Modul Ekonometrka 1 By: Syofriza Syofyan

Praktikum 1
PENDAHULUAN
A. DEFINISI EKONOMETRIKA
 Analisis kuantitatif ekonomi berdasarkan perkembangan dan
observasi yang berkaitan dengan metode inferensi / pengujian
yang sesuai.
 Ilmu sosial yang menggunakan teori ekonomi, matematika dan
statistik untuk menganalisa fenomena ekonomi.
Berdasarkann definisi di atas, ekonometrika merupakan gabungan

dari :
1. Teori Ekonomi
Sebagai dasar penentuan hubungan antara variabel (apakah +
atau -)
Contoh :
a. Teori konsumsi : y maka C (atau sebaliknya)
b. Teori Produksi : L maka Q (atau sebaliknya)
2. Matematika
Digunakan untuk merumuskan teori ekonomi dalam bentuk
persamaan matematika dan dari persamaan matematika
diubah menjadi persamaan ekonometrika.
Contoh : C : a + bY C : a + bY + e
3. Statistika
Ilmu yang mempelajari cara pengumpulan, pengolahan,
penyajian dan analisis data termasuk pengambilan kesimpulan
yang mengandung unsur ketidakpastian
Digunakan untuk menguji kecocokan persamaan / fungsi

matematika yang akan digunakan untuk peramalan dengan
teori ekonomi yang dilakukan dengan :
a. Menguji hipotesis : Uji-t, Uji-F
b. Menguji asumsi : autokorelasi, heteroskedastisitas, dan
multikolinearitas.
B. TUJUAN EKONOMETRIKA
1. Membuktikan atau menguji validitas teori-teori ekonomi
(veritifikasi)
Laboratorium Ekonometrika 1
2. Menghasilkan taksiran-taksiran numerik bagi koefisien-koefisien
hubungan ekonomi yang selanjutnya dapat digunakan untuk
keperluan kebijakan ekonomi (penafsiran)
3. Meramalkan nilai besar-besaran ekonomi di masa datang
dengan derajat probabilita tertentu (peramalan)
C. MODEL
Merupakan penyederhanaan dari keadaan yang sebenarnya (dunia
nyata). Model yang sederhana lebih mudah dimengerti,
dikomunikasikan dan diuji dengan data empiris, tetapi terdapat
dua kelemahan mendasar yaitu :
a. Kadang model terlalu sederhana
b. Asumsi yang digunakan tidak realistis
D. MODEL EKONOMI
Konstruksi teoritis / kerangka analisis ekonomi yang terdiri dari
himpunan konsep, definisi, anggapan / asumsi, persamaan,
kesamaan / identitas dan ketidaksamaan di mana kesimpulan akan
diturunkan.
PEMBENTUKAN MODEL EKONOMI

SECARA SEDERHANA
1. TEORI EKONOMI
2. SPESIFIKASI MODEL
MATEMATIKA
3. SPESIFIKASI MODEL
EKONOMETRIKA
4. PENGUMPULAN
DATA
5. ESTIMASI
PARAMETER MODEL
6. UJI HIPOTESIS
(INFERENSI)
TERIMA TEORI JIKA DATA TOLAK TEORI JIKA DATA TIDAK

SESUAI DENGAN TEORI DAN MENDUKUNG MODEL DAN TIDAK
SESUAI DENGAN TEORI
MENJELASKAN MODEL
PERBAIKI TEORI/CARI DATA BARU
PERAMALAN/INTERPRETASI
Laboratorium Ekonometrika 1 Daftar Pustaka 2

ULANGI LANGKAH 2-6
TIPS : dalam membuat suatu penelitian, langkah-langkah di atas dapat

CONTOH : disarankan untuk diikuti. Jika mengalami kesulitan, silahkan
dan sangat
menemui asisten lab. Anda.
1. TEORI EKONOMI
Hukum permintaan :
Bila suatu harga barang naik ceteris paribus maka konsumen akan
cenderung untuk membeli lebih sedikit. Q = (f,P), cp
2. MODEL MATEMATIKA
Ada dua kemungkinan hubungan antara P dan W, yaitu :
a. Linear Q = a + bP
b. Non-linier Q = a Pb
3. MODEL EKONOMETRIKA
LRM (linear Regression Model)
Q = a + bP + e untuk model linear
Ln Q = Ln a + b Ln P + e untuk model non linear
Dimana ‘e’ adalah kesalahan (error term) dan a,b adalah

parameter.
4. PENGUMPULAN DATA
Ada tiga jenis pengumpulan data, yaitu :
a. Time Series Data
b. Cross-Section Data
c. Pooled-Data/ Panel/ Micropanel Data
5. ESTIMASI PARAMETER
Parameter
Bagaimana menentukannya ?  Estimasi

Misal dengan OLS (Ordinary least Square) untuk metode regresi
sederhana diperoleh :
a = Y - bX a = Q - bP
Σyix1 Σpiq1
b= b=
Σxi2 Σqi2

Dimana :
yi = Yi – Yi qi = Qi - Qi
xi = Xi – Xi pi = Pi - Pi
6. UJI HIPOTESA/ INFERENSI

H0 : b < 0
Jika benar, sesuai teori
H0 : a > 0
7. ESTIMASI PARAMETER
Jika P = 45, berapa Q ?

PENGENALAM PROGRAM EVIEW’S 3.0
 Program EVIEWS’ 3.0 merupakan perangkat lunak pengolahan

data yang dikembangkan oleh Quantitative Micro Software
(QMS) yang menggunakan pengembangan program Micro TSP
yang berbasis Windows sehingga user dengan mudah dapat
menggunakan mouse tanpa perlu mengetahui perintah-perintah
langsung seperti pada program Mikro TSP versi sebelumnya.
Click tombol Start. Program, Eviews 3, seperti terlihat pada

gambar 1.1 sehingga akan muncul
Klik di sini
Klik di sini
Gambar 1.1 Tampilan Desktop Windows 98

Gambar 1.2. Menu Utama Econometric Views
Gambar 1.3 Tampilan New Object

A. Memasukkan Data Baru

 Untuk memasukkan data baru, pada menu Eviews 3, click File,
new seperti yang dapat dilihat pada gambar 1.2 di halaman
selanjutnya.
 Kemudian, akan muncul kotak New Object, atau klik Workfile
pada kotak type of object (lihat gambar 1.3)
 Setelah itu click OK sehingga muncul kotak Workfile Range
(gambar 1.4). dalam Workfile Range terdapat frekuensi data
yang harus anda tentukan, yaitu berupa : Tahunan (annual),
kuartalan (quarterly), bulanan (monthly), mingguan
(weekly), harian (daily), atau data acak (undated or
irregular dates).
Cara penulisan pada kotak Start Date dan End Date

Annual : Ditulis penuh, misalnya : 1981, 1995,1999
Quaarterly : Ditulis tahun kemudian kuartal keberapa
1992:1, artinya kuartal pertama tahun 1992 atau
Januari-Maret 1992
Monthly : Ditulis tahun kemudian bulan keberapa
1995:2, artinya bulan kedua tahun 1995 atau Februari
1995
Wekly : Ditulis dengan format bulan:hari:tahun
9:30:1998, artinya 30 September 1998
Daily : Sama dengan cara Weekly
TIPS : pastikan format penanggalan yang anda tuliskan benar, karena

akan sangat berpengaruh pada hasil regresi anda.
Gambar 1.4 Tampilan Kotak Workfile Range

 Setelah memasukkan informasi kedalam Workfile Range,
maka click OK, sehingga muncul layar Workfile (gambar 1.5)
yang anda buat.
 Kemudian click Quick (pada menu / menu utama), setelah itu
click Empty Group (Edit Series) pada menu utama sehingga
muncul tampilan seperti dibawah ini. Setelah itu anda arahkan
mouse pointer ke kotak di samping Obs (observasi), sehingga
kolom tersebut akan ter-highlight, lalu ketik IMPOR. Untuk
mengisi GNP dan IH perintahnya sama seperti mengisi kolom
IMPOR (lihat gambar 1.6).
Gambar 1.5 Tampilan Kotak Workfile
 Setelah itu masukkan data di halaman selanjutnya.

 Setelah selesai memasukkan data, click Windows (pada main
menu) click Workfile yang berisikan variabel yang telah anda
masukkan sebelumnya (lihat gambar 1.7).
itu baru anda masukkan datanya

muncul NA (not available) setelah
IMPOR sehingga kolom tersebut
terhighligt biru. Lalu ketikan
Klik disini-sehingga akan
Gambar 1.6 Tampilan Kotak group

TAHUN IMPOR GNP IH
IMPOR = f (GNP, IH) dimana :
1978 57.24 220.4 135 GNP = Gross National Product
5 IH = Indeks Harga
1979 43.12 215.2 147
TIPS :
2 1. Untuk membedakan antara variabel
1980 73.14 354.6 118 independen dan variabel dependen. Lihatlah
persamaan/ fungsi-nya (misalnya fungsi
6 diatas). Variabel terdepan adalah variabel
1981 37.25 241.2 160 dependent (tidak bebas) dan variabel setelah
5 adalah variabel independent (variabel bebas)
1982 64.32 305.6 128 2. Masukkan data secara cermat dan hati-hati.
4 Karena jika terjadi kesalahan
dalammemasukkan data, hasil regresi yang
1983 48.43 254.4 149 akan anda peroleh tidak akan tepat/ tidak akan
1 akurat.
1984 56.53 354.4 140 3. Dalam EVIEW, tanda koma ditulis dalam notasi
1 titik (.), sebaliknya tanda titik ditulis dalam
1985 50.58 321.2 145 notasi koma (,)
1
1986 39.35 240.7 140
6
1987 43.47 265.4 120
3
1988 68.56 385.2 115
2
1989 60.74 354.3 130
4
1990 62.75 424.2 129
2
1991 66.46 473.3 135
3
1992 68.24 502.2 124
5
1993 64.35 497.5 137
6
1994 65.65 500.5 130
4
Untuk menampilkan data

yang telah dibuat adalah :
highlight GNP, IH dan
Impor lalu klik dua kali

Gambar 1.7 Tampilan workfile setelah memasukkan data
B. MENAMPILKAN DATA DARI WORKFILE
Menampilkan data dari workfile mempunyai dua tujuan, yaitu :

melihat data di layar dan mencetak data dengan printer.
 Menampilkan data dilayar, dengan cara : pada kotak workfile,
hightlight-lah (ikuti petunjuk asisten anda) variabel GNP, IH,
dan IMPOR setelah ter-highlight click dua kali sehingga muncul
Dialog Box dan click Open Group, maka akan muncul kotak
Group seperti di bawah ini (gambar 1.8).
Edit
Ganti menjadi
350.22
Klik
Gambar 1.8 Tampilan Kotak Group
 Untuk mencetak data dengan printer, arahkan mouse pointer

anda ke sub menu, lalu click kotak print.
C. MENG-EDIT DATA
Edit data digunakan untuk memperbaiki data yang salah (misal

salah ketik). Misalnya (lihat gambar 1.8) anda ingin mengubah
data GNP pada tahun 1982 yang salah menjadi 350.22, maka
lakukanlah langkah berikut ini :
 Tampilkan kota Group seperti pada gambar 1.8

 Arahkan mouse pointer ke cell box pada kolom GNP tahun 1982,
lalu click Edit ± pada kotak group.
 Setelah itu baru anda ketikkan data yang baru tersebut, yaitu
350.22.
D.MENYISIPKAN DATA
Menyisipkan data adalah memasukkan data baru ke dalam file

yang sudah ada, tetapi tidak disisipkan pada deretan kotak paling
akhir (bisa terjadi karena ada data yang tertinggal atau terlewat
untuk dimasukkan). Misal, dalam memasukkan data, data 1981
adalah data yang terlewat sehingga data sebenarnya adalah dari
1978-1995 (semula 1978-1994).
TAHUN IMPOR GNP IH

1978 57.24 220.4 135
5
1979 43.12 215.2 147
2
1980 73.14 354.6 118
6 Data Yang Disisipkan
1981 37.25 241.2 160
5
1982 64.32 305.6 128
4
1983 48.43 254.4 149
1
1984 56.53 354.4 140
1
1985 50.58 321.2 145
1
1986 39.35 240.7 140
6
1987 43.47 265.4 120
3
1988 68.56 385.2 115
2
1989 60.74 354.3 130
4
1990 62.75 424.2 129
2
1991 66.46 473.3 135
3
1992 68.24 502.2 124
5
1993 64.35 497.5 137

6
1994 65.65 500.5 130
4
Lakukanlah langkah-langkah berikut untuk menyisipkan data :
 Pada kotak workfile (gambar 1.5) click Procs, lalu click Change
Workfile, sehingga muncuk kotak Workfile Range (gambar
1.4)
 Karena akan menyisipkan satu tahun, maka pada kotak End
Date pada Workfile Range angka 1994 diganti dengan 1995,
lalu click OK. Sehingga akan muncul kembali kotak Workfile
(gambar 1.5)
 Lalu click sample, sehingga muncul kotak sample (gambar 1.9).
kemudian pada kotak sample range pairs (or sample object
to copy) angka yang menunjukkan tahun observasi 1978 1994
anda ganti dengan 1978 1995, lalu click OK. Maka akan muncul
kembali kotak workfile (gambar 1.5). lihatlah pada range dan
samplenya, jika telah berubah menjadi 1978 1995, berarti
langkah yang telah anda lakukan adalah benar.
Gambar 1.9 Tampilan Kotak Sampel
 Kemudian anda tampilkan kembali data anda sehingga muncul

kotak Group (gambar 1.8). pada kotak Group tersebut, data
observasi untuk tahun 1995 tertulis NA (Not Available / tidak
tersedia).
 Untuk menyisipkan data 1981, arahkan mouse pointer ke cell
box observasi tahun 1981, click ins det, sehingga muncul
gambar 1.10. lalu click insert obs and move subsequent obs
down one (artinya : anda ingin memasukkan satu data
observasi dan menurunkan data observasi setelahnya turun
satu kotak). Lalu click OK.

