Pen Gen Alan Menu Eviews 4.1

Pengenalan Menu Eviews 4.
1
Oleh
Dr. Nelmida, SE., M.Si1
Eviews merupakan salah satu software statistika yang powerful dalam menganalisis data
khususnya data time series. Software ini bersifat user friendly karena berbasiskan window dengan
berbagai fasilitas seperti data analysis¸ regression, dan forecasting. Dengan Eviews ini kita dapat
mengaplikasikan dengan cepat dan mudah metode statistika sesuai dengan perilaku data, dan
selanjutnya dengan metode terpilih ini akan digunakan untuk meramalkan nilai dugaan di masa
depan. Beberapa contoh cakupan penggunaan Eviews antara lain: scientific data analysis and
evaluation, financial analysis, macroeconomic forecasting, simulation, sales forecasting and cost
analysis.
Untuk Menginstal Eviews ini diperlukan beberapa persyaratan kemampuan komputer yang
digunakan:
1. Menggunakan processor Minimal A386,486, Pentium atau procesor intel lainnya yang
dijalankan dengan Windows 3.1, Windows 95, atau Windows NT.
2. Minimal RAM 4 MB untuk Windows 3.1, untuk Windows 95 dan NT sangat disarankan 8 MB
atau lebih.
3. Monitor VGA, Super VGA atau lainnya yang kompartibel.
4. Menggunakan mouse, trackball, atau pen pad.
5. Instalasi program akan membutuhkan sekitar lebih dari 10 MB.
Ketika pertama kali EViews dijalankan akan keluar tampilan sebagai berikut:
 Tampilan awal EViews

Menu EViews
File
Edit
Objects
View
Procs
Quick
Options
Window
Help
Status Line Minimize Close
 Window
Jika Clik Restore/Maximize
 Minimize, membuat ukuran window kecil
 Restore, ukuran window sedang, atau Maximize, ukuran window penuh/besar
 Close, menutup window EViews
Status line menunjukkan :
1. Tempat pesan suatu perintah 3. Default database
2. Default directory 4. Workfile yang aktif
1
Dosen Tetap Jurusan Manajemen Fakultas Ekonomi Bung Hatta Padang. Email:
nelmida_fe@yahoo.co.uk.
Pembuatan Workfile
Sebelum menjalankan perintah metode statistika yang ada di Eviews, terlebih dahulu
harus dibuka file Eviews workfile. Jika belum terdapat data yang dimaksud maka kita harus
membuat workfile baru dengan mengimpor dari data Excel spreadsheet.
Dalam modul ini akan digunakan data dari tahun 1996 sampai tahun 2005 dalam file data1.xls
Tahapan berikut merupakan langkah membuat workfile data baru
 Mengatur waktu dari data

File/New/Wokfile....
 Pilihan waktu dari data , pilihan ini sesuai dengan waktu dari data di Excel
spreadsheet
 Annual : data tahunan
 Semi-annual : data per semeter
 Quarterly : data triwulanan
 Monthly : data bulanan
 Weekly : data mingguan
 Daily (5 day weeks) : data mingguan 5 hari
 Daily (7 day weeks) : data harian
 Undated or irregular : bukan data time series atau tidak beraturan
 Format Penulisan Waktu : tahun:bulan:hari atau tahun:bulan atau tahun

Pada Start date ketik 1996 dan End date ketik 2005 (sesuai dengan date data yang
akan diimpor)
 OK, akan tampil

 Mengimpor Data dari Excel
Procs/Impor/ReadText-Lotus-Exel...., baik pada toolbar window workfile:UNTITLED atau
pada window Eviews. Atau dengan perintah File/Impor/ReadText-Lotus-Exel...., dari
menu window EViews
 Tentukan lokasi file Excel berada misalnya di d:Eviews/data/data1.xls terus pilih

menu open
 Ketik 4, pada Names for series or Number of series if names infiles untuk
menyatakan banyaknya series variabel yang diimpor.
 Perhatikan kesesuaian dengan data di Excel
 OK
B2 menunjukkan lokasi sel di Excelspreadsheet yang pertama kali diimpor ke Eviews

workfile. Input angka X Y menunjukkan banyaknya variabel yang diimpor, sedangkan
tahun 1996 2005 adalah tahun series data sesuai dengan range yang ditentukan
ketika membuat workfile baru.
 Maka pada window workfile akan tampak sebagai berikut :
 Save Workfile
Save, pada toolbar window workfile, atau File/save, pada menu windows EViews dan
tulis nama file DATA (atau apa saja sesuai keinginan kita) pada suatu directori atau
drive.
 Cara Lain Entri Data atau Copy Data

 Pada window workfile atau EViews Objects/New Object.... atau click kiri/New
Object... pada kolom kosong window workfile
Klik
Klik Kanan
Paste
 Copy data dari Excel dengan cara : Block data1.xls (dengan judulnya) dan copy pada
window Excel. Kemudian pindah ke window Eviews, Klik kanan/paste pada window
Series Data. Maka akan tampak sebagai berikut :
ORDINARY LEAST SQUARE
A. Regresi Sederhana (OLS Sederhana)
Model regresi sederhana adalah suatu model yang melihat hubungan antar dua variabel.
Salah satu variabel menjadi variabel bebas (Independent variable) dan variabel yang lain menjadi
variabel terikat (Dependent variable). Dalam regresi sederhana ini, akan kita ambil suatu contoh
kasus mengenai hubungan antara pengeluaran konsumsi dan pendapatan di US pada tahun 1996
– 2005 (Gujarati, 2003: 6). Persamaan model ini adalah:
Y = 0 + 1X + 
Dimana, Y adalah pengeluaran konsumsi, 0 adalah konsumsi autonom, X merupakan
pendapatan dan  adalah error term.
(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)

Setelah muncul data yang akan diolah, kemudian blok variable X dan Y - Klik kanan: Open - as
Group. Maka, akan muncul tampilan :
Kemudian Pilih Procs - Make Equation - Equation Specification

Setelah itu ketik data yang akan diolah : Y spasi c spasi X, pilih Method: LS – OK. Variabel yang
kita tulis pertama adalah variabel dependen, selanjutnya adalah konstanta dan variabel
independent.
Maka akan tampak hasil regresi seperti berikut:

Dependent Variable: Y
Method: Least Squares
Date: 08/24/07 Time: 01:18
Sample: 1996 2005
Included observations: 10
Variable Coefficient Std. Error t-Statistic Prob.
C 24.45455 6.413817 3.812791 0.0051
X 0.509091 0.035743 14.24317 0.0000
R-squared 0.962062 Mean dependent var 111.0000
Adjusted R-squared 0.957319 S.D. dependent var 31.42893
S.E. of regression 6.493003 Akaike info criterion 6.756184
Sum squared resid 337.2727 Schwarz criterion 6.816701
Log likelihood -31.78092 F-statistic 202.8679
Durbin-Watson stat 2.680127 Prob(F-statistic) 0.000001
Intepretasi Hasil Regresi:

Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:
Y = 24.45455 + 0.509091X
Sebagai contoh, apabila ditanyakan berapa tingkat konsumsi individu jika pendapatan
tahun depan diperkirakan sebesar 5000 milyar dollar US?. Maka
Y = 24.45455 + 0.509091(5000)
Y = 2569.91
Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi individu adalah
sebesar 2569.91 milyar dolar US.
B. Regresi Berganda
Model regresi berganda merupakan suatu model regresi yang terdiri dari lebih dari satu variabel
independen. Bentuk umum regresi berganda dapat ditulis sebagai berikut:
Y1 = 0 + 1X1 + 2X2 + 3X3 + ….+ nXn + ei
Pada intinya, langkah – langkah estimasi regresi berganda didalam Eviews tidak jauh berbeda
dengan regresi sederhana seperti yang telah dibahas sebelumnya. Berikut ini adalah tampilan
data yang akan digunakan dalam regresi berganda.
(lokasi file Excel berada di d:Eviews/data/data1.xls:mul2)
Lakukan regresi berganda dengan cara :

Demand for Chickens, United States, 1960-1982
YEAR = Year
Y = Per Capita Consumption of Chickens, Pounds
X2 = Real Disposable Income Per Capita, $
X3 = Real Retail Price of Chicken Per Pound, Cents
X4 = Real Retail Price of Pork Per Pound, Cents
X5 = Real Retail Price of Beef Per Pound, Cents
X6 = Composite Real Price of Chicken Substitutes
Per Pound, Cents
Maka akan menghasilkan angka sebagai berikut :
Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:
Y = 38.59690942 + 0.004889344622*X2 - 0.6518875293*X3 + 0.2432418207*X4 +
0.1043176111*X5 - 0.07111034011*X6
Dengan cara yang sama seperti pada regresi sederhana kita akan meregresi variabel dependen
yaitu ekspor dan veriabel independen yang terdiri dari suku bunga, nilai tukar rupiah, serta inflasi.
(lokasi file Excel berada di d:Eviews/data/data1.xls:auto2)
Dari hasil regresi akan diperoleh estimasi sebagai berikut:
Cara mengintepretasikan hasil regresi sama dengan estimasi pada regresi sederhana.
C. Uji t dan Uji F

