The Books - Ekonometrika by Andhika s

Jenis data dalam program E-Views :

Jenis Data Keterangan Cara Menuliskan

Annual Data tahunan Pada Start date : 2005Pada End date : 2015

Semi-Annual Data semester 2005:1, 2009:2

Quarterly Data kuartalan (tiga bulanan) 2005:1, 2005:4

Monthly Data bulanan 2005:01, 2005:12

Weekly Data mingguan 1/1/2001, 8/31/2001

Daily - 5 days week Data harian, hanya Senin hingga Jumat 1/1/2001, 12/31/2001

Daily - 7 days week Data harian, dari senin sampai Minggu 1/1/2001, 12/31/2001

Integer Data Tidak beraturan atau data cross section 1, dan banyaknya data

Operasi hitungan dalam program E-Views:

Hitungan E-Views Operasi Hitungan

a + b a + b a ditambah b

a – b a – b a dikurangi b

a x b a x b a dikali b

a dibagi b

ab a^b a pangkat b

√a a^0.5 akar a bisa dihitung dengan a pangkat 0.5

a = b a = b a sama dengan b

a > b a > b a lebih besar daripada b

a < b a < b a lebih kecil daripada b

a > b a > b a lebih besar atau sama dengan b

a < b a < b a lebih kecil atau sama dengan b

a dan b a and b apabila nilai a dan b bukan nilai 0, akan menghasilkan 1, bila tidak, menghasilkan angka 0

a atau b a or b apabila nilai a dan b salah satunya tidak bernilai 0, akan menghasilkan 1, bila tidak, menghasilkan angka 0

Fungsi dalam program E-Views :

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 1

Fungsi Kegunaan

Lx =LOG(x), untuk menghitung log x

Ex =EXP(x), untuk menghitung eksponensial x

Ax =ABS(x), untuk menghitung nilai absolute x

SQx =SQR(x), untuk menghitung akar x

RND, NRND Untuk menghasilkan bilangan random, bisa uniform atau normal

Rx =@INV(x), kebalikan atau resiprokal dari x

Dx =D(x), untuk menghitung selisih antara x(t)-x(t-1)

Dnx =D(x,n), untuk menghitung selisih dengan lag ke-n

Lx =x(-1), nilai lag 1 dari variabel x

@SUM(x) Menjumlahkan x

@MEAN(x) Menghitung rata-rata x

@VAR(x) Menghitung varians x

@COV(x,Y) Kovarian antara x dan y

@COR(x,y) Korelasi antara x dan y

@DNORM(x) Fungsi densitas normal baku x

@CNORM(x) Nilai CDF Standard Normal Density x

@R, @RBAR(x) Nilai R2 dan Adjusted R2

@SE, @SSR Standard error regression, sum of squared residual

@DW, @F Durbin-Watson dan F-Statistic

@LOGL Nilai log-likelihood function

Tiga kelompok data dalam ekonometrika :


Deskriptif Statistik

Mean : Rata-rata, diperoleh dengan menjumlahkan seluruh data dan membaginya dengan cacah data.Median : Nilai tengah (atau rata-rata dua nilai tengah bila datanya genap) bila datanya diurutkan dari yang

terkecil hingga yang terbesar. Median merupakan ukuran tengah yang tidak mudah terpengaruh oleh outlier, terutama bila dibandingkan dengan mean.

Max dan Min : Nilai yang paling besar atau paling kecil dari data.Std.Dev. : Ukuran dispersi atau penyebaran data.

dimana N = banyaknya observasi Ῡ = mean dari data

Skewness : Ukuran asimetri distribusi data di sekitar mean.

dimana = estimator deviasi standar yang dihitung melalui rumus

= Kurtosis : Mengukur ketinggian suatu distribusi.

dimana = estimator bias terhadap varians. Kurtosis suatu data berdistribusi normal adalah 3.Jarque-Bera : Uji statistik untuk mengetahui apakah data berdistribusi normal.