Gambar 1.10 Kotak Insert-Delete Observation
 Maka akan muncul kembali kotak Group, perhatikan bahwa

kotak tahun 1981 telah muncul NA. Untuk mengisi kotak
tersebut dengan data anda, maka pada sub menu click EDIT ±,
kemudian isilah kotak 1981 dengan data IMPOR = 52.36, GNP =
264.57, IH = 142.
E. MEYISIPKAN VARIABEL
Kalau pada pembahasan di atas kita menyisipkan data baru pada

file yang telah ada, maka sekarang yang akan kita sisipkan adalah
variabel. Hal ini dapat dilakukan, bila kita ingin menambah satu
atau lebih variabel baru pada file yang telah ada. Untuk melakukan
hal tersebut, ikutilah langkah-langkah berikut ini :
 Pada kotak Group. Kemudian pada EDIT ±, lalu arahkan mouse

pointer kotak observasi yang masih kosong lalu click satu kali
sehingga akan ter-highlight.
 Lalu ketiklah nama variabel baru yang ingin anda
masukkan/sisipkan, misalnya variabel KURS atau variabel
apapun yang berkaitan dengan IMPOR.
F. MENGHAPUS DATA
Untuk menghapus data, langkahnya hampir sama dengan bila kita

menyisipkan data, tetapi untuk menghapus prosesnya
berkebalikan dari menyisipkan data. Misalkan yang ingin kita
hapus adalah data tahun 1981, caranya adalah sebagai berikut :
 Pada kotak Group, arahkan mouse pointer ke cell box tahun

1981.
 Lalu click InsDel sehingga muncul gambar 1.10.
 Kemudian click Delete obs and move subsequent obs up
one (artinya : anda ingin menghapus data observasi yang telah

anda pilih lalu anda menaikkan data observasi di bawahnya
satu kotak ke atas), lalu click OK.
 Masih pada kota Group, click sample, sehingga muncul
gambar 1.9. kemudian pada kotak sample range pairs (or
sample to copy), gantilah angka 1978 1995 menjadi 19978
1994, lalu clik OK.
G.MENGHAPUS VARIABEL
Bila kita ingin menghapus variabel, misalnya yang ingin kita hapus
adalah KURS, maka lakukanlah langkah dibawah ini :
 Pada kota Group, click Windows
 Setelah itu, highlight-lah variabel KURS
 Kemudian, click DELETE, maka variabel KURS akan hilang atau
terhapus
 Tampilkan kembali data anda, lalu lihat pada kotak Group, bila
variabel KURS telah tidak ada, maka lagkah yang anda lakukan
adalah benar.
H.TRANSFORMASI DATA
Tranformasi data digunakan bila kita ingin mengolah data diatas

dengan menggunakan suatu rumus atau formula.. caranya adalah
:
 Pada kotak Group, click workfile
 Lalu pada kotak workfile, click Genr (General), sehingga
muncul kotak Generate Series by Equation (gambar 1.11)
 Kemudian pada kotak enter Equation ketiklah rumus yang
anda inginkan. Lihat pemabahasan di bawah ini :
H.1.Transformasi data dalam bentuk pertumbuhan

(GROWTH)
Transformasi dalam bentuk pertumbuhan ini dilakukan jika kita
ingin melihat pertumbuhan misalnya GNP dari tahun ke tahun
dalam bentuk persentase, yang mempunyai rumus :
GNPt – GNP t-1

GrGNPt = x 100
GNPt-1
Bila kita ingin memasukkan rumus di atas ke dalam eviews,

maka kotak enter equition, harus ditulis :

GrGNP = (GNP-GNP(-1)/ GNP(-1)*100
Tips :
1. Ingat, dalam penulisan rumus pada Genr (kotak enter
equation) jangan menggunakan spasi !!!
2. Penulisan rumus harus tepat tidak boleh ada kesalahan
sedikitpun !!!
3. Jika terjadi kesalahan pada poin 1 dan 2, maka akan muncul
kotak Syntax Error, artinya komputer tidak dapat
memahami rumus yang anda masukkan. Jika ini terjadi,
segeralah periksa kembali rumus yang telah anda tadi dan
lakukan perbaikan !!!
Kemudian lihatlah, pada kotak workfile, apakah sudah ada

GrGNP, jika sudah, berarti langkah yang anda lakukan sudah
benar.
Gambar 1.11 Kotak Generate Series By Equation
H.2.Transformasi Data Dalam Bentuk Logaritma Natural

(Ln)
Mentransformasi data ke bentuk Ln artinya adalah ktia
mengubah data ke bentuk non-linear. Dapat dilakukan dengan
cara :
 Click Genr, sehingga muncul kotak Enter Equation
 Pada kotak enter equation, ketiklah : LnIMPOR = Log
(IMPOR)
 Lalu tekan Enter atau Click OK
 Untuk mengubah variabel lainnya (IH dan GNP), lakukan
ulangi langkah di atas

H.3.Transformasi Data Dalam Bentuk Rasio
Transformasi data dalam bentuk rasio adalah mengubah data
ke dalam bentuk perbandingan. Untuk melakukannya lakukan
langkah berikut :
 Pada kotak Workfile click Genr, sehingga muncul kotak

Generate Series By Equation
 Lalu pada kotak enter equation ketiklah : rGNP = GNP/IH
 Kemudian lihatlah pada kotak workfile, jika rGNP telah ada,
berarti langkah anda sudah benar
I. MENGURUTKAN DATA (SORTING DATA)
Sorting data artinya adalah mengurutkan data terkecil hingga

terbesar atau sebaliknya cara mengurutkan data tersebut adalah
dengan cara sebagai berikut :
 Pada kotak Workfile click procs, kemudian click Sort Series

sehingga muncul kotak sort worfile series (Gambar 1.12).
 Pada kota Sort Key (s) (one or more series), ketiklah nama
variabel yang ingin anda urutkan, misal LogImpor.
 Jika anda ingin mengurutkan data dari terkecil hingga terbesar
click Ascending.
 Jika anda ingin mengurutkan data dari terbesar hingga
terkecilclick Descending kemudian click OK.
Gambar 1.12 Kotak Sort Workfile Series
J. IMPORTING DATA
Salah satu fasilitas yang dimiliki Eviews’ 3.0 adalah dapat

mengambil data dari program spreadsheet (Lotus, WK1 atau WK4
dan MS Exel14.XLS) sehingga pengguna tidak perlu memasukkan

data lagi pada Eviws, tetapi tinggal mengambil/ meng-impor data
dari program spreadsheet tersebut.
Langkah-langkah mengimpor data:

 Periksalah jumlah observasi yang telah di buat pada lembar
kerja anda, dan tentukan Workfile Range apakah akan dibuat
tahunan, kuartalan, dan sebagainya.
 Pada menu utama click file, lalu click New sehingga akan tampil
gambar 1.13.
 Karena data telah tersedia dalam File Findata.XLS yang terdiri
dari 3 variabel (Comercial Paper/CP, Devidend/DIV dan
Interest/R) dan jumlah observasinya 466 data, yang merupakan
data bulanan dimulai dari januari 1954 sampai Juli 1993.
 Maka, pada kotak Workfile Range, click Monthly
 Pada Start Date ketik 1954:1 dan pada End Date ketik 1993:7,
lalu click OK.
 Kemudian akan muncul kotak Workfile. Lalu click Procs, click
import Data sehingga tampil kotak Open (Gambar 1.13)
 Pilih Stasiun.XLS untuk File Name, setelah itu click OK,
sehingga muncul kotak Spreadsheet Data Import/Export seperti
pada Gambar 1.14.
Gambar 1.13 Kotak Open

Gambar 1.14 Kotak Spreadsheet Impor Data
 Setelah itu click OK, maka variabel akan muncul pada kotak
workfile seperti Gambar 1.15.
Gambar 1.15.Tampilan Setelah Mengimpor Data
 Untuk memunculkan data pada layar, highligh-lah variabel yang

diinginkan, lalu click dua kali, click Open Group
Praktikum 2

ANALISIS REGRESI
A. PENGERTIAN
Analisis regresi adalah studi ketergantungan dari satu variabel

tidak bebas (dependent variable) terhadap satu atau lebih variabel
bebas (independent variable/Explaining variable/variabel
yang menerangkan) dengan tujuan untuk memperkirakan atau
meramalkan nilai rata-rata dari variabel tidak bebas apabila nilai
variabel bebasnya sudah diketahui.
B. HUBUNGAN DALAM REGRESI
 Hubungan Deterministik (hubungan non-statistik), yaitu

hubungan yang tidak ada kaitannya dengan variabel gangguan
random. Hubungan ini tidak akan terjadi jika kondisi ceteris
paribus ditiadakan.
 Hubungan stokastik, yaitu hubungan yang sifatnya random

(stokastik), karena ada pengaruh variabel yang tidak
dimasukkan dalam model matematika dan kesalahan
pengukuran yang sifatnya mengganggu, µ (error term).
Q = a + bP + µ, dimana µ = error (random disturbance)
C. ALASAN PENYIPAN ERROR TERM
 Kesalahan dalam spesifikasi model (ada variabel yang belum

dimasukkan)
Y = a b1X1 + b2X2 + … + bnXn
Y = a b1X1 + b2X2 + µ
 Kesalahan dalam pengukuran (kesalahan dalam pencatatan,

pengumpulan dan pengolahan data)
 Agregasi (data yang digunakan agregat), yaitu jumlah dari
macam-macam data time series, cross section.
D.MACAM REGRESI DILIHAT DARI DATA YANG DIAMBIL
 Population regression function (PRF)

Menunjukkan hubungan antara nilai rata-rata dari dependent
variable (Y) dengan nilai rata-rata dari independent variable
dari data populasi.
 Sample regression funtion (SRF)
Karena sulit mendapatkan data populasi maka digunakan data
sampel.
E. MODEL ANALISIS REGRESI
E.1.Analisis regresi sederhana

Hubungan atau korelasi antara dua variabel (antara X dan Y)
dengan menggunakan persamaan garis linear sederhana
untuk meramalkan nilai variabel tidak bebas jika nilai variabel
bebas sudah diketahui.
Model Matematis Dalam Persamaan
Y = b0 + b1X1
Jika memasukkan random error maka model persamaannya
adalah :
Y = b0 + b1X1 + µ1 dimana µ1 adalah random error.
E.2.Model Analisis Regresi Berganda

Apabila dalam persamaan regresi tercakup lebih dari dua
variabel (termasuk variabel tidak bebas), maka regresi ini
disebut regresi linear (multiple linear regression). Dalam
regresi linear berganda variabel tak bebas Y, tergantung
kepada dua atau lebih variabel bebas (independent variabel).
Model Matematis Dalam Persamaan

Y = f (X1, X2)
Yi = b0 + b1i + b2 + b2i (I = 1,2,3)
Jika ada variabel random µ maka, model persamaannya

adalah :
Yi = (b0 + b1i X1i + b2i X2i) + µi
F. ESTIMASI PARAMETER REGRESI
LINEAR SEDERHANA SECARA MANUAL

(REGRESI MANUAL)
Regresi secara manual ini maksudnya adalah, melakukan regresi

atau mengestimasi parameter model linear sederhana tanpa
menggunakan komputer, tetapi dengan menghitung secara
manual dengan menggunakan rumus-rumus matematis.

