�ݺ�ߣ

Certified Human Resource Management Professional

Analisis Statistika dengan EViews
Regresi OLS, Regresi Time Series, Regresi Data Panel

Topik
 Mengenal Eviews dan Cara Kerjanya
 Jenis-jenis Data dan Manajemen Data
 Statistika Deskriptif
 Analisis Regresi Berganda
 Uji Asumsi Klasik
 Variasi Regresi Berganda
 Analisis Data Panel

Jenis Data di EViews
1. Time series
Satu variabel terdiri atas banyak data yang
terkait dengan waktu (hari, minggu, bulan,
tahun, dsb).
Misal: data harga saham, kurs valuta asing
2. Cross section
Data yang terdiri atas beberapa variabel
(dependen dan independen), tidak terkait
dengan waktu. Urutan data tidak berpengaruh.
Misal: data IPK dipengaruhi oleh lama belajar,
jumlah SKS, dan jarak dari rumah ke kampus
3. Data panel
Gabungan antara data time series dan cross
section.
Misal: penjualan dipengaruhi oleh biaya
produksi dan biaya iklan
Contoh Data Panel
Jenis Data Keterangan Cara Menuliskan
Annual Data tahunan Pada Start date: 2005
Pada End date: 2015
Semi-annual Data setengah tahunan (semesteran) 2005:1, 2009:2
Quarterly Data kuartalan (tiga bulanan) 2005:1, 2005:4
Monthly Data bulanan 2005:01, 2005:12
Weekly Data mingguan 1/1/2011, 8/31/2011
Daily – 5 day week Data harian, hanya Senin hingga Jumat 1/1/2011, 12/31/2011
Daily – 7 day week Data harian, dari Senin sampai Minggu 1/1/2011, 12/31/2011
Integer data Tidak beraturan; atau data cross section 1, dan banyaknya data
Multiyear Data lebih dari 1 tahunan Pengisian data dapat
menggunakan menu yang sudah
disediakan
Bi-monthly Data dua bulanan
Fortnight Data dua mingguan
Ten-day Data 10 harian (3 sebulan)
Intraday Data yang ada dalam 1 hari, mulai dari detik, menit,
hingga jam
Daily – custom week Data harian dengan pola tidak urut dalam satu minggu
Balanced-panel Data gabungan antara series dan cross-section

Jenis Analisis Time Series
1. Autoregressive (AR)
Data periode sekarang dipenga
ruhi oleh data pada periode sebelumnya.
2. Moving Average (MA)
ruhi oleh nilai residual data periode sebelumnya.
3. AutoRegressive Moving Average (ARMA)
ruhi oleh data pada periode sebelumnya dan juga oleh nilai residual data
periode sebelumnya.
4. AutoRegressive Integrated Moving Average (ARIMA)
Mirip ARMA, tetapi data harus didiferen terlebih dahulu.

Autoregressive (AR)
• Data periode sekarang dipenga
ruhi oleh data
pada periode sebelumnya. Disebut juga first-
order autoregressive process dan ditulis AR(1).
• Data periode sekarang dipenga
ruhi oleh data
dua periode sebelumnya. Disebut juga second-
order autoregressive process dan disingkat
AR(2).
• Untuk p periode:
Data AR(1) atau lag 1
Data AR(2) atau lag 2
0 1 1
t t t
Y Y e
  
  
0 1 1 2 2
t t t t
Y Y Y e
  
 
   
0 1 1 2 2 ...
t t t p t p t
Y Y Y Y e
   
  
     

Moving Average (MA)
• Data periode sekarang dipengaruhi oleh nilai residual
periode sebelumnya. Model ini desebut dengan first-order
moving average dan disingkat MA(1)
• Data periode sekarang dipengaruhi oleh dua nilai residual
periode sebelumnya. Model ini disebut dengan second-
order moving average dan disingkat MA(2)
• Bila dipengaruhi oleh q periode sebelumnya:
0 1 2 1
t t t
Y u u
   
  
0 1 2 1 3 2
t t t t
Y u u u
   
 
   
0 1 2 1 3 2 ...
t t t t q t q
Y u u u u
    
  
     

