unit pengembangan fakultas ekonomika · pdf filekarena eviews tidak dapat membaca data yang...

MODUL EVIEWS 6

Oleh ;Tim Penyusun

UNIT PENGEMBANGAN FAKULTAS EKONOMIKAUNIVERSITAS DIPONEGORO

2011

Dilarang Memperbanyak Tanpa Seijin Penyusun1

BAB IMengenal dan Menggunakan EViews 6

A. Memulai EViews

Langkah-langkah menjalankan program EViews adalah sebagai berikut :

1. Sama seperti halnya memulai software berbasis windows , pilih Start Menu Menu

EViews. Kemudian Pilih EViews 6.

Gambar 1.1 : Memulai Program EViews 6

Atau klik dua kali icon EViews 6 yang ada di desktop komputer.

2. Sehingga akan tampak tampilan EViews seperti gambar di bawah ini


Gambar 1.2 : Bagian-bagian program EViews 6

Pada EViews 6 terdapat beberapa macam jendela (windows) yang fungsinya berbeda

satu sama lain. Secara ringkas, tampilan-tampilan jendela(window) dalam EViews, antara lain:

Main Window (Jendela Utama) merupakan jendela program EViews. Semua

Jendela yang lain dibuka melalui atau di dalam jendela.

Command Window (Jendela Program) berfungsi untuk mengetikkan perintah

macro EViews, baik untuk menganalisa data maupun menyusun program.

Database Window (Jendela Basisdata) berfungsi melakukan manajemen terhadap

beberapa objek dengan range berbeda.

Workfile Window (Jendela Workfile) berfungsi melakukan manajemen terhadap

beberapa objek dengan range sama.

Object Window (Jendela Objek) berfungsi melakukan manajemen terhadap

objek (unit analisa terkecil dalam EViews).

3. EViews siap digunakan untuk menginput data dengan membuat working file atau melakukan

analisis data. Klik menu FILE NEW untuk melihat tampilan berikut ini :

Gambar 1.3 : Tampilan Awal EViews

STATUS BAR

MENUUTAMA

WORK AREA, tempat berbagaihasil ditampilkan

Command Window


Setiap kali akan bekerja dengan EViews, Anda harus membuat dulu workfile ini (Anda tidak

perlu melakukannya jika Anda menjalankan EViews dengan cara batch).

B. Membuat Workfile dan mengimpor data

Pada contoh kali ini, kita akan mengimpor data dari Program Excel. Dalam kasus ini kita akan meneliti

factor-faktor yang mempengaruhi penjualan buanga mawar (rose) di Perusahaan ABC. Untuk meneliti

factor-faktor tersebut, peneliti perusahaan membuat model untuk tujuannya tersebut sebagai berikut :

Di mana : Y = a0 + a1 X1 + a2 X2 + a3 X3

Y = Jumlah Penjualan Bunga Ros, (dalam lusin)

X1 = Rata-rata harga bunga Ros, $/lusin

X2 = Rata-rata promosi, $/lusin

X3 = Rata-rata tingkat pendapatan/kapita, $/week

Dan data-datanya ditampilakan dalam program Ms. Excel di bawah ini :

Gambar 1.4 : Contoh data Excel yang akan diimpor ke Program EViews

Langkah-langkah yang digunakan untuk mengimpor data adalah sebagai berikut :

1. Pilih menu File NewWorkfile, sehingga di layar akan tampak tampilan berikut ini :


Gambar 1.5 : Tampilan untuk menentukan jenis data dengan EViews 6

Berikut ini adalah jenis data dan cara pendekatan jenis data dalam program EViews

Jenis Data Keterangan Cara Menuliskan

Annual data Tahunan. Pada Start Date : 2010

Pada End Date : 2015

Semi-Annual untuk data 6 bulanan (semester). 2010:1, 2015:2

Quarterly data 3 bulanan (triwulan) 2010:1, 2015:4

Monthly data bulanan. 2010:01, 2015:12

Weekly data mingguan 1/1/2010, 12/30/2015

Daily – 5 days week untuk 5 hari seminggu, Senin-

Jumat

1/1/2010, 12/28/2015

Daily – 7 days week Untuk 7 hari seminggu, Senin-

Minggu

1/1/2010, 12/30/2015

Integer data Data tidak beraturan, cross

section

1, dan banyaknya data

2. Pada pilihan Start date, isikan dengan angka 1990 dan pada End Date, isikan angka 2005 (

sesuai dengan data yang ada pada tabel di atas). Isian yang lain, seperti WF dan Page, kita

kosongi dahulu karena belum akan kita gunakan.