Uji t merupakan pengujian terhadap koefisien dari veriabel bebas secara parsial. Uji ini
dilakukan untuk melihat tingkat signifikansi dari veriabel bebas secara individu dalam
mempengaruhi variasi dari variabel terikat. Sedangkan Uji F merupakan uji model secara
keseluruhan. Oleh sebab itu Uji F ini lebih relevan dilakukan pada regresi berganda. Uji F
dilakukan untuk melihat apakah semua koefisien regresi berbeda dengan nol atau dengan kata
lain model diterima.
Pada regresi sederhana maupun regresi berganda, pengujian koefisien 1, 2, dan n
dapat dilakukan dengan Uji t. Pengujian ini dilakukan dengan cara membandingkan t-statistik
pada hasil regresi dengan t –tabel. Jika nilai t-stat > t-tabel, maka Ho ditolak dan H 1 diterima,
dengan kata lain terdapat hubungan antara variabel dependen dan variabel independen.
Sebaliknya jika t-stat < t-tabel, maka Ho diterima dan H 1 ditolak, yang artinya tidak terdapat
hubungan antara variabel dependen dan variabel independen.
Pada contoh kasus diatas, dengan tingkat kepercayaan 95% (α = 5%) maka daerah kritis
untuk menolak Ho adalah t-stat < t 0.025;39. Kita bisa melihat bahwa pada variabel inflasi memiliki
nilai t-stat sebesar 5,479 sedangkan nilai t-tabel pada t 0.025;39 adalah 2,021. Artinya nilai t-stat > t-
tabel, sehingga hipotesa H0 ditolak, dapat disimpulkan bahwa terdapat hubungan antara ekspor
dan inflasi.
Pengujian hipotesis dapat juga dilakukan dengan konsep P-Value. Cara ini relatif lebih
mudah dilakukan karena tersedia pada menu Eviews. Konsep ini membandingkan α dengan nilai
P-Value. Jika nilai P-Value kurang dari α, maka H0 ditolak. Pada contoh kasus diatas nilai P-Value
dari variabel inflasi adalah 0,0000 artinya pada α = 1%, 5%, dan 10% hipotesa H 0 ditolak. Artinya
pada berbagai tingkat keyakinan tersebut ekspor memiliki hubungan dengan inflasi.
Pada prinsipnya Uji F memiliki konsep yang tidak jauh berbeda dengan Uji t. Jika Uji t
digunakan untuk melihat pengaruh variabel bebas terhadap variabel terikat secara individu, maka
Uji F digunakan untuk melihat pengaruh variabel bebas terhadap varibel terikat secara bersama-
sama. Formulasi dari Uji F adalah sebagai berikut:
Ho : 1 = 2 = 3 = 0, artinya antara variabel dependen dengan variabel-
variabel independen tidak ada hubungannya
H1 : 1  2  n  0, artinya antara variabel dependen dengan variabel-
Variabel independen ada hubungan.
Dengan menggunakan konsep P-Value, maka pada contoh diatas P-Value dari F = 0,000012.
Artinya pada α = 1%, 5%, dan 10% hipotesa H 0 ditolak dan H1 diterima. Dimana antara ekspor
dengan inflasi, tingkat bunga, dan nilai tukar rupiah terdapat suatu hubungan. Dengan kata lain
variabel independen dalam persamaan tersebut secara bersama-sama berpengaruh terhadap
variasi dari variabel dependen.
D. Uji Asumsi Klasik

Dalam melakukan estimasi persamaan linier dengan menggunakan metode OLS, maka
asumsi-asumsi dari OLS harus dipenuhi. Apabila asumsi tersebut tidak dipenuhi maka tidak akan
menghasilkan nilai parameter yang BLUE (Best Linear Unbiased Estimator). Asumsi BLUE antara
lain:
1. Model regresi adalah linier dalam parameter
2. Error term (u) memiliki distribusi normal. Implikasinya, nilai rata-rata kesalahan adalah nol.
3. Memiliki varian yang tetap (homoskedasticity).
4. Tidak ada hubungan antara variabel bebas dan error term.
5. Tidak ada korelasi serial antara error (no-autocorrelation).
6. Pada regresi linear berganda tidak terjadi hubungan antar variabel bebas (multicolinearity).
D.1. Uji Normalitas

Uji normalitas digunakan jika sampel yang digunakan kurang dari 30, karena jika sampel
lebih dari 30 maka error term akan terdistribusi secara normal. Uji ini disebut Jarque – Bera Test.
Lakukan Prosedur berikut: Dari hasil estimasi - View – Residual test – Histogram Normality test
(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)
Dari hasil diatas maka langkah selanjutnya adalah melakukan uji normalitas error term:
1. H0 : error term terdistribusi normal
H1 : error term tidak terdistribusi normal
2. α = 5% maka daerah kritis penolakan H0 adalah P-Value < α
3. Karena P-Value = 0,678100 > 0,05 maka H0 diterima
4. Kesimpulan, dengan tingkat keyakinan 95%( α = 5% ) maka dapat dikatakan bahwa error term
terdistribusi normal.
D.2. Uji Multikolinieritas

Multikolinearitas adalah adanya hubungan linier yang signifikan antara beberapa atau
semua variabel independent dalam model regresi. Untuk melihat ada tidaknya multikolinieritas
dapat dilihat dari koefisien korelasi dari masing-masing variabel bebas. Jika koefisien korelasi
antara masing-masing variabel bebas lebih besar dari 0,8 berarti terjadi mulikolinieritas.
Lakukan prosedur berikut: Dari workfile – Blok semua variabel kecuali c dan resid – Klik kanan:
Open – As Group
Setelah tampil semua variabel, Klik View – Correlation – Common Sampel.
(lokasi file Excel berada di d:Eviews/data/data1.xls:mul2)
Dari tampilan diatas terlihat bahwa antara variabel X 2, X3, X4, X5, dan X6 terjadi multikolinieritas,
karena memiliki nilai Correlation matrix lebih dari 0,8. Cara mengatasi adanya multikol dapat
dilakukan dengan cara: (1) menghilangkan variabel independent, (2) transformasi variabel, (3)
penambahan data. Berikut ini dilakukan cara mengatasi multikol dengan transformasi data, yaitu
penambahan log. Dari hasil tersebut, semua koefisien telah signifikan.
D.3. Heteroskedasitas
Heteroskedasitas merupakan keadaan dimana varians dari setiap gangguan tidak
konstan. Uji heteroskedasitas dapat dilakukan dengan menggunakan White Heteroskedasticity
yang tersedia dalam program Eviews. Hasil yang peril diperhatikan dari Uji ini adalah nilai F dan
Obs*R-Squared. Jika nilai Obs*R-Squared lebih kecil dari X2 tabel maka tidak terjadi
heteroskedastisitas, dan sebaliknya
(lokasi file Excel berada misalnya di d:Eviews/data/data1.xls:het2)
Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari hasil estimasi. Jika
residual bergerak konstan artinya tidak ada hetero dan jika membentuk suatu pola tertentu maka
mengindikasikan adanya hetero.
Dependent Variable: PROFIT

Date: 08/26/07 Time: 22:40
Sample: 1 18
RD 0.369500 0.305947 1.207726 0.2459
SALES 0.068854 0.014112 4.879106 0.0002
C 791.5363 1214.194 0.651903 0.5243
Sum squared resid 1.71E+08 Schwarz criterion 19.38655
Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil estimasi. Dimana
residualnya membentuk suatu pola atau tidak konstan. Untuk membuktikan dugaan tersebut
perlu dilakukan Uji White Hetero.
Lakukan prosedur berikut: Dari hasil Estimasi Klik View – Residual test – White Hetero (no cross)
- OK
White Heteroskedasticity Test:

F-statistic 8.281590 Probability 0.001508
Obs*R-squared 12.92698 Probability 0.011638
Dengan melihat hasil Obs*R-Squared sebesar 12,92698 > 9,48773 (nilai kritis Chi square (X 2) pada
α = 5%), maka dapat disimpulkan bahwa pada estimasi tersebut terjadi hetero. Cara lain yaitu
dengan melihat nilai probabilitas dari nilai chi squares. Pada hasil diatas nilai probabilitasnya
sebesar 0,011638 artinya terjadi hetero pada tingkat α = 1%. Semakin besar nilai probabilitasnya
berarti semakin tidak terjadi hetero.
D.4. Autokorelasi
Autokorelasi menunjukkan adanya hubungan antar gangguan. Metode yang digunakan
dalam mendeteksi ada tidaknya masalah autokorelasi adalah Metode Bruesch-Godfrey yang lebih
dkenal dengan LM-Test. Metode ini didasarkan pada nilai F dan Obs*R-Squared. Dimana jika nilai
probabilitas dari Obs*R-Squared melebihi tingkat kepercayaan maka Ho diterima, berarti tidak
ada masalah autokorelasi.
(lokasi file Excel berada misalnya di d:Eviews/data/data1.xls:auto2)
Dapat dilihat dari hasil estimasi sepertinya tidak terjadi per masalahan yang melanggar
asumsi klasik. Dimana terlihat bahwa nilai t-statistik signifikan., R2 bagus, dan Uji F juga
signifikan. Namun dalam hasil tersebut terdapat DW stat yang relatif kecil. Nilai DW yang kecil
tersebut merupakan salah satu indikator adanya masalah autokorelasi.
Untuk membuktikan adanya masalah autokorelasi dalam model dapat kita lakukan
dengan melakukan uji LM.
Lakukan prosedur berikut: Dari hasil estimasi – Klik View – Residual test – Serial Correlation LM
test - OK
Breusch-Godfrey Serial Correlation LM Test:

Dari hasil test diatas dapat disimpulkan bahwa dalam hasil estimasi tersebut terjadi masalah
autokorelasi. Hal ini dapat dilihat dari nilai probabilitas kurang dari tingkat keyakinan (α = 1%)
maka Ho ditolak yang berarti dalam model terdapat autokorelasi.
AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