Autoregressive Moving Average (ARMA)
• Merupakan gabungan antara AR dan MA.
• Bila ARMA terdiri atas p autoregressive dan q moving average:
0 1 1
t t t
Y Y e
  
  
0 1 2 1
t t t
Y u u
   
  
0 1 1 0 1 2 1
t t t t
Y Y u u
    
 
    
¿ 0 1 1 1 2 1
t t t t
Y Y u u
   
 
   
atau
0 1 1 2 2
1 2 1 3 2
...
...
t t t p t p
t t t q t q
Y Y Y Y
u u u u
   
   
  
  
     
   
 AR
 MA

Autoregressive Integrated Moving Average (ARIMA)
• Model AR, MA, dan ARMA berasumsi bahwa data bersifat stasioner (yaitu: mean dan variance bersifat konstan
dan kovariansnya tidak terpengaruh oleh waktu).
• Kenyataannya, seringkali data bersifat tidak stasioner atau disebut juga terintegrasi (integrated).
• Seringkali, data time series pada tingkat atau order pertama atau I(1), akan menjadi stasioner pada diferen
pertamanya atau I(0).
• Demikian juga suatu time series I(2), bila didiferen atau diturunkan pada tingkat keduanya akan stasioner atau
I(0).
• Sebuah time series I(d), setelah didiferen d kali akan menjadi stasioner atau I(0).
• Bila data time series yang sudah didiferen sebanyak d kali agar stasioner dan diterapkan pada model
ARMA(p,q), akan didapat model ARIMA(p,d,q).
• Model ARIMA(2,1,3) berarti sebuah model yang datanya sudah didiferen sebanyak 1 kali, memiliki 2 komponen
otoregresif, dan 3 moving average.
• Model ARIMA(1,0,1) berarti sama dengan model ARMA(1,1).
• Model ARIMA(p,0,0) berarti sama dengan AR(p). Model ARIMA(0,0,q) berarti sama dengan model MA(q).

Uji Stasioneritas dengan Correlogram
Langkah-langkah Uji stasioneritas
dengan Correlogram.
1. Dari tampilan data, pilih View,
Correlogram…
2. Pilih Level dan klik Ok.
Hasilnya: tidak stasioner q
1. Grafik otokorelasi pada lag pertama
berada di luar garis Bartlett dan menurun
secara eksponensial atau perlahan.
2. Koefisien otokorelasi (kolom AC) besar,
yaitu 0,895 (dari kemungkinan-1 hingga
+1) dan menurun secara perlahan-lahan.
3. Nilai statistik Q (lihat kolom Q-Stat)
sampai pada lag Nilai koefisien otokorelasi
(lihat kolom AC) besar, yaitu 0,895 (dari
kem
4. Nilai probabilitas dari lag ke-1 hingga lag
ke-20 lebih kecil dari =5%.
w e r
Data akan stasioner pada lag 1 atau AR(1)

Uji Stasioneritas dengan Correlogram
dengan grafik.
1. Dari tampilan data, pilih View,
Graph, Line…
2. Pilih Ok.
Hasilnya: tidak stasioner, karena
grafik tidak datar.

Uji Stasioneritas dengan Unit Root Test
dengan Unit Root Test.
1. Pilih View, Unit Root Test…,
Standard Unit Root Test…
2. Klik Ok.
Karena t hitung > t statistik atau Prob>5%,
maka kesimpulannya: data tidak stasioner

Analisis AR(1)
Langkah-langkah analisis
dengan AR(1)
1. Dari tampilan data, pilih
Quick Estimate…
2. Isikan ihsg c ar(1) lalu klik
Ok.

Analisis AR(1) – cek apakah residual bersifat random
Langkah-langkah
menampilkan correlogram
residual
1. Dari tampilan data, pilih
View, Residual Tests,
Correlogram Q-Stat
2. Gunakan isian Lag yang
ada, Ok
Kesimpulan:
Residual bersifat random,
karena semua grafik berada di
dalam garis Bartlett.