3. Pilih OK. Untuk menuju tampilan di bawah ini


Gambar 1.6 : Layar Kerja Program EViews 6

Sekarang Anda sudah membuat sebuah Workfile untuk mengerjakan berbagai analisis. Langkah

selanjutnya adalah kita akan mengimpor data dari program Ms. Excel. Sebelum mengimpor data,

tutup program Ms. Excel tempat data kita berada. Karena EViews tidak dapat membaca data yang

sedang dibuka oleh program lain.

4. Pilih menu File ImportRead-Lotus-Excel

Gambar 1.7 : Menu untuk mengimpor data dari program teks atau spreadsheet

5. Pilih nama file dan jenis file yang akan diimpor. Dalam kasus ini, kita pilih jenis Excel (*.xls).

kemudian pilih nama file yang akan diinput. Diakhiri dengan mengklik OK


Gambar 1.7 : Menu untuk mengimpor data dari program teks atau spreadsheet

6. Pada tampilan windows berikutnya, kita diminta untuk menentukan posisi awal (Upper Left Data

Cell). Pada table yang kita buat. Upper Left Data Cell berada di cell B2 (data pertama variable

Y). Pada isian di bawahnya, isikan bentuk model yang akan kita analisis yaitu Y X1 X2 X3.

Berarti nantinya kita akan mempunya 4 variabel, yaitu variable y, x1,x2,x3

Gambar 1.8 : Menentukan variabel yang akan diimpor

Setelah mengklik OK, maka tampilan workfile akan tampak seperti gambar berikut ini.

Variabel c dan resid secara otomatis sudah bertambah dalam program EViews.

PILIH FILE YANGAKAN DIINPUT

TentukanJenisFilenya


Gambar 1.9 : Layar kerja setelah mengimpor variabel

7. Agar tidak berulangkali melakukan langkah-langkah di atas, sebaiknyaworkfile tersebut kita

simpan dengan memilih menu FileSave As kemudian beri nama file.

Apabila ingin menjalankan program EViews dilain waktu, kita cukup membuka dengan menu

File Open EViews Workfile kemudian pilih nama filenya.

C. Menampilkan dan Mengedit Data

Setelah workfile siap kita buat, maka untuk melihat data yang baru saja kita impor, langkah-

langkahnya adalah sebagai berikut :

1. Pilihlah variable yang akan kita lihat y, x1, x2,x3 (tampilan akan berbeda urutannya jika kita

mengklik sebaliknya). Klik dulu variable y, kemudian tekan tombol CTRL dan kliklah variable

x1, x2, dan x3 secara berurutan. Yang akan tampak di layar seperti gambar di bawah ini :

Gambar 1.10 : Memilih variabel

2. Klik kanan pada daerah yang diblok. Pilih menu Open As Group


Gambar 1.11 : Menu untuk menampilkan data

3. Sehingga akan muncul data group yang tadi kita pilih.

Gambar 1.10 : Data yang ditampilkan dalam program EViews

4. Kita bias mengubah dan menampahkan data pada group yang kita buat. Caranya, klik tombol

(Edit +/-) yang ada di sudut kanan atas. Kemudian editlah data yang diinginkan. Apabila

sudah selesei, klik lagi tombol untuk mengakhiri mode edit.


Gambar 2.1 : Menu untuk melakukan analisisRegresi

BAB IIANALISIS DATA REGRESI

A. Regresi Sederhana

Salah satu kegunaan program EViews adalah menghitung persamaan regresi. Pada kasus ini kita

akan menghitung persamaan regresi untuk factor-faktor yang mempengaruhi penjualan bunga mawar

yang digambarkan oleh model

Yt a0 + a1 X1 + a2 X2 +at ut

1. Dari data workfile yang tttelah kita buka tadi,

pilih menu Quick Estimate Equation

2. Kemudian akan tampak windows Equation

Estimation. Isikan persamaan regresinya

dengan menuliskan y sebagai variable

dependen, c adalah konstanta, dan x1-x3

sebagai variable independen.