Asumsi Model Regresi OLS

1. Hubungan antara Yi, X1i dan X2i bersifat linier.


Ekonometrika

Data Time Series : terdiri dari satu objek tapi memiliki beberapa periode waktu. Misal data PDB.Analisis yang dilakukan didasarkan nilai masa lalu dan pengaruhnya terhadap variabel tersebut. Dipengaruhi oleh urutan data Sangat bergantung kepada lag atau diferensi atau difference.

Data Cross Section : terdiri beberapa objek (misalnya beberapa perusahaan/Negara) pada suatu waktu, dan memiliki beberapa variabel. Analisis Regresi dan Korelasi yang sering digunakan

Data Panel (Pooled Data) : merupakan gabungan antara data time series dengan cross section. Misal: Memiliki empat objek (perusahaan 1, 2, 3, dan 4)Masing-masing perusahaan memiliki tiga variabelMasing-masing objek memiliki empat periode data

(Januari - April)

2. X1i dan X2i bersifat tetap pada setiap observasi (nilai tidak berubah-ubah).

3. Nilai x harus bervariasi.

4. Nilai ei yang diharapkan (expected value) adalah nol, nilai yang diharapkan hanya

dipengaruhi oleh variabel independen.

5. Varian variabel pengganggu ei adalah sama atau bersifat homoskedastis.

6. Tidak ada korelasi serial antarresidual (tidak ada hubungan antara ei dan ej).

7. Tidak ada hubungan antara ei dengan xi.

8. Variabel pengganggu ei berdistribusi normal.

9. Tidak ada multikolinearitas sempurna antarvariabel independen.

10. Jumlah observasi n harus lebih besar daripada jumlah parameter yang diestimasi (variabel

independen).

Permasalahan Dalam Analisis Regresi Linear



Pengujian Asumsi Klasik

Autokorelasi HeteroskedastisitasMultikolinearitas

Indikasi Terjadi Permasalahan

R2 TinggiVariabel X tidak signifikan

Cara Mengatasinya

Biarkan saja model mengandung multikolinearitas.Tambahkan data bila memungkinkan.Hilangkan salah satu variabel independen, terutama yang memiliki hubungan linear yang kuat dengan variabel lain.Transformasikan salah satu variabel, atau melakukan diferensiasi.

Dengan metode lain untuk mendeteksi autokorelasi seperti Uji Breusch-Godfrey atau nama lainnya adalah Lagrange Multiplier.Sortcase data.

Dengan metode lain untuk mendeteksi heteroskedastisitas seperti:Uji ParkUji WhiteUji Korelasi SpearmanUji Goldfeld-QuandtUji Breusch-Pagan-GodfreyMetode GrafikMetode WLS (Weighted Least Square)Metode Transformasi

Analisis data runtut waktu (time series analysis)


Model Probabilitas Linier (LPM) Digunakan untuk menganalisis variabel dependen yang bersifat kategorik dan nonkategorik.minus (-) :

Tidak terdistribusi normal, namun tidak menjadi masalah jika data yang digunakan banyak.Varian residual bersifat heteroskedastis gunakan WLSNilai prediksi Yi tidak selalu terletak di antara 0 dan 1Nilai koefisien determinasi tidak lagi mampu menjelaskan kesesuaian garis regresi dengan datanya.

Sehingga muncul analisis model baru yakni logit dan probit.

Model Tobit (limited dependent variable)Variabel dependennya terbatas sehingga disebut model sensor atau censored model.Tidak seperti data cross section yang dapat dianalisis dengan OLS. Persamaan tobit harus dianalisis menggunakan prosedur yang diajukan oleh James Heckman berikut ini:Estimasi probabilitas Y=1 dengan model probit.Estimasi model dengan menambah sebuah variabel (yang disebut inverse Mills ratio atau hazard rate) yang diturunkan dari estimasi dengan model probit.Menghasilkan estimasi yang konsisten namun lebih efisien jika menggunakan model maximum likelihood.

