13 0 650 KB
TUGAS EKONOMETRIKA TAHAPAN PENGOLAHAN DATA REGRESI DAN ASUMSI KLASIK MENGGUNAKAN APLIKASI EVIEWS DAN STATA Tahap Pengerjaan Pengolahan Data dengan Eviews dan Stata
Sebelum memasuki tahap pengolahan data, yang pertama di lakukan adalah : 1. Menginstal Aplikasi Eviews 2. Menginstal Aplikasi Stata 3. Menyiapkan data dengan variabel y dan variabel x yang nanti nya akan diolah. Data yang saya gunakan :
Tahun
Kemiskinan
PDRB
( persen )
( Juta Rupiah )
2019 6,42 Rp 172.320.501 2018 6,65 Rp 164.033.655 2017 6,78 Rp 155.984.364 2016 7,09 Rp 148.134.244 2015 7,31 Rp 140.719.474 2014 6,89 Rp 133.340.836 2013 7,56 Rp 125.940.634 2012 8 Rp 118.724.425 2011 8,99 Rp 111.679.493 2010 9,44 Rp 105.017.739 ( Sumber : BPS, Data olahan dalam Excel )
Jumlah Penduduk ( Jiwa ) 5441197 5382077 5321489 5259528 5196289 5131882 5066476 5000184 4933112 4865331
Hal yang akan diolah adalah : 1. Uji Regresi Linear Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple
Linear Regression) juga merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi tentang karakteristik kualitas maupun Kuantitas. 2. Uji Linearitas Jika nilai sig pada uji Glejser untuk setiap variabel bebas > 0,05 maka tidak terjadi heteroskedastisitas
atau
disebut
varians
residual
yang
sama. Ghozali (2016:159)
menyatakan bahwa uji linieritas digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. 3. Uji Normalitas Pada model penelitian ini pengujian normalitas dilakukan dengan menggunakan bantuan uji Jurge Bera Test. Normalnya masing- masing variabel penelitian dapat diamati dari nilai probability yang dihasilkan. Setiap variabel harus memiliki nilai probability di atas atau samadengan 0,05. 4. Uji Multikolinearitas Uji ini diukur dengan masing- masing variabel independen dari nilai R jika R < 0,080 maka tidak terdapat gejala multikolinearitas. Sebaliknya jika R > 0,80 maka terjadi multikolinearitas sesame variabel independen (Ghozali, 2011). 5. Uji Heteroskedastisitas Shochrol (2011) menerangkan tujuan dari uju heteroskedastisitas adalah untuk menguji apakah dalam model regresi terdapat ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. 6. Uji Autokorelasi Suatu jenis pengujian yang dapat dilakukan untuk mengetahui ada tidaknya autokorelasi adalah dengan menggunakan metode Durbin-Watson. Suatu data dapat dikatakan bebas autokorelasi apabila nilai Durbin-Watson tesnya antara -2 sampai +2 (Nachrowi, 2010).
A. Menggunakan Aplikasi Eviews a. Menginput Data
1
Pada tampilan awal Eviews akan terlihat seperti gamber dibawah ini, kemudian pilih Open a Foreign Data File ( such as Excel ) untuk mengimput data berupa data excel.
Kemudian Pilih data excel yang akan diolah, dan klik Ok, maka akan muncul tampilan seperti berikut ini : Perhatikan sheet data yang akan dipilih, yaitu sheet letak data berada. Kemudian klik next Hingga step ke 3. Jika memiliki data time series, maka pilih Dated – Specified date series di kolom basic structure agar data tersimpan sebagai data time series. Lalu klik Finish.
Maka akan terlihat seperti gambar dibawah ini :
2
Artinya data berhasil dimasukkan atau di Input. Untuk mempermudah, akan sebaiknya variabel di rename dengan huruf seperti x1 dan x2, dengan klik kanan mouse, dan klik rename, kemudian ganti dengan variabel x atau y. Maka akan terlihat seperti gambar di samping.