Analisis AR(1) – melakukan estimasi
Langkah-langkah
menampilkan correlogram
residual
1. Dari tampilan hasil analisis,
pilihlah Forecast
2. Klik Ok
Akan ditampilkan grafik dan
Eviews akan membuat variabel
baru dengan tambahan huruf f
(IHSGF)

Mengatur Lokasi File Data
1. Pilih menu Options, General Options
2. Pilih File locations, di baris paling
atas tuliskan D:Dataku
3. Pilih Data storage, Workfile format
(WF1), Single precision, lalu Ok
q
w
e
r
t

Membaca Data Excel
1. Pilih menu File, Open, Foreign Data
as Workfile…
2. Pilih folder data Chapter 02 – A
Demonstration
3. Pilih file Demo.xls, Open
4. Klik Next, Next, Next, Finish, No
5. Pilih File, Save as, pilih folder data
(misal D:Dataku), tuliskan demo
dari excel, klik Save
6. Klik Single precision, Ok
e
r

Membaca File *.TXT
1. Pilih menu File, Import, Import
file…
2. Pilih folder data Chapter 03 –
Workfile Basics
3. Pilih file academic salaries by
discipline.txt lalu Open
4. Klik Next, Next, Next, Finish, No

Menyalin File dari Excel
1. Pilih menu File, New, Workfile…
2. Pada Frequency, pilih Quarterly
3. Pada Start date isi 1952:1
4. Pada End date isi 1996:4
5. Klik Ok
6. Bloklah seluruh data Excel lalu
tekan Ctrl-C
7. Klik workfile Eviews lalu tekanlah
Ctrl-V
8. Klik Next, Next, Finish
9. Pilih File, Save as, pilih folder data
(misal D:Dataku), tuliskan demo
dari excel, klik Save
10. Klik Single precision, Ok
q
w
e

Membuka File Data EViews
1. Pilih menu File, Open, EViews
Workfile…
2. Pilih file Demo versi 2.wf1, Ok
Berbagai objek di EViews
berisi variabel, akan sering digunakan dalam
menyimpan data dan akan banyak dianalisis

Menampilkan Data
1 variabel
1. Bukalah file demo versi 2.wf1
2. Klik 2x salah satu variabel (series),
misalnya gdp
3. Untuk mengubah salah satu angka,
misalnya baris pertama, kliklah
angka tersebut
4. Lalu kliklah ikon Edit +/-
5. Editlah angkanya, kalau sudah klik
lagi ikon Edit +/-
6. Untuk menutup tampilan data, klik
tanda  di sudut kanan atas
tampilan data tersebut (jangan
tampilan EViewsnya!)

Menampilkan Grafik
1 variabel
1. Masih di file demo versi 2.wf1
2. Klik 2x salah satu variabel (series),
misalnya gdp
3. Klik View, Descriptive Statistics &
Test, Histogram & Stats. Akan
ditampilkan grafik dan uji Jarque-
Bera (bila Prob<0.05, data tidak
berdistribusi normal)
4. Untuk menyimpan grafik tersebut,
klik Name lalu isikan histogram_gdp
dan klik Ok
5. Untuk menampilkan kembali
datanya, klik View, Spreadsheet

Menampilkan Grafik
Semua variabel
1. Harus dilakukan satu demi satu
2. Perlu dilihat distribusi datanya
(dengan Uji Jarque-Bera)

Menampilkan Data
Beberapa variabel
2. Kliklah gdp, tahan tombol Ctrl,
lalukliklah rs, m1, pr (perhatikan
urutannya)
3. Klik kanan di salah satu variabel
terpilih, lalu pilih Open, as Group,
klik kiri
4. Geserlah naik turun untuk melihat
datanya. Kalau sudah, tutuplah
jendelanya dengan mengklik 
5. Pada pertanyaan Delete Untitle
Group? kliklah Name, lalu Ok
(nama group01 boleh diganti)
6. Di layar akan muncul ikon baru
(untuk membuka, klik 2x)

Menampilkan Statistika Deskriptif
1. Dari tampilan sebelumnya, klik 2x
ikon group01
2. Klik View, Descriptive Stats,
Common Sample

Data yang baik, mean=median.
Kalau median<mean  grafik condong ke kiri
Kalau median>mean  grafik condong ke kanan