Model Probit (probability unit) dikenal juga dengan normit (normal equivalent deviate)Model probit juga dapat diterapkan dalam 2 (dua) kondisi yang berbeda.Data individual (level mikro).Data kelompok atau replikasi.

Model Logit (logistic)Digunakan untuk menganalisis variabel dependen dengan kemungkinan di antara 0 dan 1. Model logit dapat diterapkan dalam 2 (dua) kondisi yang berbeda.Data individual (level mikro).Data kelompok atau replikasi.

Regresi Data Kategorik

Model Asumsi

Autoregressive (AR) Data periode sekarang dipengaruhi oleh data pada periode sebelumnya.

Moving Average (MA) Data periode sekarang dipengaruhi oleh nilai residual data pada periode sebelumnya.

Autoregressive Moving Average (ARMA)Data periode sekarang dipengaruhi oleh data pada periode sebelumnya dan juga oleh nilai residual data periode sebelumnya.

Autoregressive Integrated Moving Average (ARIMA)Mirip dengan ARMA, kecuali data harus didiferen dulu. Diferen inilah yang membedakan ARMA dengan ARIMA.

Menurut Gujarati (2003) ada lima pendekatan dalam peramalan ekonomi berbasis data runtut waktu (time series):

1. Exponential smoothing method.2. Single-equation regression method.3. Simultaneous-equation regression model.4. Autoregressive integrated moving average (ARIMA) model.5. Vector autoregression.

Langkah Pengujian AR(1)

Langkah Pengujian MA(1)


AR Uji StationeritasViewCorrelogram…Ok

Uji Akar UnitViewUnit Root Test..Ok

Quick Estimation Equation…(least squares)Example. Ihsg c ma(1) and then Ok.

c memiliki nilai t-statistik yang tidak signifikankoefisien AR (t-statistik signifikan)

View residual tests Correlogram - Q-stat Klik Ok(untuk mengetahui apakah residual bersifat random atau tidak)

Random jika grafik batang, semuanya berada di dalam garis Barlett.Random jika grafik batang, semuanya berada di dalam garis Barlett.

Estimasi:

Dari tampilan hasil analisis klik ForecastChecklist Do graph (grafik) dan Forecast evaluation (mengevaluasi kesalahan estimasi)Ok.

Langkah Pengujian ARMA(1,1)

Langkah Pengujian ARIMA atau dikenal dengan metode Box Jenkins


MA Uji StationeritasViewCorrelogram…Ok


Quick Estimation Equation…(least squares)Example. Ihsg c ma(1) and then Ok.

c memiliki nilai t-statistik signifikankoefisien MA (t-statistik signifikan)


Moving Average (MA)Memperkirakan nilai Yt dengan menggunakan nilai Y pada periode sebelum-sebelumnya, juga dapat memperkirakan nilai Yt dengan menggunakan nilai residualnya.

Moving Average (MA)Memperkirakan nilai Yt dengan menggunakan nilai Y pada periode sebelum-sebelumnya, juga dapat memperkirakan nilai Yt dengan menggunakan nilai residualnya.

Random jika grafik batang, semuanya berada di dalam garis Barlett.

Random = White Noise

Tidak RandomBatang-batang pada grafik autokorelasi yang menurun dengan perlahanBatang keluar dari garis Barlett pada grafik autokorelasi parsial Nilai probabilitas yang semuanya sangat kecil atau mendekati nol

Sehingga model MA(1) tidak begitu cocok untuk menganalisis data IHSG yang digunakan.

Random jika grafik batang, semuanya berada di dalam garis Barlett.

Random = White Noise

Tidak RandomBatang-batang pada grafik autokorelasi yang menurun dengan perlahanBatang keluar dari garis Barlett pada grafik autokorelasi parsial Nilai probabilitas yang semuanya sangat kecil atau mendekati nol

Sehingga model MA(1) tidak begitu cocok untuk menganalisis data IHSG yang digunakan.

ARMA(1,1)Uji StationeritasViewCorrelogram…Ok


Quick Estimation Equation…(least squares)Example. Ihsg c ar(1) ma(1) and then Ok.