1. Pengantar
ARIMA merupakan suatu teknik yang mengabaikan independent variable dalam
melakukan peramalan. Model ini hanya menggunakan nilai-nilai sekarang dan masa lalu dari
dependent variable untuk melakukan peramalan jangka pendek. Metode ini disebut juga dengan
metode Box-Jenkins.
2. Petunjuk Operasional dalam Eviews

a. Uji Stasioneritas Data
Uji stasioneritas data digunakan untuk melihat apakah data mengandung akar unit atau
tidak. Data time series dikatakan stasioner jika data tersebut tidak mengandung akar-akar unit
(unit root) dengan kata mean, variance, dan covariant konstan sepanjang waktu. Pengujian akar-
akar unit root dilakukan dengan metode Augmented Dickey Fuller(ADF), yaitu dengan
membandingkan nilai ADFstatistik dengan Mackinnon critical value 1%, 5%, dan 10%. Data dikatakan
stasioner jika nilai ADFstatistik lebih besar dari Mackinnon critical value 1%, 5%, dan 10% serta nilai
probabilitasnya signifikan dibawah 10%. Jika ADF statistik lebih kecil dari Mackinnon critical value 1%,
5%, dan 10% serta nilai probabilitasnya diatas 10% (tidak signifikan) maka data dikatakan tidak
stasioner.
Lakukan prosedur berikut :
Klik Workfile – Klik variabel yang akan di uji – View - Unit root test
(lokasi file Excel berada di d:Eviews/data/data2 ARIMA.xls)
Lakukan pengujian pada tingkat Level dengan asumsi trend dan intercept -OK
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(GDP)
Date: 10/22/07 Time: 20:59
Sample(adjusted): 1970:3 1991:4
Included observations: 86 after adjusting endpoints
GDP(-1) -0.078661 0.035508 -2.215287 0.0295
D(GDP(-1)) 0.355794 0.102691 3.464708 0.0008
C 234.9729 98.58764 2.383391 0.0195
@TREND(1970:1) 1.892199 0.879168 2.152260 0.0343
Dari hasil pengujian dapat dilihat nilai ADFstatistik sebesar 2,215287 lebih kecil dari dengan
probabilitas diatas 10%, yaitu 0,4749. Berarti data masih mengandung akar unit, dengan kata lain
data tidak stasioner pada tingkat level. Lakukan kembali pengujian unit root pada tingkat first
difference.
Klik View – Unit root test – Pilih first difference - Intercept – OK
Null Hypothesis: D(GDP) has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -6.588446 0.0000
Test critical values: 1% level -4.068290
5% level -3.462912
10% level -3.157836
*MacKinnon (1996) one-sided p-values.

Dependent Variable: D(GDP,2)
Date: 10/22/07 Time: 21:00
D(GDP(-1)) -0.682459 0.103584 -6.588446 0.0000
C 17.25493 7.965990 2.166074 0.0332
@TREND(1970:1) -0.028246 0.149731 -0.188649 0.8508
Dari pengujian yang kedua didapat bahwa nilai ADFstatistik lebih besar dari critical value dan
probabilitasnya signifikan pada tingkat keyakinan 1%. Hal ini berarti data telah stasioner pada
first difference. Secara tidak langsung ordo integrasi telah ditemukan, yaitu d = 1. Berikutnya
adalah penentuan ordo suku AR dan MA.
b. Penentuan Ordo AR – MA
Lakukan pengujian correlogram, dengan hasil derajat integrasi yang diperoleh dari uji unit root
dan biarkan Eviews menentukan panjang lag maksimumnya.
Lakukan prosedur berikut ini:
Klik View – Correlogram – First Difference - OK
Cara melihat stasioner atau tidaknya
model bisa di lihat dari nilai AC dan PAC
dibandingkan dengan + 1.96 ( ), atau
sama dengan
+1.96( )=
+ 1.96 (0.1066)= -0.208 sd + 0.208
Jadi kalau AC dan PAC ada diantara
-0.208 sd + 0.208 maka datanya stasioner
namun jika diluar angka -0.208 sd + 0.208
maka tidak stasioner
Tampak pada lag(1) AC dan PAC memiliki

skor sebesar 0.316 yang berarti lebih besar
dari 0.208 (0.316 > 0.208) )maka datanya
tidak stasioner pada lag (1,8, dan 12)
Dari grafik diatas terlihat bahwa terjadi pelanggaran garis batang AC pada lag 1, 8, dan 12, maka
kita memiliki kandidat MA (1). Dari grafik batang PAC, terlihat kalau pelanggaran garis batas juga
terjadi pada lag 1, maka diperoleh juga kandidat AR (1). 3 kandidat model yang akan digunakan
adalah bentuk ARIMA (1,1,1); ARIMA (1,1,0) atau ARI (1) dan ARIMA (0,1,1) atau IMA (1).
Selanjutnya adalah penentuan model terbaik.
c. Penentuan Model Terbaik.
Untuk model ARIMA (1,1,1) : Klik Quick – Estimate equation – Ketik: d(gdp) c AR(1) MA(1) – OK
Jangan lupa untuk memberi nama persamaan tersebut, Klik Name – Arima – OK

C 23.50643 5.942537 3.955622 0.0002
AR(1) 0.499690 0.275101 1.816384 0.0729
MA(1) -0.201502 0.312614 -0.644572 0.5210
Inverted AR Roots .50
Inverted MA Roots .20
Hasil regresi pada model ARIMA (1,1,1) menunjukkan bahwa probabilitas MA(1) tidak signifikan,
yaitu sebesar 0,5210, maka model ini dinyatakan gugur.
Selanjutnya kita akan melihat model yang kedua yaitu model ARI(1) Klik Quick –
Estimate equation – ketik: d(gdp) c AR(1) – OK. Kemudian namai persamaan tersebut, misal ARI.
Begitu pula untuk model yang ketiga yaitu, IMA (1), kembali Klik Quick – Estimate equation –
ketik: d(gdp) c MA(1) - OK

C 23.44152 5.412216 4.331223 0.0000
AR(1) 0.317238 0.102975 3.080716 0.0028

C 22.79699 4.666313 4.885441 0.0000
MA(1) 0.258497 0.104584 2.471667 0.0154
Inverted MA Roots -.26
Model ARI(1) dan IMA(1), memiliki nilai probabilitas yang signifikan, hal ini didukung pula oleh
nilai │IRM│< 1. Maka pemilihan modeol terbaik akan dilanjutkan dengan pengujian autokorelasi.
Lakukan uji correlogram Q stat, Klik View – residual test – correlogram Q statistic - OK
Correlogram AR Correlogram MA
Ternyata kedua model berhasil menyelesi kan
permasalahan autokorelasi masing-masing,
terlihat dari nilai Q-stat yang tidak signifikan di setiap lag. Maka langkah terakhir
pemilihan model akan bergantung pada nilai SC yang lebih kecil. ARI (1)
memiliki nilai SC sebesar 9.986, sementara IMA (1) sebesar 10.00805, maka
model ARI(1)- lah yang terbaik.
Model Adjusted R-square AIC SC
IMA (1) 0.070053 9.951364 10.00805
ARI (1) 0.09082 9.929234 9.986311
ARIMA (1,1,1) 0.084202 9.947766 10.03338
d. Peramalan
Dengan menggunakan model ARI(1), kita lakukan pengecekan kelayakan model bagi peramalan.
Dalam hal ini data yang digunakan adalah data asli, yaitu GDP, karena data ini yang akan diramal.
Klik Forecast – pilih GDP - OK
Terlihat bahwa nilai bias proportion sebesar 0.053880 (dibawah 0.2), sementara covariance
proportion 0.856076 (hampir mendekati 1), maka model ini dapat meramal nilai GDP kedepan.
Bila mengasumsi model sudah benar, maka langkah selanjutnya adalah memperpanjang
range data. Pada menu utama :
Klik Procs – Change workfile range (ubah End date menjadi 1992:1) – OK
Ubah juga sample data : Procs – sample – ketik tahun yang akan diforcast
Kembali ke estimasi : Procs - Make model – Solve – OK
Jangan lupa diganti tahun

estimasi yang diinginkan
Contoh :
1970:1 1992:1
Langkah berikutnya anda buka ar1
Langkah berikutnya anda klik menu solve

Sehingga akan terbentuk variabel forecast gdpf dengan tambahan nilai konsumsi 1992:1
1991:2 4865.329
1991:3 4888.771
1991:4 4912.212
1992:1 4935.654
ARCH/GARCH
1. Pengantar
Data time series, terutama seperti data indeks saham, tingkat bunga, nilai tukar, dan
inflasi, sering kali bervolatilitas. Implikasi data yang bervolatilitas adalah variance dari error tidak
constant. Dengan kata lain mengalami heteroskedatisitas. Implikasi dari adanya
heteroskedatisitas terhadap estimasi OLS tetap tidak bias, tetapi standart error dan interval
keyakinan menjadi terlalu sempit sehingga dapat memberikan sense of precision yang salah.
Untuk menjawab pertanyaan-pertanyaan mengenai volatilitas, peralatan standar yang
digunakan adalah model Autoregressive Conditional Heteroskedasticity Model (ARCH)/
Generalized Autoregressive Conditional Heteroskedasticity Model (GARCH). Model ini
menganggap variance yang tidak constant (heteroskedatisitas) bukan suatu masalah, tetapi justru
dapat digunakan untuk modeling dan peramalan.
(lokasi file Excel berada di d:Eviews/data/data3 ARCH.xls)

ARCH Test:
F-statistic 6235215. Probability 0.000000
Tampak hasil pengujian dengan menggunakan ARCH LM Test menunjukkan hasil yang signifikan,
oleh karena itu secara statistik kita menolak H nul (Ho) yang berarti varian residual tidak konstan
atau dengan kata lain model yang digunakan mengandung unsur ARCH.
Model Estimasi ARCH

