Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah ... · Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta Bahan Ajar Regresi Model PAM Agus Tri Basuki, SE., M.Si

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

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

Model Penyesuaian Parsial (Partial Adjustment Model)

Model regresi yang menunjukkan hubungan antara variabel terikat dan variabel bebas yang didistribusikan berdasarkan periode waktu tertentu biasa disebut dengan Model Lag Terdistribusi (Gujarati, 2009). Model Lag Terdistribusi atau Infinite Lag Models, dapat ditulis sebagai berikut

tttttt XXXXY .... 3322110 ............. (1)

Model ini menggambarkan bahwa nilai Yt tergantung atau dipengaruhi oleh nilai X pada saat t (Xt), nilai X pada satu unit ukuran waktu sebelumnya 1tX , dan nilai X pada dua unit ukuran waktu sebelumnya

2tX dan seterusnya. Selain itu model ini dipengaruhi oleh faktor-faktor

lain yang diwakili oleh (Lains, 2006). Model Lag Terdistribusi telah menunjukkan kegunaan yang sangat besar dalam ilmu ekonomi empiris karena model ini telah membuat teori ekonomi yang bersifat statis menjadi yang bersifat dinamis dengan memperhitungkan secara eksplisit peranan dari waktu. Model ini membedakan antara respon jangka pendek dan jangka panjang dari variabel terikat terhadap satu unit perubahan dalam nilai variabel yang menjelaskan.

Koyck (1954) mengusulkan suatu metode penaksiran Model Lag Terdistribusi didasarkan pada asumsi bahwa koefisien menurun secara

eksponensial dari waktu ke waktu (Ravines et al., 2003), yaitu :

k

k 0 , k = 0,1,2,3,..... dan 10

dimana adalah tingkat penurunan dari lag terdistribusi (rate of decay of the distributed lag). Adapun asumsi-asumsi dari aturan Koyck (Nachrowi dan Usman, 2005) yaitu: 1) Nilai non-negatif sehingga k selalu mempunyai tanda yang sama

2) 1 maka bobot k semakin kecil semakin jauh periodenya

3) Aturan Koyck menjamin bahwa jumlah adalah penjumlahan jangka

panjang, yaitu :

0

0

1k

k



Model Ekspektasi Adaptif dispesifikasikan dengan memperhatikan ekspektasi di masa depan. Walaupun pengalaman di masa lalu dapat dijadikan pedoman untuk prediksi di masa yang akan datang. Model Ekspektasi adaptif dirumuskan dalam bentuk sebagai berikut :

ttt XY

10 ………………………… (2)

model ini menggambarkan bahwa nilai tY tergantung atau dipengaruhi oleh

nilai X pada saat t yang diharapkan pada periode sekarang untuk dihasilkan pada periode yang akan datang (Lains, 2006).

Karena variabel

tX yang bersifat harapan tidak dapat diamati secara

langsung, maka Cagan dan Friedman mengemukakan hipotesis mengenai bagaimana harapan tersebut terbentuk yang kemudian dikenal dengan hipotesis harapan aditif:

11 tttt XXXX ………………………. (3)

dimana adalah koefisien harapan (Coefficient of Expectation) dengan

10 (Jonni, 2005).

Pendugaan Parameter dengan Metode Ekspektasi Adaptif (EA) Model Regresi Ekspektasi Adaptif yaitu :

ttt XY *

10 . …………….…….( 4)

Dengan *, tt XY masing-masing merupakan keseimbangan optimal dari

Ekspetasi jangka panjang. Variabel *

tX secara langsung tidak dapat diamati

dan mengikuti hipotesis ekspektasi adaptif yaitu )( *

1

**

1

*

tttt XXXX

Dengan 0 < < 1, ini adalah koefisien ekspektasi adaptif dan ekspektasi progresif. Ekspektasi ini berdasarkan waktu sebelumnya dan secara khusus didapat dari kesalahan masa lalu. Lebih spesifik dapat dikatakan bahwa ekspektasi ini direvisi setiap periode dengan praksi ( ) antara nilai sekarang dengan nilai periode berikutnya. Jika ekspektasi direalisasikan secara cepat

dan penuh pada waktu yang sama dengan =1 maka *

tX = tX dan

persamaan (34) akan menjadi:



ttt XXX

*

1

* )1( …………….…. (5)