Jika salah satu tidak signifikan maka tidak dilanjutkan atau mencari ARMA(p,q) dengan mengganti nilai 1 dengan angka lain yang diperkirakan akan mendatangkan hasil yang baik. Dengan mengulang langkah QuickEstimation Equation…


Data harus bersifat stationer terlebih dahulu. Mean dan varians data time series bersifat konstan dan kovarians-nya tidak terpengaruh oleh waktu.Jika data time series sudah didiferen sebanyak d kali agar stationer dan diterapkan pada model ARMA(p,q) maka persamaan kita menjadi ARIMA(p,d,q).Langkah Pengujian ARIMA:


Identifikasi model dengan memilih p, d, q sementara. CorrelogramPartial correlogram

Estimasi parameter dengan program komputer.Dapat gunakan OLS ataupun estimasi nonlinier

Diagnosis residual apakah sudah bersifat white noise. Bila belum ulangi langkah 1.

View residual tests Correlogram - Q-stat Klik Ok

Lakukan perkiraan data masa yang akan datang. Lakukan Forecast

ARIMAUji StationeritasViewCorrelogram…Ok


Quick Estimation Equation…(least squares)Example. (jika diferensi 1) maka d(Ihsg) c ar(1) ma(1) and then klik Ok.(jika diferensi 2) maka d(d(Ihsg)) c ar(1) ma(1) and then klik Ok.

Jika hasil tidak signifikan, mencari model yang baik, misal: d(Ihsg) c ar(2) ma(1)d(Ihsg) c ar(1) ma(2)d(Ihsg) c ar(2) ma(2)d(Ihsg) c ar(3) ma(3)

Jika hasil signifikan, maka model dapat digunakan.Kemudian Diagnosis residual dan Forecast

Jika hasil signifikan, maka model dapat digunakan.Kemudian Diagnosis residual dan Forecast

Membandingkan nilai AIC dan SICNilaiAR(1)MA(1)ARMA(1,1)ARIMA(p, d, q)KesimpulanAICNilai lebih rendah dikatakan model

baikSICAIC = Akaike info criterionSIC = Schwarz criterion

Jenis KeteranganGARCH(1,1) Persamaan standar ARCH/GARCH:

Varian bersyarat (karena tergantung periode sebelumnya) memiliki tiga bagian, yaitu:

- Rata-rata

- Volatilitas periode sebelumnya (disebut ARCH)

- Varian periode sebelumnya (disebut GARCH)ARCH in mean (ARCH-M)TARCH (Treshold ARCH) Varian bersyarat dihitung dengan:

Dengan dt=1 bila <0, dan dt=0 bila tidak.Pada Program E-Views, koefisien ditunjukkan oleh (RESID<0)*ARCH(1).Model ini biasanya digunakan pada analisis harga saham yang terpengaruh oleh berita buruk berbeda dengan berita baik. Pengaruh berita baik ditunjukan oleh α sedang pengaruh berita buruk oleh (α + γ). Bila γ>0, berarti ada leverage effect, pengaruh berita buruk lebih besar dan bersifat volatile. Jika γ≠0, pengaruh berita baik dan buruk bersifat asimetris.

EGARCH (Exponential GARCH) Varian bersyarat dihitung dengan rumus:

Karena berbentuk log, maka leverage effect-nya bersifat ekponensial (bukan kuadratik), sehingga selalu bersifat nonnegative. Keberadaan leverage effect diuji dengan hipotesis nul .

Component ARCH Pada GARCH(1,1), persamaan berikut ini:

Menunjukkan pembalikan rata-rata terhadap yang bersifat konstan sepanjang waktu. Sebaliknya model Component

GARCH memungkinkan pembalikan rata-rata pada berbagai tingkat dengan persamaan:


Analisis yang digunakan untuk menghadapi suatu kondisi model OLS telah terjadi pelanggaran asumsi klasik, terutama autokorelasi dan heteroskedastisitas pada data time series.

