LAMPIRAN

REGRESI KOMPONEN UTAMA PERSAMAAN IMPOR

1. Data ln(QD), ln(PD), dan ln (BM) yang telah di standardize
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

ZQD
-1,96042
-1,58642
-1,62130
-2,02697
-1,63112
-2,02427
0,68945
-0,90003
-0,11936
-0,35466
0,11403
0,06807
0,51512
0,63885
1,11901
0,98331

ZPD
-1,66012
-1,24684
-1,34132
-1,97781
-1,52661
-2,12362
1,37969
-0,79103
0,16731
-0,21490
0,33311
0,19969
0,79889
0,89069
1,46712
1,23232

ZBM
1,33781
1,33781
1,33781
1,33781
1,33781
0,37770
0,37770
0,37770
0,37770
0,37770
0,37770
0,37770
0,37770
0,37770
0,37770
0,37770

No.
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

ZQD
0,91120
0,82484
0,79777
0,44395
-0,01929
1,23768
0,83375
0,43096
0,52757
0,29751
0,26265
0,33897
0,31878
0,48396
0,40639

ZPD
1,08379
0,91399
0,82580
0,30892
-0,35109
1,25339
0,75964
0,17093
0,25298
-0,09566
-0,18670
-0,12705
-0,19876
-0,02607
-0,17069

ZBM
-0,22807
-0,22807
-0,22807
-0,22807
-1,63460
-1,63460
-1,63460
-1,63460
-1,63460
-1,63460
0,37770
0,37770
0,37770
0,37770
-1,63460

2. Menfaktorkan variabel independen ini agar mendapatkan variabel baru yang dapat
mewakilkan keseluruhan data.
Principal Component Analysis: ZQD; ZPD; ZBM
Eigenanalysis of the Correlation Matrix
Eigenvalue
Proportion
Cumulative
Variable
ZQD
ZPD
ZBM

2,3424
0,781
0,781
PC1
0,638
0,605
-0,477

0,6250
0,208
0,989
PC2
0,215
0,454
0,865

0,0326
0,011
1,000

PC3
-0,739
0,654
-0,159

3. Untuk mengetahui berapa banyak faktor yang akan kita gunakan, lihat nilai
EigenValue dari variabel independen yang kita gunakan, sebelum melanjut ke
langkah selanjutnya.
PC1
0,637904
0,604978
-0,476530

PC2
0,215477
0,453851
0,864632

PC3
-0,739357
0,654233
-0,159154

No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

W1
-2,89240
-2,40380
-2,48321
-3,12705
-2,60157
-2,75601
1,09450
-1,23267
-0,15490
-0,53623
0,09428
-0,01575
0,63192
0,76639
1,42141
1,19280

W2
-0,01916
0,24899
0,19860
-0,17768
0,11239
-1,07342
1,10130
-0,22638
0,37678
0,15262
0,50232
0,43187
0,80014
0,86847
1,23354
1,09774

W3
0,150422
0,144289
0,108267
-0,008218
-0,005694
0,047204
0,332780
0,087809
0,137596
0,061512
0,073508
0,020203
0,081688
0,050270
0,072374
0,019098

No.
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

1,34560
1,18779
1,11717
0,57877
0,55423
2,32673
1,77036
1,15726
1,26853
0,91085
-0,12539
-0,04062
-0,09688
0,11297
0,93491
-2,89240

0,49103
0,39536
0,34950
0,03867
-1,57683
-0,57779
-0,88891
-1,24289
-1,18483
-1,39264
0,29843
0,34195
0,30505
0,41902
-1,40323
-0,01916

0,071648
0,024408
-0,013275
-0,089835
0,044719
0,165078
0,140694
0,053343
0,035602
-0,022396
-0,376447
-0,393846
-0,425835
-0,434985
-0,151982
0,150422

4. Terdapat satu faktor yang memiliki nilai EigenValue lebih dari satu, maka kita akan
gunakan satu faktor, yaitu 1.
W1=PC1
PC1= 0,637904 Z1+0,604978Z2 -0,476530Z3
Meregresikan variabel Ln(QD) dengan W1 dengan metode two stage least square

Dependent Variable: LIM

Method: Two-Stage Least Squares
Date: 12/28/13 Time: 15:30
Sample: 1 31
Included observations: 31
LIM=C(1)+C(2)*W1
Instrument list: C LPD LY LPOP LBM LHI

C(1)
C(2)
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)

Coefficient

Std. Error

t-Statistic

Prob.

