Nama : Wira Hadi Sugara

Nim : 7213240007
Prodi : Ilmu Ekonomi
Mata Kuliah : UTS Ekonometrika Lanjutan

Soal

1. Jelaskan defenisi dan tujuan dari ekonometrika !

2. Jelaskan tahapan metodologi dalam ekonometrika !
3. Jelaskan jenis-jenis data dari sifat pengukurannnya dan cara pengambilannya !
4. Jelsakan defenisi analisis regresi, multikolineritas dan cara menghilangkan multikolineritas !
5. Analisis lah data yang anda peroleh dengan menggunakan regresi berganda !
a. Buatlah data variabel yang anda teliti dalam bentuk excel atau word !
b. Buatlah tahapan analisis regresi dengan menggunakan eviews !
c. Interpretasi hasil analisis data berupa:
- Persamaan model analisis
- Statistik deskriptif
- Koefisien determinasi
- Uji f, uji t
- Multi,auto,heteros,normal,
- Variabel terikat adalah PE

Jawaban

1. Definisi Ekonometrika: Ekonometrika adalah suatu cabang ilmu ekonomi yang menggunakan
model matematika dan statistik untuk mengukur dan menganalisis hubungan antara variabel
ekonomi, serta untuk membuat prediksi atau estimasi mengenai fenomena ekonomi.

Tujuan Ekonometrika:
Pengujian Teori Ekonomi: Ekonometrika digunakan untuk menguji teori-teori ekonomi. Dengan
memodelkan hubungan antara variabel-variabel ekonomi, ekonometrika memungkinkan ekonom
untuk menguji sejauh mana teori-teori ini sesuai dengan data empiris.
Estimasi Parameter: Salah satu tujuan utama ekonometrika adalah mengestimasi parameter
dalam model ekonomi. Ini dapat berupa parameter elastisitas permintaan, koefisien produksi, atau
parameter lain yang menggambarkan hubungan antara variabel ekonomi.
Peramalan: Ekonometrika digunakan untuk membuat peramalan mengenai fenomena ekonomi
di masa depan. Dengan menggunakan model ekonometrik yang dibangun berdasarkan data
 historis, ekonom dapat mencoba memprediksi bagaimana perubahan dalam variabel ekonomi
akan mempengaruhi hasil di masa depan.
Analisis Kebijakan: Ekonometrika juga digunakan untuk menganalisis efek dari berbagai
kebijakan ekonomi. Dengan mengembangkan model-model ekonometrik yang memasukkan
variabel-variabel kebijakan, ekonom dapat mengukur dampak kebijakan tertentu terhadap
ekonomi.
Pengambilan Keputusan: Ekonometrika memberikan alat yang kuat bagi pengambil keputusan,
baik di sektor swasta maupun pemerintah, untuk membuat keputusan yang lebih informasional
dan berbasis data dalam situasi ekonomi yang kompleks.
Penelitian Ekonomi: Ekonometrika juga digunakan dalam penelitian ekonomi untuk menguji
hipotesis, mendukung temuan empiris, dan mempublikasikan penelitian yang dapat memberikan
wawasan baru dalam bidang ekonomi.

Secara keseluruhan, ekonometrika merupakan alat penting dalam analisis ekonomi yang
memungkinkan para ekonom untuk menghubungkan teori ekonomi dengan data empiris,
sehingga memberikan dasar yang lebih kuat untuk pengambilan keputusan ekonomi dan
pemahaman yang lebih baik tentang perilaku ekonomi.

