variabel endogen.
b. Dibentuk oleh perkalian, pembagian, penambahan atau pengurangan beberapa
variabel.
3. Persamaan Direduksi (reduced-form equation):
Persamaan dimana variabel endogen hanya dipengaruhi variabel predetermined dan
gangguan stochastic.
4. Variabel Endogen:
a. Variabel yang nilainya akan ditentukan melalui model.
b. Variabel yang dipengaruhi oleh dan mempengaruhi variabel lain
5. Variabel Predetermined (eksogen dan lag endogen):
a. Variabel yang nilainya ditetapkan sebelumnya, tidak melalui model.
b. Variabel yang hanya menpengaruhi variabel lain.
Tujuan dari identifikasi model adalah mengidentifikasi model sebelum dilakukan
estimasi. Artinya untuk mengetahui apakah estimasi parameter dapat dilakukan melalui
persamaan reduced-form dari sistem persamaan simultan. Dalam persamaan simultan ini,
terdapat tiga kemungkinan hasil yang diperoleh, yaitu:
1. Persamaan tidak identifikasi (unidentified) jika estimasi parameter tidak dapat
dilakukan melalui persamaan reduced-form.
2. Persamaan teridentifikasi (identified) jika estimasi parameter dapat dilakukan melalui
persamaan reduced-form dari sistem persamaan simultan.
5
a. Teridentifikasi Tepat (just identfied),
Jika masing-masing nilai parameter bersifat unik (hanya mempunyai satu nilai)
b. Teridentifikasi Berlebih (over identified)
Jika nilai parameter mempunyai lebih dari satu nilai.
Model umum persamaan simultan adalah sebagai berikut
Keterangan :
Y1, Y2, ...., YM : sejumlah M variabel endogen
X1, X2, …, Xk : sejumlah k variabel eksogen
u1, u2, …, uM : sejumlah M residual
t : observasi
β : koefisien (parameter) variabel endogen
γ : koefisien (parameter) variabel eksogen
2.4. Metode dalam SPSS
2.4.1.Persamaan Simultan
Gambar 1. Metode Simultan dalam SPSS
6
Masukkan data yang akan
dianalisis dalam SPSS
Klik Variabel View lalu ubah nama
menjadi nama variabel yang
akan digunakan
Klik Analyze Klik Regression
Klik Two Stage Least
Square
Masukkan variabel
endogen pada tiap persamaan
ke kotak dependent
Masukkan variabel
eksogen pada tiap persamaan
ke kotak explanatory
Masukkan variabel lain diluar tiap
persamaan ke kotak
instrumental
Klik Options Klik Predicted Klik Continue Klik Ok
2.4.2.Validasi
Gambar 2. Metode Validasi dalam SPSS
7
Klik Variabel View lalu ubah nama Fit
menjadi nama variabel Prediksi
Klik AnalyzeKlik
Descriptive statistics
Klik Frequencies
Masukkan variabel endogen dan
prediksi pada tiap persamaan ke kotak
variables
Klik Statistics
Klik Mean Klik Continue Klik Ok
III. HASIL DAN PEMBAHASAN
III.1. Identifikasi Order Condition
Persamaan struktural:
1. Dt = α + β1 Popt + β2 Incomet + β3 HBIt + e
2. PBIt = α + β1 HBIt + β2 LAPt + β3 Yt + e
3. HBIt = α + β1 HBDt + β2 ERt + β3 MBIt + β4 HBIt-1 + e
4. MBIt = α + β1 PBIt + β2 HBDt + β3 HBIt + e
Persamaan Identitas:
5. St = Dt + MBIt
Sebelumnya untuk asumsi untuk identifikasi model apakah model tersebut termasuk over
identified, exactly identified, dan under identified digunakan syarat sebagai berikut :
a. (K - k) > (G - 1) maka Over Identified atau syarat simultan
b. (K - k) = (G - 1) maka Exactly Identified
c. (K - k) < (G - 1) maka Under Identified
Keterangan:
K : Jumlah peubah eksogen dalam model
k : Jumlah peubah eksogen dalam persamaan
m : Jumlah peubah endogen dalam model
Tabel 1. Order Condition
Persamaan K k (K-k) G (G-1) Keterangan1 12 3 9 5 4 Over Identified2 12 3 9 5 4 Over Identified3 12 4 8 5 4 Over Identified4 12 3 9 5 4 Over Identified5 12 2 10 5 4 Over Identified
Berdasarkan tabel order condition diatas dapat disimpulkan bahwa ke-5 persamaan
dalam model termasuk over identified yang merupakan syarat simultan dikarenakan
memiliki nilai (K-k) > (m-1) sehingga dapat digunakan model 2SLS.
III.2. Menyusun Model Persamaan Simultan
III.2.1. Persamaan 1
Pada analisis 2 Stage Least Squares untuk persamaan 1 yaitu permintaan
beras Indonesia yang dipengaruhi oleh populasi, pendapatan, dan harga beras
Indonesia. Pada tabel Model Summary didapatkan hasil nilai dari R square sebesar
8
0,108 atau 10,8%. Ini menunjukkan bahwa hanya 10,8% variabel permintaan beras
Indonesia dapat dijelaskan oleh variabel populasi, pendapatan, dan harga beras
Indonesia, sedangkan sisanya 89,2% dijelaskan oleh variabel lain di luar model.
Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,328 yang artinya
tingkat kesesuaian atau tingkat hubungan data observasi dengan data prediksi 1
sesuai sebesar hanya 32,8%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 0,484 dengan tingkat signifikan 0,700. Diketahui jumlah sampel pada data
tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 4 variabel.
df1 = k – 1 = 4 (jumlah variabel) – 1 = 3
df2 = n – k = 16 (jumlah sampel) – 4 = 12
Jika pengujian dilakukan pada α = 5%, maka nilai F tabel adalah 3,49.
