makalah data entry dan eviews application 6-8 mei...

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 :


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


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 :


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


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

makalah data entry dan eviews application 6-8 mei...

Documents