2. Tahapan metodologi dalam ekonometrika meliputi:

Perumusan Masalah:
Tahap awal dalam penelitian ekonometrik adalah merumuskan masalah atau pertanyaan
penelitian yang ingin dijawab. Misalnya, apakah ada hubungan antara pendapatan dan
pengeluaran konsumen?
Pengumpulan Data:
Langkah selanjutnya adalah mengumpulkan data yang relevan untuk menjawab pertanyaan
penelitian. Data dapat diperoleh dari berbagai sumber, seperti survei, basis data, atau literatur
ekonomi yang ada.
Spesifikasi Model:
Pemilihan model ekonometrik yang tepat untuk menganalisis data adalah tahap penting. Ini
melibatkan pemilihan variabel-variabel yang akan dimasukkan dalam model, serta bentuk
fungsional hubungan antar variabel tersebut. Misalnya, model regresi linear sederhana, model
regresi logistik, atau model time series.
Estimasi Model:
Tahap ini melibatkan estimasi parameter dalam model ekonometrik yang dipilih. Estimasi
parameter dilakukan dengan menggunakan teknik statistik seperti metode kuadrat terkecil (least
squares), metode Maksimum Likelihood, atau metode instrumental variables, tergantung pada
model yang digunakan.
Pengujian Hipotesis:
Setelah estimasi model, hipotesis-hipotesis statistik diajukan dan diuji untuk menguji signifikansi
hubungan antar variabel dalam model. Ini mencakup pengujian hipotesis nol (null hypothesis)
dan hipotesis alternatif (alternative hypothesis).
 Evaluasi Model:
Tahap ini melibatkan penilaian kesesuaian model dengan data. Ini dapat melibatkan pengujian
asumsi-asumsi model, seperti independensi, homoskedastisitas, dan normalitas residu, serta
pengukuran sejauh mana model dapat menjelaskan variasi dalam data.
Prediksi dan Penggunaan Model:
Setelah model dinyatakan memadai, model tersebut dapat digunakan untuk membuat prediksi dan
melakukan analisis kebijakan. Model ini dapat digunakan untuk meramalkan perilaku ekonomi di
masa depan atau untuk menguji dampak kebijakan tertentu.
Interpretasi Hasil:
Hasil dari analisis ekonometrik perlu diinterpretasikan dalam konteks masalah ekonomi yang ada.
Ini dapat melibatkan menjelaskan hubungan kausal antara variabel-variabel dalam model dan
implikasi ekonomi dari temuan.
Komunikasi Hasil:
Hasil dari analisis ekonometrik perlu disajikan dan dikomunikasikan kepada pemangku
kepentingan, baik melalui laporan penelitian, presentasi, atau publikasi ilmiah.
Pemutakhiran dan Revisi:
Ekonometrik adalah proses iteratif. Model dan analisis dapat diperbaiki atau diperbarui ketika
data baru atau penelitian tambahan tersedia.
Tahapan ini membentuk dasar metodologi ekonometrika, dan setiap langkah tersebut sangat
penting dalam memastikan validitas dan ketepatan analisis ekonometrik.

3. Dalam ekonometrika, data dapat dikelompokkan berdasarkan sifat pengukuran dan cara
pengambilannya. Berikut adalah beberapa jenis data berdasarkan sifat pengukurannya:

Data Kualitatif (Categorical Data):

Data Nominal: Data ini menggambarkan kategori atau kelompok tanpa urutan. Contoh: jenis
kelamin, warna mobil, atau nama kota.
Data Ordinal: Data ini menggambarkan kategori dengan urutan tertentu, tetapi selisih antar
kategori tidak memiliki interpretasi yang pasti. Contoh: tingkat pendidikan (SD, SMP, SMA),
tingkat kepuasan (rendah, sedang, tinggi).

Data Kuantitatif (Quantitative Data):

Data Interval: Data ini memiliki urutan, dan selisih antara nilai-nilai data ini memiliki makna
yang jelas. Namun, tidak ada nilai nol mutlak. Contoh: suhu dalam skala Celsius, indeks harga
konsumen.
Data Rasio: Data ini memiliki urutan, selisih antara nilai-nilai data memiliki makna, dan ada
nilai nol mutlak yang menunjukkan ketiadaan atau nol yang mutlak. Contoh: pendapatan
individu, usia, jumlah produk yang terjual.
 Cara pengambilan data dapat dibagi menjadi beberapa metode, termasuk:
Pengambilan Data Primer (Primary Data): Data ini dikumpulkan secara langsung oleh peneliti
melalui survei, wawancara, eksperimen, atau observasi. Pengumpulan data primer
memungkinkan peneliti untuk mengontrol proses pengumpulan data sesuai dengan tujuan
penelitian mereka.
Pengambilan Data Sekunder (Secondary Data): Data ini telah dikumpulkan oleh sumber lain
sebelumnya dan tersedia untuk digunakan oleh peneliti. Data sekunder bisa berasal dari sumber
seperti lembaga pemerintah, organisasi nirlaba, atau penelitian sebelumnya. Penggunaan data
sekunder biasanya lebih ekonomis dan cepat daripada pengumpulan data primer.
Pengambilan Data Kualitatif: Data kualitatif diperoleh melalui wawancara, pengamatan, atau
analisis dokumen. Pengambilan data kualitatif bertujuan untuk memahami makna dan konteks di
balik fenomena.
Pengambilan Data Kuantitatif: Data kuantitatif diperoleh melalui survei, eksperimen, atau
pengukuran numerik. Data ini berfokus pada angka dan statistik untuk analisis lebih lanjut.
Pemilihan jenis data dan metode pengambilan data tergantung pada sifat penelitian ekonometrik
dan tujuan yang ingin dicapai. Analisis ekonometrik sering melibatkan transformasi, pengolahan,
dan modelisasi data untuk mengungkap hubungan antara variabel-variabel yang diamati dan
membuat perkiraan yang berguna dalam konteks ekonomi.