Dari hasil uji F didapatkan Fhitung = 0,484 sedangkan Ftabel = 3,49. Dari hasil
tersebut menunjukkan jika Fhitung < Ftabel. Jadi, kesimpulan yang didapat adalah Ha
ditolak dan H0 diterima yang artinya populasi, pendapatan, dan harga beras
Indonesia tidak berpengaruh secara signifikan atau nyata terhadap permintaan
beras Indonesia. Dengan demikian model tersebut tidak dapat diterima sebagai
penduga yang baik dan tidak layak untuk digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah populasi, pendapatan, dan harga beras
Indonesia berpengaruh positif terhadap permintaan beras Indonesia. Sedangkan
pada Hipotesis 2 adalah populasi, pendapatan, dan harga beras Indonesia
berpengaruh terhadap permintaan beras Indonesia.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan α = 5%. Sedangkan derajat bebas pengujian adalah n –
k = 16 – 4 = 12. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
satu sisi, sedangkan df nya = 12 maka nilai tabel t = 1,782. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 12 maka nilai
tabel t = 2,179.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel
populasi sebesar 1,151, variabel pendapatan sebesar -0,456, dan variabel harga
beras Indonesia sebesar -1,305 sedangkan ttabel = 1,782. Dari hasil tersebut
9
menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi, kesimpulan
yang didapat adalah terima H0, tolak Ha yang artinya secara parsial populasi,
pendapatan, dan harga beras Indonesia tidak berpengaruh positif terhadap
permintaan beras Indonesia.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel populasi
sebesar 1,151, variabel pendapatan sebesar -0,456, dan variabel harga beras
Indonesia sebesar sebesar -1,305 sedangkan ttabel = 2,179. Dari hasil tersebut
menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi, kesimpulan
yang didapat adalah terima H0, tolak Ha yang artinya secara parsial populasi,
pendapatan, dan harga beras Indonesia tidak berpengaruh signifikan atau tidak
nyata terhadap permintaan beras Indonesia.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = α + β1X1 + β2X2 + β3X3 + e
Y = -1,755E6 + 34,138Popt - 2,069Incomet - 357,142HBIt + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel populasi mempunyai
tingkat signifikansi 0,272 > α = 0,05, variabel pendapatan mempunyai tingkat
signifikansi 0,657 > α = 0,05, dan variabel harga beras Indonesia mempunyai
tingkat signifikansi 0,321 > α = 0,05 artinya variabel populasi, pendapatan, dan
harga beras Indonesia tidak signifikan dan tidak berpengaruh nyata terhadap
permintaan beras Indonesia.
III.2.2. Persamaan 2
Pada analisis 2 Stage Least Squares untuk persamaan 2 yaitu produksi
beras Indonesia yang dipengaruhi oleh harga beras Indonesia, luas area panen, dan
produkstivitas beras Indonesia. Pada tabel Model Summary didapatkan hasil nilai
dari R square sebesar 0,783 atau 78,3%. Ini menunjukkan bahwa 78,3% variabel
produksi beras Indonesia dapat dijelaskan oleh variabel harga beras Indonesia, luas
area panen, dan produkstivitas beras Indonesia, sedangkan sisanya 22,7%
dijelaskan oleh variabel lain di luar model. Pada tabel juga didapatkan hasil nilai
dari Multiple R sebesar 0,885 yang artinya tingkat kesesuaian atau tingkat
hubungan data observasi dengan data prediksi 2 sesuai sebesar 88,5%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 14,430 dengan tingkat signifikan 0,000. Diketahui jumlah sampel pada data
10
tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 4 variabel.
df1 = k – 1 = 4 (jumlah variabel) – 1 = 3
df2 = n – k = 16 (jumlah sampel) – 4 = 12
Jika pengujian dilakukan pada α = 5%, maka nilai F tabel adalah 3,49.
Dari hasil uji F didapatkan Fhitung = 14,430 sedangkan Ftabel = 3,49. Dari
hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat adalah
Ha diterima dan H0 ditolak yang artinya harga beras Indonesia, luas area panen, dan
produkstivitas beras Indonesia berpengaruh secara signifikan atau nyata terhadap
produksi beras Indonesia. Dengan demikian model tersebut dapat diterima sebagai
penduga yang baik dan layak untuk digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah harga beras Indonesia, luas area panen,
dan produkstivitas beras Indonesia berpengaruh positif terhadap produksi beras
Indonesia. Sedangkan pada Hipotesis 2 adalah harga beras Indonesia, luas area
panen, dan produkstivitas beras Indonesia berpengaruh terhadap produksi beras
Indonesia.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan α = 5%. Sedangkan derajat bebas pengujian adalah n –
k = 16 – 4 = 12. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
satu sisi, sedangkan df nya = 12 maka nilai tabel t = 1,782. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 12 maka nilai
tabel t = 2,179.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel harga
beras Indonesia sebesar -0,198, variabel luas area panen sebesar -0,109, dan
variabel produktivitas beras Indonesia sebesar 5,601 sedangkan ttabel = 1,782. Dari
hasil tersebut menunjukkan bahwa pada variabel harga beras Indonesia dan luas
area panen didapatkan nilai thitung < ttabel. Jadi, kesimpulan yang didapat adalah
terima H0, tolak Ha yang artinya secara parsial variabel harga beras Indonesia dan
luas area panen tidak berpengaruh positif terhadap produksi beras Indonesia.
