regresi model koreksi kesalahan (error correction model) · uji kointegrasi uji kointegrasi yang...

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Bahan Ajar Regresi Model ECM Agus Tri Basuki, SE., M.Si

REGRESI MODEL KOREKSI KESALAHAN

(Error Correction Model) Yule (1936) dan Granger dan Newbold (1974) adalah orang pertama yang menarik

perhatian pada masalah korelasi palsu dan menemukan solusi tentang bagaimana mengatasinya dalam analisis deret waktu. Memberikan dua seri waktu yang sama sekali tidak terkait tetapi terintegrasi (tidak stasioner), analisis regresi satu sama lain akan cenderung menghasilkan hubungan yang tampaknya signifikan secara statistik dan seorang peneliti mungkin mengira telah menemukan bukti hubungan yang benar antara variabel-variabel tersebut. Kuadrat terkecil biasa tidak lagi konsisten dan statistik uji yang biasa digunakan tidak valid. Secara khusus, simulasi Monte Carlo menunjukkan bahwa seseorang akan mendapatkan statistik t-kuadrat R yang sangat tinggi, sangat tinggi dan statistik Durbin-Watson yang rendah. Secara teknis, Phillips (1986) membuktikan bahwa estimasi parameter tidak akan konvergen dalam probabilitas, intersep akan menyimpang dan kemiringan akan memiliki distribusi yang tidak merosot ketika ukuran sampel meningkat. Namun, mungkin ada kecenderungan stokastik umum untuk kedua seri bahwa seorang peneliti benar-benar tertarik karena mencerminkan hubungan jangka panjang antara variabel-variabel ini.

Karena sifat stokastik dari tren, tidak mungkin untuk memecah seri terintegrasi menjadi tren deterministik (dapat diprediksi) dan seri stasioner yang mengandung penyimpangan dari tren. Bahkan dalam random walk detrended detrended random korelasi akhirnya akan muncul. Jadi detrending tidak menyelesaikan masalah estimasi.

Untuk tetap menggunakan pendekatan Box-Jenkins, orang dapat membedakan seri dan kemudian memperkirakan model seperti ARIMA, mengingat bahwa banyak seri waktu yang umum digunakan (mis. Dalam ekonomi) tampaknya stasioner dalam perbedaan pertama. Prakiraan dari model seperti itu masih akan mencerminkan siklus dan musiman yang ada dalam data. Namun, informasi apa pun tentang penyesuaian jangka panjang yang mungkin berisi data di tingkat level dan perkiraan jangka panjang akan tidak dapat diandalkan. Ini mendorong Sargan (1964) untuk mengembangkan metodologi ECM, yang mempertahankan informasi level

Sebelum melakukan estimasi ECM dan analisis deskriptif, harus dilakukan beberapa tahapan seperti uji stasioneritas data, dan uji derajat kointegrasi. Setelah data diestimasi menggunakan ECM. Langkah dalam merumuskan model ECM adalah sebagai berikut:

1. Melakukan spesifikasi hubungan yang diharapkan dalam model yang diteliti.

GDPt = f(INF, LIR, KURS, AK, GFCF, IVA, TRADE, POP, TR)

GDPt = 0 + 1INFt + 2LIRt + 3KURSt + 5GFCFt + 6IVAt + 7TRADEt + 8AKt

+ 9TRt ....................................................... (1) Keterangan: GDPt : Gross Domestic Product per tahun pada periode t INFt : Inflation, consumer prices (annual %) pada periode t LIRt : Lending interest rate (%)periode t Kurst : Nilai Tukar Rupiah terhadap US dollar periode t GFCFt : Gross Fixed Capital Formation pada periode t



IVAt : Industry, value added (constant LCU)pada periode t TRADEt : Total Nilai Perdagangan pada periode t AKt : Angkatan Kerja pada periode t TRt : Tax Revenue (current LCU) pada periode t

0, 1, 2,.... 9 : Koefisien jangka panjang

2. Membentuk fungsi biaya tunggal dalam metode koreksi kesalahan: Ct = b1 (GDPt – GDPt*) + b2 {(GDPt - GDPt-1)– ft (Zt - Zt-1)}2 …........... (2)