F.1. Regresi Sederhana (2 variabel)
Bentuk umum dari persamaan regresi

Ŷ = β0 + β1 X1
Ŷ = Y aktual
Y=Ŷ+e
Sehingga Y = β0 + β1 X1 + e
Prinsip regresi adalah meminimumkan tingkat kesalahan (error

term).
Y - β0 - β 1 X 1 = e
Σe = Y - β0 - β1 X1
Σe² = [Y - β0 - β1 X1]2
Berapakah β0 dan β1 ?
Syarat untuk meminimumkan error term adalah turunan
pertama (determinan) dari error term tersebut terhadap β0 dan
β1 harus sama dengan 0.
- Determinan Σe² terhadap β0

∂ Σe²
= 2 Σ [Y - β0 - β1 X1] [-1] = 0
∂ β0
-2 Σ [Y - β0 - β1 X1] = 0
Σ [Y - β0 - β1 X1] = 0
ΣY – n β0 - β1 ΣX1 = 0
ΣY = n β0 + β1 ΣX1 ………………
…(1)
∂ Σe²
= 2 Σ [Y - β0 - β1 X1] [-X1] = 0
∂ β1
-2 Σ [Y - β0 - β1 X1] X1 = 0
Σ YX1 - β0 Σ X1 - β1 Σ X12 = 0
Σ X1Y = β0 Σ X1 + β1 Σ X12………
…(2)

Alternatif lainnya adalah sebagai berikut :
- Dari persamaan (1)
ΣY = n β0 + β1 ΣX1
ΣY - β1 ΣX1 = n β0
∑ Y − β1∑ X1
βo =
n
∑Y ∑X1
βo = −β…………………. (3)
n 1 n
- Substitusikan persamaan (3) ke persamaan (2)

Σ X1Y = β0 Σ X1 - β1 Σ X12
ΣY β 1 ΣX1
Σ X1Y = - ΣX1 + β1 ΣX12
n n
ΣY ΣX1 β1 (ΣX1)2
Σ X1Y = - + β1 ΣX12 (n)
n n
n Σ X1Y = ΣY ΣX1 - β1 (ΣX1)2 + n β1 ΣX12

n Σ X1Y - ΣY ΣX1 = β1 [ n ΣX12 – ( ΣX12)]
n∑ X 1Y − ∑ Y ∑ X 1
β1 = …………………. (4)
n∑ X 12 − ( ∑ X 1 )
2
F.2. Regresi Berganda (3 variabel)

Bentuk umum dari persamaan regresi

Ŷ = β0 + β1 X1 + β2 X2
Ŷ = Y aktual
Y=Ŷ+e
Sehingga Y = β0 + β1 X1 + β2 X2 + e
Prinsip regresi adalah meminimumkan tingkat kesalahan (error

term).
Y - β0 - β 1 X 1 - β 2 X 2 = e
Σe = Y - β0 - β1 X1 - β2 X2
Σe² = [Y - β0 - β1 X1 - β2 X2]2
Berapakah β0, β1 dan β2?
Syarat untuk meminimumkan error term adalah turunan

pertama (determinan) dari error term tersebut terhadap β0, β1
dan β2 harus sama dengan 0.

∂ Σe²
= 2 Σ [Y - β0 - β1 X1 - β2 X2] [-1] = 0
∂ β0
-2 Σ [Y - β0 - β1 X1 - β2 X2] = 0
ΣY – n β0 - β1 ΣX1 - β2 ΣX2 = 0
ΣY = n β0 + β1 ΣX1 + β2 ΣX2 ……
(1)
∂ Σe²
= 2 Σ [Y - β0 - β1 X1 - β2 X2] [-X1] = 0
∂ β1
-2 Σ [Y - β0 - β1 X1 - β2 X2] X1 = 0
Σ YX1 - β0 ΣX1 - β1 ΣX12 - β2 ΣX2X1 = 0
Σ X1Y = β0 ΣX1 + β1 ΣX12 - β2 ΣX2X1 ………

(2)
∂ Σe²
= 2 Σ [Y - β0 - β1 X1 - β2 X2] [-X2] = 0

∂ β2
-2 Σ [Y - β0 - β1 X1 - β2 X2] X2= 0
Σ YX2 - β0 ΣX2 - β1 ΣX1X2 - β2 ΣX22= 0
Σ X1Y = β0 ΣX1 + β1 ΣX1 X2 - β2 ΣX22 ……

…(3)
F.3. REGRESI DENGAN NILAI DEVIASI

Pada bagian F.2 telah diuraikan metode regresi dengan Prinsip
Kuadrat Terkecil dengan menggunakan nilai nominal. Pada
bagian ini akan dijelaskan metode regresi dengan
menggunakan nilai deviasi dengan tujuan meringkas penulisan
rumus.
Nilai deviasi adalah selisih data dengan nilai rata-ratanya atau
secara matematis dapat ditulis sebagai berikut:
x = (X − X )
∑ x 2 = ∑( X − X ) 2
atau
∑ x 2 = n ∑ X 2 − (∑ X )2
Dengan cara yang sama maka dapat diperoleh nilai deviasi

untuk variabel y dan perkaliannya sebagai berikut:
2 2
∑ x1 = n ∑ X 1 − (∑ X 1 ) 2
2 2
∑ x2 = n ∑ X 2 − (∑ X 2 ) 2
∑ x1 x2 = n ∑ X 1 X 2 − (∑ X 1 )(∑ X 2 )
∑ y 2 = n ∑ Y 2 − (∑ Y ) 2
∑ yx1 = n ∑ YX1 − (∑ Y )(∑ X 1 )
∑ yx2 = n ∑ YX 2 − (∑ Y )(∑ X 2 )
RUMUS-RUMUS UNTUK REGRESI LINIER SEDERHANA
Model : Y = β 0 + β1 X + ε

Rumus menghitung koefisien regresi sebagai berikut:
^ ∑ xy
β1 =
∑ x2
^ ^
β 0 = X − β1 Y
Koefisien Korelasi antara X dan Y dapat dihitung dengan rumus:

∑ xy
r=
∑ x2 ∑ y2
Koefisien determinasi dapat dihitung dengan mengkuadratkan

koefisien korelasi
R2 = r 2
Untuk dapat melakukan uji hipotesis secara individu maka harus
dihitung nilai t-statistik dengan terlebih dahulu menghitung
standar deviasi dan Residual Sum Square (RSS) nya.
^
∑ e 2 = ∑ y 2 − β1 ∑ x 2
2
^
∑ e2
σ2 =
n−k
^ ∑ X 2 ^2
Se( β 0 ) = σ
N ∑ x2
^
^ σ2
Se( β1 ) =
∑ x2
^
β0
th ( β 0 ) = ^
Se( β 0 )
^
β1
t h ( β1 ) = ^
Se( β1 )
RUMUS-RUMUS UNTUK MENGHITUNG REGRESI LINIER

BERGANDA
Model : Y = β 0 + β1 X 1 + β 2 X 2 + ε

Rumus menghitung koefisien regresi sebagai berikut:
2
^ (∑ x1 y )(∑ x2 ) − (∑ x2 y )(∑ x1 x2 )
β1 = 2 2
(∑ x1 )(∑ x2 ) − (∑ x1 x2 ) 2
2
^ (∑ x2 y )(∑ x1 ) − ( ∑ x1 y )(∑ x1 x2 )
β2 = 2 2
(∑ x1 )(∑ x2 ) − (∑ x1 x2 ) 2
^ ^ ^
β 0 = Y − β1 X 1 − β 2 X 2
Koefisien korelasi pada regresi linier berganda ini merupakan

koefisien korelasi parsial yaitu korelasi masing-masing secara
terpisah antara Y dengan X1, Y dengan X2 dan X1 dengan X2.
∑ x1 y
rx1 y =
2
∑ x1 ∑ y 2
∑ x2 y
rx 2 y =
2
∑ x2 ∑ y 2
∑ x1 x2
rx1 x 2 =
2 2
∑ x1 ∑ x2
Koefisien determinasi dapat dihitung dengan mengkuadratkan

koefisien korelasi
R 2 = r 2 atau juga dengan rumus berikut:
^ ^
β ∑ x y + β 2 ∑ x2 y
R2 = 1 1
∑ y2
Untuk dapat melakukan uji hipotesis secara individu maka harus

dihitung nilai t-statistik dengan terlebih dahulu menghitung
standar deviasi dan Residual Sum Square (RSS)nya
^
^ ^
∑ e = ∑ y − β 1 ∑ x1 y − β 2 ∑ x2 y
2

^
∑ e2
σ2 =
n−k
^
β1
t h ( β1 ) = ^
Se( β1 )
^
β2
th ( β 2 ) = ^
Se( β 2 )
2
^ ∑ x2 ^
Se( β1 ) = 2 2
σ 2
(∑ x1 )(∑ x2 ) − (∑ x1 x2 ) 2
2
^ ∑ x1 ^
Se( β 2 ) = 2 2
σ 2
(∑ x1 )(∑ x2 ) − (∑ x1 x2 ) 2
Pada regresi linier berganda perlu dilakukan uji hipotesis secara

bersama-sama yang dinamakan Uji-F, dimana rumus untuk
menhitung F-stat adalah sebagai berikut:
^ ^
( β ∑ x y + β ∑ x2 y ) /( K − 1)
Fh = 1 1 2 2
∑ e /( N − K )
F. 4. REGRESI DENGAN MATRIK
Yi = b1 + b2X2i + b3X3i +……+ b4X4i + ui
Untuk N observasi dan K variabel :
Y1 = b1 + b2X21 + b3X31 +……+ bxXx1 + u1

Y2 = b1 + b2X22 + b3X32 +……+ bxXx2 + u2
Y3 = b1 + b2X23 + b3X33 +……+ bxXx3 + u3
| |
| |
Yn = b1 + b2X2n + b3X3n +……+ bxXxn + un
Dapat ditulis :

Y1  1 X 21 X 31  X x1  b1  u1 
Y  1 X 22 X 32  X x2  b2  u 2 
 2 
Y3  = 1 X 23 X 33  X x3  b3  + u 3 
       
          
Yn  1 X 2n X 3n  X xn  bx  u n 
  
Y = X b + u
(Nx1) (NxK) (Kx1) (Nx1)
Nx1 = (NxK) (Kx1) + (Nx1)
Nx1 = Nx1
Model umumnya : y = xb + u
Contoh matrik :
Xnx1 = A-1nxn Cnx1
Misal :
X1 + X2 – X3 =6
3X1 – 4X2 + 2X3 = -2
2X1 + 5X2 + X3 =0
Berarti :
1 1 −1 X1 6
A= 3 −4 2 X = X2 C = −2
2 5 1 X3 0
1 1 − 11 1
|A| = -36  3 − 4 2 3 − 4 = −36
2 5 12 5
AdjoinA = A ij[ ]
1 1 −1
= 3 −4 2
2 5 1

−4 2 1 −1 1 −1
M 11 = = −14 M 21 = =6 M 31 = = −2
5 1 5 1 −4 2
3 2 1 −1 1 −1
M 12 = = −1 M 22 = =3 M 32 = =5
2 1 2 1 3 2
3 −4 1 1 1 1
M 13 = = 23 M 23 = =3 M 33 = = −7
2 5 2 5 3 −4
karena Aij = (-1)i+j Mij maka :
A11 = (-1)2 (-14) = -14

A12 = (-1)3 (-1) = 1
A13 = (-1)4 (23) = 23
A21 = (-1)3 (6) = -6
A22 = (-1)4 (3) = 3
A23 = (-1)5 (3) = -3
A31 = (-1)4 (-2) = -2
A32 = (-1)5 (5) = -5
A33 = (-1)6 (-7) = -7
 A11 A13  − 14 1 23  14 − 6 − 2

A12
[ ]
Aij
1
=  A21 A23  =  − 6 3 − 3 =  1
A22 3 − 5
 A31 A33   − 2 − 5 − 7  23 − 3 − 7 
A32
 14 6 −2 
 36 36 36
Adjoin A −3
A −1 = =  −1 5 
| A| − 2336 3
36
7
36 
 36 36 36 
6 14 −2
36 36 36 6 2
X = A C = −1
−1 −3 5 −2 = 0
36 36 36
− 23 3 7 0 −4
36 36 36
Jadi X1 = 2, X2 = 0 dan X3 = -4
CONTOH REGRESI DENGAN MATRIK :

Diketahui suatu model regresi :
Yi = b0 + b1 X1 + b2 X2 + e
Dimana :
Y = pengeluaran konsumsi perkapita

X1 = pendapatan disposabel
X2 = waktu
Datanya sebagai berikut :
Y X1 X2
1678 1839 1
1688 1844 (=1989)
1666 1831 2
1735 1881 3
1749 1883 4
1756 1910 5
1815 1969 6
1867 2016 7
1948 2126 8
2048 2239 9
2128 2336 10
2168 2404 11
2257 2487 12
2316 2535 13
2324 2595 14
15
(=2003)
Carilah koefisien regresi tersebut dengan menggunakan matriks.

