Oleh:Dwi Putra Darmawan

Hak Cipta © 2019, pada penulis

Hak publikasi pada Penerbit Cahaya Atma PustakaDilarang memperbanyak, memperbanyak sebagian atau seluruh isi dari buku ini dalam bentuk apapun, tanpa izin tertulis dari penerbit.

Cetakan ke- 05 04 03 02 01

Tahun 23 22 21 20 19

Cahaya Atma PustakaKelompok Penerbit Universitas Atma Jaya YogyakartaJalan Moses Gatotkaca 28, YogyakartaTelp. (0274) 561031, 580526, Fax. (0274) 580525E-mail: cahayaatma@gmail.com

ISBN: 978-602-7821-93-4

D w i P u t r a D a r m a w a n vii

DAFTAR ISI

Halaman

Prakata............................................................. v

Daftar singkatan................................................ ix

1. Pengantar..................................................... 1

2. Model regresi linier klasik (CLRM) & diagnostic checking...................................... 5

3. Model regresi dengan variabel dummy: ANCOVA, LOGIT, PROBIT & TOBIT............... 23

4. Model regresi data panel............................... 35

5. Model persamaan simultan: 2SLS................. 41

6. Model time series: ARIMA, ARCH, VAR & VEC..................................................................

51

Referensi........................................................... 77

Apendiks A: Ikhtisar EViews10 & SPSS 25........ 86

Apendiks B: Ikhtisar riset ilmiah, model & data.Apendiks C: Ikhtisar CLRM menggunakan aljabar matriks..............................

96

114

Biodata penulis.................................................. 139

D w i P u t r a D a r m a w a n 1

1 PENGANTAR

Ekonometrika (econometrics) adalah kombinasi teori ekonomi, matematika, dan statistika. Akan tetapi,

ekonometrika berbeda (completely distinct) dari ketiga cabang ilmu tersebut. Ekonometrika digunakan sebagai alat analisis ekonomi yang bertujuan untuk menguji kebenaran teori ekonomi yang berupa hubungan antar variabel ekonomi dengan data empiris (Intriligator, 1978; Koutsoyiannis, 1978; Davidson and MacKinnon, 2004; Greene, 2012).

Teori yang persifat apriori pada ilmu ekonomi dinyatakan terlebih dahulu dalam bentuk persamaan matematika agar dapat dilakukan pengujian terhadap teori itu. Bentuk matematika teorama ekonomi ini disebut model. Pembuatan model ekonometrika merupakan salah satu sumbangan ekonometrika, di samping pembuatan prediksi a.k.a forecasting dan pembuatan berbagai keputusan alternatif yang bersifat kuantitatif sehingga mempermudah para pengambil keputusan untuk menentukan pilihan (Salvatore and Reagle, 2002; Schmidt, 2005).

Bagian terpenting dari ekonometrika adalah analisis regresi. Analisis regresi ini digunakan untuk mengetahui kaitan antar satu variabel dengan variabel yang lain. Berdasarkan data yang digunakan, ekonometrika dibagi menjadi tiga analisis, yaitu analisis time series, cross section, dan analisis data panel. Analisis time series menjelaskan mengenai perilaku suatu variabel lintas waktu. Analisis cross section menjelaskan antara beberapa daerah dalam satu waktu tertentu (snapshot). Sementara, analisis data

D w i P u t r a D a r m a w a n 23

3 MODEL REGRESI DENGAN VARIABEL DUMMY: ANCOVA, LOGIT & PROBIT, TOBIT

Model regresi dengan variabel dummy (baik untuk variabel independen dummy maupun dependen) yang

hanya memiliki nilai 0 atau 1, disebut binary choice model (Verbeek, 2004; Stock and Watson, 2007; Wooldrigde, 2009).

Variabel independen dummyFaktor yang dikotomi tersebut dapat dimasukkan ke

dalam persamaan regresi yang dirumuskan. Misalnya, 1 untuk satu regresor dummy dan 0 untuk kategori lainnya. Variabel dummy juga merupakan cara merubah variabel kualitatif menjadi kuantitatif. Ketika sebuah variabel adalah kuantitatif, maka teknik korelasi dan regresi dapat digunakan. Regresi dengan variabel dummy independen (a.k.a variabel explanatory) tersebut lazim digunakan.