Sedangkan pada variabel produktivitas beras Indonesia didapatkan nilai thitung > ttabel.
Jadi, kesimpulan yang didapat adalah terima Ha, tolak H0 yang artinya secara
parsial variabel produktivitas beras Indonesia mempunyai pengaruh positif
11
terhadap produksi beras Indonesia atau semakin tinggi produktivitas beras
Indonesia maka semakin tinggi pula produksi beras Indonesia.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel harga
beras Indonesia sebesar -0,198, variabel luas area panen sebesar -0,109, dan
variabel produktivitas beras Indonesia sebesar sebesar 5,601 sedangkan ttabel =
2,179. Dari hasil tersebut menunjukkan bahwa pada variabel harga beras Indonesia
dan luas area panen didapatkan nilai thitung < ttabel. Jadi, kesimpulan yang didapat
adalah terima H0, tolak Ha yang artinya secara parsial variabel harga beras
Indonesia dan luas area panen tidak berpengaruh secara signifikan atau tidak nyata
terhadap produksi beras Indonesia. Sedangkan pada variabel produktivitas beras
Indonesia didapatkan nilai thitung > ttabel. Jadi, kesimpulan yang didapat adalah terima
Ha, tolak H0 yang artinya secara parsial variabel produktivitas beras Indonesia
mempunyai pengaruh yang signifikan dan nyata terhadap produksi beras Indonesia.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = α + β1X1 + β2X2 + β3X3 + e
Y = 129212,279 - 57,026HBIt - 0,012LAPt + 395749,379YBIt + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel harga beras Indonesia
mempunyai tingkat signifikansi 0,846 > α = 0,05, variabel luas area panen
mempunyai tingkat signifikansi 0,915 > α = 0,05, dan variabel produktivitas beras
Indonesia mempunyai tingkat signifikansi 0,000 < α = 0,05 artinya variabel yang
signifikan dan paling berpengaruh terhadap produksi beras Indonesia adalah
variabel produktivitas beras Indonesia yang artinya setiap kenaikan produktivitas
beras Indonesia sebesar 1 unit maka akan meningkatkan rata-rata produksi beras
Indonesia sebesar 395749,379 unit.
III.2.3. Persamaan 3
Pada analisis 2 Stage Least Squares untuk persamaan 3 yaitu harga beras
Indonesia tahun ini yang dipengaruhi oleh harga beras dunia, nilai tukar uang,
impor beras, dan harga beras Indonesia tahun kemarin. Pada tabel Model Summary
didapatkan hasil nilai dari R square sebesar 0,974 atau 97,4%. Ini menunjukkan
bahwa 97,4% variabel harga beras Indonesia tahun ini dapat dijelaskan oleh
variabel harga beras dunia, nilai tukar uang, impor beras, dan harga beras Indonesia
tahun kemarin, sedangkan sisanya 2,6% dijelaskan oleh variabel lain di luar model.
Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,987 yang artinya
12
tingkat kesesuaian atau tingkat hubungan data observasi dengan data prediksi 3
sesuai sebesar 98,7%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 101,352 dengan tingkat signifikan 0,000. Diketahui jumlah sampel pada
data tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 5 variabel.
df1 = k – 1 = 5 (jumlah variabel) – 1 = 4
df2 = n – k = 16 (jumlah sampel) – 5 = 11
Jika pengujian dilakukan pada α = 5%, maka nilai F tabel adalah 3,36.
Dari hasil uji F didapatkan Fhitung = 101,351 sedangkan Ftabel = 3,36. Dari
hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat adalah
Ha diterima dan H0 ditolak yang artinya harga beras dunia, nilai tukar uang, impor
beras, dan harga beras Indonesia tahun kemarin berpengaruh secara signifikan atau
nyata terhadap harga beras Indonesia tahun ini. Dengan demikian model tersebut
dapat diterima sebagai penduga yang baik dan layak untuk digunakan untuk
analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah harga beras dunia, nilai tukar uang,
impor beras, dan harga beras Indonesia tahun kemarin berpengaruh positif terhadap
harga beras Indonesia tahun ini. Sedangkan pada Hipotesis 2 adalah harga beras
dunia, nilai tukar uang, impor beras, dan harga beras Indonesia tahun kemarin
berpengaruh terhadap harga beras Indonesia tahun ini.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan α = 5%. Sedangkan derajat bebas pengujian adalah n –
k = 16 – 5 = 11. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
satu sisi, sedangkan df nya = 11 maka nilai tabel t = 1,796. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 11 maka nilai
tabel t = 2,201.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel harga
beras dunia sebesar 3,715, variabel nilai tukar uang sebesar 0,451, variabel impor
beras sebesar -0,062, dan variabel harga beras Indonesia tahun kemarin sebesar
5,694 sedangkan ttabel = 1,796. Dari hasil tersebut menunjukkan bahwa pada
variabel nilai tukar uang dan impor beras didapatkan nilai thitung < ttabel. Jadi,
13
kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara parsial
variabel nilai tukar uang dan impor beras tidak berpengaruh positif terhadap harga
beras Indonesia tahun ini. Sedangkan pada variabel harga beras dunia dan harga
beras Indonesia tahun kemarin didapatkan nilai thitung > ttabel. Jadi, kesimpulan yang
didapat adalah terima Ha, tolak H0 yang artinya secara parsial variabel harga beras
dunia dan harga beras Indonesia tahun kemarin mempunyai pengaruh positif
terhadap harga beras Indonesia tahun ini atau semakin tinggi harga beras dunia dan
harga beras Indonesia tahun kemarin maka semakin tinggi pula harga beras
Indonesia tahun ini.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel harga
beras dunia sebesar 3,715, variabel nilai tukar uang sebesar 0,451, variabel impor