Substitusi persamaan (5) ke persamaan (4) maka diperoleh

tttt XXY ))1(( *

110

tttt XXY

*

1110 )1( …………….. (6)

Selanjutnya persamaan (6) dikalikan dengan )1( dan hasilnya dikurangi

dari persamaan (7) dan diperoleh:

1

*

1101 )1()1()1()1( ttt XY ………………. (7)

*

11111001 )]1()1([)]1([)1()1( tttt XXYY

1)1( tt

1110 )1()1( ttttt YXY ….….. (8)

Dari persamaan (4) koefisien 1 merupakan ukuran pendugaan perubahan Y

akibat perubahan satu unit *X , keseimbangan jangka panjang dari nilai X. Pada persamaan (8) koefisien 1 merupakan ukuran rata-rata perubahan Y

akibat perubahan satu unit X. Kedua respon ini tidak sama kecuali = 1. Dalam praktek pertama ditaksir persamaan (8) untuk memperoleh dan koefisien 1 dengan mudah dapat dihitung, yaitu dengan membagi 1

tX

dengan . Pendugaan Parameter dengan Model Parsial Adjustment Rasionalisasi dari Model Koyck adalah Model Parsial Adjustment (MPA). Pertimbangan flexible accelerator model dari teori ekonomi mengasumsikan adanya kesembangan optimal dalam jangka panjang. Misalkan asosiasi modal

yang diinginkan ( *

tY ) dengan pendapatan )( tX adalah :

ttt XY 10

* ............................................................................ (9)

dan rumusan hipotesis partial adjustment atau stock adjustment adalah

)( 1

*

1 tttt YYYY dimana 0 < δ 1 disebut koefisien penyesuaian; 1 tt YY

adalah perubahan aktual dari modal; dan 1

*

tt YY adalah perubahan modal

yang diinginkan. Penjelasan ini menunjukkan bahwa modal dan investasi periode t masing-masing adalah :

ittt YYY )1(* dan )( 1

*

ttt YYI ............................................. (10)



dan substitusi persamaan (9) ke persamaan (10) diperoleh modal aktual

110 )1()( tttt YXY

titt YXY )1(10 .................................................. (11)

Persamaan ini disebut Model Parsial Adjustment (MPA). Persamaan (4) menjelaskan keseimbangan permintaan modal dalam jangka panjang dan persamaan (11) menjelaskan keseimbangan permintaan modal jangka pendek. Penaksiran persamaan (11) menghasilkan koefisien pada modal jangka panjang dengan cara mengetahui koefisien adjustment (δ). Aplikasi Model PAM dalam Ekonomi Hubungan antara Pendapatan Domestik Bruto dengan kurs, Gross fixed capital formation, Tax revenue, Trade, Labor force dan Industry Value Added dinyatakan sebagai berikut : GDP : f (GDP, Kurs, GFCF, TR, Trade, AK dan IVA)

tttttttt IVAAKTradeTRGFCFKursGDP 5543210

*

.. (12)

ittt GDPGDPGDP )1(* ...................................................................... (13) Masukan persamaan (12) ke persamaan (13) sehingga diperoleh

15543210 )1()( ttttttttt GDPIVAAKTradeTRGFCFKursGDP

tttttttt IVAAKTradeTRGFCFKursGDP 6543210

1)1( tGDP ....................................................................................... (14)

ttttttt IVAAKTradeTRGFCFKursGDP 6543210

ttGDP 16 ...................................................................................... (15) Persamaan (15) yang akan digunakan untuk mengamati faktor-faktor yang mempengaruhi GDP di Indonesia.