13.79137
0.160731

0.056011
0.037202

246.2274
4.320556

0.0000
0.0002

0.391660
0.370683
0.311854
18.66721
0.000167

Mean dependent var

S.D. dependent var
Sum squared resid
Durbin-Watson stat
Second-Stage SSR

Karena R2nya kecil, maka digunakan dua faktor.

W1=PC1
PC1= 0,637904 Z1+0,604978Z2 -0,476530Z3
W2=PC2
PC2= 0,215477 Z1+ 0,453851 Z2 0,864632 Z3

13.79137
0.393113
2.820343
0.317900
2.820682

Meregresikan variabel Ln(QD) dengan W1 dan W2 dengan metode two stage least
square

Dependent Variable: LIM

Method: Two-Stage Least Squares
Date: 12/28/13 Time: 15:33
Sample: 1 31
Included observations: 31
LIM=C(1)+C(2)*W1+C(3)*W2
Instrument list: C LPD LY LPOP LBM LHI

C(1)
C(2)
C(3)
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)

Coefficient

Std. Error

t-Statistic

Prob.

13.79137
0.160731
0.198755

0.048946
0.032509
0.062935

281.7670
4.944171
3.158129

0.0000
0.0000
0.0038

0.551462
0.519424
0.272520
17.20930
0.000013

Mean dependent var

S.D. dependent var
Sum squared resid
Durbin-Watson stat
Second-Stage SSR

13.79137
0.393113
2.079478
1.032673
2.079959

10

Series: Residuals
Sample 1 31
Observations 31

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

1.35e-14
0.089143
0.515152
-0.632837
0.263279
-0.710034
3.079048

Jarque-Bera
Probability

2.612837
0.270788

0
-0.6

-0.4

-0.2

-0.0

0.2

0.4

0.6

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic
Obs*R-squared
Scaled explained SS

0.585472
1.244364
1.055297

Prob. F(2,28)
Prob. Chi-Square(2)
Prob. Chi-Square(2)

0.5635
0.5368
0.5900

Hasil pemodelan tidak memiliki masalah autokorelasi (dilihat dari nilai Durbin
Watson), multikolinearitas, heteroskedastisitas (dari uji heteroskedastik secara umum
dari White), dan error sudah menyebar normal (Normality Test)
Maka kita dapat nyatakan bahwa model sudah cukup baik.
5. Mengubah hasil pemodelan faktor ini menjadi semula, dengan menggunakan nilai PC
yang kita gunakan sebelumnya
PC1=0,574908 Z1+0,576058 Z2 +0,581066 Z3

PC2= 0,215477 Z1+ 0,453851 Z2 0,864632 Z3

Hasil regresi antara variabel Ln(QD) dan W1 dan W2 dengan metode two stage least
square adalah sebagai berikut:
Ln(IM) =13,79137+ 0,160731 W1+ 0,198755 W2
Ln(IM) =13,79137+ 0,160731(0,574908 Z1+0,576058 Z2 +0,581066 Z3)+ 0,198755
(0,215477 Z1+ 0,453851 Z2 0,864632 Z3)
Ln(IM) =13,79137+ 0,145358043 Z1+ 0,187443784 Z2 + 0,095256873 Z3
Ln(IM) = -5,5527 + 0,38097 Ln(QD) + 0,6474 Ln(PD) + 0,0846239 Ln(BM)
Dengan R2 sebesar 55,146% dan hasil uji yang signifikan baik untuk uji t maupun uji
F, maka model ini sudah cukup baik.