beras sebesar -0,062, dan variabel harga beras Indonesia tahun kemarin sebesar
5,694 sedangkan ttabel = 2,201. Dari hasil tersebut menunjukkan bahwa pada
variabel nilai tukar uang dan impor beras didapatkan nilai thitung < ttabel. Jadi,
kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara parsial
variabel nilai tukar uang dan impor beras tidak berpengaruh secara signifikan atau
tidak nyata terhadap harga beras Indonesia tahun ini. Sedangkan pada variabel
harga beras dunia dan harga beras Indonesia tahun kemarin didapatkan nilai thitung >
ttabel. Jadi, kesimpulan yang didapat adalah terima Ha, tolak H0 yang artinya secara
parsial variabel harga beras dunia dan harga beras Indonesia tahun kemarin
mempunyai pengaruh yang signifikan dan nyata terhadap harga beras Indonesia
tahun ini.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = α + β1X1 + β2X2 + β3X3 + β4X4 + e
Y = -595,597 + 0,813HBDt + 0,028ERt - 1,354E5MBIt + 0,697HBIt-1 + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel harga beras dunia
mempunyai tingkat signifikansi 0,03 < α = 0,05, variabel nilai tukar uang
mempunyai tingkat signifikansi 0,661 > α = 0,05, variabel impor beras mempunyai
tingkat signifikansi 0,951 > α = 0,05, dan variabel harga beras Indonesia tahun
kemarin mempunyai tingkat signifikansi 0,000 < α = 0,05 artinya variabel yang
signifikan dan paling berpengaruh terhadap harga beras Indonesia tahun ini adalah
variabel harga beras dunia dan harga beras Indonesia tahun kemarin yang artinya
setiap kenaikan harga beras dunia sebesar 1 dollar maka akan meningkatkan rata-
rata harga beras Indonesia tahun ini sebesar 0,813 dollar. Sedangkan, setiap
14
kenaikan harga beras Indonesia tahun kemarin sebesar 1 dollar maka akan
meningkatkan rata-rata harga beras Indonesia tahun ini sebesar 0,697 dollar.
III.2.4. Persamaan 4
Pada analisis 2 Stage Least Squares untuk persamaan 2 yaitu impor beras
yang dipengaruhi oleh produksi beras Indonesia, harga beras dunia, dan harga
beras Indonesia. Pada tabel Model Summary didapatkan hasil nilai dari R square
sebesar 0,635 atau 63,5%. Ini menunjukkan bahwa 63,5% variabel impor beras
dapat dijelaskan oleh variabel produksi beras Indonesia, harga beras dunia, dan
harga beras Indonesia, sedangkan sisanya 36,5% dijelaskan oleh variabel lain di
luar model. Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,797
yang artinya tingkat kesesuaian atau tingkat hubungan data observasi dengan data
prediksi 4 sesuai sebesar 79,7%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 6,954 dengan tingkat signifikan 0,006. Diketahui jumlah sampel pada data
tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 4 variabel.
df1 = k – 1 = 4 (jumlah variabel) – 1 = 3
df2 = n – k = 16 (jumlah sampel) – 4 = 12
Jika pengujian dilakukan pada α = 5%, maka nilai F tabel adalah 3,49.
Dari hasil uji F didapatkan Fhitung = 6,954 sedangkan Ftabel = 3,49. Dari hasil
tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat adalah Ha
diterima dan H0 ditolak yang artinya produksi beras Indonesia, harga beras dunia,
dan harga beras Indonesia berpengaruh secara signifikan atau nyata terhadap impor
beras. Dengan demikian model tersebut dapat diterima sebagai penduga yang baik
dan layak untuk digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah produksi beras Indonesia, harga beras
dunia, dan harga beras Indonesia berpengaruh positif terhadap impor beras.
Sedangkan pada Hipotesis 2 adalah produksi beras Indonesia, harga beras dunia,
dan harga beras Indonesia berpengaruh terhadap impor beras.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan α = 5%. Sedangkan derajat bebas pengujian adalah n –
k = 16 – 4 = 12. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
15
satu sisi, sedangkan df nya = 12 maka nilai tabel t = 1,782. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 12 maka nilai
tabel t = 2,179.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel
produksi beras Indonesia sebesar -2,815, variabel harga beras dunia sebesar 1,128,
dan variabel harga beras Indonesia sebesar -0.189, sedangkan ttabel = 1,782. Dari
hasil tersebut menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel.
Jadi, kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara
parsial variabel produksi beras Indonesia, harga beras dunia dan harga beras
Indonesia tidak berpengaruh positif terhadap produksi beras Indonesia.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel produksi
beras Indonesia sebesar -2,815, variabel harga beras dunia sebesar 1,128, dan
variabel harga beras Indonesia sebesar -0.189 sedangkan ttabel = 2,179. Dari hasil
tersebut menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi,
kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara parsial
variabel produksi beras Indonesia, harga beras dunia dan harga beras Indonesia
tidak berpengaruh secara signifikan atau tidak nyata terhadap produksi beras
Indonesia.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = α + β1X1 + β2X2 + β3X3 + e
Y = 2355376,493 - 1,060PBIt + 459,881HBDt – 37,412HBIt + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel produksi beras
Indonesia mempunyai tingkat signifikansi 0,016 > α = 0,05, variabel harga beras
dunia mempunyai tingkat signifikansi 0,281 > α = 0,05, dan variabel harga beras
Indonesia mempunyai tingkat signifikansi 0,853 > α = 0,05 artinya variabel
produksi beras Indonesia, harga beras dunia dan harga beras Indonesia tidak
signifikan dan tidak berpengaruh nyata terhadap permintaan beras Indonesia.