Uji Regresi Berganda (OLS)
2. Klik Quick, Estimate Equation…
3. Tuliskan m1 c gdp rs pr
regresi: Klik Ok
4. Untuk m1 = c + b1gdp + b2rs + b3pr + e
5. tuk menampilkan persamaan,
klik View, Representation
q
w
e
Tampilan ini dapat diblok dan
dicopy-paste ke aplikasi lain,
misalnya Ms Word atau Ms Excel

Standardized Coefficients
1. Adalah angka yang menunjukkan
urutan variabel independen yang
paling berpengaruh terhadap
variabel dependen.
2. Dari tampilan hasil regresi, pilih
menu View, Coefficient Diagnostics,
Scaled Coefficients
3. Nilai absolut koefisien
yang paling besar
menandakan paling besar
pengaruhnya terhadap
variabel dependen.
Urutannya: gdp, pr, rs

Uji F
1. Uji F digunakan untuk menguji apakah
model dapat digunakan untuk
menjelaskan hubungan antara variabel
independen dan variabel dependen
2. H0: b1=b2=b3=0  Prob(F)>5%
H1: b1|b2|b30  Prob(F)5%
Persamaan: m1 = c + b1gdp + b2rs + b3pr + e

Sering dikatakan:
Uji F adalah untuk menguji apakah variabel-
variabel independen secara bersama-sama
berpengaruh terhadap variabel dependen.
• Apa maksudnya secara bersama-sama?
Bukankah antar variabel independen tidak
boleh saling berpengaruh (multikol)?
• Seberapa kuat/lemah berpengaruhnya?
Adj R2
1. Uji Adj R2
digunakan untuk mengukur seberapa
kuat model dapat menjelaskan hubungan antara
variabel-variabel independen terhadap variabel
dependen.
2. Apabila nilai R2
dan Adj R2
tidak selisih jauh,
berarti variabel-variabel independen banyak
yang berpengaruh signifikan.
3. Semakin banyak variabel independen, akan
menyebabkan nilai R2
naik. Tetapi bila semakin
banyak yang tidak berpengaruh kepada variabel
dependen, nilai R2
akan dikurangi banyak.
4. Adj R2
=0.7, berarti kemampuan prediksi model
hanya 70%. Estimasi akan meleset sekitar 30%.

Memperbaiki Data
1. Hapus data yang outlier
2. Winsorize = hitung rata2 dan std dev data yang “agak normal”.
Buat batas bawah = rata2-1 std dev; batas atas = rata2 + 1 std dev.
Data yang di luar batas, dianggap berada di batas itu
3. Transformasi data: ln(x1), log(x1)
Kalau data negatif, bagaimana? “Naikkan” sehingga yang negatif hilang.
Misal: data -3 10 12 15, tambah 4 semua (agar >0) menjadi 1 14 16 19
4. Tambah data

Uji Heteroskedastisitas
1. Buka persamaan regresi
2. Pilih menu View, Residual
Diagnostics, Heteroskedasticity
Test, Glejser
3. Bila Prob F-Statistic atau Obs*R-
squared<0.05, maka terjadi
heteroskedastis.
4. Bila ingin menyimpan hasilnya, klik
Freeze, Name, beri nama [misal:
Uji Hetero], Ok, Close
Untuk data time series, tidak wajib dilakukan uji heteroskedastisitas.

Uji Autokorelasi
2. Pilih menu View, Residual
Diagnostics, Serial Correlation LM
Test…
3. Isikan Lags to include biarkan isinya
2 (default), Ok
4. Bila Prob F atau Prob Obs*R-
squared<0.05, maka terjadi
autokorelasi.
Uji Autokorelasi], Ok, Close
Untuk data cross section, tidak wajib dilakukan uji autokorelasi.