Untuk mengestimasi model ARCH dapat dilakukan dengan cara : quick/estimate equation
Kemudian pilih metode estimasinya dengan menggunakan ARCH, lalu klik metode tersebut
sehingga aka muncul tampilan sebagai berikut :
Pada tampilan ini kalau

menghendaki model ARCH saja
maka isi dengan (0) pada ARCH
specification order.
Sehingga akan menghasilan model estimasi sebagai berikut :
Dependent Variable: CPI

Method: ML - ARCH (Marquardt)
Date: 10/25/07 Time: 12:29
Sample(adjusted): 2 637
Convergence achieved after 14 iterations
Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C 66.22193 24.37509 2.716787 0.0066
AR(1) 0.981749 0.004680 209.7636 0.0000
Variance Equation
C 534.3886 52.58769 10.16186 0.0000
ARCH(1) -67.88467 11.90989 -5.699856 0.0000
Tampak ARCH menunjukkan hasil yang signifikan berarti kesalahan prediksi (residual) CPI
dipengaruhi oleh residual kuadrat periode sebelumnya ARCH(1).
Namun dengan memasukkan unsur persamaan ARCH ini, apakah kemudian model terbebas dari
unsur ARCH? Lakukan pengujian dengan klik View/Residual Test/ARCH LM Test
ARCH Test:
Test Equation:
Dependent Variable: STD_RESID^2
Date: 10/25/07 Time: 12:37
C 0.008176 0.004775 1.712304 0.0873
STD_RESID^2(-1) 0.011991 0.039745 0.301708 0.7630
Adjusted R-squared -0.001436 S.D. dependent var 0.119956
S.E. of regression 0.120042 Akaike info criterion -1.398799
Sum squared resid 9.121638 Schwarz criterion -1.384772
Log likelihood 446.1188 F-statistic 0.091028
Tampak hasil perhitungan menunjukkan nilai prob sebesar 0.762528 (lebih besar dari 0.05),
dengan demikian pada lag (1) secara statistik tidak signifikan sehingga kita menerima hipotesis
nul (Ho) yang berarti varian residual konstan atau dengan kata lain model yang digunakan sudah
tidak mengandung unsur ARCH.
Model Estimasi GARCH

Untuk mengestimasi model GARCH dapat dilakukan dengan cara : quick/estimate equation
Kemudian pilih metode estimasinya dengan menggunakan GARCH, lalu klik metode tersebut
sehingga aka muncul tampilan sebagai berikut :
Pada tampilan ini kalau

menghendaki model GARCH
saja maka isi dengan (1) pada
GARCH specification order.
Sehingga akan menghasilan model estimasi sebagai berikut :

Dependent Variable: CPI
Method: ML - ARCH (Marquardt)
Date: 10/25/07 Time: 12:48
Failure to improve Likelihood after 26 iterations
Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C 98.39845 11.72393 8.392958 0.0000
AR(1) 1.172699 0.024129 48.60187 0.0000
Variance Equation
C 1102.365 160.9089 6.850866 0.0000
ARCH(1) -4.679865 1.669584 -2.803013 0.0051
GARCH(1) -0.969905 0.051387 -18.87462 0.0000
Inverted AR Roots 1.17
Estimated AR process is nonstationary
Tampak GARCH menunjukkan hasil yang signifikan berarti varian kesalahan prediksi (residual) CPI
dipengaruhi oleh varian residual periode sebelumnya GARCH(1). Nilai ARCH juga menunjukkan
hasil yang signifikan berarti varian kesalahan prediksi (residual) CPI dipengaruhi oleh varian
residual kuadrat periode sebelumnya GARCH(1)
Namun dengan memasukkan unsur persamaan GARCH ini, apakah kemudian model terbebas dari
unsur ARCH? Lakukan pengujian dengan klik View/Residual Test/ARCH LM Test
ARCH Test:
Test Equation:
Dependent Variable: STD_RESID^2
Date: 10/25/07 Time: 12:53
C 0.160692 0.018725 8.581812 0.0000
STD_RESID^2(-1) 0.618926 0.030728 20.14179 0.0000
Tampak hasil perhitungan menunjukkan nilai prob sebesar 0.000 (lebih kecil dari 0.05), dengan
demikian pada lag (1) secara statistik signifikan sehingga kita menolak hipotesis nul (Ho) yang
berarti varian residual tidak konstan atau dengan kata lain model yang digunakan sudah masih
mengandung unsur ARCH.
ERROR CORRECTION MODEL (ECM)

1. Pengantar
Kointegrasi dapat diartikan sebagai suatu hubungan jangka panjang (long term
relationship/ekuilibrium) antara variabel-variabel yang tidak stasioner. Keberadaan hubungan
kointegrasi memberikan peluang bagi data-data yang secara individual tidak stasioner untuk
menghasilkan sebuah kombinasi linier diantara mereka sehingga tercipta kondisi yang stasioner.
Secara sederhana, dua variabel disebut terkointegrasi jika hubungan kedua variabel tersebut
dalam jangka panjang akan mendekati atau mencapai kondisi equilibriumnya. Error Correction
Model (ECM) merupakan model yang digunakan untuk mengoreksi persamaan regresi antara
variabel-variabel yang secara individual tidak stasioner agar kembali ke nilai equilibriumnya di
jangka panjang, dengan syarat utama berupa keberadaan hubungan kointegrasi diantara
variabel-variabel penyusunnya. Ada banyak cara untuk melakukan uji kointegrasi, namun dalam
modul ini hanya memaparkan Engle-Granger Cointegration Test.
2. Petunjuk Operasional Dalam Eviews.

Pada kasus ini, uji stasioneritas juga dilakukan pada setiap variabel. Dengan cara yang
sama seperti pada modul sebelumnya, maka didapat bahwa hasil sebagai berikut:
(lokasi file Excel berada di d:Eviews/data/data4 ECM.xls)
Null Hypothesis: D(PDI) has a unit root

t-Statistic Prob.*
5% level -3.462912
10% level -3.157836
Null Hypothesis: D(PCE) has a unit root

t-Statistic Prob.*
5% level -3.462912
10% level -3.157836
Dimana kedua variabel stasioner pada tingkat first difference. Selanjutnya, kedua variabel
diregresi sehingga dihasilkan bentuk output Eviews sebagai berikut:
Dependent Variable: PCE

Date: 08/24/07 Time: 17:18
Sample: 1970:1 1991:4
PDI 0.967250 0.008069 119.8712 0.0000
C -171.4412 22.91725 -7.480880 0.0000
Hasil estimasi ini dapat ditulis ulang menjadi :

PCEt = -171.4412 + 0.967250 PDIt + ut
Residual dari persamaan regresi antara variabel PCE dan PDI diuji stasioneritasnya dengan unit
root test.
Null Hypothesis: RESID01 has a unit root
Exogenous: None
t-Statistic Prob.*
5% level -1.944574
10% level -1.614315

Dependent Variable: D(RESID01)
Date: 10/25/07 Time: 13:20
RESID01(-1) -0.275312 0.072852 -3.779071 0.0003
R-squared 0.142205 Mean dependent var -0.405877
Log likelihood -400.3706 Durbin-Watson stat 2.277512
Hasil unit root test dapat ditulis dalam bentuk persamaan sebagai berikut:
∆ût = -0275132ut-1
Hasil uji unit root dari residual (u) kita bandingkan dengan nilai
𝜏=0+1T-1+2T-2
Jika nilai t-statistik > dari nilai 𝜏, maka residual tersebut (u) terkointegrasi. Berdasarkan
perhitungan nilai r = -2.899, sehingga karena nilai t-statistik lebih besar dari nilai 𝜏 (-3.779071)
maka residualnya teritegrasi
Bentuk persamaan regresi ECM adalah sebagai berikut:

∆PCEt = α0 + α1∆PDI + α2ut-1 + t
Hasil regresi Eviews akan menghasilkan output pada tabel dibawah ini:
Dependent Variable: D(PCE)
C 11.69183 2.195675 5.324936 0.0000
D(PDI) 0.290602 0.069660 4.171715 0.0001
RESID01(-1) -0.086706 0.054180 -1.600311 0.1133
Hasil regresi ECM dapat dituliskan menjadi:

∆PĈEt = 11.69183 + 0.2906 ∆PDIt – 0.0867 ût-1
Dari persamaan diatas dapat dikatakan bahwa dalam jangka pendek PDI mempunyai hubungan
positif dengan PCE. Dapat dikatakan bahwa MPC dalam jangka pendek sebesar 0.2906.
Sedangkan MPC dalam jangka panjang sebesar 0.967250 (didapat dari regresi awal).
Tabel Respon Surface For Critical Value Cointegration Test
n Model Size(%) Obs. ∞ 1 2

1 No constant 1 600 -2,5658 -1,960 -10,04
No trend 5 600 -1,9393 -0,398 0,0
10 560 -1,6156 -0,181 0,0
1 Constant 1 600 -3,4335 -5,999 -29,25

No trend 5 600 -2,8621 -2,738 -8,36
10 600 -2,5671 -1,438 -4,48
1 Constant 1 600 -3,9638 -8,353 -47,44

With trend 5 600 -3,4126 -4,039 -17,83
10 600 -3,1279 -2,418 -7,58
2 Constant 1 600 -3,9001 -10,534 -30,03

No trend 5 600 -3,3377 -5,967 -8,98
10 600 -3,0462 -4,069 -5,73
2 Constant 1 600 -4,3266 -15,531 -34,03

With trend 5 560 -3,7809 -9,421 -15,06
10 600 -3,4959 -7,203 -4,01
3 Constant 1 560 -4,2981 -13,790 -46,37