III.3. Menyusun Harapan Tanda Koefisien
Tabel 2. Harapan Tanda Koefisien
Teori Lapang KeteranganPersamaan 1Populasi + + Sesuai dengan teori
Karena jika terjadi pertambahan populasi maka permintaan beras juga
16
akan bertambah.
Pendapatan + -
Tidak sesuai dengan teoriKarena kebalikan dari teori, jika pendapatan naik maka akan menurunkan permintaan beras.
Harga beras Indonesia tahun ini - -
Sesuai dengan teoriKarena jika harga beras Indonesia tahun ini naik maka permintaan beras akan berkurang.
Persamaan 2
Harga beras Indonesia tahun ini + -
Tidak sesuai dengan teoriKarena kebalikan dari teori, jika harga beras Indonesia tahun ini naik maka akan menurunkan produksi beras.
Luas area panen tahun ini + -
Tidak sesuai dengan teoriKarena kebalikan dari teori, jika luas area panen tahun ini naik maka akan menurunkan produksi beras.
Produktivitas beras Indonesia tahun ini + +
Sesuai dengan teoriKarena jika produktivitas beras Indonesia tahun ini naik maka produksi beras akan bertambah.
Persamaan 3
Harga beras dunia tahun ini + +
Sesuai dengan teoriKarena jika harga beras dunia tahun ini tinggi maka harga beras Indonesia juga akan tinggi.
Nilai tukar uang tahun ini + +
Sesuai dengan teoriKarena jika nilai tukar uang tahun ini tinggi maka harga beras Indonesia juga akan tinggi.
Impor beras Indonesia tahun ini - -
Sesuai dengan teoriKarena jika impor beras Indonesia tahun ini rendah maka harga beras Indonesia juga akan rendah.
Harga beras Indonesia tahun kemarin + +
Sesuai dengan teoriKarena jika harga beras Indonesia tahun kemarin tinggi maka harga beras Indonesia juga akan tinggi.
Persamaan 4
Produksi beras Indonesia tahun ini - -
Sesuai dengan teoriKarena jika produksi beras Indonesia tahun ini naik maka impor beras Indonesia juga akan turun.
Harga beras dunia tahun ini
- + Tidak sesuai dengan teoriKarena kebalikan dari teori, jika harga
17
beras dunia tahun ini tinggi maka akan meningkatkan impor beras Indonesia.
Harga beras Indonesia tahun ini + -
Tidak sesuai dengan teoriKarena kebalikan dari teori, jika harga beras Indonesia tahun ini tinggi maka akan menurunkan impor beras Indonesia.
Persamaan 5
Permintaan beras Indonesia tahun ini + +
Sesuai dengan teoriKarena jika permintaan beras Indonesia tahun ini tinggi maka akan meningkatkan penawaran beras Indonesia.
Impor beras Indonesia tahun ini - +
Tidak sesuai dengan teoriKarena kebalikan dari teori, jika impor beras Indonesia tahun ini tinggi maka akan meningkatkan penawaran beras Indonesia.
III.4. Validasi Model
III.4.1. Cara SPSS
Tabel 3. Validasi Model dengan SPSS
Statistics
DBIt SBIt PBIt HBIt MBIt
Fit for
DBIt,
MOD_1
Equation 1
Fit for
PBIt,
MOD_2
Equation 1
Fit for HBIt,
MOD_3
Equation 1
Fit for
MBIt,
MOD_4
Equation 1
Fit for
SBIt,
MOD_5
Equation 1
N Valid 16 16 16 16 16 16 16 16 16 16
Missing 0 0 0 0 0 0 0 0 0 0
Mean 3.5691E
6
3.9063E
6
1.9929E
6
2.4797E
3
9.4219E
5
3.5690959
E6
1.9929076
E62.4796875E3
9.4218944
E5
3.9063125
E6
Dari hasil perhitungan dengan menggunakan SPSS pada tabel diatas,
diperoleh hasil prediksi permintaan beras Indonesia, produksi beras Indonesia,
harga beras Indonesia, impor beras Indonesia, dan penawaran beras Indonesia yang
dibandingkan dengan data actual tidak begitu jauh berbeda. Hal ini ditunjukan
perbedaan atau selisih antara data actual dan prediksi tidak begitu jauh. Ini
menunjukkan bahwa model dapat dikatakan sesuai atau baik untuk digunakan.