Uji Multikolinearitas
2. Pilih menu View, Coefficient
Diagnostics, Variance Inflation
Factors
3. Bila Centered VIF<10, maka tidak
terjadi multikolinearitas.
Uji Multikol], Ok, Close

Mengubah variabel
3. Tuliskan log(m1) c log(gdp) rs dlog(pr)
regresi: Klik Ok
4. Untuk menampilkan persamaan,
q
e
w

Mengubah jumlah data
3. Tuliskan data yang akan dianalisis,
misalnya 1954:1 1990:4
4. Klik Ok
5. Untuk menampilkan persamaan,
q
e
w
Semua data dimasukkan
Sebagian data dimasukkan

Regresi Data Panel
1. Data panel adalah gabungan antara data time series
dan data cross section
2. Persamaan data panel ada dua:
One Way Model: yit = b0 + bi + Bxit + eit
b0= konstanta
bi = efek individu, berbeda untuk setiap i
B = vektor berikuran Px1, hasil estimasi
xit = observasi ke it sebanyak P variabel independen
eit = error
Two Way Model: yit = b0 + bi + dt + Bxit + eit
dt = efek waktu, bisa acak atau tetap tiap tahunnya

Tahapan Regresi Data Panel
1. Penentuan model
Common Effect (CE), Fixed Effect (FE), Random Effect (RE)
2. CE mirip OLS
3. FE menunjukkan intersep yang berbeda untuk tiap objek,
namun slope-nya sama
4. RE perbedaan intersep diakomodasi oleh error term masing-
masing objek. Model ini menghilangkan adanya
heteroskedastisitas. Nama lain adalah:
Error Component Model (ECM)
Generalized Least Square (GLS)
5. Uji CE atau FE dengan Uji ChowH0=CE, H1:FE
6. Uji FE atau RE dengan Uji HausmanH0=RE, H1=FE
7. Uji RE atau CE dengan Uji Lagrange MultiplierH0=CE, H1=RE

Memilih Model Data Panel Uji Chow
Pilih FE-CE
Prob<0,05? Pilih CE
Pilih FE Ya Tidak
Uji Hausman
Pilih FE-RE
Prob<0,05? Pilih RE
Pilih FE Ya Tidak
Prob<0,05? Pilih RE
Pilih CE
Ya Tidak
Uji Lagrange
Pilih RE-CE
Uji Chow:
View, Fixed/Random Effect Testing,
Redundant Fixed Effect-Likelihood Ratio
Uji Hausman:
Proc, Specify/Estimate
Options: Random, Ok
Correlated Random Effect-Hausman Test
Uji Lagrange:
Proc, Specify/Estimate
Options: Random, Ok
Proc, Specify/Estimate, Options
Cross-section: None, lalu Ok
Model yang akan dipilih
CE: Common Effect
FE: Fixed Effect
RE: Random Effect

Regresi Data Panel
CE vs FE
1. Bukalah file oecd.wf1 di folder Chapter
51 – Working with Panel Data
2. Pilih Quick Estimate, tuliskan persamaan
ini: inc c inf ndi pdi popul
3. Klik Panel Options, lalu klik Ok
q w
e
r

Regresi Data Panel
FE vs RE
1. Masih di output regresi sebelumnya, klik
ikon Proc, Specify/estimate
2. Klik Panel Options, ubah Cross-section
menjadi Fixed, lalu klik Ok
q
w

Regresi Data Panel
CE vs FE dengan Chow Test
1. Masih di output regresi sebelumnya, klik ikon
Redundant Fixed Effect – Likelihood Ratio
2. Karena Prob Cross-section Chi-square < 0,05,
maka dipilih FE.
Kalau Chi sq > 0,05, pilih CE
q
w

Regresi Data Panel
FE vs RE dengan Hausman Test
Proc, Specify/Estimate, pada Panel Options,
pilih Random
2. Pada tampilan output, klik View,
Fixed/Random Effect Testing, Correlated
Random Effect – Hausman Test.
Kalau Prob < 0,05, pilih FE
q
w

Regresi Data Panel
CE vs RE dengan Uji Lagrange
1. Ini dilakukan kalau Chow Test memilih CE dan
Uji Hausman memilih RE
Proc, Specify/Estimate, pada Panel Options,
pilih Random
3. Pada tampilan output, klik Proc,
Specify/Estimate, Options , Cross section pilih
None, lalu Ok.
q
w
e

Uji Lagrange
Breusch-Pagan
1. Prob < 0,05 berarti estimasi terbaik
adalah Random Effect.
Apabila > 0,05, pilih Common Effect

�ݺ�ߣ

Certified Human Resource Management Professional

Recommended

More Related Content

Recently uploaded (16)

Featured (20)

Certified Human Resource Management Professional