Berdasarkan data diatas Ct adalah fungsi biaya kuadrat, GDPt adalah pendapatan domestic bruto pada periode t, sedangkan Zt merupakan vector variabel yang mempengaruhi pendapatan domestic bruto dan dianggap dipengaruhi secara linear oleh inflasi, tingkat suku bunga, kurs, angkatan kerja, total investasi dalam ekonomi negara tuan rumah, Industry, value added, nila total perdagangan, total populasi, dan pendapatan dari pajak. b1 dan b2 merupakan vector baris yang memberikan bobot kepada Zt - Zt-1. Komponen pertama fungsi biaya tunggal di atas merupakan biaya ketidakseimbangan dan komponen kedua merupakan komponen biaya penyesuaian. Sedangkan B adalah operasi kelambanan waktu. Zt adalah faktor variabel yang mempengaruhi permintaan uang kartal. a. Memiminumkan fungsi biaya persamaan terhadap Rt, maka akan diperoleh:

GDPt = GDPt + (1- e) GDPt-1 – (1 – e) ft (1-B) Zt .................... ( 3) b. Mensubtitusikan GDPt – GDPt-1 sehingga diperoleh:

LogGDPt = b0 + b1INFt + b2LIRt + b3LogKURSt + b5LogGFCFt + b6LogIVAt + B7LogTRADEt + b8LogAKt + b9Log0TRt ..................................................... (4) Sementara hubungan jangka pendek dinyatakan dengan persamaan sebagai berikut: DLogGDPt = b0 + b1DINFt + b2DLIRt + b3DLogKURSt + b5DLogGFCFt + b6DLogIVAt + B7DLogTRADEt + b8DLogAKt + b9DLog0TRt ..................... (5) Dari hasil parameterisasi persamaan jangka pendek dapat menghasilkan bentuk persamaan baru, persamaan tersebut dikembangkan dari persamaan yang sebelumnya untuk mengukur parameter jangka panjang dengan menggunakan regresi ekonometri model ECM: DLogGDPt = β0 + b1DINFt + β2DLIRt + β3DLogKURSt + β5DLogGFCFt + β6

DLogIVAt + β7DLogTRADEt + β8DLogAKt + β9DLog0TRt + ECT + t ….. (6) ECT = DINFt-1 + DLIRt-1 + DLogKURSt-1 + DLogGFCFt-1 + DLogIVAt-1 + DLogTRADEt-1 + DLogAKt-1 + DLog0TRt-1 …................................................. (7) Keterangan: ECT : Error Correction Term



Tahapan Penurunan Model ECM Uji Akar Unit (unit root test) a. Konsep yang dipakai untuk menguji stasioner suatu data runtut waktu adalah uji

akar unit. Apabila suatu data runtut waktu bersifat tidak stasioner, maka dapat dikatakan bahwa data tersebu tengah menghadapi persoalan akar unit (unit root problem).

b. Keberadaan unit root problem bisa terlihat dengan cara membandingkan nilai t-statistics hasil regresi dengan nilai test Augmented Dickey Fuller. Model persamaannya adalah sebagai berikut:

c. ΔGDPt = a1 + a2 T + ΔGDPt-1 + i ∑mi=1GDPt-1 + et ………............... (9)

d. Dimana ΔGDPt-1 = (ΔGDPt-1 - ΔGDPt-2) dan seterusnya, m = panjangnya time-lag berdasarkan i = 1,2....m. Hipotesis nol masih tetap δ = 0 atau ρ = 1. Nilai t-statistics ADF sama dengan nilai t-statistik DF.

Uji Derajat Integrasi a. Apabila pada uji akar unit di atas data runtut waktu yang diamati belum stasioner,

maka langkah berikutnya adalah melakukan uji derajat integrasi untuk mengetahui pada derajat integrasi ke berapa data akan stasioner. Uji derajat integrasi dilaksanakan dengan model:

b. ΔGDPt = a1 + δΔGDPt-1 + i ∑mi=1GDPt-1 + et ....................... (10)

c. ΔGDPt = β 1 + β 2 T + δΔGDPt-1 + i ∑mi=1GDPt-1 + et …………......... (11)

d. Nilai t-statistik hasil regresi persamaan (10) dan (11) dibandingkan dengan nilai t-statistik pada tabel DF. Apabila nilai δ pada kedua persamaan sama dengan satu maka variabel ΔUKRt dikatakan stasioner pada derajat satu, atau disimbolkan ΔGDPt ~I(1).