No trend 5 560 -3,7429 -8,352 -13,41
10 600 -3,4518 -6,241 -4,85
3 Constant 1 600 -4,6676 -18,492 -59,20

With trend 5 600 -4,1193 -12,024 -21,57
10 600 -3,8344 -9,188 -5,19
4 Constant 1 560 -4,6493 -17,188 -59,20

No trend 5 560 -4,1000 -10,745 -21,57
10 600 -3,8110 -8,317 -5,19
4 Constant 1 600 -4,9695 -22,504 -50,22

With trend 5 560 -4,4294 -14,501 -19,54
10 560 -4,1474 -11,165 -9,88
5 Constant 1 520 -4,9587 -22,140 -37,29

No trend 5 560 -4,4185 -13,641 -21,16
10 600 -4,1327 -10,638 -5,48
5 Constant 1 600 -5,2497 -26,606 -49,56

With trend 5 600 -4,7154 -17,432 -16,50
10 600 -4,4245 -13,654 -5,77
6 Constant 1 480 -5,2400 -26,278 -41,65

No trend 5 480 -4,7048 -17,120 -11,17
10 480 -4,4242 -13,347 0,0
6 Constant 1 480 -5,5127 -30,735 -52,50

With trend 5 480 -4,9161 -20,883 -9,05
10 480 -4,6999 -16,445 0,0
VECTOR AUTOREGRESSIONS (VAR)

1. Pengantar
Metode Vector Autoregression (VAR) pertama kali dikembangkan oleh Christoper Sims
(1980). Kerangka analisis yang praktis dalam model ini akan memberikan informasi yang
sistematis dan mampu menaksir dengan baik informasi dalam persamaan yang dibentuk dari data
time series. Selain itu perangkat estimasi dalam model VAR mudah digunakan dan
diintepretasikan. Perangkat estimasi yang akan digunakan dalam model VAR ini adalah fungsi
impulse respon dan variance decompotition.
Ada beberapa keuntungan dari VAR (Gujarati, 1995:387) yaitu :
1. VAR mampu melihat lebih banyak variabel dalam menganalisis fenomena ekonomi jangka
pendek dan jangka panjang.
2. VAR mampu mengkaji konsistensi model empirik dengan teori ekonometrika.
3. VAR mampu mencari pemecahan terhadap persoalan variabel runtun waktu yang tidak
stasioner ( non stasionary ) dan regresi lancung ( spurious regresion ) atau korelasi
lancung ( spurious correlation ) dalam analisis ekonometrika.
Metode yang ditekankan pada penerapan model VAR adalah (Gujarati, 2003:853) :
1. Kemudahan dalam penggunaan, tidak perlu mengkhawatirkan tentang
penentuan variabel endogen dan variabel eksogen. Semua variabel dianggap sebagai
variabel endogen.
2. Kemudahan dalam estimasi, metode Ordinary Least Square (OLS) dapat
diaplikasikan pada tiap persamaan secara terpisah.
3. Forecast atau peramalan yang dihasilkan pada beberapa kasus
ditemukan lebih baik daripada yang dihasilkan oleh model persamaan simultan yang
kompleks.
4. Impulse Respon Function (IRF). IRF melacak respon saat ini dan masa
depan setiap variabel akibat perubahan atau shock suatu variabel tertentu.
5. Variance Decompotition, memberikan informasi mengenai kontribusi
(persentase) varians setiap variabel terhadap perubahan suatu variabel tertentu.
Di sisi lain, terdapat beberapa kritik terhadap model VAR menyangkut permasalahan
berikut (Gujarati, 2003:853) :
1. Model VAR merupakan model yang atheoritic atau tidak berdasarkan teori, hal ini tidak
seperti pada persamaan simultan. Pada persamaan simultan, pemilihan variabel yang
akan dimasukkan dalam persamaan memegang peranan penting dalam mengidentifikasi
model.
2. Pada model VAR penekanannya terletak pada forecasting atau peramalan sehingga
model ini kurang cocok digunakan dalam menganalisis kebijakan.
3. Permasalahan yang besar dalam model VAR adalah pada pemilihan lag length atau
panjang lag yang tepat. Karena semakin panjang lag, maka akan menambah jumlah
parameter yang akan bermasalah pada degrees of freedom.
4. Variabel yang tergabung pada model VAR harus stasioner. Apabila tidak stasioner, perlu
dilakukan transformasi bentuk data, misalnya melalui first difference.
5. Sering ditemui kesulitan dalam menginterpretasi tiap koefisien pada estimasi model
VAR, sehingga sebagian besar peneliti melakukan interpretasi pada estimasi fungsi
impulse respon dan variance decompotition.
Ada beberapa hal yang penting dalam melakukan estimasi menggunakan model VECM
(Harris,1995: 76) yaitu :
1. Data yang digunakan harus stasioner
2. Identifikasi bentuk model
3. Penentuan lag length optimal
2. Prosedur dalam Eviews

Salah satu prosedur yang harus dilakukan dalam estimasi model ekonomi dengan data
time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary stochastic
process. Data time series dikatakan stasioner jika data tersebut tidak mengandung akar-akar unit
(unit root) dengan kata mean, variance, dan covariant konstan sepanjang waktu. Pengujian akar-
akar unit root dilakukan dengan metode Augmented Dickey Fuller ( ADF), yaitu dengan
membandingkan nilai ADFstatistik dengan Mackinnon critical value 1%, 5%, dan 10%.
Lakukan prosedur berikut :
Workfile – Klik variabel yang akan di uji – View - Unit root test
(lokasi file Excel berada di d:Eviews/data/data5 VAR.xls)
Kemudian akan muncul tampilan seperti dibawah ini :
Kita akan menguji data pada tingkat level I(0). Jika nilai ADF statistik lebih besar dari Mackinnon
critical value, maka data tidak mengandung unit root sehingga data dikatakan stasioner.
Demikian pula sebaliknya, jika nilai ADF statistik lebih kecil dari t-statistik pada Mackinnon critical
value berarti terdapat unit root sehingga data dikatakan tidak stasioner.
Null Hypothesis: M1 has a unit root

t-Statistic Prob.*
5% level -3.529758
10% level -3.196411
Dari hasil pengujian ternyata variabel M1 pada tingkat level tidak stasioner. Hal ini
dapat dilihat pada nilai ADF test statistic yang lebih kecil dari test critical values-nya, baik 1%, 5%,
dan 10%. Selain itu juga terlihat nilai probabilitas yang lebih besar dari α = 10%. Jika dari hasil uji
stasioneritas berdasarkan uji ADF diperoleh data seluruh variabel belum stasioner pada level,
maka untuk memperoleh data yang stasioner dapat dilakukan dengan cara differencing data,
yaitu dengan mengurangi data tersebut dengan data periode sebelumnya, sehingga akan
diperoleh data dalam bentuk first difference.
Setelah data dirubah kedalam bentuk first difference maka diperoleh hasil sebagai
berikut:
Null Hypothesis: D(M1) has a unit root

t-Statistic Prob.*
5% level -3.533083
10% level -3.198312
Null Hypothesis: D(R) has a unit root

t-Statistic Prob.*
5% level -3.536601
10% level -3.200320
Baik pada variabel M1 dan R data telah stasioner pada tingkat first difference. Dapat dilihat
bahwa nilai ADF test statistic kedua variabel lebih besar dari nilai test critical values-nya dan nilai
probabilitas keduanya signifikan pada α = 1%. Sehingga kedua variabel tersebut telah stasioner.
b. Penetuan Lag Optimal

Penentuan jumlah lag dalam model VAR ditentukan pada kriteria informasi yang
direkomendasikan oleh Final Prediction Error (FPE), Aike Information Criterion (AIC), Schwarz
Criterion (SC), dan Hannan-Quinn (HQ). Tanda bintang menunjukkan lag optimal yang
direkomendasikan oleh kriteria diatas.
Lakukan prosedur berikut:
Tandai seluruh variabel – Klik kanan – Open – as VAR – OK
Dari VAR Estimation - Pilih View – Lag Structure - Lag Length Criteria
VAR Lag Order Selection Criteria
Endogenous variables: M1 R
Exogenous variables: C
Date: 08/23/07 Time: 07:32
Sample: 1979:1 1988:4
Lag LogL LR FPE AIC SC HQ
0 -449.4532 NA 1.36E+08 24.40288 24.48995 24.43357
1 -350.3133 182.2030 794237.8 19.26018 19.52141 19.35227
2 -341.5657 15.13099* 616075.2* 19.00355* 19.43893* 19.15704*
3 -339.9341 2.645821 704361.8 19.13157 19.74111 19.34646
* indicates lag order selected by the criterion
Dari hasil diatas terlihat bahwa semua tanda bintang berada pada lag 2. Hal ini menunjukkan
bahwa lag optimal terletak pada lag 2.
c. Uji Kausalitas Granger
Uji Kausalitas Granger digunakan untuk melihat arah hubungan suatu variabel dengan
variabel yang lain. Bagaimana pengaruh x terhadap y dengan melihat apakah nilai sekarang dari y
bisa dijelaskan dengan nilai historis y serta melihat apakah penambahan lag x bisa meningkatkan
kemampuan menjelaskan model. Adapun persamaan Granger-Causality adalah:
n n
Yt    1 j Yt  j    2 j X t  j  u1t
j 1 j 1
n n
X t    1 j Yt  j    2 j X t  j  u 2t
j 1 j 1
Dalam penelitian ini, ada beberapa kasus yang dapat diintepretasikan dari persamaan Granger
Causality diatas (Gujarati,2003:696-697) :
1. Unidirectional causality dari Y ke X, artinya kausalitas satu arah dari Y ke X terjadi jika
koefisien lag Y pada persamaan Yt adalah secara statistik signifikan berbeda dengan nol,
koefisien lag X pada persamaan Xt sama dengan nol,
2. Unindirectional causality dari X ke Y, artinya kausalitas satu arah dari X ke Y terjadi jika
koefisien lag X pada persamaan Xt adalah secara statistik signifikan berbeda dengan nol
dan koefisien lag Y pada persamaan Yt secara statistik signifikan sama dengan nol.
3. Feedback/bilaterall causality, artinya kausalitas timbal balik yang terjadi jika koefisien
lag Y dan lag X adalah secara statistik signifikan berbeda dengan nol pada kedua
persamaan Yt dan Xt di atas.
4. Independence, artinya tidak saling ketergantungan yang terjadi jika koefisien lag Y dan
lag X adalah secara statistik sama dengan nol pada masing-masing persamaan Y t dan Xt
diatas.
Sedangkan hipotesis statistik untuk pengujian kausalitas dengan menggunakan