4. Analisis regresi adalah suatu metode statistik yang digunakan untuk memahami hubungan antara
satu atau lebih variabel independen (biasanya disebut variabel prediktor atau regresor) dan
variabel dependen (biasanya disebut variabel respons atau target). Analisis regresi dapat
digunakan untuk memodelkan dan memprediksi bagaimana perubahan dalam satu atau lebih
variabel independen berdampak pada variabel dependen. Terdapat beberapa jenis analisis regresi,
seperti regresi linear sederhana, regresi linear berganda, regresi logistik, dan sebagainya.

Multikolineritas adalah suatu masalah dalam analisis regresi berganda ketika dua atau lebih
variabel independen dalam model regresi berkorelasi tinggi satu sama lain. Ini dapat menyulitkan
identifikasi hubungan antara masing-masing variabel independen dan variabel dependen.
Multikolineritas dapat menyebabkan perkiraan parameter regresi menjadi tidak stabil dan sulit
untuk diinterpretasikan.
Cara menghilangkan multikolineritas meliputi:
Pengurangan variabel: Anda dapat mempertimbangkan untuk menghapus satu atau lebih variabel
independen yang sangat berkorelasi. Ini akan mengurangi multikolineritas, tetapi juga dapat
mengurangi informasi yang dimiliki model.

Mengumpulkan lebih banyak data: Dalam beberapa kasus, mengumpulkan lebih banyak data
dapat membantu mengurangi multikolineritas dengan memperluas variasi dalam variabel
independen.

Transformasi variabel: Anda dapat mencoba mengubah variabel independen yang berkorelasi
menjadi bentuk lain, seperti melakukan transformasi logaritmik, akar kuadrat, atau standarisasi.
Ini dapat membantu mengurangi korelasi antar variabel.
 Penggunaan metode regresi alternatif: Beberapa metode regresi, seperti regresi Ridge atau regresi
Lasso, dirancang khusus untuk mengatasi masalah multikolineritas dengan cara memberikan
penalti pada parameter yang besar. Ini dapat membantu mengurangi multikolineritas tanpa harus
menghapus variabel.

Analisis komponen utama (PCA): Metode ini mengubah variabel awal ke dalam kombinasi linear
yang tidak berkorelasi. Ini dapat membantu mengatasi multikolineritas.
Pilihan metode untuk mengatasi multikolineritas tergantung pada situasi khusus dan tujuan
analisis regresi Anda. Selalu penting untuk memahami dampak dari tindakan yang Anda ambil
terhadap interpretasi hasil regresi.

5.

Analisis data

Pengaruh pertumbuhan ekonomi terhadap inflasi, IPM, & UMR

(tahun 2005-2010)

Data

Tahun Inflasi IPM UMR PE

2005 22.41 72.00 600000.00 5.48
2006 6.11 72.50 737794.00 6.20
2007 6.60 72.78 761000.00 6.90
2008 10.72 73.29 822205.00 6.39
2009 2.61 73.80 905000.00 5.07
2010 8.00 74.19 965000.00 6.42
1035500.0
2011 3.67 67.34 0 6.66
1200000.0
2012 3.86 67.74 0 6.45
1375000.0
2013 10.18 68.36 0 6.08
1505850.0
2014 8.17 68.87 0 5.23
1625000.0
2015 3.24 69.51 0 5.10
1811875.0
2016 6.34 70.00 0 5.18
1961355.0
2017 3.20 70.57 0 5.12
 2132189.0
2018 1.23 71.18 0 5.18
2303403.0
2019 2.33 71.74 0 5.22
2499423.0
2020 1.96 71.77 0 -1.07

Uji Normalitas

7
Series: Residuals
6 Sample 2005 2020
Observations 16
5
Mean -1.11e-16
4
Median 0.095619
3 Maximum 2.021339
Minimum -3.806384
2 Std. Dev. 1.288802
Skewness -1.423081
1 Kurtosis 6.009351

0
-4 -3 -2 -1 0 1 2 3 Jarque-Bera 11.43788
Probability 0.003283

Kriteria:

• Ho diterima,Artinya tidak ada pelanggaran normalitas data.