Uji Kointegrasi Uji Kointegrasi yang paling sering dipakai uji engle-Granger (EG), uji augmented Engle-Granger (AEG) dan uji cointegrating regression Durbin-Watson (CRDW). Untuk mendapatkan nilai EG, AEG dan CRDW hitung, data yang akan digunakan harus sudah berintegrasi pada derajat yang sama. Pengujian OLS terhadap suatu persamaan di bawah ini : LogGDPt = b0 + b1INFt + b2LIRt + b3 LogKURSt + b5LogGFCFt + b6LogIVAt + B7

LogTRADEt + b8 LogAKt + b9 Log0TRt .................................. (12) Dari persamaan (12), simpan residual (error terms)-nya. Langkah berikutnya adalah menaksir model persamaan autoregressive dari residual tadi berdasarkan persamaan-persamaan berikut:

Δt = λt-1 .........................................(13)

Δt = λt-1 + i t-1 .........................................(14)

Dengan uji hipotesisnya:

H0 : = I(1), artinya tidak ada kointegrasi

Ha : I(1), artinya ada kointegrasi Berdasarkan hasil regresi OLS pada persamaan (12) akan memperoleh nilai CRDW hitung (nilai DW pada persamaan tersebut) untuk kemudian dibandingkan dengan



CRDW tabel. Sedangkan dari persamaan (13) dan (14) akan diperoleh nilai EG dan AEG hitung yang nantinya juga dibandingkan dengan nilai DF dan ADF tabel. Error Correction Model Apabila lolos dari uji kointegrasi, selanjutnya akan diuji dengan menggungkan model linier dinamis ntuk mengetahui kemungkinan terjadinya peruabahn struktural, sebab hubungan keseimbangan jangka panjang antara variabel bebas dan variabel terikat dari hasil uji kointegrasi tidak akan berlaku setiap saat. Secara singkat, proses bekerjanya ECM pada persamaan permintaan uang kartal (5) yang telah dimodifikasi menjadi:

DLogGDPt = β0 + b1DINFt + β2DLIRt + β3DLogKURSt + β5DLogGFCFt + β6 DLogIVAt

+ β7 DLogTRADEt + β8DLogAKt + β9DLog0TRt + ECT(-1) + t ............. (13)

Langkah-langkah Penenelitian Dengan ECM

Ya

Tidak

Studi Kepustakaan (Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan

Pembentukan Model

Pembuatan Hipotesis

Pengolahan Data Uji Akar Unit, Uji Kointegrasi, Regresi Jangka

Pendek dan Uji Asumsi Klasik

Proses Pengumpulan Data

Estimasi Model dan Pengujian Hipotesis

Kesimpulan dan Rekomendasi

Gambar 1 Langkah-Langkah Penelitian

Revisi

Memenuhi



Data GDP, inf, lir, kurs, GFCF, IVA, TRADE, AK dan TR

Tahun GDP (M) Kurs GFCF (M) LIR INF TR (M) Trade (M) AK (J) IVA (M)