Interpretasi terhadap koefisien hasil diestimasinya pun berbeda. Memang, analysis of variance (ANOVA) merupakan metode yang sering digunakan dalam berbagai bidang, seperti sosiologi, pendidikan, statistika kedokteran, dan epidemologi. Akan tetapi, regresi dengan veriabel dummy dianggap lebih umum dan powerful vis-à-vis ANOVA (Pindyck and Rubinfield, 1998; Chow,1983).

D w i P u t r a D a r m a w a n 35

4 MODEL REGRESI DATA PANEL

Penggabungan data time series (deret waktu) dan cross section (kerat silang) disebut dengan panel data a.k.a

pooled data, longitudinal data, micropanel data, event-history analysis, atau cohort analysis. Semua sebutan itu memiliki konotasi pergerakan sepanjang waktu dari unit cross-section. Dengan data panel ini, diperoleh gambaran tentang perilaku lebih kompleks beberapa objek selama beberapa periode waktu. Fenomena skala ekonomi dan teknologi, misalnya, dapat dipahami lebih baik dengan data panel, vis-à-vis murni data cross-section atau time series (Hsiao, 1995; Wooldrigde, 2002).

Keuntungan menggunakan data panel lainnya sebagai berikut: dapat mengontrol unobserved heterogeneity, memberikan data yang lebih informatif, bervariasi, mengurangi kolinearitas antarvariabel, memperbesar derajat kebebasan, dan efisien, dinamis, mengukur efek variabel pada variabel lainnya dengan lebih baik, dapat digunakan untuk mempelajari model prilaku (behavioral model) (Baltagi, 2008; Gujarati and Porter, 2008; Griffith et al., 2008).

Model umum model regresi data panel sebagai berikut.

ititit uXY ++= βα '

i=1,2,…,N, menunjukkan rumahtangga, individu, perusahaan dan lainnya (dimensi cross section); t = 1,2,…,T,

D w i P u t r a D a r m a w a n 41

5 MODEL PERSAMAAN SIMULTAN: 2SLS

Dalam Bab sebelumnya, dibahas estimasi model linear dalam konteks single equation system, yakni variabel

dependen ditentukan oleh seperangkat variabel independen. Model-model regresi tersebut tidak memperhitungkan kemungkinan interdependency antar variabel dependen dan variabel independen yang mungkin menimbulkan kausalitas dua arah.

Sistem Persamaan SimultanContoh berikut adalah analisis model regresi linear

ketika variabel dependen dan variabel independen saling mempengaruhi dalam konteks multi-equation system (Goldfeld and Quandt, 1972; Godfrey, 1978; Chow, 1983; Creel, 2006). Misalnya,

Demand: qi=α0+α1Pi+α2Yi+ε1i (1)

Supply: qi=β0+β1Pi+ε2i (2)

α1<0; α2>0; β1>0; q adalah jumlah yang diminta, jumlah yang ditawarkan; P adalah tingkat harga barang; Y adalah pendapatan; ε1i dan ε2i masing-masing adalah ganguan pada persamaan permintaan dan penawaran. Teori ekonomi menyebutkan, pada ekuilibrium terjadi hubungan saling mempengaruhi antar q dan P. Dalam setiap persamaan itu terdapat dua variabel dependen, yaitu q dan P. Semua