Lakukan uji hipotesa terhadap parameter yang diperoleh.
Interpretasikan hasil perhitungan regresi tersebut.
Jawab :

1673  1 1839 1 e1 
 
1688  
1 1844 2 e 
   2
1666  1 1831 3  e3 
     
1735  1 1881 4 e4 
1749  1 1883 5 e5 
     
1756  1 1910 6 e6 
1815  1 1969 7 β0  e7 
    +e 
1867  =
1 2016 8 β
   8
1
1948  
1 2126 
9  β  e 
    2   9 
2048  1 2239 10 e10 
     
2128  1 2336 11 e11 
2165  1 2404 12 e12 
     
2257  1 2487 13 e13 
2316  1 2535 14  e 
     14 
2324 
  
1 2595 15 e15 
 
Y = X b̂ + e
(15x1) (15x3) (3x1) (15x1)
Y = 1942,33 ; X 1 = 2126,33 ; X 2 = 8,0
Σ ( Yi − Y )
2
= 830121,33
Σ ( X i2 − X )
2
= 280
Σ ( X i1 − X1 ) = 1103111,33
2
1 X 11 X 12 
 1 1 1  1  1 X 21 X 22 
X `X =  X 11 X 21 X 31  X N 1  1 X 31 X 32 
 
 X 12 X 22 X 32  X N 2     
1 X N1 X N 2 
Hasil kali dua matrik ini sebagai berikut :

 N ΣX i1 ΣX i 2 

=  ΣX i1 ΣX i12
ΣX i1 X i 2 
ΣX i 2 ΣX i1 X i 2 ΣX 2 i 2 
 15 31895 120 
= 31895 68922513 272144

 120 272144 1240 
 Y1 
 1 1  1   Y   ΣY 
X `Y =  X 11 X 21  X N 1   2  =  ΣX i1Y1 
   
 X 12 X 22  X N 2    ΣX i 2Y1 
Yn 
 29135 
X `Y = 62905821
 247934 
Dengan mengunakan aturan untuk mencari invers matrik maka :
 37,232491 − 0,0225079 1,3366965 

( X `X ) −1
= − 0,0225079 0,0000139 − 0,0008319
 1,3366965 − 0,0008319 0,054034 
300,28625
b = ( X `X ) X `Y =  0,74198 
ˆ −1
 8,0456 
Σei2 = e`e = y`y − bˆ`X `Y `
 29135 
= 57420003 − [ 300,28625 0,74198 8,04356] 62905821
 247934 
= 1976,85574
e`e 1976,85574
S2 = = = 164,73797
N−K 12
Matriks varian-kovarian untuk b dapat ditunjukkan sebagai berikut

:

 6133,6515 − 3,70794 220,20634
var − ko var b̂ = S ( X `X )
2 −1
=  − 3,70794 0,00225 − 0,13705 
220,20634 − 0,13705 8,90155 
APLIKASI MATRIK DALAM REGRESI
Fungsi linear : Y = x + β1X1 + β2X2 + β3X3 + u

Dalam notasi matrik βˆ = ( X `X ) −1 X `Y
x11 x 21  x31
βˆ1
x x 22  x32
βˆ = βˆ 2 X = 12
  
βˆ 3
x1n x2 n x3 n
Sehingga :
Σx12 Σx1 x 2 Σx1 x3 Σx1 y
( X `X ) = Σx1 x 2 Σx 22 Σx 2 x 3 X `Y = Σx 2 y
Σx1 x3 Σx 2 x 3 Σx32 Σx3 y
(i) Dengan mensubstitusikan nilai-nilai yang sesuai dengan tabel :
270 240 − 330 319
( X `X ) = 240 630 − 420 X`Y = 492
− 330 − 420 750 - 625
270 240 − 330
| X `X | = 240 630 − 420 = 4716000
− 330 − 420 750
0,0085 − 0,0012 0,0031
−1
( X `X ) = − 0,0012 0,0027 0,0009
0,0031 0,0009 0,0032
jadi :
βˆ1 0,0085 − 0,0012 0,0031 319 0,2063
βˆ = βˆ 2 = ( X `X ) X `Y = − 0,0012 0,0027 0,0009 492 = 0,3309
−1
βˆ 3 0,0031 0,0009 0,0032 - 625 − 0,5572
xˆ = Y − βˆ1 X 1 − βˆ 2 X 2 − βˆ 3 X 3
= 52 − (0,2063)(42) − (0,3309)(62) − (−0,5572)(200)
= 55 − 8,6633 − 20,5139 + 111,4562
= 134,2789

Contoh Soal :
Regresi Sederhana
Berikut ini adalah data mengenai hubungan antara tingkat suku bunga dengan investasi).
Suku Bunga (X) Investasi (Y)
Tahun XY X2 Y2
(%) (Milyar Rp)
1997 20.01 177686 3555496.86 400.4001 31572314596
1998 39.07 243043 9495690.01 1526.465 59069899849
1999 25.74 221472 5700689.28 662.5476 49049846784
2000 12.50 268669 3358362.5 156.25 72183031561
2001 15.48 310909 4812871.32 239.6304 96664406281
112.80 1221779.00 26923109.97 2985.29 308539499071.00
Sumber data : IFS
Regresi Berganda
Berikut ini data mengenai hubungan antara tingkat suku bunga, IHK dan Investasi
Suku Bunga
Investasi (Y) IHK (X2)
Tahun (X1) X1Y X2Y X12 X22 Y2 X1X2
(%) (Milyar Rp) (%)
1997 20.01 177686 115.24 3555496.86 20476534.64 400.40 13280.26 31572314596 2305.95
1998 39.07 243043 181.66 9495690.01 44151191.38 1526.46 33000.36 59069899849 7097.46
1999 25.74 221472 218.89 5700689.28 48478006.08 662.55 47912.83 49049846784 5634.23
2000 12.50 268669 227.03 3358362.50 60995923.07 156.25 51542.62 72183031561 2837.88
2001 15.48 310909 253.14 4812871.32 78703504.26 239.63 64079.86 96664406281 3918.61
112.80 1221779.00 995.96 26923109.97 252805159.43 2985.29 209815.93 308539499071.00 21794.12
Sumber data : IFS

Pertanyaan :
 Hitunglah besarnya masing-masing koefisien
regresinya
 Buatlah persamaan regresinya
 Lakukan uji individu dan uji serentak dengan alpha 5%
 Lakuka interpretasi lengkap
Latihan Soal
1. Hasil studi empiris yag dilakukan oleh Phllip menghasilkan
kesimpulan ada hubungan yang negatif antara inflasi denagn
tigkat pegangguran. Buktikan apakah kasus tersebut juga berlaku
di Indonesia dengan hipotesis yang diajkan adalah :
Ada hubungan yang positif antara tingkat pengangguran
dengan inflasi
Tingkat pengangguran mempunyai pengaruh negatif terhdap
inflasi.
Dari data tingkat pengganguran dan inflasi sbb :
Unemployme
Tahun nt Inflasi (%)
(ribu orang)
1997 4197,3 6.73
1998 5062,5 57.64
1999 6030,3 20.49
2000 5813.0 3.72
2001 8005,0 11.50
Sumber : IFS
Pertanyaan :
a. Hitung besarnya koefisien korelasi dan jelaskan
c. Hitung besarnya koefisien regresinya dan jelaskan arti
ekonominya
d. Lakukan pengujian t-test untuk membuktikan apakah hipotesis
yang diajukan terbukti
2. Kemampuan miingimpor suatu negara dipengaruhi oleh banyak

faktor antara ldan pendapatan nasional negara tersebut serta nilai
mata uang suatu negara dibandingkan dengan mata uang negara

lain. Jika data impor, PDB dan kurs Indonesianya dinyatakan pada
tabel berikut :
Impor PDB Kurs

Tahun
(milyar Rp) (Milyar Rp) (RP/$)
1996 42929 413798 2383
1997 41694.3 433246 4650
1998 27336.9 376375 8025
1999 24004.3 379352 7085
2000 33514.8 397934 9595
2001 31009.7 411132 10400
Sumber : IFS
Pertanyaan :
 Hitung besarnya masing-masing dari koefisien regresinya
 Buatlah persamaan regresinya dan jelaskan interpretasi
ekonominya
 Lakkan pengujian t-test serta uji F-test dan bagaimana
kesimpulan dari hasil pengujian tersebut.
G. ESTIMASI REGRESI DENGAN MENGGUNAKAN

EVIEWS
(REGRESI DENGAN KOMPUTER)
Estimasi regresi dengan menggunakan Eviews adalah melakukan

regresi tidak secara manual tetapi dengan menggunakan bantuan
komputer tepatnya dengan menggunakan program aplikasi
Econometric Views (Eviews) yang khusus diprogram memang
untuk keperluan ekonometrika.
Materi inilah yang akan khusus dipelajari di Laboratorium
Ekonometrika.
Perhatian :
Materi praktikum ini harus dikuasai sebelum melanjutkan ke
praktikum selanjutnya, jika tidak, maka selanjutnya kalian tidak
akan dapat mengikuti praktikum dengan baik, maka dari itu

silahkan bertanya jika belum mengerti baik di kelas maupun di
luar kelas!
Sebelum memulai regresi, bacalah soal dibawah ini kemudian

masukkanlah data dibawah ini, ingat seteliti mungkin jangan ada
yang salah ketik.
Soal :
Di bawah ini ada data yang dikumpulkan oleh seorang mahasiswa
Universitas Trisakti yang sedang melakukan penelitian tentang
Penanaman Modal Asing ( PMA). Teori ekonomi yang mendasari
penelitian ini adalah :
PMA = f (Jlir, Kurs, PDB, Inf )
artinya, Penanaman Modal Asing dipengaruhi oleh Tingkat Suku
Bunga Pinjaman (JLIR), Kurs, Pendapatan Domestik Brutto dan
Inflasi.
DATA PENELITIAN
Obs PMA JLIR KURS PDB INF

1980 0.05 8.35 226.74 41.50 5.50
1981 0.26 7.86 220.54 44.80 4.40
1982 0.60 7.31 249.08 45.80 1.50
1983 0.53 7.13 237.51 47.70 5.80
1984 0.13 6.75 237.52 51.10 2.90
1985 0.31 6.60 238.54 52.30 2.70
1986 0.08 6.02 168.52 55.40 2.60
1987 0.57 5.21 144.64 58.10 4.70
1988 0.34 5.03 128.15 61.50 4.80
1989 0.85 5.29 137.96 66.10 6.30
1990 2.27 6.95 144.79 70.90 5.70
1991 0.95 7.53 134.71 75.80 7.10
1992 1.53 6.15 126.65 80.70 4.40
1993 0.78 4.41 111.20 85.90 7.40
1994 1.57 4.13 102.21 92.40 6.60
1995 3.78 3.40 94.06 100.00 9.00
1996 7.66 2.66 108.78 108.00 8.70
1997 5.42 2.45 120.99 112.90 13.60
1998 1.33 2.32 130.91 98.00 159.20
1999 0.64 2.16 113.91 98.10 33.40
Model ekonometrika yang digunakan adalah
PMA = α 0 + β 1 Jlir + β 2 Kurs + β 3 PDB + β 4 Inf + µ
Berdasarkan soal di atas, diminta untuk :

1. Membuat rumusan hipotesa
2. Melakukan regresi terhadap data diatas

3. Melakukan interpretasi terhadap hasil regresi
Jawaban Soal :
Membuat rumusan hipotesa :
Langkah Pertama :
Kalian harus menentukan Uji yang akan anda gunakan, apakah itu
dengan Uji-T dua sisi atau satu sisi. Misalkan anda ingin
menggunakan Uji-T dua sisi, maka rumusan hipotesa anda adalah :
TIPS : dalam merumuskan hipotesis, anda bisa
H0 : α = 0 saja menggunakan Uji-T satu sisi atau Uji-T dua
Ha : α ≠ 0 artinya, sisi, terserah mana yang menurut anda lebih
mudah. Untuk Uji-T satu sisi, silahkan anda lihat
Jika H0 diterima, maka Ha ditolak lagi catatan di kelas, atau tanyakan kepada asisten
anda jika belum mengerti
Jika H0 ditolak, maka Ha diterim
Langkah kedua:
Tentukan H0 dan Ha:
H0 = bahwa Jlir, Kurs, PDB dan Inflasi tidak memiliki pengaruh yang
signifikan terhadap PMA.
Ha = bahwa Jlir, Kurs, PDB dan Inflasi memiliki pengaruh yang
Pastikan bahwa pada kotak Method tertulis LS-Least Square (NLAS

and ARMA) dan pada kotak Sample tertulis jumlah sample anda (misal
1 20), artinya sampel dimulai dari nomor 1 sampai 20. Lalu click OK
atau cukup tekan Enter sehingga muncul tampilan di bawah ini yang
merupakan hasil regresi tadi.
Gambar 2.1 Tampilan Equation Spesification

Gambar 2.2 Tampilan Kotak Equation ( Hasil Regresi )
Langkah ketiga :
Langkah selanjutnya adalah menginterpretasikan hasil regresi di

atas. Sebelum menginterpretasikan, kita dapat melihat terlebih
dahulu persamaan regresi yang kita buat tadi, dengan cara click
View pada pada sub-menu, lalu click Representation sehingga
muncul gambar di bawah ini. Untuk kembali ke hasil regresi tadi,
click View, lalu click Estimation.
Gambar 2.3 Kotak Representation

Interpretasi Hasil Regresi
Langkah pertama :
Lihat hasil regresi di atas (gambar 2.2) atau lihat hasil Print out
anda. Sesuai dengan rumusan hipotesa, maka kita akan
menggunakan Uji-T dua sisi.
Uji signifikansi dengan menggunakan Uji-T dua sisi: α = 5%

karena dua sisi maka, α dibagi 2 = 2,5% = 0,025
t-statistik JLIR = 0,187346 t-tabel = 2,131
Karena Jlir berada pada daerah