Analisis yang digunakan untuk menghadapi suatu kondisi model OLS telah terjadi pelanggaran asumsi klasik, terutama autokorelasi dan heteroskedastisitas pada data time series.

ARCH

ARCH = AutoRegressive Conditional HeteroscedasticityGARCH = Generalized AutoRegressive Conditional Heteroscedasticity

ARCH = AutoRegressive Conditional HeteroscedasticityGARCH = Generalized AutoRegressive Conditional Heteroscedasticity

GARCH Analisis yang digunakan untuk memperbaiki model ARCH.Analisis yang digunakan untuk memperbaiki model ARCH.

Asymmetric Component Digunakan untuk menggabungkan antara Component ARCH dengan model asimetris TARCH.


Lakukan regresi OLS lengkap dengan uji asumsi klasikQuickEstimation Equation…

Lakukan teknik WLS dan uji lain untuk mengatasi permasalahan heteroskedastisitas. Selanjutnya gunakan Correlogram-Q-Statistics untuk mengatasi masalah autokorelasi.

Jika OLS dan WLS tidak dapat digunakan maka gunakan teknik GARCH(1,1)QuickEstimation Equation…(pilih method ARCH) OkARCH-M pilih None

Jika GARCH(1,1) tidak dapat digunakan maka gunakan teknik ARCH-MQuickEstimation Equation…(pilih method ARCH) OkARCH-M pilih Std.Dev.Klik Option pilih Coefficient Covariance, klik Ok dan klik Ok sekali lagi

Lakukan pengujian Correlogram-Q-Statistics dan Uji Akar Unit.Untuk uji akar unit, hal yang dilakukan membuat variabel baru.Klik lembar kerja .wf1 (bukan hasil analisis)Klik Object New Object pilih Series dan beri nama resid01Klik Genr pada isian persamaan isikan dengan resid01 = resid OkKlik 2 (dua) kali variabel resid01Klik ViewUnit Root Test…Lalu pilih Trend and Intercept OkHasil uji akar unit jika |ADF| masih lebih besar dibanding dengan nilai kritis absolut pada alpha 5% disimpulkan residual masih mengandung masalah autokorelasi.

Jika ARCH-M tidak dapat digunakan maka gunakan teknik TARCHQuickEstimation Equation…(pilih method ARCH) OkARCH-M pilih Std.Dev.Model pilih TARCHVariance Regressors masukkan salah satu variabel independend kedalam varian residualnyaKlik Option pilih Heteroskedasticity Consistent Variance, klik Ok dan klik Ok sekali lagi.

Jika hasil analisis sudah baik lakukan uji korelogram residual. Sebelum menampilkan korelogram, diperbaharui isi variabel resid01 dengan melakukan langkah 3-4-5 uji akar unit (jika ingin membuat variabel baru, resid02 lakukan dari langkah 1). Uji akar unit tidak perlu dilakukan, karena apabila statistik Q tidak signifikan berarti residual sudah memiliki varian yang konstan atau sudah stationer.

Jika hasil analisis sudah baik lakukan uji korelogram residual. Sebelum menampilkan korelogram, diperbaharui isi variabel resid01 dengan melakukan langkah 3-4-5 uji akar unit (jika ingin membuat variabel baru, resid02 lakukan dari langkah 1). Uji akar unit tidak perlu dilakukan, karena apabila statistik Q tidak signifikan berarti residual sudah memiliki varian yang konstan atau sudah stationer.

Lakukan uji normalitas ViewResidual TestsHistogram - Normality Test.

Sebagai alternatif pencarian model yang baik gunakan GARCH(1,1) dengan Regresor VarianDimana memasukan salah satu variabel independen ke dalam persamaan varian residualnya.