18
III.4.2. Cara Manual dengan Microsoft Excel
Tabel 4. Perhitungan Validasi
aktual PrediksiDBIt PBIt HBIt MBIt SBIt Prediksi
1 Prediksi 2 Prediksi 3 Prediksi 4 Prediksi 5
2769278,0 2119585,0 1041,0 280978,0 2831000,0 3337572,5 2357667,6 888,4 530785,0 3034027,4
3392090,0 2252667,0 1125,0 309290,0 2959000,0 3366837,8 2354282,6 1061,7 423845,5 3151388,2
3964030,0 2306484,0 1215,0 329730,0 3032000,0 3402170,5 2299665,3 1192,7 403449,9 3252742,7
4073471,0 2329811,0 1256,0 226271,0 3089000,0 3445910,7 2199243,1 1289,9 395128,2 3148147,7
3489930,0 2453881,0 1260,0 118830,0 3165000,0 3540037,4 2294708,8 1325,7 265322,3 2944748,7
2943923,0 2059576,0 1430,0 544023,0 3374000,0 3565126,2 1884777,1 1459,1 752287,4 3361529,1
3374606,0 2094195,0 1461,0 1099306,0 3659000,0 3632153,7 1866394,3 1595,7 727773,1 4061308,7
3977884,0 2191986,0 1525,0 1296984,0 3670000,0 3831501,4 2244857,5 1727,5 650247,4 4371595,0
3328465,0 1488269,0 2572,0 1274365,0 3714000,0 3575600,8 1483817,9 2337,2 1623642,7 4257191,4
4439453,0 1493933,0 2640,0 2153153,0 4547000,0 3720405,2 1637871,0 2522,3 1328130,0 5423031,5
4102519,0 1690004,0 2989,0 1478519,0 4721000,0 3695172,1 1840473,6 3220,2 1431022,9 4598171,7
3368570,0 1725467,0 3745,0 1284470,0 4740000,0 3512832,0 1803452,2 3866,5 1578997,9 4274312,5
3160562,0 1755354,0 3619,0 970562,0 4740000,0 3639566,4 1797962,6 3909,5 1298641,8 3883539,6
3284303,0 1631918,0 4212,0 997200,0 4570000,0 3552761,6 1711211,7 3626,7 1304726,4 3931122,4
3514290,0 2051645,0 4110,0 1119790,0 4670000,0 3868754,3 2122372,5 4384,3 1046266,9 4103952,2
3922160,0 2241747,0 5475,0 1591560,0 5020000,0 3419131,3 1987764,2 5267,5 1314763,7 4704191,2
3569095,9 1992907,6 2479,7 942189,4 3906312,5 3569095,9 1992907,6 2479,7 942189,4 3906312,5
Tabel 5. Validasi Model dengan SPSS
Data aktual Data prediksiPermintaan beras Indonesia tahun ini 3569095,9 3569095,9Produksi beras Indonesia tahun ini 1992907,6 1992907,6Harga beras Indonesia tahun ini 2479,7 2479,7Impor beras Indonesia tahun ini 942189,4 942189,4Penawaran beras Indonesia tahun ini 3906312,5 3906312,5
Dari hasil perhitungan pada tabel diatas perbandingan yang didapatkan
dengan menggunakan Ms. Excel bahwasanya permintaan beras Indonesia, produksi
beras Indonesia, harga beras Indonesia, impor beras Indonesia, dan penawaran
beras Indonesia dibandingkan dengan data actual tidak menunjukan perbedaan
yang berarti / tidak jauh berbeda. Hal ini dapat kita lihat dari nilai perbedaan atau
19
selisih antara data aktual dan data prediksi yang tidak begitu jauh. Ini menunjukkan
bahwa model dapat dikatakan sesuai atau baik untuk digunakan.
IV. KESIMPULAN
Berikut adalah nilai dari Estimasi parameter dari empat persamaan yang
menjelaskan model Perberasan Indonesia adalah sebagai berikut dibawah ini:
1. DBIt = -1,755E6 + 34,138Popt - 2,069Incomet - 357,142HBIt + e
Variabel populasi, pendapatan, dan harga beras Indonesia tidak signifikan dan tidak
berpengaruh nyata terhadap permintaan beras Indonesia.
2. PBIt = 129212,279 - 57,026HBIt - 0,012LAPt + 395749,379YBIt + e
Variabel yang signifikan dan paling berpengaruh terhadap produksi beras Indonesia
adalah variabel produktivitas beras Indonesia yang artinya setiap kenaikan produktivitas
beras Indonesia sebesar 1 unit maka akan meningkatkan rata-rata produksi beras
Indonesia sebesar 395749,379 unit.
3. HBIt = -595,597 + 0,813HBDt + 0,028ERt - 1,354E5MBIt + 0,697HBIt-1 + e
Variabel yang signifikan dan paling berpengaruh terhadap harga beras Indonesia tahun
ini adalah variabel harga beras dunia dan harga beras Indonesia tahun kemarin yang
artinya setiap kenaikan harga beras dunia sebesar 1 dollar maka akan meningkatkan rata-
rata harga beras Indonesia tahun ini sebesar 0,813 dollar. Sedangkan, setiap kenaikan
harga beras Indonesia tahun kemarin sebesar 1 dollar maka akan meningkatkan rata-rata
harga beras Indonesia tahun ini sebesar 0,697 dollar.
4. MBIt = 2355376,493 - 1,060PBIt + 459,881HBDt – 37,412HBIt + e
Variabel produksi beras Indonesia, harga beras dunia dan harga beras Indonesia tidak
signifikan dan tidak berpengaruh nyata terhadap permintaan beras Indonesia.
Serta pada hasil analisis pada pembahasan diatas, dapat kita tarik kesimpulan bahwa setiap
variabel independen yang terdapat dalam persamaan di atas memiliki pengaruh yang berbeda
pada variabel dependent.
20
DAFTAR PUSTAKA
Djalal, Nachrowi dkk. 2002. Penggunaan Teknik Ekonometri Pendekatan Populer dan
Praktis Dilengkapi Teknik Analisis dan Pengolahan data dengan Menggunakan Paket
Program SPSS. Jakarta : PT. RajaGrafindo Persada.
Fuad, Ainun. 2011. Pengertian Data Time Series. http://ririez.blog.uns.ac.id/2010/10/26/time-
series-dan-komponen-komponennya/. Diakses pada tanggal 3 Mei 2014.
Gujarati, N damodar. 2006. Dasar – dasar ekonometrika. United states military academy.
West point
Koutsoyiannis, A. 1978. Theory of Econometrics. Second edition. The Macmillan Press Ltd.
U.S.A.
Lains, Alfian. 2002. Ekonometrika Teori dan Aplikasi Jilid I. Jakarat : Pustaka LP3ES
Indonesia.