1986 2,047,293 1,283 525,768 21.49 5.83 14,993 819,473 69 798,545

1987 2,155,799 1,644 554,681 21.67 9.28 18,827 998,819 71 848,963

1988 2,292,815 1,686 618,518 22.1 8.04 21,435 1,083,460 73 907,302

1989 2,501,111 1,770 710,782 21.7 6.42 26,678 1,227,592 75 1,053,730

1990 2,726,250 1,843 825,058 20.83 7.81 37,432 1,441,964 76 1,161,956

1991 2,969,644 1,950 931,494 25.53 9.42 39,098 1,628,540 77 1,277,017

1992 3,184,067 2,030 964,891 24.03 7.53 44,500 1,828,528 79 1,503,687

1993 3,415,042 2,087 1,028,570 20.59 9.69 47,344 1,725,393 82 1,482,120

1994 3,672,538 2,161 1,170,057 17.76 8.52 60,958 1,905,206 84 1,647,643

1995 3,980,898 2,249 1,333,805 18.85 9.43 68,017 2,148,036 88 1,819,329

1996 4,285,149 2,342 1,527,399 19.22 7.97 75,810 2,239,622 90 2,013,806

1997 4,486,546 2,909 1,658,266 21.82 6.23 100,506 2,512,192 90 2,117,949

1998 3,897,609 10,014 1,110,903 32.15 58.39 143,627 3,748,962 92 1,822,466

1999 3,928,444 7,855 908,769 27.66 20.49 179,430 2,472,717 97 1,858,334

2000 4,121,726 8,422 1,060,872 18.46 3.72 99,644 2,944,432 99 1,967,792

2001 4,271,900 10,261 1,129,749 18.55 11.5 190,614 2,981,496 100 2,021,590

2002 4,464,113 9,311 1,182,784 18.95 11.88 215,468 2,637,374 102 2,107,765

2003 4,677,514 8,577 1,189,885 16.94 6.59 249,404 2,507,919 103 2,186,913

2004 4,912,834 8,939 1,364,599 14.12 6.24 283,093 2,935,973 105 2,273,101

2005 5,192,501 9,705 1,513,165 14.05 10.45 312,488 3,322,574 107 2,380,027

2006 5,478,137 9,159 1,552,460 15.98 13.11 343,625 3,103,755 109 2,486,855

2007 5,825,727 9,141 1,697,210 13.86 6.41 374,763 3,194,202 111 2,604,235

2008 6,176,068 9,699 1,898,942 13.6 9.78 658,701 3,616,792 113 2,701,585

2009 6,461,951 10,390 1,961,482 14.5 4.81 619,922 2,940,971 115 2,798,526

2010 6,864,133 9,090 2,127,841 13.25 5.13 723,307 3,205,638 116 2,936,192

2011 7,287,635 8,770 2,316,359 12.4 5.36 873,874 3,656,936 119 3,122,633

2012 7,727,083 9,387 2,527,729 11.8 4.28 980,518 3,831,312 120 3,288,298

2013 8,156,498 10,461 2,654,375 11.66 6.41 1,077,310 3,967,106 122 3,431,081

2014 8,566,271 11,865 2,775,734 12.61 6.39 1,145,283 4,116,716 124 3,577,695

2015 8,976,932 13,389 2,916,602 12.66 6.36 1,164,555 3,764,720 127 3,672,596



Tampilan data dalam Excell

Buka Eviews

Pada Workfile structure type date Frequency Annual Start date 1986 End date 2015

Copy data yang ada (dalam kotak merah dari B1 ….. J..) di Excell dan masukan ke dalam Eviews Quick Empty Group (Edit Series)



Uji Akar Unit Stasioneritas merupakan salah satu prasyarat penting dalam model ekonometrika untuk data runtut waktu (time series). Data stasioner adalah data yang menunjukkan mean, varians dan autovarians (pada variasi lag) tetap sama pada waktu kapan saja data itu dibentuk atau dipakai, artinya dengan data yang stasioner model time series dapat dikatakan lebih stabil. Apabila data yang digunakan dalam model ada yang tidak stasioner, maka data tersebut dipertimbangkan kembali validitas dan kestabilannya, karena hasil regresi yang berasal dari data yang tidak stasioner akan menyebabkan spurious regression. Spurious regression adalah regresi yang memiliki R2 yang tinggi, namun tidak ada hubungan yang berarti dari keduanya. Salah satu konsep formal yang dipakai untuk mengetahui stasioneritas data adalah melalui uji akar unit (unit root test). Uji ini merupakan pengujian yang populer, dikembangkan oleh David Dickey dan Wayne Fuller dengan sebutan Augmented Dickey-Fuller (ADF) Test. Buka GDP double klik

View Unit Root Test…

Kita peroleh hasil uji akar unit untuk variabel GDP pada data level



Dari hasil Augmented Dickey-Fuller untuk variabel GDP pada data level tidak stasioner karena nilai Augmented Dickey-Fuller t-Statistik masih bertanda positip, sehingga dilanjutkan dengan uji pada first difference (turunan pertamanya). Graph untuk data tidak stasioner dapat kita lihat dengan klik view Graph OK

Diperoleh graphic sebagai berikut :

Uji Stasioner untuk data first difference



Dari hasil Augmented Dickey-Fuller untuk variabel GDP pada data first difference D(GDP) sudah stasioner karena nilai Augmented Dickey-Fuller t-Statistik (-3,104415) bertanda negative dan diatas -3,689194. Dan bentuk graph stasioner seperti dibawah ini.