3. Metode regresi yang disediakan ada beberapa

cara. Namun pada kasus ini kita pilih metode

least square dan sampel akan secara otomatis mengikuti dari data yang kita tampilkan di

workfile.

Gambar 2.2 : Menuliskan persamaan regresi dengan metode kuadrat terkecil


Gambar 2.3 : Tampilan Hasil Analisis Regresi

4. Ada baiknya output di atas kita copikan terlebih dahulu pada lembar kerja yang lain, misalkan

dalam file MsWord. Perintah kerjanya sama seperti biasa kita melakukan copy dan paste diantara

dua jendela. Blok semua output di atas dengan cara menyorotinya menggunakan mouse.

Kemudian pada posisi semua sudah kena blok, klik kana pada mouse – Copy dan Ok. Pindah

sekarang ke jendela MsWord, dan tempatkan kursor di daerah yang akan ditempatkan output

tersebut. Berikutnya gunakan perintah paste di MsWord atau Ctrl-V.

Selain itu, output tersebut harus diberi nama, karena suatu saat kita perlu mengeluarkannya

kembali. Caranya, masih tetap berada di jendela output, klik icon Name, kemudian cantumkan

nama obyeknya yang baru pada kolom disiapkan oleh EViews secara default, yaitu eq1

Gambar 2.4 : Memberikan Nama Pada Hasil Output

5. Apabila ingin menamilkan grafik yang menunjukkan antara data dan nilai prediksinya, serta

residual regresinya, klik tombol Resids sehingga akan tampil gambar sebagai berikut :


Gambar 2.5 : Tampilan Grafik Dta, Prediksi, dan Residualnya

6. Klik View | Pilih Representation | sehingga diperoleh fungsi persamaan sebagai berikut :

Gambar 2.6 : Tampilan Persamaan regersi pada EViews


B. Membaca Regresi Sederhana dengan EViews

Dependent Variable: YMethod: Least SquaresDate: 10/14/11 Time: 01:04Sample: 1990 2005Included observations: 16

Coefficient Std. Error t-Statistic Prob.

C 13354.60 6485.419 2.059173 0.0619X1 -3628.186 635.6282 -5.708031 0.0001X2 2633.755 1012.637 2.600888 0.0232X3 -19.25394 30.69465 -0.627274 0.5422

R-squared 0.777929 Mean dependent var 7645.000Adjusted R-squared 0.722411 S.D. dependent var 2042.814S.E. of regression 1076.291 Akaike info criterion 17.01275Sum squared resid 13900824 Schwarz criterion 17.20589Log likelihood -132.1020 Hannan-Quinn criter. 17.02264F-statistic 14.01227 Durbin-Watson stat 2.316836Prob(F-statistic) 0.000316

Tabel 2.1 : Tampilan Persamaan regersi dalam bentuk tabel setelah diekspor ke Ms. Word

Persamaan RegresinyaY = 13354.6016273 - 3628.18590451*X1 + 2633.75481796*X2 - 19.2539446358*X3


UJi Nilai Keterangan

R-squared 0.777929

Menunjukkan kemampuan model. Variabel

independen mampu menjelaskan pengaruhnya

sebanyak 77,79% terhadap variable dependen

Adjusted R-squared 0.722411Nilai R2 yang sudah disesuaikan. (akan

dijelaskan pada penjelasan berikutnya)

S.E. of regression 1076.291 Standar error dari persamaan regresi

Sum squared resid 13900824 Jumlah nilai residual kuadrat

Log likelihood -132.1020Nilai log likehood yang dihitung dari nilai

koefisien estimasi

F-statistic 14.01227

Uji serempakpengaruh semua variable

independen (x1,x2,x3) terhadap variable

dependen (y)

Prob(F-statistic) 0.000316 Probabilitas nilai uji F-statistik.

Mean dependent var 7645.000 Nilai mean rata-rata variable dependen (y)

S.D. dependent var 2042.814 Standar deviasi variable dependen (y)

Akaike info criterion 17.01275

Digunakan untuk menguji kelayakan model

selain menggunakan Uji F. Semakin kecil AIC,

semakin baik modelnya. Namun nilai ini baru

dapat dibandingkan apabila ada model lain yang

juga sudah dihitung AIC-nya

Schwarz criterion 17.20589

Sama seperti AIC, SIC digunakan untuk

menguji kelayakan model. Semakin kecil SIC,

semakin baik modelnya.