Pradhanaarya, Romy.2010. Teori Persamaan Simultan.
http://romypradhanaarya.wordpress.com/2010/05/10/ekonometri-persamaan-
simultan/ . Diakses pada tanggal 3 Mei 2014.
21
LAMPIRAN
Persamaan 1 Model 1: DBlt = Popt+ Incomet + HBIt + eYour trial period for SPSS for Windows will expire in 14 days.
* 2-Stage Least Squares.TSET MXNEWVAR=1.2SLS DBlt WITH Incomet Popt HBlt /INSTRUMENTS HBlt_1 Incomet Popt Ert SBlt PBlt YBlt LAPt MBlt HBDt HBlt /CONSTANT
/SAVE PRED.
Two-stage Least Squares Analysis
[DataSet0]
Model Description
Type of Variable
Equation 1 DBlt dependent
Incomet predictor & instrumental
Popt predictor & instrumental
HBlt predictor & instrumental
HBlt_1 instrumental
Ert instrumental
SBlt instrumental
PBlt instrumental
YBlt instrumental
LAPt instrumental
MBlt instrumental
HBDt instrumental
MOD_1
22
Model Summary
Equation 1 Multiple R .285
R Square .081
Adjusted R Square -.149
Std. Error of the Estimate 494977.968
Coefficients
Unstandardized Coefficients
Beta t Sig.B Std. Error
Equation 1 (Constant) -796348.806 5093426.675 -.156 .878
Incomet -1.590 4.508 -.130 -.353 .730
Popt 27.592 28.942 .898 .953 .359
HBlt -276.023 335.934 -.836 -.822 .427
Coefficient Correlations
Incomet Popt HBlt
Equation 1 Correlations Incomet 1.000 -.241 .440
Popt -.241 1.000 -.937
HBlt .440 -.937 1.000
Model 2 : PBIt = HBIt + LAPt + Yt + e
* 2-Stage Least Squares.TSET MXNEWVAR=1.2SLS PBlt WITH HBlt LAPt YBlt /INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt YBlt LAPt MBlt HBDt HBlt
23
ANOVA
Sum of Squares df Mean Square F Sig.
Equation 1 Regression 2.593E11 3 8.642E10 .353 .788
Residual 2.940E12 12 2.450E11
Total 3.199E12 15
/CONSTANT
/SAVE PRED.
Two-stage Least Squares Analysis
[DataSet0]
Model Description
Type of Variable
Equation 1 PBlt dependent
HBlt predictor & instrumental
LAPt predictor & instrumental
YBlt predictor & instrumental
HBlt_1 instrumental
Incomet instrumental
Popt instrumental
Ert instrumental
DBlt instrumental
SBlt instrumental
MBlt instrumental
HBDt instrumental
MOD_2
Model Summary
Equation 1 Multiple R .885
R Square .783
Adjusted R Square .729
Std. Error of the Estimate 163627.600
24
ANOVA
Sum of Squares df Mean Square F Sig.
Equation 1 Regression 1.160E12 3 3.866E11 14.441 .000
Residual 3.213E11 12 2.677E10
Total 1.481E12 15
Coefficients
Unstandardized Coefficients
Beta t Sig.B Std. Error
Equation 1 (Constant) 105564.530 413852.259 .255 .803
HBlt -23.949 250.198 -.107 -.096 .925
LAPt -.024 .095 -.286 -.257 .802
YBlt 397250.891 70308.055 .771 5.650 .000
Coefficient Correlations
HBlt LAPt YBlt
Equation 1 Correlations HBlt 1.000 -.993 .162
LAPt -.993 1.000 -.154
YBlt .162 -.154 1.000
Model 3 : HBIt = HBDt + Ert + MBIt + HBIt-1 + e
* 2-Stage Least Squares.TSET MXNEWVAR=1.2SLS HBlt WITH HBDt Ert MBlt HBlt_1 /INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt PBlt YBlt LAPt MBlt HBDt /CONSTANT
/SAVE PRED.
Two-stage Least Squares Analysis
[DataSet0]
25
Model Description
Type of Variable
Equation 1 HBlt dependent
HBDt predictor & instrumental
Ert predictor & instrumental
MBlt predictor & instrumental
HBlt_1 predictor & instrumental
Incomet instrumental
Popt instrumental
DBlt instrumental
SBlt instrumental
PBlt instrumental
YBlt instrumental
LAPt instrumental
MOD_3
Model Summary
Equation 1 Multiple R .987
R Square .974
Adjusted R Square .964
Std. Error of the Estimate 265.546
ANOVA
Sum of Squares df Mean Square F Sig.
Equation 1 Regression 28588207.678 4 7147051.919 101.355 .000
Residual 775663.760 11 70514.887
Total 29363871.437 15
26
Coefficients
Unstandardized Coefficients
Beta t Sig.B Std. Error
Equation 1 (Constant) -596.724 226.958 -2.629 .023
HBDt .814 .219 .373 3.719 .003
Ert .027 .057 .067 .471 .647
MBlt -1.031E-5 .000 -.004 -.058 .955
HBlt_1 .698 .122 .600 5.738 .000
Coefficient Correlations
HBDt Ert MBlt HBlt_1
Equation 1 Correlations HBDt 1.000 -.503 .060 -.197
Ert -.503 1.000 -.530 -.585
MBlt .060 -.530 1.000 .169
HBlt_1 -.197 -.585 .169 1.000
Model 4 : MBIt = PBIt + HBDt + HBIt + e
* 2-Stage Least Squares.TSET MXNEWVAR=1.2SLS MBlt WITH PBlt HBDt HBlt /INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt PBlt YBlt LAPt HBDt HBlt /CONSTANT
/SAVE PRED.