H0 diterima (t-statistik < t-
tabel), maka artinya, Jlir tidak
H0 ditolak H0 diterima H0 ditolak memiliki pengaruh yang
-2.131 2.131 signifikan terhadap PMA (lihat
kembali rumusan hipotesa di
atas).
t-statistik Kurs = 1,887167

Karena Kurs terletak pada daerah H0 diterima (t-statistik < t-
tabel), maka artinya, Kurs tidak memiliki pengaruh yang
signifikan terhadap PMA (lihat kembali rumusan hipotesis di
atas).
t-statistik PDB = 3.577730

Karena PDB terletak pada daerah H0 ditolak (t-statistik > t-
tabel), maka Ha diterima artinya, PDB memiliki pengaruh yang
signifikan terhadap PMA (lihat kembali rumusan hipotesis di
atas).
t-statistik Inf = -1,972615

Karena Inflasi terletak pada daerah H0 diterima (t-statistik < t-
tabel), maka artinya, Inflasi memiliki pengaruh yang signifikan
terhadap PMA (lihat kembali rumusan hipotesis di atas).
Uji signifikansi dengan menggunakan Uji-F dengan α = 5%

F-statistik = 8,193868 F-tabel = 3,06
Karena F-statistik berada di luar
daerah H0 maka, secara bersama-sama
Jlir, Kurs, PDB dan Inf memiliki
H dtierima
0 H dtolak pengaruh yang signifikan terhadap
0
3,06 PMA

Atau kita dapat juga dengan menggunakan probabilita F-statistik =
0,0000 > α, maka F-Stat
TIPS : Dalam melakukan uji signifikan ini, bisa juga menggunakan Uji
Probabilita Variabel
Contoh :
Pada hasil regresi anda, prob. Jlir adalah 0.8539 lebih besar dari α
(5%), maka Jlir tidak memiliki pengaruh yang signifikan terhadap PMA.
Lalu Prob, Kurs adalah 0.0786 lebih kecil daripada α (5%) maka Kurs
memiliki pengaruh yang signifikan terhadap PMA. Prob PDB adalah
0.0027 lebih kecil daripada α (5%) maka PDB memiliki pengaruh yang
signifikan terhadap PMA. Sedangkan prob Inflasi adalah 0.0673 lebih
besar daripada α (5%) maka inflasi tidak memiliki pengaruh yang
Langkah kedua :
Lakukan Interpretasi Hasil Regresi
a. Interpretasi koefisien constanta (C) = -9.8898 berarti bila
semua variabel independen naik satu satuan secara rata-
rata maka PMA akan menurun sebesar –9.8898 dengan
asumsi ceteris paribus.
b. Interpretasi koefisien variabel Jlir = 0.0599 (lihat arah

koefisiennya, jika (-) berarti hubungan negatif, jika (+)
berarti hubungan positif).
Interpretasi, dengan mengabaikan tingkat sifnifikansi, jika Jlir
naik satu satuan secara rata-rata maka PMA akan naik
0.0599. Ceteris paribus.
c. Interpretasi koefisien variabel Kurs = 0.0190

Interpretasi : Jika Kurs naik sebesar satu satuan secara rata-
rata maka PMA akan naik sebesar 0.0190, Ceteris Paribus.
d. Interpretasi koefisien variabel PDB = 0..1147

Interpretasi : Jika PDB naik sebesar satu satuan secara rata-
rata maka PMA akan naik sebesar 0.1147, Ceteris Paribus.
e. Interpretasi koefisien variabel Inflasi = -0.0190

Interpretasi : Jika Kurs naik sebesar satu satuan secara rata-
rata maka PMA akan naik sebesar -0.0190, Ceteris Paribus.

f. Interpretasi R-squared = 0.6860
Interpretasi = 68.60% variasi PMA dipengaruhi oleh variabel
Jlir, Kurs, PDB, dan Inflasi, sedangkan 31.4% dipengaruhi
oleh variabel lain. (R-squared yang bagus adalah jika ia
mendekati 100% berarti variabel yang kita gunakan dalam
penelitian masih kurang, utnuk mengatasi kecilnya R-
squared, lakukanlah penambahan variabel).
Untuk kasus ini jumlah variabel yang digunakan sudah cukup
sehingga R2nya bagus.
TUGAS/QUIZ
Net ekspor = f (PDB, Kurs, Inflasi)

Model : Net ekspor = α0 + β1 PDB + β2 kurs + β3 Inflasi + µ
Net Ekspor PDB Kurs Inflasi

Tahun
Juta Rp Milyar Rp Rp (%)
1997 42929 433246 4650 6.73
1998 41694.3 376375 8025 57.64
1999 27336.9 379352 7085 20.49
2000 24004.3 397934 9595 3.72
2001 33514.8 411132 10400 11.50
Sumber : IFS
Soal:
1. Buatlah rumusan hipotesis persamaan di atas
2. Lakukanlah regresi
3. Lakukanlah interpretasi terhadap hasil regresi anda.
Instruksi :
1. Kerjakan tugas ini di kertas HVS

2. Sertakan print out hasil regresi anda
3. Kumpulkan tugas ini minggu depan (pada Praktikum III)
4. Tugas ini akan dianggap sebagai Quiz I.

Praktikum 3
PEMILIHAN MODEL
A. PENENTUAN MODEL LINIER ATAU NON LINIER

MENGGUNAKAN MWD TEST
 Sebuah model ekonomi berkaitan dengan suatu himpunan

struktur yang di tentukan oleh hubungan antara variabel-
variabel ekonomi. Untuk mendapatkan sebuah struktur terlebih
dahulu kita harus membuat spesifikasi model yang sesuai
dengan teori ekonomi. Jika model sudah dispesifikasi dengan
menyebutkan satu persatu variabel yang ada dalam model,
berikutnya adalah dibuat spesifikasi fungsi dari model dengan
menetapkan hubungan fungsional antar variabel dependent
dengan variabel independent
 Hubungan fungsional yang mungkin terjadi biasanya linier atau

non linier yang dapat di transformasikan ke dalam bentuk linier.
Untuk mendapatkan hubungan fungsional biasanya orang
mengunakan diagram sebaran (scatter plot) dari data sampel
yang dipunyai. Jika sebaran data adalah seperti yang
diperlihatkan pada gambar 3.1 panel (a) maka hubungan
fungsional yang diambil adalah hubungan linier sedangkan
hubungan non linier akan dipilih kalau sebaran data adalah
seperti yang diperlihatkan pada panel (b) atau (c) dan hubungan
kuadratik seperti panel (d). Selanjutnya gambar 1.2
memperlihatkan berbagai bentuk kurva berdasarkan hubungan
fungsional baik yang linier maupun non linier antara variabel
dependent dan variabel independent

Gambar 3.1. Diagram Sebaran Data (Scatter Plot)

Gambar 3.2. Kurva Beberapa fungsional antara dua variabel
 Dengan melihat scatter plot dari data dapat ditemukan apakah

hubungan yang terjadi linier atau non linier. Namun semua itu
tidaklah berarti apa-apa jika tidak didukung oleh teori yang
mendasarinya, sebab jika dalam teori dikatakan hubungan
antara satu variabel dengan variabel lain adalah non linier,
walaupun di scatter plotnya linier maka kita harus membuat
model tersebut non linier (sesuai dengan teori).
 Jika kita ingin melihat hubungan antara satu variabel dengan

lebih dari satu variabel lainnya maka metode scatter plot tidak
cukup membantu karena kita harus membuat grafik yang lebih
dari 2 dimensi. Salah satu cara untuk menentukan apakah
model yang digunakan linier atau non linier adalah dengan
MWD test (Mackinnon, H. White, and R. Davidson) (Gujarati:
265).

Contoh :
Kasus model Impor Indonesia seperti ditunjukkan
tabel berikut :
Impor PDB Kurs

Tahun
(milyar Rp) (Milyar Rp) (RP/$)
1996 42929 413798 2383
1997 41694.3 433246 4650
1998 27336.9 376375 8025
1999 24004.3 379352 7085
2000 33514.8 397934 9595
2001 31009.7 411132 10400
Sumber : IFS
Langkah-langkah pengerjaan :
pertama, anggap bahwa misalkan model empiris permintaan impor

di Indonesia adalah sbb :
Mt = ao + a1 PDBt + a2 KURSt + Ut (1)
LMt = bo + b1LPDBt + b2LKURSt + Vt
(2)
Di mana parameter a dan b dianggap berpangkat satu, Mt (LMt)
adalah variabel tak bebas. Ut dan Vt merupakan variabel gangguan.
Kedua, langkah berikut perlu diterapkan :

Estimasi persamaan (1) dan (2), lalu nyatakan F1 dan F2 sebagai nilai
prediksi atau fitted value persamaan (1) dan (2).
Cara mencari nilai F1

a. Lakukan regresi : M C PDB KURS
c. Dapatkan forecastnya dan beri nama : F1
Cara mencari nilai F2

a. Lakukan regresi : LM C LPDB LKURS
b. Dapatkan forecastnya dan beri nama : F2

Gambar 3.1 Tampilan membuat Forecast
Ketiga, Cari nilai Z1 dan Z2 dengan mengguakan Generate, langkah

berikut perlu diterapkan :
a. Dapatkan nilai Z1 : Z1 = LOG(F1) – F2 seperti dapat dilihat pada
gambar berikut :
Gambar 3.2 Tampilan Generate Z1

b. Dapatkan nilai Z2 : Z2 = EXP(F2) – F1 seperti dapat dilihat pada
gambar berikut :

Gambar 3.3 Tampilan Generate Z2
Keempat, Estiminasi persamaan berikut :

Mt = a0 + at PDBt + a2KURSt + a3Z1 + Ut
Gambar 3.4 Tampilan Regresi dengan Z1
LMt = b0 + b1LPDBt + b2IKURSt + b3Z2 + Vt

Gambar 3.5 Tampilan Regresi dengan Z2
Kelima, keputusannya adalah :

Jika Z1 signifikan maka Ho ditolak dan Ha diterima
Artinya : Model yang tepat adalah Model non linear
Jika Z2 signifikan maka Ho ditolak dan Ha diterima

Artinya : Model yang tepat adalah Model linear
PRINT-OUT DENGAN Z1
Dependent Variable: M
Method: Least Squares

Date: 03/03/05 Time: 06:50
Sample: 1996 2001
Included observations: 6
Variable Coefficient Std. Error t-Statistic Prob.
C -38676.27 31138.74 -1.242063 0.3401
PDB 0.197125 0.073734 2.673479 0.1161
KURS -0.931565 0.479096 -1.944422 0.1913
Z1 -162273.6 106820.1 -1.519131 0.2681
R-squared 0.939387 Mean dependent var 33414.83
Adjusted R-squared 0.848467 S.D. dependent var 7620.538
S.E. of regression 2966.462 Akaike info criterion 19.06285
Sum squared resid 17599797 Schwarz criterion 18.92402
Log likelihood -53.18855 F-statistic 10.33206
Durbin-Watson stat 2.994071 Prob(F-statistic) 0.089528
PRINT-OUT DENGAN Z2

Date: 03/03/05 Time: 06:49
Sample: 1996 2001
C -24.51375 13.59959 -1.802535 0.2132
LPDB 2.784543 1.028449 2.707518 0.1136
LKURS -0.115502 0.105560 -1.094180 0.3881
Z2 0.000115 0.000120 0.964855 0.4364
S.E. of regression 0.109358 Akaike info criterion -1.353662
Sum squared resid 0.023918 Schwarz criterion -1.492489
Log likelihood 8.060987 F-statistic 6.697391
Latihan Soal
Tentukan apakah model yang tepat adalah linea atau non linear untuk
fungsi berikut :
Nx = f(PDB, E,INF)

Dimana NX = Net ekspor (ekspor – impor)
PDB = Pendapatan nasional
E = Kurs Rp/$
INF = Inflasi
Tahun Kuartal Net Expor PDB Kurs Inflasi

(Juta Rp) (Milyar Rp) (Rp) (%)
1993 IV 8495.20 329776 2110 9.69
1994 I 8072.00 354641 2200 8.51
II 4787.00 383792 2308 9.43
III 6885.00 413798 2383 7.97
IV 11748.70 433246 4650 6.73
1995 I 21510.50 376375 8025 57.64
II 24661.10 379352 7085 20.49
III 28609.20 397934 9595 3.72
Sumber : IFS
Praktikum 4