Lakukan uji akar unit untuk variabel inf, lir, kurs, GFCF, IVA, TRADE, AK dan TR

Stasioner Tidak Stasioner Tidak Stasioner

Tidak Stasioner Tidak Stasioner Tidak Stasioner

Tidak Stasioner Tidak Stasioner



Karena semua variabel pada data level belum stasioner, maka kita lakukan uji akar unit untuk data first differencenya

Stasioner Stasioner Stasioner

Stasioner Stasioner Stasioner

Stasioner Stasioner Seluruh variabel sudah stasioner pada data first difference.

Variabel

Uji Akar Unit

Level 1st Difference

ADF Prob Kesimpulan ADF Prob Kesimpulan

GDP 2,668 1,0000 Tidak stasione -3,104 0,037 Stasioner

INF -4,484 0,0013 Stasioner -6,447 0,000 Stasioner

LIR -1,587 0,4758 Tidak stasione -5,609 0,000 Stasioner

KURS -0,756 0,8164 Tidak stasione -6,229 0,000 Stasioner

GFCF 0,722 0,9906 Tidak stasione -3,728 0,009 Stasioner

IVA 0,516 0,9844 Tidak stasione -4,545 0,001 Stasioner

TRADE -1,693 0,4240 Tidak stasione -5,999 0,000 Stasioner

AK 2,074 0,998 Tidak stasione -5,225 0,000 Stasioner

TR -0,033 0,948 Tidak stasione -5,2838 0,000 Stasioner



Uji Kointegrasi Dua seri waktu non-stasioner terkointegrasi jika cenderung bergerak bersama sepanjang waktu. Sebagai contoh, tingkat suku bunga Fed Fund dan suku bunga obligasi 3 tahun adalah non-stasioner, sedangkan perbedaannya stasioner. Dalam terminologi buram yang digunakan dalam literatur deret waktu, setiap deret dikatakan “terintegrasi orde 1” atau I (1). Jika dua seri non-stasioner bergerak bersama melalui waktu maka kita mengatakan mereka “terkointegrasi.” Teori ekonomi akan menyarankan bahwa mereka harus diikat bersama melalui arbitrase, tetapi itu bukan jaminan, dengan melakukan uji statistik formal. Prosedur tes sangat sederhana. Regres satu variabel I(1) pada variabel lain menggunakan kuadrat terkecil. Kemudian uji residu (ECT) untuk nonstasioneritas menggunakan uji Dickey-Fuller (augmented). Jika seri terkointegrasi, statistik uji Dickey-Fuller akan signifikan secara statistik. Hipotesis nolnya adalah bahwa residualnya nonstasioner. Penolakan ini mengarah pada kesimpulan bahwa residu adalah diam dan seri terkointegrasi Langkan-langkahnya sebagai berikut : 1. Lakukan regresi dalam jangka panjang Dengan persamaan regresi sebagai berikut : GDPt = f(INF, LIR, KURS, AK, GFCF, IVA, TRADE, POP, TR)

GDPt = 0 + 1INFt + 2LIRt + 3KURSt + 5GFCFt + 6IVAt + 7TRADEt + 8AKt + 9TRt Blok variabel sesuai urutan GDP, INF, LIR, KURS, GFCF, IVA, TRADE, AK dan TR klik kanan Open as Group

Akan muncul dalam layar sebagai berikut :



Klik Proc Make Equation…

Dan persamaan regresi jangka panjangnya sebagai berikut :



2. Simpan Resid

Kemudian dari persamaan jangka panjang kita simpan resid nya dengan cara klik Proc Make residual Series… dan di simpan dengan nama ECT

Kemudian diperoleh ECT



3. Uji Akar Unit Untuk ECT Lakukan Uji akar unit untuk ECT dan harus lolos pada data level, dengan cara klik view Unit Root Test…

ECT sudah stasioner pada data level

Null Hypothesis: ECT has a unit root

Exogenous: Constant

Lag Length: 1 (Automatic - based on SIC, maxlag=7) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.092864 0.0038

Test critical values: 1% level -3.689194

5% level -2.971853

10% level -2.625121

*MacKinnon (1996) one-sided p-values.