1. Tuliskan persamaan Y c X1 X2 ar(1) kedalam Estimation Equation… 2. Isikan salah satu variabel pada bingkai Variance regressors (boleh memasukkan lebih dari

satu variabel). 3. Klik option aktifkan bingkai Coefficient covariance Ok

Jika hasil analisis menunjukkan bahwa semua koefisien signifikan, selanjutnya perlu dilakukan uji autokorelasi di antara residualnya, dengan membuat korelogram dari residualnya. Sehingga perlu diperbaharui isi variabel resid01 dan kerjakan langkah 3-4-5 seperti yang telah diuraikan.Last, menguji apakah data terdistribusi normal atau tidak dengan cara ViewResidual TestsHistogram - Normality Test.Interpretasikan hasil, jika probabilitas < 0.05 maka model dapat dikatakan tidak baik.

Data finansial seperti cadangan devisa, nilai tukar, maupun tingkat suku bunga mempunyai karakteristik tersendiri dibandingkan data deret waktu (time series). Beberapa karakteristik dari data finansial yaitu menunjukan volatilitas yang tinggi mengikuti periode waktu, sedangkan variansi/ragam adalah konstan untuk data jangka waktu yang panjang.Dalam beberapa periode terdapat variansi/ragam data finansial relatif tinggi. Keadaan ini disebut conditionally heteroskedastic. Jika terdeteksi adanya conditionally heteroskedastic maka model autoregressive moving average (ARMA) tidak akurat lagi untuk digunakan. Model deret waktu (time series) yang mengakomodir adanya heteroskedastic / heteroskedastisitas adalah ARCH (Autoregressive Conditional Heteroscedasticity) / GARCH (General Autoregressive Conditional Heteroscedasticity).Variabel-variabel ekonomi biasanya nonstasioner dan mempunyai sifat kointegrasi, sehingga model statistik yang dibentuk harus dapat mengatasi dan mencerminkan sifat tersebut. Metode yang sesuai dengan permasalahan ini adalah metode VAR (Vector Autoregression).Metode ARCH/GARCH fungsinya untuk mengetahui ada tidaknya volatilitas dari masing-masing variabel yang diteliti. Selanjutnya dengan metode VAR akan selidiki pengaruh volatilitas dari variabel nilai tukar, suku bunga, IHSG dan neto ekspor terhadap volatilitas cadangan devisa. Hasil model VAR yang diperoleh tersebut kemudian digunakan untuk melakukan uji berikutnya yaitu uji kointegrasi Johansen untuk mengetahui hubungan keseimbangan jangka panjang dan Vector Error Correction Mechanism (VECM) untuk mengetahui hubungan keseimbangan jangka pendek.

Mengapa menggunakan panel data, menurut Baltagi (2005):1. Controlling for individual heterogeneity.


2. Panel data give more informative data, more variability, less collinearity among the variables, more degrees of freedom and more efficiency.

3. Panel data are better able to study the dynamics of adjustment.4. Panel data are better able to identify and measure effects that are simply not detectable in

pure cross-section or pure time-series data.5. Panel data models allow us to construct and test more complicated behavioral models

than purely cross-section or time-series data.6. Micro panel data gathered on individuals, firms and households may be more accurately

measured than similar variables measured at the macro level.7. Macro panel data on the other hand have a longer time series and unlike the problem of

nonstandard distributions typical of unit roots tests in time-series analysis, Chapter 12 shows that panel unit root tests have standard asymptotic distributions.

Limitations of panel data include:1. Design and data collection problems.2. Distortions of measurement errors.3. Selectivity problems.

1. OLS untuk dapatkan µ2. GLS untuk FE (Fixed Effect)3. GLS untuk RE (Random Effect)

Meng-input data panelSebenarnya tidak ada perlakuan khusus dalam meng-input data panel, jika dalam dalam analisis regresi dengan data silang hanya perlu membuat variabel saja, pada data panel hanya perlu ditambah dengan satu variabel lagi, yaitu nama perusahaan/negara/wilayah dan sebagainya.Untuk lebih jelas perhatikan gambar berikut ini:

1. Jalankan program E-Views buka file kerja dengan data tahunan, periode 2001 hingga 2004.

2. Klik tombol Object New Object pilih Pool dan namai objek tersebut dengan nama iklan klik Ok.

3. Klik tombol Procs Import Pool data (ASCII,XLS,WK?)… lalu isikan nama file yang akan diimpor.


4. Ubah isian Upper-left data cell menjadi C2 (semula B2, seperti biasanya). Pada bingkai Ordinari and Pool, isikan tiga variabel yang akan di-input (dalam satu baris, tiap variabel cukup diberi jarak satu spasi), masing-masing diakhiri dengan tanda Tanya (?). Klik Ok.