Hannan-Quinn criter. 17.02264

Sama seperti AIC, HQC digunakan untuk

menguji kelayakan model. Semakin kecil HQC,

semakin baik modelnya.

Durbin-Watson stat 2.316836Nilai Durbin Watson yang digunakan untuk

mengetahui apakah ada autokolerasiTabel 2.2 : Penjelasan Hasil Regresi


C. Analisa Model Regresi

1. Pengujian Statistik

a) Uji Koefisien Determinasi ( R 2 )

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.

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 ( R 2 ), untuk menghilangkan bias akibat adanya penambahan jumlah variabel bebas dan

jumlah data yang diobservasi.

Analisis, melalui program EViews dapat diestimasi nilai Adjusted R2 = 0,7224 menandakan

bahwa variasi dari perubahan penjualan mawar (Y) mampu dijelaskan secara serentak oleh variabel-

variabel harga mawar (X1), promosi (X2) dan X3 (pendapatan per kapita) sebesar 72,24%,

sedangkan sisanya sebesar 27,76% dijelaskan oleh faktor-faktor lain yang tidak masuk dalam model.

b) 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 :


Dari hasil uji t-statistik, bisa disimpulkan bahwa hanya variabel tingkat harga bunga ros

dan promosi yang signifikan mempengaruhi variabel penjualan bunga rose sedangkan

variabel tingkat tingkat pendapatan/kapita tidak signifikan mempengaruhi penjualan bunga

ros.

c) 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.

Dari hasil uji F-statistik didapat bahwa nilai F-statistik signifikan pada =

0.000316 (0,3%) hal ini mengindikasikan bahwa secara keseluruhan, semua variabel

independen mampu menjelaskan variabel dependennya yaitu penjualan bunga ros.

2. Uji Asumsi-asumsi Klasik Dalam Regresi

Secara teoritis telah diungkapkan bahwa salah satu metode pendugaan parameter dalam model

regresi linear adalah Ordinary Least Square (OLS). Metode OLS digunakan berlandaskan pada

sejumlah asumsi tertentu. Ada beberapa asumsi yang harus dipenuhi, pada prinsipnya model

regresi linear yang dibangun sebaiknya tidak boleh menyimpang dari asumsi BLUE (Best, Linear,

Unbiased dan Estimator), dalam pengertian lain model yang dibuat harus lolos dari

penyimpangan asumsi adanya serial korelasi, normalitas, linearitas, heteroskedastisitas dan

multikolinearitas. Selanjutnya, kita akan melakukan uji asumsi klasik tersebut.


a) Autokolerasi

Penaksiran model regresi linier mengandung asumsi bahwa tidak terdapat autokorelasi di

antara disturbance terms. 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 ).

Kriteria Pengujian Autokorelasi

Null Hipotesis Hasil Estimasi Kesimpulan

Ho 0 < dw < dl Tolak

Ho dl ≤ dw ≤ du Tidak ada Kesimpulan

H1 4 − dl < dw < 4 Tolak

H1 4 − du ≤ dw ≤ 4 − dl Tidak ada kesimpulan

Tidak ada otokorelasi,baik positif maupunnegatif

du < dw < 4 - du Diterima

Tabel 2.3 : Kriteria Autokolerasi

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 :

Gambar 2.7 : Nilai durbin Watson pada persamaan regersi EViews


Jika kita uji berdasarkan tabel Durbin-Watson di atas maka dicari terlebih dahulu nilai dl dan du

pada = 5% dengan n=16 dan k (jumlah variabel independen)= 3 yaitu dl=0,8572 dan dU=1,527

sehingga didapat :

positif tidak tentu tidak ada autokorelasi tidak tentu negatif

Autokorelasi autokorelasi

0 dl=0,8572 du=1,527 2,31 4-du=2,47 4-dl= 3,1428

karena 2,33 berada di daerah tidak ada autokorelasi maka bisa disimpulkan bahwa model tidak

mengandung masalah autokorelasi.

b) Heterokesdasitisitas

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.

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).


Pengujian Heterosskedastisitas di EViews :

Klik View | Residual test |

pilih heteroscedaticity test… |

pilih white | OK

Gambar 2.8 : Cara Mengukur Nilai Hetereskesdasitas

Dari hasil estimasi didapat bahwa : Obs*R-squared =13,91 dengan p-value=0,86.