Regres Jangka Pendek

Kemudian kita lakukan regresi jangka pendek (ECM) klik Estimate tulislah persamaan ECM nya

Sehingga hasil persamaan ECM sebagai berikut :

Nilai ECT negative dan harus sign



Hasil Regresi Jangka Panjang dan Jangka Pendek

Model Jangka Panjang Model ECM (Jangka Pendek)

Variable Coefficient Prob. Variable Coefficient Prob.

INF 4099.527 0.1794 D(INF) 3364.604 0.1641

LIR -6528.040 0.3604 D(LIR) -7690.319 0.2225

KURS 26.18497 0.0711 D(KURS) 20.95405 0.1465

GFCF 0.848454 0.0007 D(GFCF) 0.965011 0.0000

IVA 1.151055 0.0013 D(IVA) 0.813707 0.0038

TRADE -0.200752 0.0029 D(TR) 0.634994 0.0015

TR 0.983500 0.0000 D(TRADE) -0.160247 0.0013

AK 10276.39 0.3073 D(AK) 22510.67 0.1007

ECT(-1) -0.736953 0.0075

C 227912.0 0.7259 C 12201.08 0.7594

R2 0.999306 R2 0,950103

Uji Asumsi Klasik Untuk Model ECM Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS.

1. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana tingkat linieritasnya.

2. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.

3. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.

4. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.

5. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat ke ciri data cross section dibandingkan time series.

Uji Normalitas Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data tersebut berdistribusi normal ataukah tidak. Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Buka Eviews dalam keadaan kita regres model ECM



Pilih View Residual Diagnostics Histogram – Normality Test

Dan diperoleh hasil sebagai berikut :

Lihat nilai Jarque-Bera dan Probability Jika Probability > 0,05 maka Ho diterima. Artinya data yang digunakan dalam menganilis model ECM berdistribusi Normal

Uji Linearitas Pilih View Stability Diagnostics Ramsey RESET Test…



Klik OK

Lihat F- Statistic, jika probability diatas 0,05 artinya Model yang digunakan telah memenuhi asumsi Linearitas

Uji Autokorelasi Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (time Series). Autokoreasi mengakibatkan varians residual yang akan diperoleh lebih rendah daripada semestinya sehingga mengakibatkan R2 lebih tinggi dari seharusnya. Selain itu pengujian hipotesis dengan menggunakan t-statistik dan F-statistik akan menyesatkan. Pilih Eviews Residual Diagnostics Serial Correlation LM Test…



Nilai Obs *R-squared kurang dari 0,05 artinya Model mengandung Autokorelasi. Atau Nilai F-statistic di atas 0,05 artinya Model tidak mengandung Autokelasi ini yang digunakan (Karena hasil Obs *R-squared tidak konsisten dengan F-statistic maka kita pilih yang menerima Ho yaitu model tidak mengandung Autokorelasi)

Uji Heteroskedastisitas Salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model regresi bersifat BLUE adalah var (ui) harus sama dengan σ2 (konstan), atau dengan kata lain, semua residual atau error mempunyai varian yang sama. Kondisi seperti itu disebut dengan homoskedastis. Sedangkan apabila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastis. Uji formal untuk masalah ini salah satunya adalah Uji Breusch-Pagan-Godfrey, Uji Harvey, Uji Glejsyer, Uji ARCH dan Custom Test Wizard. Uji ini dapat dilakukan secara langsung dengan program EViews. Pilih Eviews Residual Diagnostics Heteroscedasticity Test…



Untuk uji hetero skedastisitas bisa memilih beberapa metode seperti Breusch-Pagan-Godfrey, Harvey, Glejsyer, ARCH dan Custom Test Wizard

Pilih Breusch-Pagan-Godfrey

Nilai Obs *R-squared 0,7627 Lebih dari 0,05 artinya Model tidak mengandung Heteroskedastisitas. Atau Nilai prob F-statistic 0,839 di atas 0,05 artinya Model tidak mengandung Heteroskedastisitas Homoskedastisitas (Hasil Obs *R-squared konsisten dengan F-statistic maka Semua hasil menerima Ho yaitu model tidak mengandung Heteroskedastisitas)