5. Jendela Pool:Iklan biarkan saja, karena dalam mengolah data penel menggunakan jendela ini.

Data Panel/Pool (digunakan minimal dengan program E-Views 5.1)Siapkan data panel yang anda miliki dalam bentuk file excel sehingga berbentukPropinsi 11 (DI. ACEH)Propinsi 12 (Sum. Utara)Propinsi 13 (Sum. Barat)Tahun hhc_11 hhc_12 hhc_13 pc_11 pc_12 pc_13 gc_11 gc_12 gc_131993 3585867 9640899 3170980 39335 142070 69789 749383 1582850 8792131994 3997613 10375013 3398551 44176 160469 69549 766880 1641098 8967981995 4051535 10766529 3665808 45194 177012 74758 777087 1727578 9344631996 4180572 11601029 4027448 46958 206956 78187 813554 1778635 9774481997 4256956 14962294 4440232 47583 219492 85976 883824 1986876 9927731998 3980107 13270701 4167695 46587 220372 94013 969750 2016423 998187

1. Masuk ke program Eviews, kemudian click Quick/Empty Group2. Pilih waktu dari data, click yearly dan pada End date tulis 1998.3. Block work file excel anda (termasuk judul), namun hanya untuk kategori tertentu saja,

misal hhc_11 sampai hhc_12 atau pc_11 sampai pc_13. Kemudian copy1. Masuk kembali ke Empty Group di Eviews, block kolom paling kiri dan paste2. Setelah itu click X(close)3. Pada tampilan berikutnya pilih name dan Group01 anda ganti sesuai dengan nama yang

anda inginkan misalnya untuk hhc_11 sampai hhc_12 diberi nama hhc saja. 4. Lakukan hal yang sama untuk kategori berikutnya, misal jika yang pertama adalah hhc,

maka berikutnya adalah pc dan gc

Perhatian :Jikalau anda ingin membuat persamaan atau melakukan regresi dengan menggunakan Pool Data, tahapan yang harus anda lakukan setelah membuat work file pada Eviews adalah:

1. Click Object/ New Object/ Pool .... OK. 2. Dalam tampilan baru, masukkan identifier anda misalnya _11 _12 _13.3. Kemudian click Estimate, pada dependen variabel masukkan variabel dependen

anda diikuti dengan ?. Misalnya hhc?. Sedangkan pada common coeficient masukkan variabel bebas anda diikuti dengan ?. Misal gc? atau m?

4. Jika anda menginginkan intercept yang berbeda untuk masing-masing identifier; pada intercept pilih fixed effect atau random effect, atau jika tidak, pilih common effect.

Model Data Panel yang standar ada tiga :

1. Pool (konstanta ai=a sama setiap individu)2. Fixed Effect (FE) atau sama saja LSDV (ai berbeda setiap individu/crossection)

3. Random Effect/RE (ai berbeda setiap individu/crossection).


Bila digunakan FE/LSDV dan ditambahkan dummy variabel, maka akan terjadi kombinasi linier antara dummy dan konstanta ai sehingga terjadi singular matrik (inverse matrik x’x adalah zero, atau dalam istilah E-views adalah near singular matrix).

Kemungkinan Solusinya:

1. Yang mudah adalah gunakan model Pool (kontanta ai sama setiap observasi). jadi untuk menginterpretasikan pengaruh variabel dummy terhadap dependent variabel gunakan dummy tersebut. Jadi kalau modelnya pool, tidak perlu ditest (Chow test- Pool/FE) karena pada model FE akan singular matrix; Tapi untuk melihat indvidual effect gunakan model FE tanpa dummy variabel.