• Ha diterima,Artinya ada pelanggaran normalitas data.

• Jika nilai Prob c-s nya 0,05, maka Ho diterima. Artinya tidak ada pelanggaran normalitas data pada
model penelitian tersebut.

Kesimpulan:

Diketahui Prob. 0,03283 < 0,05, maka Ha diterima. Artinya ada pelanggaran normalitas data pada model
penelitian tersebut.
Uji Autokorelasi

Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags

F-statistic 2.668505 Prob. F(2,10) 0.1178

Obs*R-squared 5.567719 Prob. Chi-Square(2) 0.0618

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/13/23 Time: 10:37
Sample: 2005 2020
Included observations: 16
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C -14.05022 13.30129 -1.056305 0.3157

INFLASI -0.002648 0.077639 -0.034103 0.9735
IPM 0.169684 0.179167 0.947067 0.3659
UMR 1.73E-06 1.01E-06 1.715470 0.1170
RESID(-1) -1.072483 0.574899 -1.865517 0.0917
RESID(-2) -1.122053 0.697698 -1.608221 0.1389

R-squared 0.347982 Mean dependent var -1.11E-16

Adjusted R-squared 0.021974 S.D. dependent var 1.288802
S.E. of regression 1.274563 Akaike info criterion 3.603081
Sum squared resid 16.24512 Schwarz criterion 3.892801
Log likelihood -22.82465 Hannan-Quinn criter. 3.617917
F-statistic 1.067402 Durbin-Watson stat 1.935243
Prob(F-statistic) 0.432839

Kriteria:

a. Ho diterima, Artinya tidak ada pelanggaran autokorelasi data.

b. Ha diterima, Artinya ada pelanggaran autokorelasi data

c. Jika nilai Prob c-s nya <0,05 maka Ha diterima

Kesimpulan:
Diketahui Prob. 0,0618 > 0,05, maka Ho diterima. Artinya tidak ada pelanggaran autokorelasi data pada
model penelitian tersebut.

Uji Heterokedastisitas

Heteroskedasticity Test: Breusch-Pagan-Godfrey

Null hypothesis: Homoskedasticity

F-statistic 3.809106 Prob. F(3,12) 0.0396

Obs*R-squared 7.804440 Prob. Chi-Square(3) 0.0502
Scaled explained SS 10.99552 Prob. Chi-Square(3) 0.0118

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/13/23 Time: 10:41
Sample: 2005 2020
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C -43.67671 25.71226 -1.698672 0.1151

INFLASI 0.044152 0.174916 0.252420 0.8050
IPM 0.548508 0.354431 1.547573 0.1477
UMR 4.33E-06 1.53E-06 2.841052 0.0149

R-squared 0.487777 Mean dependent var 1.557197

Adjusted R-squared 0.359722 S.D. dependent var 3.599554
S.E. of regression 2.880269 Akaike info criterion 5.165962
Sum squared resid 99.55136 Schwarz criterion 5.359109
Log likelihood -37.32770 Hannan-Quinn criter. 5.175853
F-statistic 3.809106 Durbin-Watson stat 1.109320
Prob(F-statistic) 0.039611

Kriteria:
• Ho diterima, Artinya tidak ada pelanggaran autokorelasi data.
• Ha diterima, Artinya ada pelanggaran autokorelasi data.
• Jika nilai Prob c-s nya <0,05 maka Ha diterima
Kesimpulan:
Diketahui Prob. 0,0502 > 0,05, maka Ho diterima. Artinya tidak ada pelanggaran
autokorelasi data pada model penelitian tersebut