D w i P u t r a D a r m a w a n 51

6 MODEL TIME SERIES: TREND & DECOMPOSITION, ARIMA, ARCH, VAR & VEC

Dalam ekonomi dan bisnis, data time series diperlukan sebagai acuan pengambilan keputusan, proyeksi, dan

perencanaan strategis saat ini dan masa depan. Asumsi penting yang harus diperhatikan dalam penggunaan data time series untuk peramalan adalah: (a) adanya ketergantungan kejadian masa depan dan masa lalu; (b) aktivitas pada masa yang akan datang mengukuti pola kejadian masa lalu; (c) keterkaitan dengan masa lalu dapat ditentukan dengan observasi & indepth interview (Ljung and Box, 1978; Granger, 1981; Hamilton, 1994). Model time series merupakan teknik ekonometrika untuk menganalisis perilaku data time series. Data time series adalah data yang dikumpulkan berdasarkan periode waktu tertentu (Parzen, 1958; Park and Ogaki, 1991; Mills, 1995;). Contohnya, data dari waktu ke waktu ekspor-impor komoditas, investasi, suku bunga, dan indeks harga saham gabungan (ihsg).

Terdapat dua jenis analisis time series, yakni (a) menjelaskan pola data berdasarkan waktu; (b) eksplanatoris yang menganalisis hubungan antar variabel-variabel time series. Pola data time series bisa tidak stasioner, baik rata-rata (mean) maupun varians (variance) (Tsay, 2002).

D w i P u t r a D a r m a w a n 77

REFERENSI

Adkins, L.C. and R.C. Hill (2008). Using Stata for Principles of Econometrics. Third Edition, New Jersey: John Willey & Sons.

Agung, I G.N. (2009). Time Series Data Analysis Using Eviews. Singapore: John Wiley & Sons (Asia).

Andrews, D.W.K. (1991). Heteroskedaticity and Autocorrelation Consistent Covariance Matrix Estimation. Econometrica 59,p.817-858.

Arief, S. (1993). Metodologi Penelitian Ekonomi. Jakarta: UI Press.

Baltagi, B.H. (2008). Econometric Analysis of Panel Data. Fourth Edition. New York: John Wiley & Sons.

Bilodeau, M and D. Brenner (1999). Theory of Multivariate Statistics. New York: Springer.

Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics 31.p.307-327.

Box, G.E.P. and D.A. Pierce (1970). Distribution of the Autocorrelations in Auotoregressive moving Average Time Series Models. Journal of American Statistical Association 65.p. 1509-1526.

Breusch, T.S. (1979). Testing for Autocorrelation in Dynamic Linear Models. Australian Economic Papers 17.p. 334–355.

Breusch, T.S. and A.R. Pagan (1980). The Lagrange Multiplier Test and Its Applications to Model Specification in

86 E s e n s i E k o n o m e t r i k a

APENDIKS A:

IKHTISAR EVIEWS 10 & SPSS 25

Sejarah EViewsEViews (Econometric Views) dikembangkan oleh

Quantitative Micro Software (QMS). Software ini awalnya bernama Time Series Processor (TSP) untuk komputer mainframe, kemudian QMS mengembangkan MicroTSP yang dapat dijalankandi PC yang pertama kali dirilis pada tahun 1981. EViews versi 1.0 dirilis pada 1994, menggantikan MicroTSP. Versi terbaru adalah EViews 10 yang dirilis pada 26 Juni 2017 oleh IHS Global Inc.

D w i P u t r a D a r m a w a n 139

BIODATA PENULIS

Dwi Putra Darmawan adalah Guru Besar Agribisnis di Universitas Udayana. Buku-bukunya yang telah terbit adalah Kebijakan Pemerintah yang Mempengaruhi Daya Saing dan Efisiensi Sistem Komoditas Pertanian (2011), Ketahanan Pangan Rumahtangga dalam Konteks Pertanian Berkelanjutan

(2011), Decision Science: 21 Model untuk Pengambilan Keputusan Manajerial (2013), Pengukuran Efisiensi Produktif Menggunakan Pendekatan Stochastic Frontier (2016), Pengambilan Keputusan Terstruktur dengan Interpretive Struktural Modeling (2017), Analytic Network Process untuk Pengambilan Keputusan dalam Lingkungan Bisnis yang Kompleks (2018), Analisis Statistika untuk Riset Pertanian Menggunakan Cropstat & Minitab (2019), dan Pengambilan Keputusan Dinamis (2019).

9 786027 821934