ALTERNATIF METODOLOGI
EKONOMETRIKA
UJI GRANGER
 Walaupun analisa regresi berkaitan dengan ketergantungan satu

variabel terhadap variabel lain, tidak selalu mengimplikasikan
adanya hubungan sebab akibat. Menurut Kendall dan Stuart
(Gujarati: 20),” Hubungan statistik bagaimanapun kuatnya, tidak
dapat menjelaskan hubungan sebab akibat.” Sehingga hubungan
sebab akibat dapat ditentukan diluar hubungan secara statistik.
 Contohnya dalam melihat hubungan antara hasil panen dengan

curah hujan, statistik tidak dapat menjelaskan variabel mana
yang mempengaruhi dan variabel mana yang dipengaruhi, yang
ada hanyalah bahwa curah hujan dan hasil panen mempunyai
hubungan yang kuat. Kenyataan bahwa kita selalu memposisikan
curah hujan sebagai variabel bebas dan hasil panen sebagai
variabel tidak bebas, hal ini berada diluar kemampuan statistik.
 Masalah akan muncul apabila kita tidak bisa menentukan secara

pasti mana variabel bebas dan mana variabel tak bebas.
Contohnya hubungan antara PDB (Pendapatan Domestik Bruto)
dan PMA(Penanaman Modal asing).
 Akan ada beberapa kemungkinan sebagai berikut:

PDB mempengaruhi JUB PDB ⇒ PMA
PMA mempengaruhi PDB PMA ⇒ PDB
PDB dan PMA saling mempengaruhi PMA ⇔ PDB
PDB dan PMA tidak saling mempengaruhi PMA ≠ PDB
dan hal ini menyebabkan kesulitan dalam membuat model
regresi
 Namun Granger (1969) telah mencoba untuk melihat hubungan

sebab akibat yang disebut dengan metode ‘Granger causality’,
yang nantinya dapat dijadikan sebagai alat untuk menentukan
mana yang merupakan variabel bebas dan variabel tidak bebas.
 Uji kausalitas dapat dilakukan dengan model sebagai berikut:

 n n
PDBt= αo + ∑ α1 B PMA + ∑ α2 B1 PDB + et
1
 t=1 t=1

 n n
PMAt= βo + ∑ β1 B PMA + ∑ β2 B1 PDB + et
1
 t=1 t=1
Keterangan :
PMA = Penanaman Modal Asing
PDB = Produk Domestik Bruto
t = menunjukkan waktu
n = panjang lag
B1 = Kelambanan 1 tahun kebelakang
Kelemahan dari kausalitas Granger adalah sangat sensitifnya

terhadap penentuan panjang lag. Tidak ada ketentuan panjang
lag pada uji kausalitas Granger ini.
Penentuan panjang lag dapat didasarkan pada Kriteria Informasi

Akaike (AIC) dan Kriteria Schwartz Bayesian (SBC). Adapun
rumus kedua kriteria tersebut adalah sebagai berikut:
AIC = T ln (residual sejumlah persamaan) + 2n
SBC = T ln (residual sejumlah persamaan) + n ln (T)
Keterangan:
n = banyaknya parameter yang dihitung (PMA + PDB +
kemungkinan
 hubungan konstan)
T = banyaknya observasi yang dipergunakan
Idealnya nilai AIC dan SBC sekecil mungkin (nilai AIC dan SBC
dapat negatif). Penentuan jumlah lag dapat dilakukan dengan
mencoba memasukkan lag mulai dari lag-1 pada model PMA
dan PDB. Pengujian lag akan terus berlangsung selama nilai AIC
dan SBC masih menurun. Pengujian lag ini akan berhenti jika
nilai AIC dan SBC mulai meningkat.
 Contoh Penentuan Lag:

Untuk model PMA
Regres PMA C PMA(-1) PDB(-1)
Regres PMA C PMA(-1) PMA(-2) PDB(-1) PDB(-2)
dan seterusnya besarnya lag akan ditambah selama nilai AIC
dan SBC menurun dan mulai berhenti jika nilai AIC dan SBC
mulai meningkat.
 Untuk model PDB

Regres PDB C PDB(-1) PMA(-1)
Regres PDB C PDB(-1) PDB(-2) PMA(-1) PMA(-2)

dan seterusnya besarnya lag akan ditambah selama nilai AIC
dan SBC menurun dan mulai berhenti jika nilai AIC dan SBC
mulai meningkat.
 Bagaimana menggunakan Uji Granger dengan Eviews?

Pilih Open group/view/granger causality  klik
Tuliskan besarnya lag, misalnya 1
Uji probability dengan tingkat signifikansi 5%
Hipotesa : Ho1 : PDB mempengaruhi PMA
• Ha1 : PMA mempengaruhi PDB
• Ho2 : PDB tidak mempengaruhi PMA
• Ha2 : PMA tidak mempengaruhi PDB
Pairwise Granger Causality Tests

Date: 01/29/04 Time: 14:07
Sample: 2000:3 2004:2
Lags: 2
Null Hypothesis: Obs F- Probability
Statisti
c
PDB does not Granger Cause 20 4.6211 0.04161
PMA 5
PMA does not Granger Cause PDB 0.6795 0.42185
9
Gambar 4.1 Hasil Granger Causality Test
Hasil kesimpulan :
o Probability yang pertama (0,04161)  signifikan
 Berarti PDB berpengaruh pada PMA.
o Probability yang kedua (0,42185)  tidak signifikan.
 Berarti PMA tidak berpengaruh pada PDB
 Sehingga model yang tepat adalah PMA = f(PDB)

Latihan Soal
Tentukan apakah pada variabel inflasi dan JUB ini terjadi kausalitas
atau tidak dengan terlebih dahulu melakukan penentuan panjang lag
obs JUB INFLASI

1996:1 230666.0 10.61
1996:2 247242.0 7.99
1996:3 256912.0 7.05
1996:4 280631.0 6.36
1997:1 292369.0 4.74
1997:2 309606.0 4.96
1997:3 325338.0 7.46
1997:4 351504.0 9.71
1998:1 445416.0 27.18
1998:2 560237.0 49.49
1998:3 544832.0 74.53
1998:4 572118.0 77.51
1999:1 598115.0 55.95
1999:2 610983.0 30.91
1999:3 646705.0 6.59
1999:4 642107.0 1.65
2000:1 660168.0 -0.57
2000:2 687892.0 1.10
2000:3 698298.0 5.73
2000:4 748845.0 8.82
2001:1 772229.0 9.35
2001:2 801630.0 11.15
2001:3 783852.0 12.76
2001:4 845026.0 12.64
2002:1 832596.0 14.54
2002:2 839764.0 12.56
2002:3 860257.0 10.37
2002:4 883318.0 10.27
Sumber : SEKI

PENENTUAN PENAMBAHAN ATAU PENGURANGAN
SUATU VARIABEL DARI SEBUAH MODEL
 Model ekonometri yang disusun bukanlah merupakan bak cucian

yang menampung semua jenis cucian seperti yang dilakukan oleh
seorang tukang cuci yang belum berpengalaman. Jika dalam bak
cucian diperuntukkan untuk mencuci pakaian maka akan sangat
aneh bila dalam bak itu ada piring kotor. Malah situkang cuci
harus terlebih dahulu memisahkan antara pakaian yang tidak
luntur dengan yang luntur. Jika digabungkan maka kualitas cucian
akan jelek. Demikian pula halnya dalam memasukkan variabel
dalam model ekonometri, kadang-kadang si penyusun model lupa
menggunakan teori ekonomi dalam menyeleksi variabel bebas
yang akan dimasukkan ke dalam model sehingga terjadi
kesalahan spesifikasi dalam model tersebut dan pada akhirnya
akan memberikan hasil estimasi yang salah pula.
 Ada beberapa cara yang dapat digunakan untuk menentukan

apakah suatu variabel bebas dapat dimasukkan atau dikeluarkan
dalam sebuah model dengan catatan semua keputusan harus
kembali kepada keseuaian model dengan teori ekonomi. Dua cara
yang dapat digunakan untuk penentuan tersebut adalah sebagai
berikut:
1. RESTRICTED LEAST SQUARES
 Menguji apakah salah satu atau beberapa variabel dalam regresi

dapat dihilangkan.
 Menguji apakah suatu syarat tertentu dalam model restricted
regresi dapat dipenuhi oleh unrestricted model.
Unrestricted model : Yi = βo + β1X1i + .. + βk Xki + ui

Restricted Model : β2 = β3 = …= βk = 0
Yi = βo + β1X1i + ui
Pengujian terhadap Unrestricted model dan Restricted Model dapat
dilakukan dengan cara manual (menghitung rumus F) dan
menggunakan Eviews (Wald test).
Dengan cara manual : F - Test
Rumus uji F : (R2uR – R2R) / m

Fh =
(1 - R2uR) / (N – k)

if Fh > F (α, df (m, N-k)  terdapat perbedaan yang signifikan antara
kedua model.
Keterangan:
m = ∑ variabel yang direstriksi (yang dihilangkan)
k = ∑ parameter pada persamaan yang tidak direstriksi
n = ∑ observasi
Misal :
UR  Ln Yt = 2,1898 + 0,3425 Ln X1i – 0,5046 Ln X 2i + 0,1485 Ln
X3i
+ 0,0911 Ln X4i + ui
R2UR = 0,9823 n=23
R  Ln Yt = 2,0328 + 0,4515 Ln X1i – 0,3722 Ln X 2i + vi

R2R = 0,9801 n=23
(0,9823 – 0,9801) / 2
Fh = = 1,1224
(1 – 0,9823) / (23 – 5)
F (α, df (m, N-k) = F(5%, (2,18) = 3,55
Kesimpulan : Fh < F tabel  Ho : β2 = β3 = 0 diterima

Kedua variabel X1 dan X2 yang tidak signifikan boleh
didrop.
Ln Yt tidak tergantung pada X1 dan X2.
Kedua model tidak berbeda.
Dengan Eviews
Wald Test — Coefficient Restrictions
 untuk menguji model restricted dan model unrestricted.

Bagaimana menggunakan Wald Test dengan Eviews ?
Contoh 1:
Menguji asumsi Constant Returns to Scale.

Misalkan regresi fungsi produksi Cobb-Douglas dengan data
1947-1971 adalah sbb:

Dependent Variable: LOG(Q)
Date: 08/11/97 Time: 16:56
Sample: 1947 1971
C -2.327939 0.410601 -5.669595 0.0000
LOG(L) 1.591175 0.167740 9.485970 0.0000
LOG(K) 0.239604 0.105390 2.273498 0.0331
1. Pilih menu View/Coefficient Tests/Wald-Coefficient
2. Tuliskan bentuk restrictions yang diharapkan dari model

unrestricted pada kotak yang ada, kemudian klik OK.
Misalkan diasumsikan bahwa fungsi produksi bersifat constant
returns to scale.
c(2) + c(3) = 1  klik OK
3. Hasil Wald Test:
Wald Test:
Equation: EQ1
Null Hypothesis: C(2)+C(3)=1
F-statistic 120.0177 Probability 0.000000
Chi-square 120.0177 Probability 0.000000
4. Kesimpulan:
F statistik  signifikan (tingkat signifikansi 5%)
Berarti dapat disimpulkan bahwa menolak hipothesis nol
constant returns to scale, Sehingga asumsi constant returns to
scale tidak dapat diterima.
Contoh 2:
Menguji apakah suatu variabel dapat dihilangkan atau

tidak
Misalkan LOG(K) akan dihilangkan.
Langkah-langkahnya sbb:
1. Pilih menu View/Coefficient Tests/Wald-Coefficient

2. Tuliskan bentuk restrictions yang diharapkan dari model
unrestricted pada kotak yang ada, kemudian klik OK.
C(3)=0  klik OK
C(3) adalah koefisien dari LOG(K) yang akan dihilangkan.

Tergantung pada urutan variabel pada regresi awal.
3. Hasil Wald test:
Wald Test:
Equation: DEMAND
Null Hypothesis: C(3)=0

Chi-square 771.3538 Probability 0.011400
4. Ujilah F-statistik dengan melihat nilai probabilitas F-statistiknya.

F-statistik  signifikan, berarti
variabel LOG(K) tidak dapat dihilangkan dari model
regresi
2. OMITTED TEST
 Digunakan untuk menguji apakah variabel yang baru dapat

dimasukkan/
ditambahkan dalam model.
 Menggunakan uji F.
(R2new – R2old) / df
Fh =
(1 - R2new) / df
(R2new – R2old) / jumlah variabel yang baru

Fh =
(1 - R2new) / df (n- jumlah parameter dalam model yang
baru)

Contoh:
Old  Yi = βo + β1X1i + ui
Yi = 12,762 + 0,8812 X1i + ui
R2 = 0,9978
New  Yi = βo + β1X1i + β2X2i + ui

Yi = 53,1603 + 0,7266 X1i + 2,7363 X2i + ui
R2 = 0,9988 df=12
(0,9988 – 0,9978) / 1
Fh = = 10,3978
(1 – 0,9988) / 12
Hipotesa
Ho : β2 = 0  Variabel dapat dimasukkan ke dalam model
Ha : β2 ≠ 0  Variabel tidak dapat dimasukkan ke dalam
model
F hitung > F tabel  Ho ditolak, signifikan secara statistik

 Variabel X3 dapat dimasukkan ke dalam model
Bagaimana memakai Omitted Test dengan

Eviews ?
1. Lakukan regresi OLS, misalkan model yang diregres sbb:
ls log(q) c log(l) log(k)
2. Pilih menu View/Coefficient Tests/Omitted Variables

3. Tuliskan variabel (1 atau lebih) yang akan ditambahkan pada
model
regresi.
log(m) log(e)  OK
Omitted Variables: LOG(M) LOG(E)

Log likelihood ratio 8.884940 Probability 0.011767
Nilai F diuji dengan tingkat signifikansi 5% (pengujian 2 sisi).