Uji Multikolinearitas Multikolinier adalah adanya korelasi antara variabel bebas dengan variabel bebas lainnya. Konsekuensinya meskipun hasil estimasi masih BLUE (Best Linear Unbiased Estimator), akan tetapi multikolinieritas dapat menyebabkan standard error yang lebih besar, nilai koefisien determinasi (R2 ) tetap tinggi dan uji F-stat signifkan meskipun banyak variabel yang tidak signifikan. Dengan kata lain, dapat dikatakan bahwa sebuah model persamaan dinyatakan terdapat gangguan multikolinear apabila R2 -nya tinggi namun hanya sedikit atau bahkan tidak ada variabel bebasnya yang signifikan pada pengujian t-statistik.



Dengan menggunakan Matrik Correlation Buka Eview Blok varibel sesuai urutan Klik kanan Copy

Buka Quick Group Statistics Correlation

Klik OK

Model terhindar dari Multikolinearitas jika nilai Correlation kurang dari 0,8



Atau menggunakan VIF dan TOL Uji multikolinearitas digunakan untuk menilai adakah korelasi atau interkorelasi antar variabel bebas dalam model regresi atau juga biasa digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Pada Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factor) dan Tolerance. Hipotesis : H0 : Terdapat masalah multikolinearitas H1 : Tidak terdapat masalah multikolinearitas Probabilitas < 10, H0 ditolak, H1 diterima Probabilitas > 10, H1 ditolak, H0 diterima Buka Coefficient Diagnostics Variance Inflation Factors

Dan hasilnya uji Multikolinearitas dengan VIF sebagai berikut :



Nilai Centered VIF semuanya kurang dari 10, sehingga dapat disimpulkan model ECM tidak mengandung Multikolinearitas. Interpretasi Hasil Regresi Model ECM yang kita hasilkan sudah memenuhi semua criteria, sehingga dapat dilanjutkan dengan analisis hasil regresi jangka pendek dan jangka panjang.

Model Jangka Panjang Model ECM (Jangka Pendek)

Variable Coefficient Prob. Variable Coefficient Prob.

INF 4099.527 0.1794 D(INF) 3364.604 0.1641

LIR -6528.040 0.3604 D(LIR) -7690.319 0.2225

KURS 26.18497 0.0711 D(KURS) 20.95405 0.1465

GFCF 0.848454 0.0007 D(GFCF) 0.965011 0.0000

IVA 1.151055 0.0013 D(IVA) 0.813707 0.0038

TRADE -0.200752 0.0029 D(TR) 0.634994 0.0015

TR 0.983500 0.0000 D(TRADE) -0.160247 0.0013

AK 10276.39 0.3073 D(AK) 22510.67 0.1007

ECT(-1) -0.736953 0.0075

C 227912.0 0.7259 C 12201.08 0.7594

R2 0.999306 R2 0,950103

Fh 3.777,227 Fh 40,198

DW 1,633 DW 1,40617

Catatan : Variabel Terikat GDP Dalam jangka panjang yang mempengaruhi GDP adalah Kurs, GFCF, Trade, dan TR. Sedangkan dalam jangka pendek yang mempengaruhi Pertumbuhan GDP adalah perubahan GFCF, Perubahan IVA, Perubahan TR dan perubahan Trade. Trade (perdagangan) dalam jangka pendek maupun jangka panjang mempengaruhi secara negatif, artinya semakin tinggi nilai transaksi perdagangan Indonesia dengan Negara lain akan menurunkan GDP. Jika nilai TRADE bertambah sebesar 1 Milyar Rupiah maka akan menurunkan GDP sebesar (1 M dikalikan -