pendekatan Granger adalah :
t
Ho : 
i 1
it  0 artinya suatu variabel tidak mempengaruhi variabel lain
t
H1 : 
i 1
it  0 artinya suatu variabel mempengaruhi variabel lainnya.
Lakukan prosedur berikut:
Tandai semua variabel – Klik kanan, pilih Open – as Group
Setelah workfile semua variabel muncul pilih: View – Granger Causality
Pairwise Granger Causality Tests
Lags: 2
Null Hypothesis: Obs F-Statistic Probability
R does not Granger Cause M1 38 12.9266 7.1E-05
M1 does not Granger Cause R 3.22343 0.05263
Dari hasil pengujiann Granger disebutkan bahwa Ho menyatakan R tidak mempengaruhi

M1 dan M1 tidak mempengaruhi R. Dengan melihat nilai probabilitas sebesar 7.1E-05 maka Ho
ditolak, berarti R mempengaruhi M1. Selanjutnya untuk pernyataan yang kedua, dengan
probabilitas 0.05263 dan pada α = 1% maka Ho ditolak. Sehingga M1 mempengaruhi R. Dari
pengujian Granger diatas dapat disimpulkan bahwa kedua variabel mempunyai hubungan 2 arah
atau saling mempengaruhi.
d. Estimasi VAR
Pada kasus ini persamaan VAR dapat ditulis sebagai berikut:
n n
M 1t      j M 1t  j    j Rt  j  u1t
j 1 j 1
n n
Rt      j M 1t  j    j Rt  j  u 2 t
j 1 j 1
Dari Workfile, tandai semua variabel – Klik kanan – Open – as VAR – pilih Unrestricted VAR –
OK.
Vector Autoregression Estimates
Standard errors in ( ) & t-statistics in [ ]
D(M1) D(R)
D(M1(-1)) 0.169618 0.001629
(0.17182) (0.00056)
[ 0.98719] [ 2.90445]
D(M1(-2)) 0.257899 -0.000413

(0.16435) (0.00054)
[ 1.56921] [-0.76871]
D(R(-1)) -235.9120 0.161317

(53.3880) (0.17432)
[-4.41882] [ 0.92541]
D(R(-2)) -7.438080 0.137387

(58.2922) (0.19033)
[-0.12760] [ 0.72183]
C 222.8912 -0.533556
(113.810) (0.37161)
[ 1.95844] [-1.43580]
R-squared 0.414380 0.250815
Adj. R-squared 0.341178 0.157166
Sum sq. resids 7187605. 76.62843
S.E. equation 473.9332 1.547462
F-statistic 5.660741 2.678264
Log likelihood -277.7743 -65.96965
Akaike AIC 15.28510 3.836198
Schwarz SC 15.50279 4.053889
Mean dependent 405.9368 -0.026126
S.D. dependent 583.8926 1.685579
Determinant Residual Covariance 536064.1
Log Likelihood (d.f. adjusted) -349.0536
Akaike Information Criteria 19.40830
Schwarz Criteria 19.84369
Untuk melihat apakah variabel M1 mempengaruhi R dan sebaliknya dapat dilihat dengan cara
membandingkan nilai t-statistic hasil estimasi dengan nilai t-tabel. Jika nilai t-statistic lebih besar
dari nilai t-tabelnya, maka dapat dikatakan bahwa variabel M1 mempengaruhi R.
e. Fungsi Impulse Respon

Untuk mengetahui pengaruh shock dalam perekonomian maka digunakan metode
impulse respon function. Selama koefisien pada persamaan struktural VAR di atas sulit untuk
diintepretasikan maka banyak praktisi menyarankan menggunakan impulse respon function.
Fungsi impulse respon menggambarkan tingkat laju dari shock variabel yang satu terhadap
variabel yang lainnya pada suatu rentang periode tertentu. Sehingga dapat dilihat lamanya
pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau
kembali ke titik keseimbangan. Fungsi ini akan melacak respon dari variabel tergantung apabila
terdapat shock dalam u1 dan u2.
Lakukan Prosedur berikut ini:
Dari Hasil Estimasi VAR – View – Impulse Respon

Impulse Respon – Multiple graph - Analytic
Dari hasil diatas, dapat diintepretasikan sebagai berikut:
 Pada kuadran kanan atas, menunjukkan perubahan variabel M1 dalam merespon
adanya shock/perubahan variabel R. Pada awal periode, adanya shock pada R direspon
negatif oleh M1 hingga periode ke-2, yaitu mencapai titik tertinggi. Setelah periode ke-2
mulai bergerak naik hingga periode ke -5, kemudian bergerak menghimpit titik
keseimbangan.
 Pada kuadran kiri bawah, menunjukkan perubahan variabel R dalam merespon adanya
shock/perubahan variabel M1. Pada awal periode, adanya shock pada M1 direspon
positif oleh R hingga periode ke-3. Setelah periode ke-3, kembali ketitik keseimbangan
hingga lebih dari periode lebih dari ke-10.
f. Variance Decompositions
Variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan
pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan
periode yang akan datang.
Lakukan Prosedur berikut:
Dari hasil estimasi VAR – View – Variance Decompotition
Variance Decompotition – Table – None (standart Errors)
Variance Decomposition of D(M1):

Period S.E. D(M1) D(R)
1 473.9332 100.0000 0.000000
2 600.7910 63.20104 36.79896
3 617.5066 60.58988 39.41012
4 618.7257 60.37357 39.62643
5 619.1933 60.35171 39.64829
6 619.2605 60.35639 39.64361
7 619.2820 60.35240 39.64760
8 619.2870 60.35144 39.64856
9 619.2886 60.35114 39.64886
10 619.2889 60.35113 39.64887
Variance Decomposition of D(R):

Period S.E. D(M1) D(R)
1 1.547462 0.335039 99.66496
2 1.753751 20.38336 79.61664
3 1.787127 19.67987 80.32013
4 1.789185 19.63479 80.36521
5 1.790513 19.61104 80.38896
6 1.790990 19.61349 80.38651
7 1.791009 19.61517 80.38483
8 1.791011 19.61527 80.38473
9 1.791013 19.61530 80.38470
10 1.791014 19.61528 80.38472
Dari hasil di atas, dapat di intepretasikan sebagai berikut:

 Pada tabel pertama, menjelaskan tentang variance decompotition dari variabel M1,
variabel apa saja dan seberapa besar variabel tersebut mempengaruhi variabel M1.
Pada periode pertama, variabel M1 dipengaruhi oleh variabel itu sendiri (100%). Namun
pada periode kedua variabel R memberikan kontribusinya sebesar 36,79%, nilai ini terus
meningkat hingga periode ke-10 sebesar 39,64%.
 Pada tabel kedua, menjelaskan tentang variance decompotition dari variabel R. Pada
awal periode, variabel M1 memberikan pengaruhnya sebesar 0,33%. Pada periode ke
-2, pengaruhnya mulai meningkat hingga 20,38%. Kemudian menurun sebesar 1%
hingga periode ke-10, yaitu sebesar 19,61%
g. Forecast
Metode VAR juga dapat digunakan untuk meramal data di periode yang akan datang.
Lakukan prosedur berikut: Klik Procs – Change Workfile Range (Ubah End date: 1989:4)
Ubah juga pada sampel, Klik Procs – Sample – Ubah End date: 1989:4
Kembali ke estimasi VAR, Klik Procs – Make Model – Solve – OK
Maka di kertas kerja akan muncul data baru yang didalamnya terdapat data periode yang
diramalkan.
Hasil forecast akan tampak sebagai berikut :

Vector Error Correction Model (VECM)
1. Pengantar
VECM merupakan bentuk VAR yang terestriksi. Restriksi tambahan ini harus diberikan
karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. VECM kemudian
memanfaatkan informasi restriksi kointegrasi tersebut kedalam spesifikasinya. Karena itulah
VECM sering disebut sebagai desain VAR bagi series nonstasioner yang memiliki hubungan
kointegrasi.
Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel endogen agar
konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi
jangka pendek. Istilah kointegrasi dikenal juga sebagai istilah error, karena deviasi terhadap
ekuilibrium jangka panjang dikoreksi secara bertahap melalui series parsial penyesuaian jangka
pendek.