2. Gunakan model RE saja (tanpa test Hausman) karena model FE akan singular matrix.

3. Variabel dummy dimodifikasi dengan perkalian variabel dummy dengan salah satu variabel independen. misalnya (tarif x variabel dummy). Jika dummy-nya adalah (1=OPEC, 0=non OPEC), jadi variabel baru (tarif x dummy) mempunyai arti interaksi tarif negara-negara OPEC/NON-OPEC terhadap dependent variabel (ekpor). Maka Model FE dapat dicoba (kemungkinan tidak singular matrik karena dummy sudah dimodifikasi).

ERROR CORRECTION MODEL (ECM)(Program E-Views 4.1)



ECMDigunakan apabila variabel independen dan variabel dependen, merupakan data time series, sehingga masing-masing variabel bersifat tidak stationer.

Ada beberapa cara untuk mengetahui data bersifat stationer atau tidak.

Metode Grafik Uji Akar Unit (Unit Root)

Buka salah satu variable yang akan dibuat (double klik nama variabelnya).View Unit Root Test...Klik Ok.

View Graph Line

Lolos Tidak Lolos

t-statistics > tabel McKinnon.Prob < 0,05.

Data cukup didiferensi saja. Dengan cara:View Unit Root Test…Check List 1st difference Klik Ok(jika masih tidak stationer klik 2nd, dst)

t-statistics < tabel McKinnon.Prob > 0,05.

Note : Dengan langkah-langkah yang sama. Periksalah apakah data variabel tersebut bersifat stationer atau tidak.


Uji Kointegrasi

2 variabel yang tidak stationer sebelum dideferensi namun stationer pada tingkat diferensi pertama, kemungkinan terjadi kointegrasi (terdapat hubungan jangka panjang diantara keduanya).

Engle-Granger (EG)

Cointegrating Regression Durbin-Watson (CRDW)

Johansen

Tampilkan variabel independent dan dependent yang akan diuji kointegrasinyaView Cointegration Test... Klik Ok.Bandingkan nilai Trace Statistic dengan nilai kritis pada tingkat keyakinan 5% maupun 1%.

Terkointegrasi Tidak Terkointegrasi

Trace Statistic < 1% maupun 5%

Trace Statistic < 1% maupun 5%

Note : Yang baik tidak terkointegrasi.

DAFTAR PUSTAKA


Menghitung nilai residual dari persamaan regresi awal.

Melakukan analisis regresi dengan memasukkan residual dari langkah pertama.

Model Koreksi Kesalahan

(Error Correction Model)(ECM)

Jika kedua (X dan Y) data yang dianalisis tidak stationer tetapi saling berkointegrasi, berarti ada hubungan jangka panjang (keseimbangan) antara kedua variabel tersebut.Dalam jangka pendek ada kemungkinan terjadi ketidakseimbangan (disekuilibrium). Maka diperlukan adanya koreksi dengan model koreksi kesalahan.

Tahap Pertama Tahap Kedua

Engle-Granger

ttt eKKbXbbY 1210

∆Y = Variable Dependent∆Xt = Variable IndependentKKt-1 = koreksi kesalahan atau residual lag 1 dari persamaan awal

- Quick Estimate Equation…- Tuliskan persamaan Example: telpon c gaji- LS – Least Square (NLS and ARMA) - Klik Ok- Klik Procs Make Residual Series (resid01)- Klik Ok

- Quick Estimate Equation…- Tuliskan persamaan Example: d(telpon) c d(gaji) resid01(-1)- LS – Least Square (NLS and ARMA) - Klik Ok

Nilai statistic t pada residual > 2 dan nilai prob < 0,05.(Error Correction Model yang digunakan Valid).

Baltagi, 2005. Econometric Analysis of Panel Data. Third Edition. John Wiley & Sons Ltd, England.

Gujarati, Damodar N., 1995. Basic Econometrics. McGraw-Hill College, New York.


Documents

The Books - Ekonometrika by Andhika s