Uji Multikolinearity

Variance Inflation Factors

Date: 10/13/23 Time: 10:44
Sample: 2005 2020
Included observations: 16

Coefficient Uncentered Centered

Variable Variance VIF VIF

C 165.4615 1275.072 NA
INFLASI 0.007657 3.832949 1.498802
IPM 0.031440 1221.618 1.056617
UMR 5.82E-13 10.22477 1.552495

Kriteria:
• Jika VIF < 10, maka tidak ada pelanggaran multikolinearity data.
• Jika VIF > 10, maka ada pelanggaran multikolinearity data.
Kesimpulan:
Diketahui VIF < 10 (Inflasi = 1,498; IPM = 1,056 ; UMR
= 1.552 ) Artinya tidak ada pelanggaran multikolinearity data pada model penelitian
tersebut.
Persamaan Regresi Model Penelitian
Dependent Variable: PE
Method: Least Squares
Date: 10/13/23 Time: 10:48
Sample: 2005 2020
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C 24.34895 12.86318 1.892918 0.0827

INFLASI -0.060669 0.087506 -0.693309 0.5013
IPM -0.214505 0.177313 -1.209757 0.2497
UMR -2.44E-06 7.63E-07 -3.197192 0.0077

R-squared 0.504932 Mean dependent var 5.350625

Adjusted R-squared 0.381165 S.D. dependent var 1.831697
S.E. of regression 1.440924 Akaike info criterion 3.780764
Sum squared resid 24.91515 Schwarz criterion 3.973912
Log likelihood -26.24612 Hannan-Quinn criter. 3.790655
F-statistic 4.079693 Durbin-Watson stat 1.783856
Prob(F-statistic) 0.032715

PE = c – B1 (Inflasi) – B2(IPM) – (UMR) + e

PE = c -0.060669(Inflasi) -0.214505(IPM) -2.44E-06(UMR) + e
Keterangan:
• Konstanta sebesar 24. 34895 Artinya jika Inflasi, IPM, UMR adalah nol, maka Pertumbuan Ekonomi
sebesar 24. 34895. persen
• Koefisien regresi Inflasi sebesar -0.060669. Artinya jika Inflasi meningkat sebesar 1 persen, maka
Pertumbuhan Ekonomi menurun sebesar 0.060669. persen
• Koefisien regresi IPM sebesar -0.214505. Artinya jika Inflasi meningkat sebesar 1 persen, maka
Pertumbuhan Ekonomi menurun sebesar 0.214505. persen
• Koefisien regresi UMR sebesar -2.44E-06. Artinya jika Inflasi meningkat sebesar 1 persen, maka
Pertumbuhan Ekonomi menurun sebesar 2.44E-06. persen

Uji F
Pengaruh Infalsi,IPM dan UMR terhadap Pertumbuhan Ekonomi Ho : tidak terdapat Infalsi,IPM dan
UMR terhadap Pertumbuhan Ekonomi Ha : terdapat pengaruh Infalsi,IPM dan UMR terhadap
Pertumbuhan Ekonomi
Kriteria : Jika F hitung > F tabel, atau prob < 0,05, maka Ha diterima Kesimpulan: Nilai F hitung = 4,07 >
F table = 2,17; dan nilai prob. 0,000 (lebih kecil dari 0,05), maka Ha diterima. Artinya terdapat pengaruh
signifikan Infalsi,IPM dan UMR terhadap Pertumbuhan Ekonomi

Uji T
Ho : tidak terdapat Infalsi,IPM dan UMR terhadap Pertumbuhan Ekonomi Ha : terdapat pengaruh Negatif
dan signifikan pengaruh Infalsi,IPM dan UMR terhadap Pertumbuhan Ekonomi
Kriteria : Jika t hitung > t tabel, atau prob < 0,05, maka Ha diterima

INFLASI
Kesimpulan: Nilai t hitung = 0,693 < t table = 1,78; dan nilai prob. 1 arah sebesar 0,0000 (lebih kecil dari
0,05), maka H0 diterima. Artinya terdapat pengaruh Negatif dan tidak signifikan inflasi terhadap
PErtumbuhan Ekonomi
IPM
Kesimpulan: Nilai t hitung = 1,20 < t table = 1,78; dan nilai prob. 1 arah sebesar 0,0000 (lebih kecil dari
0,05), maka H0 diterima. Artinya terdapat pengaruh Negatif dan tidak signifikan ipm terhadap
PErtumbuhan Ekonomi
UMR
Kesimpulan: Nilai t hitung = 3,197 > t table = 1,78; dan nilai prob. 1 arah sebesar 0,0000 (lebih kecil dari
0,05), maka Ha diterima. Artinya terdapat pengaruh Negatif dan signifikan UMR terhadap PErtumbuhan
Ekonomi