Uji stasioneritas data dalam kasus ini digunakan untuk melihat tingkat kestasioneritasan suatu
data. Jika dalam suatu data terdapat derajat integrasi yang berbeda maka diindikasikan adanya
kointegrasi. Dengan prosedur yang sama seperti modul sebelumya, didapat hasil uji kointegrasi
sebagai berikut:
y = m + r
I(1) = I(0) I(1)
b. Penentuan Lag Optimal

Prosedur penentuan lag optiomal ini sama dengan ketika kita menentukan lag optimal pada
metode VAR. Namun, terdapat perbedaan jumlah lag pada VECM. Ketika lag optimal pada VAR
adalah p, maka lag pada VECM adalah p-1.
(lokasi file Excel berada di d:Eviews/data/data6 VECM.xls)
Prosedurnya: Tandai semua variabel – Klik kanan: as VAR.
Dari hasil estimasi VAR – View - Lag Structure - Lag Length Criteria
Lag LogL LR FPE AIC SC HQ
0 45.06723 NA 8.51E-05 -0.858515 -0.779383 -0.826508
1 257.3937 407.3201 1.34E-06 -5.008034 -4.691508* -4.880006
2 272.7921 28.59704 1.18E-06 -5.138614 -4.584692 -4.914564
3 281.1133 14.94429 1.20E-06 -5.124762 -4.333446 -4.804691
4 319.0398 65.79086 6.65E-07 -5.715099 -4.686387 -5.299006*
5 328.3972 15.65928 6.63E-07* -5.722392* -4.456286 -5.210278
6 329.5543 1.865521 7.82E-07 -5.562333 -4.058831 -4.954197
7 335.7140 9.553857 8.36E-07 -5.504368 -3.763472 -4.800211
8 348.0830 18.42718* 7.89E-07 -5.573122 -3.594830 -4.772944
Berdasarkan hasil penentuan lag optimal, Lag optimal pada VAR adalah 5 (tanda bintang yang
paling banyak). Maka lag optimal pada VECM adalah 4
c. Uji Kointegrasi
Lakukan prosedur berikut : Tandai semua variabel – Klik kanan: as VAR – pilih VEC –
Cointegration – pilih no.5 – OK
Kemudian muncul hasil estimasi VEC, Pilih View - Cointegration test – pilih no.6 (summary) - OK
Akan muncul hasil sebagai berikut:

Perhatikan letak tanda bintang, tanda bintang menunjukkan lag yang digunakan. Dari hasil regresi
tersebut terdapat dua kriteria, yaitu SC dan AIC. Keputusan penentuan kriteria antara SC dan AIC
tidak dipermasalahkan. Selain penentuan lag, dari hasil tersebut juga diperlukan dalam
menentukan spesifikasi deterministik. Penentuannya adalah dengan melihat letak tanda bintang
berada pada kolom apa Dari hasil tersebut, berdasarkan kriteria yang kita pilih, misalnya AIC,
maka spesifikasi deterministiknya adalah Linear intercept and trend
Setelah tren data diketahui, langkah selanjutnya adalah menentukan apakah data
tersebut terkointegrasi atau tidak. Penentuan ini dapat dilihat dengan membandingkan nilai Max-
Eigen dan nilai trace-nya. Jika nilai Max-Eigen dan nilai trace-nya lebih besar dari nilai kritis 1%
dan 5% maka data terkointegrasi.
Unrestricted Cointegration Rank Test

Hypothesized Trace 5 Percent 1 Percent
No. of CE(s) Eigenvalue Statistic Critical Value Critical Value
None ** 0.235046 51.74072 42.44 48.45

At most 1 0.186624 24.67886 25.32 30.45
At most 2 0.037078 3.816108 12.25 16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Hypothesized Max-Eigen 5 Percent 1 Percent
No. of CE(s) Eigenvalue Statistic Critical Value Critical Value
None * 0.235046 27.06186 25.54 30.34

At most 1 * 0.186624 20.86275 18.96 23.65
At most 2 0.037078 3.816108 12.25 16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Max-eigenvalue test indicates 2 cointegrating equation(s) at the 5% level
Max-eigenvalue test indicates no cointegration at the 1% level
Berdasarkan hasil uji kointegrasi, terlihat bahwa nilai Trace statistic lebih besar dari nilai
kritis 5% dan 1%. Selain itu, nilai Max-Eigen juga lebih besar nilai kritis 5%, maka dapat
disimpulkan bahwa data tersebut terkointegrasi. Hal ini menujukkan behwa terdapat hubungan
jangka panjang antara variabel y, m, dan r. Terkointegrasinya suatu data menunjukkan sinyal
yang tepat untuk menggunakan metode VECM. Selanjutnya kita dapat menentukan estimasi
VECM.
d. Estimasi VECM
Dalam estimasi VECM ini akan menunjukkan hubungan antara variabel satu dengan
variabel lain baik dalam jangka panjang maupun jangka pendek. Pada tabel bagian atas
menunjukkan hubungan antar variabel dalam jangka panjang, sedangkan bagian bawah
menunjukkan hubungan jangka pendek.
Prosedur: Dari hasil kointegrasi sebelumnya, pilih estimate – pastikan lag pada lag optimal –
check lagi spesifikasinya sesuai dengan hasil uji kointegrasi Johansen – pada endogenous
variabel, pastikan variabel dependent ada didepan – OK
(Lag Optimal 4, spesifikasi deterministiknya adalah Linear intercept and trend)
Vector Error Correction Estimates

Date: 10/26/07 Time: 23:25
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
Y(-1) 1.000000
M(-1) 0.261660
(0.05059)
[ 5.17208]
R(-1) -0.173293
(1.07856)
[-0.16067]
@TREND(1) -0.014203
(0.00183)
[-7.78090]
C -13.45238
Error Correction: D(Y) D(M) D(R)
CointEq1 0.007934 -4.783336 0.006771
(0.01536) (0.92859) (0.01736)
[ 0.51661] [-5.15120] [ 0.38998]
D(Y(-1)) -0.308585 19.62085 0.334980

(0.09643) (5.83017) (0.10901)
[-3.20015] [ 3.36540] [ 3.07303]
D(Y(-2)) -0.272241 14.05796 0.124763

(0.10212) (6.17436) (0.11544)
[-2.66585] [ 2.27683] [ 1.08075]
D(Y(-3)) -0.238260 12.22537 0.170040

(0.09873) (5.96948) (0.11161)
[-2.41319] [ 2.04798] [ 1.52351]
D(Y(-4)) 0.554164 14.92603 0.269248

(0.09161) (5.53857) (0.10355)
[ 6.04945] [ 2.69492] [ 2.60006]
D(M(-1)) 0.000507 0.199383 -0.000312

(0.00354) (0.21420) (0.00400)
[ 0.14322] [ 0.93084] [-0.07795]
D(M(-2)) -0.001527 0.126259 -0.000339

(0.00299) (0.18082) (0.00338)
[-0.51060] [ 0.69827] [-0.10032]
D(M(-3)) -0.000698 0.100044 0.000161

(0.00241) (0.14542) (0.00272)
[-0.29027] [ 0.68797] [ 0.05934]
D(M(-4)) 0.000885 0.052163 0.000283

(0.00170) (0.10253) (0.00192)
[ 0.52177] [ 0.50876] [ 0.14776]
D(R(-1)) -0.098170 -4.973172 -0.304232

(0.09380) (5.67144) (0.10604)
[-1.04656] [-0.87688] [-2.86907]
D(R(-2)) -0.114581 -5.638503 -0.127013

(0.09638) (5.82742) (0.10896)
[-1.18881] [-0.96758] [-1.16574]
D(R(-3)) -0.069431 -6.977150 -0.076394

(0.09694) (5.86081) (0.10958)
[-0.71626] [-1.19048] [-0.69716]
D(R(-4)) -0.194061 -1.270933 -0.087437

(0.09286) (5.61428) (0.10497)
[-2.08987] [-0.22638] [-0.83297]
C 0.008921 -0.430221 -0.006475

(0.00325) (0.19668) (0.00368)
[ 2.74250] [-2.18740] [-1.76076]
R-squared 0.683735 0.566555 0.200525
Adj. R-squared 0.636477 0.501788 0.081063
Sum sq. resids 0.038467 140.6189 0.049157
S.E. equation 0.021027 1.271342 0.023770
F-statistic 14.46814 8.747515 1.678571
Log likelihood 254.2770 -160.0249 241.8940
Akaike AIC -4.757961 3.446038 -4.512752
Schwarz SC -4.395469 3.808530 -4.150260
Mean dependent 0.007178 0.026289 5.69E-05
S.D. dependent 0.034876 1.801172 0.024796
Determinant Residual Covariance 3.99E-07
Log Likelihood 336.7935
Log Likelihood (d.f. adjusted) 314.1878
Akaike Information Criteria -5.310650
Schwarz Criteria -4.119605
e. Fungsi Impulse Respon