0.160247) 160 juta rupiah, sedang dalam jangka panjang akan menurunkan sebesar (1 M dikalikan -0.200752) 200 juta rupiah. Dalam jangka panjang pengaruh TRADE harus diperhatikan oleh pemerintah. Nilai ECT Menurut Widarjono (2007) koefisien koreksi ketidakseimbangan ECT disebut sebagai kesalahan ketidakseimbangan (disequilibrium error). Oleh karena itu jika ECT sama dengan nol tentunya Y dan X adalah dalam kondisi keseimbangan. Hasil nilai tersebut menjelaskan seberapa cepat waktu diperlukan untuk mendapatkan nilai keseimbangan. Pada prinsipnya, model koreksi kesalahan terdapat keseimbangan yang tetap dalam jangka panjang antara variabel-variabel ekonomi. Bila dalam jangka pendek terdapat ketidakseimbangan dalam satu periode, maka model koreksi kesalahan akan mengoreksinya pada periode berikutnya (Engle dan Granger, 1987). Untuk menyatakan apakah model ECM yang digunakan sahih atau tidak, maka koefisien Resid (-1) atau ECT harus signifikan. Jika koefisien ini tidak signifikan, maka model tersebut tidak cocok dan perlu dilakukan perubahan spesifikasi model lebih lanjut. Berdasarkan Tabel diketahui nilai koefisien Error Correction Term (ECT) pada model tersebut signifikan = 0,0075 < 0,05 yang menunjukkan bahwa Error Correction Model (ECM) yang digunakan sudah valid. Sedangkan nilai keseimbangannya sebesar -0.736953 dapat dimaknai bahwa proses penyesuian terhadap ketidakseimbangan Perubahan GDP (Pertumbuhan Ekonomi) periode 1986-2015 relatif lambat. Nilai ECT sebesar -0.736953 mempunyai arti bahwa apabila terdapat ketidakseimbangan masa lalu sebesar 100 %, maka perubahan GDP (Pertumbuhan Ekonomi) akan menyesuaikan diri dengan menurun sebesar 73,69 %. Dengan demikian dapat diinterpretasikan bahwa Pertumbuhan Ekonomi membutuhkan waktu 7-8 tahun untuk mencapai keseimbangan penuh (100 %) perubahan GDP (Pertumbuhan Ekonomi). Uji Koefisien Determinasi (R2 ) Uji koefisien determinasi untuk melihat seberapa besar pengaruh perubahan variabel-variabel bebas (independent Variabel) yang digunakan dalam model mampu menjelaskan pengaruhya terhadap variabel tidak bebasnya (dependent Variabel). Uji ini melihat nilai koefisien determinasi (R2 ) yang diperoleh dari persamaan yang diestimasi.



Referensi Davidson, J. E. H.; Hendry, D. F.; Srba, F.; Yeo, J. S. (1978). "Econometric modelling of the aggregate

time-series relationship between consumers' expenditure and income in the United Kingdom". Economic Journal. 88 (352): 661–692. JSTOR 2231972.

Granger, C.W.J.; Newbold, P. (1978). "Spurious regressions in Econometrics". Journal of

Econometrics. 2 (2): 111–120. JSTOR 2231972. Gujarati, D. (2008). N. 2003. Basic econometrics. New York: MeGraw-Hill, 363-369. Phillips, Peter C.B. (1985). "Understanding Spurious Regressions in Econometrics" (PDF). Cowles

Foundation Discussion Papers 757. Cowles Foundation for Research in Economics, Yale University.

Sargan, J. D. (1964). "Wages and Prices in the United Kingdom: A Study in Econometric Methodology", 16,

25–54. in Econometric Analysis for National Economic Planning, ed. by P. E. Hart, G. Mills, and J. N. Whittaker. London: Butterworths

Yule, Georges Udny (1926). "Why do we sometimes get nonsense correlations between time series? – A

study in sampling and the nature of time-series". Journal of the Royal Statistical Society. 89 (1): 1–63. JSTOR 2341482.

Widarjono, A. (2007). Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan Bisnis, edisi

kedua. Yogyakarta: Ekonisia FE Universitas Islam Indonesia.

https://en.wikipedia.org/wiki/David_Forbes_Hendry

https://en.wikipedia.org/wiki/Economic_Journal

https://en.wikipedia.org/wiki/JSTOR

https://www.jstor.org/stable/2231972

https://en.wikipedia.org/wiki/Journal_of_Econometrics





http://cowles.yale.edu/sites/default/files/files/pub/d07/d0757.pdf



regresi model koreksi kesalahan (error correction model) · uji kointegrasi uji kointegrasi yang...

Documents