b. Melakukan Uji Regresi Linear OLS Untuk menghasilkan proses uji regresi linear ols dengan eviews dengan cara pada menu anda klik: Quick -> Estimate Equation. Maka akan muncul hasil sebagai berikut:
Tuliskan kode: “y c x1 x2” (tanpa tanda kutip). Maksudnya adalah anda akan melakukan regresi linear dengan persamaan y = ∝ + ß1 X1 + ß2 X2 + e. Lebih jelasnya lagi ialah: y sebagai variabel terikat, c sebagai konstanta, x1 dan x2 sebagai variabel bebas. Kemudian pada pilihan method, pilih LS – Least Squares (NLS and ARMA). Artinya anda memilih menggunakan metode OLS. 3
Maka akan muncul hasil output sebagai berikut : Hasil Output. Nilai adjusted R Square artinya nilai R Square yang telah terkoreksi oleh nilai standar error. Dalam contoh ini, nilai adjusted r square sebesar 0.927326. Sedangkan nilai standar error model regresi ditunjukkan dengan label S.E. of regression. Nilai standar error ini lebih kecil dari pada nilai standar deviasi variabel response yang ditunjukkan dengan label “S.D. dependent var” yang dapat diartikan bahwa model regresi valid sebagai model prediktor.
c. Pengujian Asumsi Klasik 1. Asumsi Linearitas Pada Eviews Uji Linear dapat dilakukan dengan Ramsey Reset Test. Caranya dengan klik View -- Stability Diagnostics=> Ramsey Reset Test. Dalam Kotak dialog RESET Specificationketik angka 1 dan klik OK Maka akan terlihat sebagai berikut :
4
Apabila nilai Probability F hitung lebih besar dari tingkat alpha (0.05) maka model regresi memenuhi asumsi linearitas, begitu pula sebaliknya. 2. Uji Normalitas Cara uji normalitas dengan eviews adalah: tekan tombol View -> Histogram-Normality Test. Hasilnya sebagai berikut:
Hasil uji normalitas residual di atas adalah: nilai jarque bera sebesar 0.431458 dengan p value sebesar 0.805954 dimana > 0,05 sehingga terima H1 atau yang berarti residual berdistribusi normal. 3. Uji Multikolinearitas Uji multikolinearitas menggunakan VIF (Variance Inflation Factors). Caranya klik View -Coefficient Diagnostics-- Variance Inflation Factors. Hasil Uji Multikolinearitas dapat dilihat pada tabel kolom Centered VIF. Maka hasilnya akan terlihat sebagai berikut :
5
Nilai VIF (beberapa buku mensyaratkan tidak boleh lebih dari 5 atau tidak boleh lebih dari 10). Jika nilai VIF di bawah 10 atau di bawah 5 maka model terbebas dari multikolinearitas. 4. Heteroskedastisitas Uji heteroskedastisitas dengan eviews yaitu tekan tombol View -> Residual Diagnostics -> Heteroscedasticity Test. Maka akan muncul jendela piliha jenis uji heterokedastisitas yang akan digunakan, yaitu antara lain: Uji Breusch Pagan Godfrey, Harvey, Glejser, ARCH dan White Test.
6
1. Test Breusch-Pagan-GodfreyS
Baca output tersebut di atas, dimana nilai p value yang ditunjukkan dengan nilai Prob. chi square(2) pada Obs*R-Squared yaitu sebesar 0,3339 Oleh karena nilai p value 0,3339 > 0,05 maka terima H0 atau ang berarti model regresi bersifat homoskedastisitas atau dengan kata lain tidak ada masalah asumsi non heteroskedastisitas. 2. Test Hervey
Nilai p value 0,7699 > 0,05 maka terima H0 atau ang berarti model regresi bersifat homoskedastisitas atau dengan kata lain tidak ada masalah asumsi non heteroskedastisitas. 3. Test Glejser
Nilai p value 0,7209 > 0,05 maka terima H0 atau ang berarti model regresi bersifat homoskedastisitas atau dengan kata lain tidak ada masalah asumsi non heteroskedastisitas.