Memenuhi

Ya

Tidak

Studi Kepustakaan (Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan Pembentukan Model

Pembuatan Hipotesis

Pengolahan Data Uji Spesifikasi Model dan Uji Asumsi

Klasik

Proses Pengumpulan Data

Estimasi Model dan Pengujian Hipotesis

Kesimpulan dan Rekomendasi

Gambar 1 Langkah-Langkah Penelitian

Revisi

Memenuhi



Berikut ini data ekonomi makro Indonesia sebagai berikut :

Tahun

GDP (constant LCU)

Kurs Gross fixed capital

formation (constant LCU)

Tax revenue (current LCU)

Trade Labor force

Industry, value added (constant

LCU)

GDP Kurs GFCF TR Trade AK IVA

1986 2,047,292,604,338,300 1,283 525,767,839,086,000 14,993,000,000,000 819,472,884,152,016 68,546,945 798,544,781,014,800

1987 2,155,799,176,654,500 1,644 554,680,733,051,900 18,827,000,000,000 998,818,533,420,652 70,567,939 848,962,545,204,100

1988 2,292,814,846,746,000 1,686 618,517,644,265,400 21,435,000,000,000 1,083,459,633,537,290 72,588,934 907,301,991,769,700

1989 2,501,110,525,830,700 1,770 710,782,070,626,400 26,678,000,000,000 1,227,592,114,499,590 74,609,928 1,053,730,190,492,900

1990 2,726,249,821,167,800 1,843 825,058,186,077,300 37,431,600,000,000 1,441,964,271,955,940 75,542,769 1,161,956,026,945,300

1991 2,969,643,847,614,300 1,950 931,494,177,183,200 39,098,000,000,000 1,628,539,758,976,440 77,307,862 1,277,017,158,693,800

1992 3,184,067,029,251,900 2,030 964,890,833,384,600 44,499,900,000,000 1,828,527,952,182,690 78,914,502 1,503,686,756,495,200

1993 3,415,041,652,725,900 2,087 1,028,569,876,323,000 47,344,000,000,000 1,725,393,071,594,540 81,870,338 1,482,119,880,662,300

1994 3,672,538,070,470,900 2,161 1,170,056,947,025,800 60,958,000,000,000 1,905,206,289,918,400 84,403,885 1,647,643,312,108,300

1995 3,980,897,516,197,100 2,249 1,333,804,863,859,200 68,017,000,000,000 2,148,036,149,401,290 87,543,334 1,819,329,402,675,000

1996 4,285,149,005,555,500 2,342 1,527,398,594,230,900 75,810,000,000,000 2,239,622,144,209,320 90,417,398 2,013,806,086,902,600

1997 4,486,545,547,065,900 2,909 1,658,266,039,607,700 100,505,700,000,000 2,512,191,662,450,940 90,389,678 2,117,949,036,253,500

1998 3,897,609,098,897,500 10,014 1,110,903,117,229,100 143,626,700,000,000 3,748,961,858,536,470 91,706,362 1,822,466,026,611,800

1999 3,928,444,247,354,300 7,855 908,769,274,450,800 179,430,400,000,000 2,472,716,527,537,000 96,987,970 1,858,334,024,795,000

2000 4,121,726,241,993,900 8,422 1,060,872,288,362,200 99,643,790,476,190 2,944,432,464,112,750 98,826,372 1,967,791,836,600,200

2001 4,271,899,954,667,000 10,261 1,129,749,087,480,800 190,614,200,000,000 2,981,495,922,803,340 100,218,844 2,021,590,172,211,700

2002 4,464,113,041,849,300 9,311 1,182,784,395,845,000 215,467,500,000,000 2,637,374,038,628,250 101,540,073 2,107,764,749,213,200

2003 4,677,514,123,258,600 8,577 1,189,884,726,120,600 249,404,313,253,852 2,507,919,080,077,860 103,423,950 2,186,913,010,032,200

2004 4,912,833,962,560,100 8,939 1,364,599,072,554,300 283,093,000,000,000 2,935,973,057,506,130 105,304,929 2,273,100,844,234,100

2005 5,192,500,538,917,800 9,705 1,513,164,999,669,000 312,488,056,626,926 3,322,573,914,833,110 107,363,088 2,380,026,639,458,400



Tahun

GDP (constant LCU)

Kurs Gross fixed capital

formation (constant LCU)

Tax revenue (current LCU)

Trade Labor force

Industry, value added (constant

LCU)