Dilihat dari probabilitas yang ada maka dapat disimpulkan bahwa

nilai F signifikan secara statistik. Jadi kedua variabel yang baru
(LOG(M) dan LOG(E)) dapat dimasukkan dalam model.
Latihan Soal
WALD TEST DAN OMMITTED TEST
Model yang diajukan :
IHSG = f(INF, E, RD)

Dimana IHSG = Indeks harga saham gabungan
INF = Inflasi
E = Kurs
RD = Suku bunga domestik
obs IHSG INF KURS RD

1996:1 571.4500 107.1100 2337.000 17.24000
1996:2 609.5900 107.6100 2342.000 17.37000
1996:3 559.0600 108.0900 2340.000 17.29000
1996:4 600.3700 109.0700 2383.000 17.13000
1997:1 678.9300 112.1900 2419.000 16.66000
1997:2 671.2500 112.9500 2450.000 16.08000
1997:3 630.7000 116.1500 3275.000 21.26000
1997:4 450.3600 119.6600 4650.000 26.05000
1998:1 476.2100 142.6800 8325.000 24.71000
1998:2 447.6200 168.8400 14900.00 34.33000
1998:3 391.7500 202.7200 10700.00 44.91000
1998:4 356.5600 212.4100 8025.000 52.32000
1999:1 400.5000 222.5100 8685.000 39.52000
1999:2 565.7200 221.0400 6726.000 30.89000
1999:3 590.5300 216.0700 8386.000 19.46000
1999:4 614.0600 215.9200 7085.000 13.08000
2000:1 617.8900 221.2400 7590.000 12.63000
2000:2 512.3000 223.4700 8735.000 11.89000
2000:3 479.9000 228.4500 8780.000 12.33000
2000:4 420.7500 234.9600 9595.000 13.17000
2001:1 414.2100 241.9100 10400.00 14.35000
2001:2 385.9800 248.3900 11440.00 14.95000
2001:3 435.6200 257.6100 9675.000 15.64000
2001:4 379.4500 264.6600 10400.00 16.99000
2002:1 600.7300 277.0900 9655.000 17.22000
2002:2 526.4700 279.5700 8730.000 16.22000
2002:3 449.7600 284.3300 9015.000 14.80000
2002:4 380.3300 291.8600 8940.000 13.78000

Sumber : SEKI
Pertanyaan :
a. Buat model regresi dimana IHSG = f(INF, RD)
Apapun hasilnya lakukan pengujian RESTRICTED yaitu dengan
menghilangkan variabel INFLASI baik secara manual maupun
dengan pengujian WALD TEST
b. Buat model regresi dimana IHSG = f(INF,RD)

Lakukan pengujian apakah memasukkan variabel baru
diperkenakan yaitu variabel KURS baik dengan cara MANUAL
ataupun dengan OMMITTED TEST.

NESTED DAN NON NESTED MODELS
Untuk memilih model regresi dapat dilakukan tes sebagai berikut:

1. Tests of nested models (hypothesis)
2. Tests of nonnested models (hypothesis)
Model Nested
 Memilih model yang terbaik dari 2 model regresi yang

mempunyai dua variabel independenyang sama dan variabel
independen salah satu model regresinya termasuk dalam model
regresi yang lain.
Model A : Yi = αo + α1X1i + α2X2i + α3X3i + ui

Model B : Yi = αo + α1X1i + α2X2i + vi
Hipotesa : Ho : α3 = 0
Pengujian hipotesa menggunakan Uji-F atau uji-t ( nilai F hitung

akan setara dengan nilai t2).
Rumus F hitung pada prinsipnya sama dengan uji F pada model

restricted least squared.
(R2A – R2B) / df (∑ varb. Independen yang tidak ada di

persamaan yang lain)
F=
(1 - R2A) / df (n- number of parameter in the model A)
Jika F tabel < F hitung  X3 signifikan secara statistik.

 Model A yang dipilih.
Model Non Nested

 Memilih model yang terbaik dari dua model regresi yang
mempunyai variabel dependen sama, tetapi variabel
independennya berbeda.
Model C : Yi = αo + α1X1i + ui
Model D : Yi = βo + β1Z1i + vi
Pengujian terhadap Non Nested hypothesis:

1. The discrimination approach  R2 (goodness of fit)
2. The discerning approach  Davidson-MacKinnon J - test.

Davidson-MacKinnon J – test
Hipotesis : α2 = 0 dan β2 = 0
Ada 4 kemungkinan kesimpulan yang terjadi, yaitu:

a. Accept both C and D.
b. Accept C, reject D
c. Accept D, reject C.
d. Reject both C and D.
Langkah-langkah:
1. Regresikan model D : Yi = βo + β1Z1i + vi  fitted Yi = YD
Dependent Variable: Y
Date: 08/26/01 Time: 08:30
Sample: 1990 2001
Z -0.011646 0.001153 -10.10218 0.0000
C 14.65890 0.431922 33.93877 0.0000
R-squared 0.910757 Mean dependent 10.39833
var
Adjusted R- 0.901833 S.D. dependent 1.030435
squared var
S.E. of regression 0.322852 Akaike info 0.727765
criterion
Sum squared 1.042333 Schwarz criterion 0.808583
resid
Durbin-Watson 1.619881 Prob(F-statistic) 0.000001
stat
2. Regresikan model C dengan menambahkan variabel

independen YD.
Yi = αo + α1X1i + α2YD + ui
Date: 08/26/01 Time: 08:30
Sample: 1990 2001
Variable Coefficie Std. Error t-Statistic Prob.
nt
X -0.00210 0.000741 -2.846524 0.0192
8

YD -0.30968 0.466285 -0.664159 0.5232
8
C 18.3029 6.478300 2.825264 0.0199
1
R-squared 0.95303 Mean dependent 10.39833
8 var
Adjusted R- 0.94260 S.D. dependent 1.030435
squared 2 var
S.E. of regression 0.24687 Akaike info 0.252420
1 criterion
resid 0
1
stat 8
3. Uji hipotesis α2 = 0
Jika Ho diterima, YD tidak signifikan  Model C tepat.
Jika Ho ditolak, YD signifikan  Model C tidak tepat.
Probabilitas dari YD = 0.5232  tidak signifikan

Berarti model C tepat.
4. Regresikan model C : Yi = αo + α1X1i + ui  fitted Yi = YC
Date: 08/26/01 Time: 08:28
Sample: 1990 2001
Variable Coefficien Std. Error t-Statistic Prob.
t
X -0.001623 0.000117 -13.89200 0.0000
C 14.00421 0.268643 52.12952 0.0000
R-squared 0.950736 Mean dependent var10.39833
Sum squared resid 0.575393 Schwarz criterion 0.214420
5. Regresikan model D dengan menambahkan variabel

independen YC.
Yi = βo + β1Z1i + β2YC + vi
Date: 08/26/01 Time: 08:29

Sample: 1990 2001
Variable Coefficien Std. Error t-Statistic Prob.
t
Z 0.003607 0.005430 0.664159 0.5232
YC 1.299086 0.456376 2.846524 0.0192
C -4.429443 6.713970 -0.659735 0.5259
Adjusted R- 0.942602 S.D. dependent var 1.030435
squared
resid
stat
6. Uji hipotesis β2 = 0
Jika Ho diterima, YC tidak signifikan  Model D tepat.
Jika Ho ditolak, YC signifikan  Model D tidak tepat.
Probabilitas dari YC = 0.0192  signifikan
Berarti Model D tidak tepat.
UJI STABILITAS MODEL (CHOW TEST)
 Untuk menguji apakah dua atau lebih regresi itu berbeda.

Uji stabilitas model dilakukan untuk menguji dalam jangka periode
waktu tertentu dari keseluruhan range periode waktu estimasi,
apakah model masih dapat digunakan sebagai prediksi yang valid.
Biasanya jika ada variabel kebijakan, maka untuk melakukan
penilaian model persamaan dapat memprediksi secara baik sejak
periode dikeluarkannya kebijakan sampai akhir periode
pengamatan.
Asumsi:
1. ui1 = N (0, σ2) - zero mean
ui2 = N (0, σ2) - homoskedastisitas
2. Distribusi ui1 dan ui2 adalah independen.
Langkah-langkah Chow Test secara manual:

1. Lakukan Regresi untuk seluruh periode data sampel (semua
data diregres jadi satu)
Yt= αo + α1 Xt + ut  RSS1
df = N1 + N2 – k
k = ∑ parameter yang diestimasi
2. Lakukan regresi yang terpisah antara periode sebelum

kebijakan dengan setelah kebijakan (masing-masing kelompok
data diregres sendiri-sendiri)
df1 = N1 – k ; RSS2 untuk periode sebelum kebijakan
df2 = N2 – k ; RSS3 untuk periode setelah kebijakan
3. Hitung RSS4 = RSS2 + RSS3

4. Hitung RSS5 = RSS1 – RSS4
5. Gunakan F test:
RSS5 / k
Fh =
RSS4 / (N1+N2 –2k)
Misal:
 F hitung > F tabel  Ho ditolak
Artinya kedua regresi adalah tidak sama (Model tidak
stabil)
 F hitung < F tabel Ho diterima
Artinya kedua regresi adalah sama (model stabil)
Dari contoh latihan soal pada pengujian Wald test ingin

dilakukan pengujian apakah model tersebut stabil sebelum
dan sesudah krisis dengan break point testnya adalah :
1997.3

Gambar 4.1. Chow- BreakPoint-Test
Hasil pengujian Chow-test
Chow Breakpoint Test: 1997:3

Log likelihood ratio 2.694617 Probability 0.610157
Karena sig dari F sebesar 0.732 < 0.05 maka dapat dikatakan model
tersebut stabil sehingga dapat dikatakan krisis tidak mempengaruhi
fluktuasi IHKG
Berikut contoh hasil regresi fungsi IHSG dengan memasukkan variabel

krisis dimana terbukti krisis tidak signifkan :
Dependent Variable: IHSG

Date: 03/03/05 Time: 08:13
Sample: 1996:1 2002:4
C 742.5135 60.53605 12.26564 0.0000
INF -0.363841 0.389306 -0.934591 0.3597
KURS -0.014597 0.007689 -1.898349 0.0703
RD -3.115505 1.512809 -2.059417 0.0509
DKRISI 13.47616 59.96611 0.224730 0.8242
Sum squared resid 119224.3 Schwarz criterion 11.78947

LATIHAN SOAL CHOW-TEST

obs INF JUB KURS G DKRISIS
1994:1 7.910000 147709.0 2128.710 16410.25 0.000000
1994:2 7.590000 151312.0 2152.630 16923.25 0.000000
1994:3 8.900000 161545.0 2171.520 17436.25 0.000000
1994:4 9.630000 173167.0 2190.150 17949.25 0.000000
1995:1 9.170000 179905.0 2209.480 18123.81 0.000000
1995:2 10.48000 190569.0 2231.860 18501.44 0.000000
1995:3 9.310000 204551.0 2261.790 18879.06 0.000000
1995:4 8.800000 220829.0 2291.310 19256.69 0.000000
1996:1 10.61000 230666.0 2318.170 19386.34 0.000000
1996:2 7.990000 247242.0 2344.080 19664.78 0.000000
1996:3 7.050000 256912.0 2350.330 19943.22 0.000000
1996:4 6.360000 280631.0 2356.600 20221.66 0.000000
1997:1 4.740000 292369.0 2403.270 22819.16 0.000000
1997:2 4.960000 309606.0 2437.230 24025.22 0.000000
1997:3 7.460000 325338.0 2791.320 25231.28 1.000000
1997:4 9.710000 351504.0 4005.700 26437.34 1.000000
1998:1 27.18000 445416.0 9433.360 29230.75 1.000000

1998:2 49.49000 560237.0 10460.80 31071.75 1.000000
1998:3 74.53000 544832.0 12252.10 32912.75 1.000000
1998:4 77.51000 572118.0 7908.270 34753.75 1.000000
1999:1 55.95000 598115.0 8775.700 45682.41 1.000000
1999:2 30.91000 610983.0 7921.200 51158.47 1.000000
1999:3 6.590000 646705.0 7531.030 56634.53 1.000000
1999:4 1.650000 642107.0 7192.670 62110.59 1.000000
2000:1 -0.570000 660168.0 7390.930 58522.44 1.000000
2000:2 1.100000 687892.0 8286.930 60372.81 1.000000
2000:3 5.730000 698298.0 8711.870 62223.19 1.000000
2000:4 8.820000 748845.0 9297.370 64073.56 1.000000
2001:1 9.350000 772229.0 9779.700 67018.50 1.000000
2001:2 11.15000 801630.0 11241.70 70098.78 1.000000
2001:3 12.76000 783852.0 9614.100 73320.65 1.000000
2001:4 12.64000 845026.0 10407.90 76690.59 1.000000
2002:1 14.54000 832596.0 10157.80 80215.42 1.000000
2002:2 12.56000 839764.0 9076.600 83902.27 1.000000
2002:3 10.37000 860257.0 8955.700 87758.56 11.00000
2002:4 10.27000 883318.0 9054.670 91792.10 1.000000
Pertanyaan :
Lakukan penguian stabilitas model untuk model
Inflasi = f(JUB, KURS, Government Expenditure) dimana break
pointnya adalah krisis ekonomi (1997.3)
Praktikum 5
VARIABEL DUMMY
A. PENGERTIAN VARIABEL DUMMY

Variabel dummy adalah variabel yang digunakan untuk
mengkuantitatifkan variabel yang bersifat kualitatif (misal: jenis
kelamin, ras, agama, perubahan kebijakan pemerintah, perbedaan
situasi dan lain-lain). Variabel dummy merupakan variabel yang
bersifat kategorikal yang diduga mempunyai pengaruh terhadap
variabel yang bersifat kontinue.
Variabel dummy hanya mempunyai 2 (dua) nilai yaitu 1 dan nilai 0,
serta diberi simbol D.
D = 1 untuk suatu kategori (wanita, Batak, Islam, damai dan

sebagainya).