7
4. Test ARCH
Nilai p value 0,8261 > 0,05 maka terima H0 atau ang berarti model regresi bersifat homoskedastisitas atau dengan kata lain tidak ada masalah asumsi non heteroskedastisitas. 5. Test White
Nilai p value 0,3777 > 0,05 maka terima H0 atau ang berarti model regresi bersifat homoskedastisitas atau dengan kata lain tidak ada masalah asumsi non heteroskedastisitas. 5. Uji Autokorelasi a. Uji LM Test Guna memastikan apakah model regresi linier terbebas dari autokorelasi, dapat menggunakan metode Brusch-Godfrey atau LM (Lagrange Multiplier) Test. Caranya, pada jendela Equation: PERSAMAAN1 klik View => Residual Diagnostics => Serial Correlation LM Test... , (apabila muncul Lag Specification langsung klik ok saja) maka akan muncul tampilan seperti berikut ini :
8
Nilai Prob. F(2,6) sebesar 0,3171 dapat juga disebut sebagai nilai probabilitas F hitung. Nilai Prob. F hitung lebih besar dari tingkat alpha 0,05 (5%) sehingga, berdasarkan uji hipotesis, H0 diterima yang artinya tidak terjadi autokorelasi. Sebaliknya, apabila nilai Prob. F hitung lebih kecil dari 0,05 maka dapat disimpulkan terjadi autokorelasi. b. Uji Durbin-Watson Nilai DurbinWatson sudah tertampil pada jendela Equation: uji regresi yang mana Nilainya 1,566. Nilai ini biasa disebut dengan DW hitung. Nilai ini akan dibandingkan dengan kriteria penerimaan atau penolakan yang akan dibuat dengan nilai dL dan dU ditentukan berdasarkan jumlah variabel bebas dalam model regresi (k) dan jumlah sampelnya (n). Nilai dL dan dU dapat dilihat pada Tabel DW dengan tingkat signifikansi (error) 5% (α = 0,05)
9
Tabel Durbin – Watson menunjukan bahwa nilai dl= 0,697 dan nilai du= 1,699sehingga dapat ditentukan kriteria terjadi atau tidaknya autokorelasi seperti terlihat di bawah ini 10
Autokorelasi
Ragu
Non Autokorelasi
Ragu
Auto
Korelasi Positif
Ragu Dl
0
0,697
Ragu du
4-du
1,641
2,359
Negatif 4-dl
3,303
Nilai DW hitung sebesar 1,566 lebih besar dari 0,697 dan lebih kecil dari 1,641 ,artinya berada pada daerah adanya keraguan antara memiliki autokorelasi atau tidak .
11
4
B. Menggunakan Aplikasi STATA a. Menginput Data Tampilan awal aplikasi stata adalah sebagai berikut.
Untuk menginput data memiliki dua cara, yang pertama menggunakan command : import pada file do, caranya adalah, buka do file kemudian ketik clear, set more off, capture log close, seperti berikut ini :
Kemudian klik Ctrl + D untuk mengaktifkan command nya atau Running, agar command tersebut aktif. Lalu tulis : import excel “(lokasi file data\nama file data)”, sheet”(lokasi sheet)” firstrow. Kemudian Running. Seperti dibawah ini :
12
Maka pada tabel Variabels akan terlihat hasilnya sebagai berikut
Yang artinya data berhasil di import.
Yang kedua menggunakan cara manual yaitu dengan memilih files > import > excel spreadsheet > pilih data > ok.
13
b. Uji Regresi Sebelum melakukan Regresi linear, jika data yang dimiliki adalah data time series, maka terlebih dahulu dijadikan variabel time series dengan menulis command tsset pada file-do : tsset (nama variabel waktu) tsset = time series set seperti dibawah ini adalah :
Dan hasilnya pada stata adalah :
Maka, data berhasil diubah menjadi data time series, Lalu baru dilanjutkan regresi linear data : Langkah pertama adalah melakukan uji Pooled Least Square (PLS), caranya dengan mengetik command reg : reg y x1 x2 Ket :
14
reg
: perintah PLS
y
: Variabel y
x1
: variabel x1
x2
: variabel x2
Maka Hasilnya adalah :
Maka Hasilnya adalah :
Nilai Uji Prob > F 0,001. Apabila nilai < 0,05 maka Uji F menerima H1 pada taraf signifikansi 5% atau yang berarti semua variabel independen secara simultan mempunyai pengaruh yang signifikan pada variabel dependen.