GDP Kurs GFCF TR Trade AK IVA

2006 5,478,137,490,010,100 9,159 1,552,460,084,009,500 343,625,377,952,311 3,103,755,304,808,870 109,356,104 2,486,855,317,982,500

2007 5,825,726,531,358,900 9,141 1,697,209,598,268,500 374,762,699,277,696 3,194,202,162,925,520 111,244,331 2,604,234,878,138,900

2008 6,176,068,457,506,700 9,699 1,898,942,099,974,500 658,701,000,000,000 3,616,792,130,902,920 113,031,121 2,701,585,275,030,700

2009 6,461,950,710,551,600 10,390 1,961,482,072,067,500 619,922,000,000,000 2,940,970,850,172,160 115,053,936 2,798,525,931,939,900

2010 6,864,133,100,000,000 9,090 2,127,840,682,000,000 723,307,000,000,000 3,205,637,598,235,500 116,495,844 2,936,192,400,000,000

2011 7,287,635,300,000,000 8,770 2,316,359,104,097,800 873,874,000,000,000 3,656,936,354,349,880 118,515,710 3,122,633,400,000,000

2012 7,727,083,400,000,000 9,387 2,527,728,790,484,400 980,518,000,000,000 3,831,311,903,721,210 120,426,769 3,288,298,000,000,000

2013 8,156,497,800,000,000 10,461 2,654,375,036,700,900 1,077,310,000,000,000 3,967,106,232,237,770 122,125,092 3,431,080,900,000,000

2014 8,566,271,200,000,000 11,865 2,775,733,579,064,600 1,145,282,928,434,310 4,116,716,178,297,760 124,061,112 3,577,694,800,000,000

2015 8,976,931,500,000,000 13,389 2,916,601,630,562,700 1,164,554,577,386,610 3,764,719,516,265,140 127,155,782 3,672,595,500,000,000

2016 8,164,934,610,302,790 12,935 2,542,077,573,709,210 935,748,526,661,157 4,201,921,841,339,830 129,176,776 3,547,268,352,813,750

2017 8,380,512,700,553,410 13,343 2,612,020,756,005,150 974,202,791,298,637 4,304,178,262,152,610 131,197,771 3,638,770,115,628,690

2018 8,596,090,790,804,030 13,751 2,681,963,938,301,090 1,012,657,055,936,110 4,406,434,682,965,400 133,218,765 3,730,271,878,443,630

Sumber: World Bank (2018)



Cara memasukan data di Excell ke Eviews Data diatas kita masukan ke program eviews, dengan cara copy seperti dibawah ini :

Blok C3 sampai dengan I26 yang akan kita copy

Kemudian buka Eviews



klik file New Workfile

Maka akan muncul sebagai berikut :



Isilah

Start date 1986

End date 2018 lalu tekan Ok dan akan muncul di layar sebagai berikut :

Kemudian klik Quick Empty Group (Edit Series) ok Maka akan muncul seperti di layar



Klik Paste, seperti di bawah ini

Maka akan muncul di layar



Cara melakukan regresi

klic Proc Make Equation

Maka akan muncul

Klik OK



Karena koefisien penyesuaian tidak signifikan (lihat dalam kotak merah), maka perlu kita lakukan dengan memperkecilkan perbedaan nilai antar variabel dengan melakukan logaritma di setiap variable (kecuali variable yang nilainya persen atau decimal).

Klik Estimate

Klik ok, diperoleh hasil sebagai berikut :



Dan hasilnya koefisien penyesuaian sekarang bernilai antara 0 sampai dengan 1 dan signifikan.

Uji Asumsi Klasik Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan

Ordinary Least Squared (OLS) meliputi uji Linieritas, uji Normalitas. Uji

Autokorelasi, uji Heteroskedastisitas, dan uji Multikolinieritas Walaupun

demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model

regresi linier dengan pendekatan OLS.

1. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier.

Karena sudah diasumsikan bahwa model bersifat linier. Kalaupun

harus dilakukan semata-mata untuk melihat sejauh mana tingkat

linieritasnya.

2. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best

Linier Unbias Estimator) dan beberapa pendapat tidak mengharuskan

syarat ini sebagai sesuatu yang wajib dipenuhi.

3. Autokorelasi hanya terjadi pada data time series. Pengujian

autokorelasi pada data yang tidak bersifat time series (cross section atau

panel) akan sia-sia semata atau tidaklah berarti.



4. Multikolinieritas perlu dilakukan pada saat regresi linier

menggunakan lebih dari satu variabel bebas. Jika variabel bebas

hanya satu, maka tidak mungkin terjadi multikolinieritas.

5. Heteroskedastisitas biasanya terjadi pada data cross section, dimana

data panel lebih dekat ke ciri data cross section dibandingkan time series.

Uji Linearitas

Klik View Stability Diagnostics Ramsey RESET Test

Kemudian muncul

Klik Ok



Uji linieritas yang digunakan dalam penelitian ini yaitu dengan menggunakan uji Ramsey Reset. Di mana, jika nilai F-hitung lebih kecilr dari nilai F-kritisnya pada α tertentu berarti tidak signifikan, maka menolak hipotesis bahwa model tidak linear.

Uji Normalitas Uji normalitas ini digunakan untuk mengetahui apakah residual berdistribusi normal atau tidak. Untuk menguji apakah distribusi data normal atau tidak dapat dilakukan dengan menggunkan uji Jarque-Berra (uji J-B).

Klik View Residual Diagnostics Histogram – Normality Test

Maka akan muncul hasil uji normalitas sebagai berikut :

Tidak linear



Berdasarkan uji normalitas dapat diketahui bahwa ρ-value sebesar 0,887639 > α = 5%. Maka, dapat disimpulkan bahwa data yang digunakan dalam model ini berdistribusi normal. Uji Multikolinearitas Multikolinieritas adalah adanya hubungan linier antara variabel independen di dalam model regresi. Untuk menguji ada atau tidaknya multikolinieritas pada model, peneliti menggunakan metode parsial antar variabel independen. Rule of thumb dari metode ini adalah jika koefisien korelasi cukup tinggi di atas 0,85 maka diduga ada multikolinieritas dalam model. Sebaliknya jika koefisien korelasi relatif rendah maka duga model tidak mengandung unsur multikolinieritas (Ajija at al, 2011). Berdasarkan pengujian dengan metode korelasi parsial antar variabel independen diperoleh bahwa terdapat masalah multikolinieritas dalam model. Hal itu dikarenakan nilai matrik korelasi (correlation matrix) lebih dari 0,85. Klik varibel terikat dan semua variable bebasnya, kemudian klik kanan dan pilih copy



Kemudian klik Quick Group Statistics Correlations

Maka akan muncul

Klik Ok

Klik Yes



Berdasarkan pengujian dengan metode korelasi parsial antar variabel independen diperoleh bahwa beberapa variable terdapat masalah multikolinieritas dalam model. Hal itu dikarenakan nilai matrik korelasi (correlation matrix) lebih dari 0,85. Masalah multikolinieritas tidak selalu buruk jika tujuan untuk melakukan prediksi atau peramalan karena koefisien determinasi yang tinggi merupakan ukuran kebaikan dari prediksi atau peramalan. Oleh sebab itu bila koefisien determinasi tinggi dan signifikasi koefisien slope tinggi maka model regresi pada umumnya tidak mengalami masalah multikolinieritas. Data time series menunjukkan bahwa semakin panjang lag maka korelasi antar variabel bebas atau multikolinieritas semakin tinggi.

Uji Heteroskedastisitas Heteroskedastisitas merupakan masalah regresi yang faktor gangguan tidak memiliki varian yang sama atau variannya tidak konstan. Hal ini akan memunculkan berbagai permasalahan yaitu penaksir OLS yang bias, varian dari koefisien OLS akan salah. Dalam penelitian ini akan menggunakan metode dengan uji Glejser untuk mendeteksi ada tidaknya heteroskedastisitas dalam model regresi.