D = 0 untuk kategori yang lain (pria, Jawa, Kristen, perang dan
sebagainya).
Variabel dummy (D) dapat digunakan untuk mengetahui ada
tidaknya perubahan dalam intersep, slope atau keduanya, dalam
dua atau lebih situasi yang berbeda sperti keadaan damai dan
perang, maka akan diperoleh model stokastiknya sebagai berikut :
a. Untuk mengetahui perbedaan intersep

K = b 2 + b 1 Y + b2 D + µ
Diperoleh hasil :
Untuk D = 0 K = b 0 + b1 Y +µ
(damai)
Untuk D = 1 K1 = (b0 + b2) + b1 Y + µ
(perang)
(lihat gambar a)
b. Untuk mengetahui perbedaan slope
K = b0 + b1 Y + b3 YD + µ
Diperoleh hasil :
Untuk D = 0 K = b 0 + b1 Y +µ
(damai)
Untuk D = 1 K1 = (b1 + b3) + b1 Y + µ
(perang)
c. Untuk mengetahui perbedaan intersep maupun slope
K = b01 + b1 Y + b2 D + b3 YD + µ
Diperoleh hasil :
Untuk D = 0 K = b 0 + b1 Y +µ
(damai)
Untuk D = 1 K1 = (b0 + b2) + (b1 + b3) Y + µ
(perang)
Dimana : K = pengeluaran konsumsi

Y = Pendapatan nasional
D = 1, masa perang
D = 0. Masa damai
Perbedaan intersep atau slope terjadi bila koefisien regresi D

atau YD signifikan secara statistik
K K
b1 + b3
b1
1 b0
1 1
b1
b0 + b2 b2 1
b0 b0
0 Yd 0 Yd
(A) (B)
K
0 (C) Yd
b1 + b3
1
b1
1
b0 + b2
b0
A. CONTOH PENGGUNAAN VARIABEL DUMMY
Penelitian untuk mengetahui perbedaan hubungan pendapatan

pedagang asongan (P) dengan masa kerja (MK) dan jam kerja (JK)
dari 20 pedagang asongan yang mempunyai daerah asal yang
berbeda yaitu daerah asli dan daerah pendatang :
P = Pendapatan pedagangan asongan di terminal Blok M ( dalam

Rp per hari )
JK = Jam Kerja pedagangan asongan di terminal Blok M (dalam
jam / hari)
MK = Masa Kerja pedagang asongan di teminal Blok M ( dalam
hari )
D = Daerah Asal pedagang asongan di terminal Blok M ( 0 = Asli,
1 = Pendatang)
obs P JK MK DAsal
1 1200 9.0 72.0 0
2 750 15.0 36.0 1
3 6000 14.0 48.0 1
4 4500 18.0 120.0 1
5 375 9.0 18.0 0
6 90 5.0 10.0 0
7 600 10.0 60.0 1
8 750 10.0 24.0 1
9 1500 10.0 36.0 0
10 1000 10.0 84.0 1
11 3000 15.0 60.0 1
12 600 14.0 18.0 0

13 3250 13.0 30.0 0
14 4000 12.0 60.0 1
15 160 7.0 60.0 0
16 1000 19.0 24.0 0
17 350 6.0 48.0 1
18 400 8.0 18.0 0
19 1750 7.0 72.0 0
20 520 9.0 20.0 1
Langkah-langkahnya adalah sebagai berikut :
1. Lakukan GENR untuk DAsal = Dummy*Asal

2. Regresikan MK dan JK terhadap P
P = ………………………………………………………… R2 = …
…
Nilai t
3. Uji perbedaan intersep untuk pedagang yang mempunyai

daerah asal yang berbeda, penduduk asli dan pendatang.
3.1.Regresikan MK , JK dan Dummy terhadap P :

K = ……………………………………………………R2 = …
……
Nilai t
3.2.Hasilnya : ……………………………………………………………
….
3.3.Gambarkan bila ada perbedaan intersep
4. Uji perbedaan slope untuk keluarga yang kepala RT bapak

dan ibu
4.1.Regresikan MK, JK dan D Asal terhadap P :

K = ……………………………………………………R2 = …
…..
Nilai t
4.2.Hasilnya : ……………………………………………………………
…
4.3.Gambarkan bila ada perbedaan slopenya
5.1.Regresikan MK, JK, D Asal terhadap K

5.2.Hasilnya : ……………………………………………………………
…
5.3.Gambarkan bila ada perbedaan
Kesimpulan : ………………………………………………………………
……………………………………………………………………………………
……………………………………………………………………………………

……………………………………………………………………………………
………………………………………………………………

TUGAS/QUIZ
Kerjakanlah soal di bawah ini di atas kertas HVS sertakan pula
hasil print-out anda. Tugas ini akan dianggap sebagai Quiz 2.
Perhatikanlah tabel di bawah ini :
Bulan Konsums Uang Dumm

i (K) saku (US) y
Feb ’97 220 500.12 0
Mar ’97 256 470.32 0
Apr ’97 169 110.55 0
Mei ’97 287 510.14 0
Jun ’97 247 460.15 0
Jul ’97 296 435.26 0
Agust ’97 236 495.12 0
Sep ’97 250 250.32 0
Okt ’97 185.06 195.5 1= 0
Nov ’97 150.87 165.47 1
Des ’97 168.45 170.03 1
Jan ’97 150.95 155.14 1
Feb ’97 159.05 160.22 1
Mar ’97 129.55 130.49 1
Apr ’97 110.11 120.67 1
Diketahui
Model 1 : konsumsi = a0 + b1 uang saku + e
Model 2 : konsumsi = a0 + b1 uang saku + b2 Dummy + b3 DUS
+e
DK = Dummy * uang saku
Soal :
1. Lakukanlah regresi terhadap model 1, Lalu print
2. Lakukanlah regresi terhadap model 2, lalu print
3. Tuliskanlah persamaan kedua model di atas
4. Lakukanlah uji signifikansi terhadap kedua model di atas
5. Menurut saudara, model mana dari kedua model di atas
yang tepat digunakan dalam penelitian ?
6. Intrepretasikanlah model yang anda pilih tersebut
(interpretasikan secara lengkap)
7. Apakah anda perbedaan slope dan intersep ? jika ada,
gambarkanlah perbedaan tersebut.

Soal bonus (boleh dikerjkan boleh tidak, cuma buat nambah
nilai, kok!)
1. Berapakah jumlah konsumsi sebelum dari seudah terjadinya

krisis ekonomi di Indonesia?
2. Berapakah penurunan konsumsi setelah terjadinya krisis
ekonomi

DAFTAR PUSTAKA
Gujarati, Damodar, N. 1995. Basic Economics. Third Edition.
Singapore: Mc Graw – Hill International
Greene, William, H. 1993. Econometrics Analysis. Second Edition.
USA: MacMillan Publishing Company
Pindyck, Robert, S dan Daniel, L, Rubenfield. !((!. Econometrics
Model and Economics Forecast. Third Edition. Singapore: Mc Graw –
Hill International Edition
Quantitative Micro Software. 1994. E-view User’s Guide. Version
1.0, Irvine, California: QMS Quantitative Micro Software
Ramanathan, Ramu. 1992. Introductory Econometrics and
Application. Second Edition. USA. Harcourrt Brace Javanovich
Collage Publisher
Salvatore, Dominick. 1982. Statistic and Econometrics. Schaum’s
Outline Series in Economics: Mc Graw – Hill Book Company

Modul Ekonometrka 1 By: Syofriza Syofyan

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modul Ekonometrka 1 By: Syofriza Syofyan

Uploaded by

Copyright:

Available Formats

Praktikum 1

Berdasarkann definisi di atas, ekonometrika merupakan gabungan

Digunakan untuk menguji kecocokan persamaan / fungsi

PEMBENTUKAN MODEL EKONOMI

TERIMA TEORI JIKA DATA TOLAK TEORI JIKA DATA TIDAK

Laboratorium Ekonometrika 1 Daftar Pustaka 2

TIPS : dalam membuat suatu penelitian, langkah-langkah di atas dapat

Dimana ‘e’ adalah kesalahan (error term) dan a,b adalah

Bagaimana menentukannya ?  Estimasi

Laboratorium Ekonometrika 1 Daftar Pustaka 3

6. UJI HIPOTESA/ INFERENSI

Laboratorium Ekonometrika 1 Daftar Pustaka 4

 Program EVIEWS’ 3.0 merupakan perangkat lunak pengolahan

Click tombol Start. Program, Eviews 3, seperti terlihat pada

Gambar 1.1 Tampilan Desktop Windows 98

Laboratorium Ekonometrika 1 Daftar Pustaka 5

Gambar 1.3 Tampilan New Object

Laboratorium Ekonometrika 1 Daftar Pustaka 6

Cara penulisan pada kotak Start Date dan End Date

TIPS : pastikan format penanggalan yang anda tuliskan benar, karena

Gambar 1.4 Tampilan Kotak Workfile Range

Laboratorium Ekonometrika 1 Daftar Pustaka 7

Gambar 1.5 Tampilan Kotak Workfile

 Setelah itu masukkan data di halaman selanjutnya.

itu baru anda masukkan datanya

Gambar 1.6 Tampilan Kotak group

Laboratorium Ekonometrika 1 Daftar Pustaka 8

Untuk menampilkan data

Laboratorium Ekonometrika 1 Daftar Pustaka 9

B. MENAMPILKAN DATA DARI WORKFILE

Menampilkan data dari workfile mempunyai dua tujuan, yaitu :

Gambar 1.8 Tampilan Kotak Group

 Untuk mencetak data dengan printer, arahkan mouse pointer

Edit data digunakan untuk memperbaiki data yang salah (misal

 Tampilkan kota Group seperti pada gambar 1.8

Laboratorium Ekonometrika 1 Daftar Pustaka 10

Menyisipkan data adalah memasukkan data baru ke dalam file

TAHUN IMPOR GNP IH

Laboratorium Ekonometrika 1 Daftar Pustaka 11

Lakukanlah langkah-langkah berikut untuk menyisipkan data :

Gambar 1.9 Tampilan Kotak Sampel

 Kemudian anda tampilkan kembali data anda sehingga muncul

Laboratorium Ekonometrika 1 Daftar Pustaka 12

 Maka akan muncul kembali kotak Group, perhatikan bahwa

Kalau pada pembahasan di atas kita menyisipkan data baru pada

 Pada kotak Group. Kemudian pada EDIT ±, lalu arahkan mouse

Untuk menghapus data, langkahnya hampir sama dengan bila kita

 Pada kotak Group, arahkan mouse pointer ke cell box tahun

Laboratorium Ekonometrika 1 Daftar Pustaka 13

Tranformasi data digunakan bila kita ingin mengolah data diatas

H.1.Transformasi data dalam bentuk pertumbuhan

GNPt – GNP t-1

Bila kita ingin memasukkan rumus di atas ke dalam eviews,

Laboratorium Ekonometrika 1 Daftar Pustaka 14

Kemudian lihatlah, pada kotak workfile, apakah sudah ada

Gambar 1.11 Kotak Generate Series By Equation

H.2.Transformasi Data Dalam Bentuk Logaritma Natural

Laboratorium Ekonometrika 1 Daftar Pustaka 15

 Pada kotak Workfile click Genr, sehingga muncul kotak

I. MENGURUTKAN DATA (SORTING DATA)

Sorting data artinya adalah mengurutkan data terkecil hingga

 Pada kotak Workfile click procs, kemudian click Sort Series

Gambar 1.12 Kotak Sort Workfile Series

Salah satu fasilitas yang dimiliki Eviews’ 3.0 adalah dapat