15
Pada kolom t adalah nilai uji t parsial. Dikatakan signifikan pada taraf 5% apabila pada kolom sebelah kanannya yaitu P>[t] atau disebut juga p value/signifikansi < 0,05. c. Uji Asumsi Klasik 1. Uji Linearitas Dalam uji linearitas melihat dari kondisi grafik dengan command : acprplot (variabelx1),lowess
-400
Augmented component plus residual -350 -300
-250
Maka akan didapatkan hasil :
1.000e+08
1.200e+08
1.400e+08 PDRB
1.600e+08
1.800e+08
Grafik yang menghasilkan garis lurus dan titik yang mengikut garis, artinya data linear. acprplot (variabelx2),lowess
16
-620 Augmented component plus residual -680 -660 -640 -700 4800000
5000000
5200000 Jumlah Penduduk
5400000
Grafik yang menghasilkan garis lurus dan titik yang mengikut garis, artinya data linear.. Maka data hasil regresi linear dapat dikatakan memenuhi syarat linearitas. 2. Uji Normalitas Command untuk uji Normalitas adalah predict uhat, resid kdensity uhat, normal Maka hasilnya berupa grafik dan hasil dalam angka, sebagai berikut : 1. Uji Kernet Density estimate Bila grafik kernet menyerupai lonceng, maka data dapat dikatakan berdistribusi normal. predict uhat, resid kdensity uhat, normal
17
0
.5
Density
1
1.5
Kernel density estimate
-.6
-.4
-.2
Residuals
0
.2
.4
Kernel density estimate Normal density kernel = epanechnikov, bandwidth = 0.1549
2. Uji Shapiro Wilk swilk uhat
Lihat nilai Prob>Z pada shapiro-wilk w test for Normal data. Apabila nilainya lebih dari 0,05 maka residual berdistribusi normal. Di atas nilainya 0,24954 maka residual berdistribusi normal. Sehingga berdasarkan uji Shapiro Wilk, residual dinyatakan berdistribusi normal.
3. Uji Multikolinearitas Vif
18
Nilai VIF dan 1/VIF di atas, apabila VIF < 10 dan 1/VIF > 0,1 maka dapat dikatakan bahwa model regresi linear berganda bebas gejala multikolinearita. Jika nilai VIF >10 dan 1/vif
0,05 maka model regresi bebas dari gejala heteroskedastisitas atau disebut juga bersifat homoskedastisitas. 2. Uji Cameron & Trivedi’s Imtest
Di atas nilai p value sebesar 0,4992 di mana > 0,05 maka model regresi bebas dari gejala heteroskedastisitas atau disebut juga bersifat homoskedastisitas. 5. Uji Autokorelasi estat bgodfrey estat dwatson 19
Maka hasilnya akan seperti :
Untuk melihat apakah data regresi mengalami autokorelasi atau tidak, maka dilihat dengan menggunakan d-tabel, dengan hasil : Jika d < dl, berarti terdapat autokorelasi positif Jika d > (4 – dl), berarti terdapat autokorelasi negatif Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi Jika dl < d < du atau (4 – du), berarti tidak dapat disimpulkan
6. Cara mengatasi data yang mengalami Multikolinearitas dengan Heteroskedastisitas menggunakan aplikasi Stata Beberapa asumsi dalam regresi panel yang seringkali tidak terpenuhi adalah asumsi heteroskedastisitas dan asumsi multikolinearitas. Adapun metode yang paling sering digunakan peneliti mengatasi masalah tidak terpenuhinya asumsi dalam analisis regresi data panel adalah dengan menggunakan metode SUR (Seemingly Unrelated Regression). Model SUR diperkenalkan oleh Zellner pada tahun 1962, yang merupakan bahasan dari model regresi multivariat (multiple regression), dan merupakan bagian dari regresi linier. Model SUR terdiri atas beberapa sistem persamaan yang tidak berhubungan (unrelated). Artinya setiap variabel (dependen maupun independen) terdapat dalam satu sistem. Pada model SUR, error dari sistem yang berbeda saling terkorelasi/berhubungan. Command metode sur yang dapat anda tuliskan dalam STATA adalah : .sureg Y X1 X2
Maka hasilnya adalah :
20
Dengan nilai signifikan sebesar 0,000 yang berarti x1, x2 secara simultan berpengaruh signifikan terhadap y dan nilai koefisien determinasi (R Square) sebesar 0,1187 yang berarti besar kontribusi x1, x2 terhadap y adalah sebesar 92,73%. Maka data regresi linear tersebut dapat dikatakan sudah bebas dari Multikolinearitas ataupun Heteroskedastisitas.
21
.
22