Klik View Residual Diagnostics Hesterosdedasticity Test

Pilih ARCH



Klik Ok

Berdasarkan hasil pengolahan data pada jangka pendek diperoleh bahwa nilai Obs* R-squared atau hitung adalah 0,8062 lebih besar dari α = 5 %. Maka dapat disimpulkan bahwa dalam model tidak terdapat masalah heteroskedastisitas dalam model ini.



Uji autokorelasi Autokorelasi menunjukkan adanya korelasi antara anggota serangkaian observasi. Jika model mempunyai korelasi, parameter yang diestimasi menjadi bias dan variasinya tidak lagi minimum dan model menjadi tidak efisien. Dalam penelitian ini, untuk mengetahui ada tidaknya autokorelasi dalam model digunakan uji Lagrange Multiplier (LM). Uji autokorelasi dengan menggunakan metode LM diperlukan lag atau kelambanan. Lag yang dipakai dalam penelitian ini ditentukan dengan metode trial error perbandingan nilai absolut kriteria Akaike dan Schwarz yang nilainya paling kecil. Dalam penelitian ini, peneliti memilih nilai dari kriteria Akaike sebagai acuan utama untuk memudahkan dalam analisis. Dalam estimasi jangka pendek pada lag pertama nilai Akaike yang diperoleh adalah sebesar 1,16, Sehingga berdasarkan metode tersebut diperoleh nilai kriteria Akaike terkecil adalah pada lag pertama.

Klik View Residual Diagnostics Serial Correlation LM Test

Ok



Hasil regresinya sebagai berikut : Dependent Variable: LOG(GDP)

Method: Least Squares

Date: 05/30/19 Time: 23:12

Sample (adjusted): 1987 2017

Included observations: 31 after adjustments Variable Coefficient Std. Error t-Statistic Prob. LOG(KURS) 0.000293 0.027909 0.010510 0.9917

LOG(GFCF) 0.280694 0.058418 4.804926 0.0001

LOG(TR) 0.040596 0.015615 2.599835 0.0160

LOG(TRADE) -0.106107 0.042198 -2.514479 0.0194

LOG(AK) 0.482570 0.173099 2.787832 0.0105

LOG(IVA) 0.220513 0.075156 2.934076 0.0075

LOG(GDP(-1)) 0.218084 0.068308 3.192668 0.0040

C 4.204113 1.856110 2.265013 0.0332 R-squared 0.998989 Mean dependent var 36.09619

Adjusted R-squared 0.998682 S.D. dependent var 0.409752

S.E. of regression 0.014876 Akaike info criterion -5.360449

Sum squared resid 0.005090 Schwarz criterion -4.990387

Log likelihood 91.08695 Hannan-Quinn criter. -5.239818

F-statistic 3248.116 Durbin-Watson stat 1.338128

Prob(F-statistic) 0.000000

Tidak Signifikan, artinya model tidak mengandung

autokorelasi



Interpretasi dari hasil persamaan regresi sebagai berikut :

LOG(GDP) = 0.00029 LOG(KURS) + 0.28069***LOG(GFCF) + 0.04059** LOG(TR) - 0.106106** LOG(TRADE) + 0.48256 **LOG(AK) + 0.22051***LOG(IVA) + 0.21808*** LOG(GDP(-1)) + 4.2041**

Koefisien yang diperoleh dari persamaan diatas adalah dalam jangka pendek. Sedangkan koefisien dalam jangka panjang diperoleh dengan membagi koefisien dalam jangka pendek dengan koefisien penyesuauannya.