Two-stage Least Squares Analysis
[DataSet0]
Model Description
Type of Variable
Equation 1 MBlt dependent
PBlt predictor & instrumental
HBDt predictor & instrumental
HBlt predictor & instrumental
HBlt_1 instrumental
Incomet instrumental
27
Popt instrumental
Ert instrumental
DBlt instrumental
SBlt instrumental
YBlt instrumental
LAPt instrumental
MOD_4
Model Summary
Equation 1 Multiple R .794
R Square .630
Adjusted R Square .538
Std. Error of the Estimate 398465.697
ANOVA
Sum of Squares df Mean Square F Sig.
Equation 1 Regression 3.246E12 3 1.082E12 6.814 .006
Residual 1.905E12 12 1.588E11
Total 5.151E12 15
Coefficients
Unstandardized Coefficients
Beta t Sig.B Std. Error
Equation 1 (Constant) 2289869.339 851187.893 2.690 .020
PBlt -1.027 .375 -.551 -2.742 .018
HBDt 448.367 403.006 .490 1.113 .288
HBlt -29.021 194.783 -.069 -.149 .884
28
Coefficient Correlations
PBlt HBDt HBlt
Equation 1 Correlations PBlt 1.000 -.216 .380
HBDt -.216 1.000 -.907
HBlt .380 -.907 1.000
Validasi
FREQUENCIES VARIABLES=FIT_1 FIT_2 FIT_3 FIT_4 /STATISTICS=MEAN
/ORDER=ANALYSIS.
Frequencies
[DataSet0]
Statistics
Fit for DBlt,
MOD_1 Equation 1
Fit for PBlt,
MOD_2 Equation 1
Fit for HBlt,
MOD_3 Equation 1
Fit for MBlt,
MOD_4 Equation 1
N Valid 16 16 16 16
Missing 0 0 0 0
Mean 3.5690959E6 1.9929076E6 2.4796875E3 9.4218944E5
Frequency Table
Fit for DBlt, MOD_1 Equation 1
Frequency Percent Valid Percent
Cumulative
Percent
Valid 3362391.90586545 1 6.2 6.2 6.2
3388943.03043378 1 6.2 6.2 12.5
3420097.52848555 1 6.2 6.2 18.8
3457743.41953907 1 6.2 6.2 25.0
3485800.58678754 1 6.2 6.2 31.2
3534124.94995997 1 6.2 6.2 37.5
3536604.79153205 1 6.2 6.2 43.8
3557150.99668346 1 6.2 6.2 50.0
29
3574061.835776 1 6.2 6.2 56.2
3575200.36841984 1 6.2 6.2 62.5
3612580.31552106 1 6.2 6.2 68.8
3637961.71807396 1 6.2 6.2 75.0
3674117.51216297 1 6.2 6.2 81.2
3690229.89853461 1 6.2 6.2 87.5
3769606.79246875 1 6.2 6.2 93.8
3828918.34975593 1 6.2 6.2 100.0
Total 16 100.0 100.0
Fit for PBlt, MOD_2 Equation 1
Frequency Percent Valid Percent
Cumulative
Percent
Valid 1486516.99024614 1 6.2 6.2 6.2
1634801.38955798 1 6.2 6.2 12.5
1716232.60622276 1 6.2 6.2 18.8
1793349.44217431 1 6.2 6.2 25.0
1812123.25476764 1 6.2 6.2 31.2
1838362.96066124 1 6.2 6.2 37.5
1860981.94438377 1 6.2 6.2 43.8
1883335.6305913 1 6.2 6.2 50.0
1995047.53283056 1 6.2 6.2 56.2
2110837.80689665 1 6.2 6.2 62.5
2201244.00392974 1 6.2 6.2 68.8
2237060.09457543 1 6.2 6.2 75.0
2293831.17337858 1 6.2 6.2 81.2
2303911.45672774 1 6.2 6.2 87.5
2357814.79255437 1 6.2 6.2 93.8
2361070.9205018 1 6.2 6.2 100.0
Total 16 100.0 100.0
30
Fit for HBlt, MOD_3 Equation 1
Frequency Percent Valid Percent
Cumulative
Percent
Valid 887.74539911816 1 6.2 6.2 6.2
1061.14850221246 1 6.2 6.2 12.5
1192.20518513122 1 6.2 6.2 18.8
1289.08276187603 1 6.2 6.2 25.0
1324.47804868756 1 6.2 6.2 31.2
1459.21596507144 1 6.2 6.2 37.5
1597.70424712607 1 6.2 6.2 43.8
1728.9380411718 1 6.2 6.2 50.0
2336.78313940043 1 6.2 6.2 56.2
2525.53707906362 1 6.2 6.2 62.5
3220.01403828123 1 6.2 6.2 68.8
3625.94440758805 1 6.2 6.2 75.0
3865.51089166692 1 6.2 6.2 81.2
3908.49550458201 1 6.2 6.2 87.5
4383.75493929005 1 6.2 6.2 93.8
5268.44184973295 1 6.2 6.2 100.0
Total 16 100.0 100.0
Fit for MBlt, MOD_4 Equation 1
Frequency Percent Valid Percent
Cumulative
Percent
Valid 275867.508085915 1 6.2 6.2 6.2
401669.126853205 1 6.2 6.2 12.5
409340.60461774 1 6.2 6.2 18.8
428240.236575884 1 6.2 6.2 25.0
531098.867863336 1 6.2 6.2 31.2
651601.56204904 1 6.2 6.2 37.5
726138.081297164 1 6.2 6.2 43.8
749605.286450259 1 6.2 6.2 50.0
31
Recommended