Uji hipotesis :

Ho : Tidak ada heteroskedastisitas

H1 : Ada heteroskedastisitas

Pengujian :

Jika p-value < =5% maka Ho ditolakKarena p-value= 0,86 > =5% maka Ho tidak ditolak, sehingga bisa disimpulkan bahwa

tidak ada heteroskedastisitas di dalam model.


c) Uji Multikolinieritas

Tahapan pengujian melalui program EViews dengan pendekatan koralasi parsial dengantahapan sebagai berikut :

1. Lakukan regresi seperti contoh di atas :

Y = a0 + a1 X1 + a2 X2 + a3 X3 ................................................................ (R1)

2. Kemudian lakukan estimasi regresi untuk :

X1 = b0 + b1 X2 + b2 X3 ........................................................................ (R2)

X2 = b0 + b1 X1 + b2 X3 ........................................................................ (R3)

X3 = b0 + b1 X2 + b2 X1 ........................................................................ (R4)

Gambar 2.8 : Output Nilai Regresi 1



Untuk Persamaan (1) nilai R2 adalah sebesar 0,77 selanjutnya kita sebut R1




Ketentuan :

Bila nilai R1 > R2, R3, R4 maka model tidak diketemukan adanya multikolinearitas.

Bila nilai R1 < R2, R3, R4 maka model diketemukan adanya multikolinearitas.

Analisis Hasil Output, menunjukkan bahwa nilai R1 > R2, R3, R4 maka dalam model tidak

diketemukan adanya multikolinearitas.

d) Uji Normalitas

Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi

normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Pendugaan

persamaan dengan menggunakan metode OLS harus memenuhi sifat kenormalan,

karena jika tidak normal dapat menyebabkan varians infinitif (ragam tidak hingga atau ragam


yang sangat besar). Hasil pendugaan yang memiliki varians infinitif menyebabkan pendugaan

dengan metode OLS akan menghasilkan nilai dugaan yang not meaningful (tidak berarti). Salah

satu metode yang banyak digunakan untuk menguji Normalitas adalah Jarque-Bera test.

Pada program EViews, pengujian normalitas dilakukan dengan Jarque-Bera test. Jarque-

Bera test mempunyai distribusi chi square dengan derajat bebas dua. Jika hasil Jarque-Bera test

lebih besar dari nilai chi square pada α=5 persen, maka tolak hipotesis nul yang berarti tidak

berdistribusi normal. Jika hasil Jarque- Bera test lebih kecil dari nilai chi square pada α=5 persen,

maka terima hipotesis nul yang berarti error term berdistribusi normal.

Pada tampilan output EViews, pilih View Residual Tests dan Histogram Normality Test.

Gambar 2.12 : Uji Normalitas dengan EViews


Gambar 2.13 : Output Uji Normalitas EViews

Untuk mendeteksi apakah residualnya berdistribusi normal atau tidak dengan membandingkan nilai

Jarque Bera (JB) dengan X2 tabel, yaitu :

a. Jika nilai JB > X2 tabel, maka residualnya berdistribusi tidak normal.

b. Jika nilai JB < X2 tabel, maka residualnya berdistribusi normal.

Analisis Hasil Output, bahwa nilai JB sebesar 1,4529. Karena 1,4529 < 7, 82 maka dapat

disimpulkan bahwa residual berdistribusi normal.

Selain itu bisa diketahui juga dari tingkatprobability sebesar 0,483 (p > 5 %) maka dapat

disimpulkan bahwa residual berdistribusi normal.


DAFTAR PUSTAKA

Enders, W. 1995. Applied Econometric Time Series. John Wiley & Sons, Inc.New York.

Koutsoyiannis, A. 1978. Theory of Econometrics. Second Edition. Harper & Row Publishers, Inc.USA.

Khoirunnurrofiq. 2003. Modul Pengenalan Singkat EViews Version 3.1. Laborotium KomputerFakultas Ekonomi, Universitas Indonesia, Jakarta.

Rahmanta.2009. APLIKASI EVIEWS DALAM EKONOMETRIKA. Fakultas Pertanian UniversitasSumatera Utara. Medan

Winarno, Wahyu Wing. 2009. Analisis Ekonometrika dan Statistika dengan EViews. UPP STIM YKPN.

Yogyakarta

unit pengembangan fakultas ekonomika · pdf filekarena eviews tidak dapat membaca data yang...

Documents