Variable Koefisien

Jangka Pendek Jangka Panjang

LOG(KURS) 0.0003 0.0004

LOG(GFCF) 0.2807*** 0.3590***

LOG(TR) 0.0406** 0.0519**

LOG(TRADE) -0.1061** -0.1357**

LOG(AK) 0.4826** 0.6172**

LOG(IVA) 0.2205*** 0.2820**

LOG(GDP(-1)) 0.2181*** C 4.2041 5.3767

Koefisien Penyesuaian 0.7819

Hubungan antara kurs dengan pertumbuhan ekonomi tidak memiliki hubungan, baik dalam jangka pendek maupun dalam jangka panjang. Hubungan antara Gross fixed capital formation (GFCF) dengan pertumbuhan ekonomi berhubungan positif. GFCF adalah komponen pengeluaran untuk produk domestik bruto (PDB), dan dengan demikian menunjukkan sesuatu tentang berapa banyak nilai tambah baru dalam ekonomi yang diinvestasikan daripada dikonsumsi. Nilai koefisien dalam jangka pendek bernilai 0,2807, artinya jika GFCF ditambaha sebesar 1% maka pertumbuhan ekonomi akan meningkat sebesar 0,28%. Dalam jangka panjang nilai koefisien akan meningkat menjadi 0,359%. Hubungan antara Tax Revenue dengan pertumbuhan ekonomi berhubungan positif, artinya semakin meningkat penerimaan pajak akan meningkatkan pertumbuhan ekonomi. Nilai koefisien dalam jangka pendek bernilai 0,04, artinya jika TR ditambah sebesar 1% maka pertumbuhan ekonomi akan meningkat sebesar 0,04%. Dalam jangka panjang nilai koefisien akan meningkat menjadi 0,051%. Walaupun penerimaan pajak memiliki pengaruh



positif tetapi pengaruhnya sangat kecil, atau untuk menaikan 15 pertumbuhan ekonomi dibutuhkan tambahan 25% dari penerimaan pajak. Hubungan antara Trade (Perdagangan) dengan pertumbuhan ekonomi berhubungan negatif, artinya semakin meningkat nilai perdagangan akan menurunkan pertumbuhan ekonomi. Nilai koefisien dalam jangka pendek bernilai 0,106, artinya jika perdagangan meningkat sebesar 1% maka pertumbuhan ekonomi akan turun sebesar 0,106%. Dalam jangka panjang nilai koefisien akan meningkat menjadi 0,135%. Nilai perdagangan ini menjadi kendala, karena kenaikan perdagangan sebesar 10% akan menurunkan pertumbuhan ekonomi sebesar 1%.. Hubungan antara AK (Angkatan Kerja) dengan pertumbuhan ekonomi berhubungan positif, artinya semakin meningkat Angkatan Kerja akan meningkatkan pertumbuhan ekonomi. Nilai koefisien dalam jangka pendek bernilai 0,48, artinya jika AK ditambah sebesar 1% maka pertumbuhan ekonomi akan meningkat sebesar 0,48%. Dalam jangka panjang nilai koefisien akan meningkat menjadi 0,62%. Hubungan antara IVA (Industry Value Added) dengan pertumbuhan ekonomi berhubungan positif, artinya semakin meningkat IVA akan meningkatkan pertumbuhan ekonomi. Nilai koefisien dalam jangka pendek bernilai 0,22, artinya jika TR ditambah sebesar 1% maka pertumbuhan ekonomi akan meningkat sebesar 0,22%. Dalam jangka panjang nilai koefisien akan meningkat menjadi 0,28%. Nilai koefisien dalam model ini sebesar 1-0.2181=0.7819, artinya perbedaan antara pertumbuhan ekonomi yang diharapkan dengan kenyataannya 78% dapat disesuaikan.



DAFTAR PUSTAKA

Ajija, Shochrul R., et al. "Cara cerdas menguasai Eviews." Jakarta: Salemba Empat (2011).

Gujarati, D. N. (2009). Basic econometrics. Tata McGraw-Hill Education.

Lains, P. (2006). Growth in a protected environment: Portugal, 1850–1950. In Research in Economic History (pp. 119-160). Emerald Group Publishing Limited.

Nachrowi, N. D., & Usman, H. (2005). Penggunaan Teknik Ekonometri: Pendekatan Populer dan Praktis Dilengkapi Teknik Analisis dan Pengolahan Data dengan Menggunakan Paket Program SPSS. Edisi Revisi, PT Rajagrafindo Persada, Jakarta.

R. Ravines, R., M. Schmidt, A., & S. Migon, H. (2006). Revisiting distributed lag models through a Bayesian perspective. Applied Stochastic Models in Business and Industry, 22(2), 193-210.

Documents

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah ... · Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta Bahan Ajar Regresi Model PAM Agus Tri Basuki, SE., M.Si