Impulse respon pada kasus ini mempunyai fungsi yang sama dengan impulse respon
pada VAR. Fungsi impulse respon menggambarkan tingkat laju dari shock variabel yang satu
terhadap variabel yang lainnya pada suatu rentang periode tertentu. Sehingga dapat dilihat
lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang
atau kembali ke titik keseimbangan. Fungsi ini akan melacak respon dari variabel tergantung
apabila terdapat shock dalam u1 dan u2.
Lakukan Prosedur berikut ini:
Dari Hasil Estimasi VECM – View – Impulse Respon
Impulse Respon – Multiple graph - Analytic
Cara membaca impulse respon dalam VECM juga sama dengan membaca impulse respon dalam
VAR. Pada kuadran atas tengah menggambarkan bagaimana respon dari variabel Y ketida ada
shock/perubahan pada variabel M. Pada awal periode perubahan pada variabel M direspon
positif oleh Y hingga periode ke-3, kemudian kembali ke titik keseimbangan hingga period eke-4.
Setelah periode ke-4, kembali direspon positif hingga periode ke-7, dan seterusnya. Cara analisis
yang sama juga berlaku untuk kuadran-kuadran yang lain.
f. Variance Decompotition
Variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan
pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan
periode yang akan datang. Fungsi variance decompotition pada VAR dan VECM adalah sama
Lakukan Prosedur berikut:
Dari hasil estimasi VECM – View – Variance Decompotition
Variance Decompotition – Table – None (standart Errors)
Variance Decomposition of Y:
Period S.E. Y M R
1 0.021139 100.0000 0.000000 0.000000
2 0.025839 97.57081 1.638515 0.790677
3 0.028262 96.09882 1.419300 2.481880
4 0.029422 95.01546 1.339942 3.644598
5 0.037348 93.50825 1.188237 5.303511
6 0.040533 92.78137 1.416427 5.802205
7 0.042433 92.01668 1.307736 6.675588
8 0.043511 91.52031 1.262838 7.216850
9 0.048385 91.46999 1.179670 7.350343
10 0.050719 91.23877 1.264402 7.496827
Variance Decomposition of M:
Period S.E. Y M R
1 1.278729 0.340643 99.65936 0.000000
2 1.321457 5.858214 93.57737 0.564415
3 1.327996 5.930684 92.79204 1.277274
4 1.336317 5.878751 91.87353 2.247720
5 1.338717 5.932915 91.72344 2.343645
6 1.339175 5.977487 91.67374 2.348770
7 1.346131 6.836227 90.73443 2.429338
8 1.349543 7.194223 90.27748 2.528300
9 1.349951 7.206192 90.23991 2.553895
10 1.350541 7.237450 90.16444 2.598108
Variance Decomposition of R:
Period S.E. Y M R
1 0.023764 0.974576 0.007788 99.01764
2 0.030144 9.346332 0.437286 90.21638
3 0.034270 12.11273 0.823662 87.06360
4 0.037618 15.28430 0.878929 83.83677
5 0.040741 20.03636 1.020732 78.94291
6 0.043801 24.49639 1.151648 74.35196
7 0.046135 25.91246 1.164449 72.92309
8 0.048313 27.02703 1.147191 71.82578
9 0.050671 28.67368 1.201958 70.12436
10 0.053074 30.49034 1.251721 68.25794
Cara membaca variance decompotition ini sama dengan sebelumnya ketika VAR. Pada
tabel pertama, menunjukkan variance decompotition dari variabel Y. Pada awal periode baik
variabel M maupun R tidak memberikan pengaruh apa-apa terhadap Y. Sehingga pada awal
periode Variabel Y dipengaruhi oleh variabel itu sendiri. Pada periode ke-2 baik variabel M
maupun R mulai memberikan pengaruhnya, walaupun kontribusinya sangat kecil. Hingga periode
ke-10 kedua variabel tersebut memberikan pengaruh yang kecil terhadap Y, kurang dari 10%.
Analisis yang sama juga dilakukan untuk variance decompotition yang lain.
Panel Data
1. Pengantar
Data panel atau pooled data adalah kombinasi dari data time series dan data cross section.
Dengan menggabungkan data time series dan cross section (pooling), maka jumlah observasi
bertambah secara signifikan tanpa melakukan treatment apapun terhadap data.
Ada tiga metode yang bisa digunakan untuk bekerja dengan data panel. Menurut Verbeek
(2000:313-19) metode yang pertama adalah pendekatan pooled least square (PLS) secara
sederhana menggabungkan (pooled) seluruh data time series dan cross section dan kemudian
mengestimasi model dengan menggunakan metode ordinary least square (OLS). Kedua,
pendekatan fixed effect (FE) memperhitungkan kemungkinan bahwa peneliti menghadapi
masalah omitted variables dimana omitted variables mungkin membawa perubahan pada
intercept time series atau cross section. Model dengan FE menambahkan dummy variables untuk
mengizinkan adanya perubahan intercept ini. Ketiga, pendekatan efek acak (random effect)
memperbaiki efisiensi proses least square dengan memperhitungkan error dari cross section dan
time series.
a. Pooled least square
Yit = β1 + β2 + β3X3it +....+ βnXnit + uit ....................(3.1)
b. Fixed effect
Yit = α1 + α2D2 + .....+ αnDn + β2X2it + ...+ βnXnit + uit ....................(3.2)
c. Random effect
Yit = β1 + β2X2it + ...+ βnXnit + εit + uit ....................(3.3)
Pemilihan Model Estimasi dalam Data Panel

Untuk menentukan metode antara pooled least square dan fixed effect dengan menggunakan
uji F sedangkan uji Hausman digunakan untuk memilih antara random effect atau fixed effect.
Dalam fixed effect, bentuk umum regresi data panel adalah (Aulia, 2004:28):
Yit = β1 + β2X2it + β3X3it + ... + βnXnit + uit .....................(3.4)
Selain itu, dalam teknik estimasi model regresi data panel, terdapat uji F dan CHOW test dan
uji Hausman. Uji F dapat digunakan untuk memilih teknik dengan model pooled least square
(PLS) atau model fixed effect dengan rumus sebagai berikut (Gujarati, 2003:643):
( R 2 ur  R 2 r ) /( m )
F (1 R 2 ur ) /( n  k )
....................( 3.5)
Di mana:
R2r = R2 model PLS
R2ur = R2 model FEM
m = jumlah restricted variabel
n = jumlah sample
k = jumlah variabel penjelas
Hipotesis nol dari pada restricted F test adalah :

H0 = Model Pooled Least Square (restricted)
H1 = Model Fixed Effect (unrestricted)
Dari rumus diatas, jika kita mendapatkan hasil nilai F hitung > F tabel pada tingkat keyakinan (
α ) tertentu maka kita menolak hipotesis H 0 yang menyatakan kita harus memilih teknik PLS,
sehingga kita menerima hipotesis H 1 yang menyatakan kita harus menggunakan model Fixed
Effect untuk teknik estimasi dalam penelitian ini.
Sedangkan uji Hausman digunakan untuk memilih antara metode fixed effect atau
metode random effect. Uji Hausman didapatkan melalui command eviews yang terdapat pada
direktori panel (Widarjono, 2005:272). Rumus untuk mendapatkan nilai Chi Square uji Hausman
adalah:
Matrix b_diff = b_fixed – b_random

Matrix var_diff = cov_fixed – cov_random
Matrix qform = @transpose(b_diff)*@inverse(var_diff)*b_diff
Hipotesis nol dari pada uji Hausman adalah :
H0 = random effect
H1 = fixed effect
Apabila Chi Sqare hitung > Chi Square tabel dan p-value signifikan maka H0 ditolak dan model
fixed effect lebih tepat untuk digunakan ( Aulia, 2004:31).
Misal kita ingin mengetahui bagaimana investasi (Y) tergantung pada nilai perusahaan
(X2) dan stok modal (X3). Untuk hal tersebut ada empat data perusahaan yaitu General Electric
(GE), General Motor (GM), U.S. Steel (US), dan Westinghouse (WEST). Data untuk tiap
perusahaan dengan tiga variabel tersebut tersedia untuk periode 1935-1954. Maka ada empat
cross-sectional units dan 20 time period. Untuk keseluruhan terdapat 80 observasi. X2 dan X3
diperkirakan berhubungan positif terhadap Y.
Pooling atau combining semua 80 observasi, kita dapat menulis fungsi investasi sebagai
berikut:
Yit   1   2 X 2it   3 X 3it  u it
i  1,2,3,4
t  1,2,...,20
i menunjukkan unit cross-sectional ke-i dan t menunjukkan periode waktu i.

Untuk menganalisa fungsi investasi dari empat perusahaan tadi maka kita lakukan olah data
dengan menggunakan perangkat Eviews. langkah-langkahnya adalah:
Buka program Eviews. Klik File  New  Workfile
Selanjutnya akan muncul Workfile baru.

Pada Workfile tersebut Klik Objects  New Object.
Selanjutnya pada direktori New Object pilih Pool dan Klik OK.
Setelah Klik OK muncul Pool. Dibawah cross section identifiers kita isikan unit cross-section. Kita
tulis GE, GM, US, West sesuai dengan data yang ada dalam program excel.
Setelah itu masih tetap pada Pool, Klik Procs  Import Pool data.
(lokasi file Excel berada di d:Eviews/data/data7 PANEL.xls)
Kemudian kita cari file data panel yang telah disimpan sebelumnya.
Maka tampilan pada Eviews akan tampak sebagai berikut:

Dalam Excel Spreadsheet import:
Pada Series order: pilih In Columns.
Pada Upper left data cell: ketik C2 karena data dimulai pada cell C2.
Pada Ordinary and Pool series to read: ketik Y? X2? X3?.
Pada Excel5 + sheet name : kita tulis sesuai sheet lokasi data kita.
Setelah semua lengkap Klik OK, maka pada lembar Workfile akan muncul tampilan berikut:
Pada lembar Pool, Klik Procs  Estimate.

Kemudian muncul tampilan berikut:
a. Pooled least square (PLS) atau Common

Pada dependent variable : Ketik Y?
Pada common coefficient : Ketik X2? dan X3?.
Pada Intercept : Pilih none, common, fixed effect, atau random effect.
Misal kita Klik Common  OK. Maka estimasi pooled least square tampak sebagai berikut:
Maka persamaanya menjadi :

^
Y it = -63.30 + 0.11X2it + 0.3Xit + uit
Selanjutnya kita coba dengan model fixed efect. Pada Pool Klik Objects  Copy Object.
Kemudian muncul dua Pool yang sama.
Beri nama salah satu Pool dengan Klik Name  Object Name, misalnya kita beri nama pls karena
menunjukkan hasil estimasi pooled least square.
b. Fixed Effect
Pada Pool yang belum kita beri nama Klik Estimate dan langkahnya sama seperti
semula. Sekarang pada Intercept Klik fixed effect  OK.
Estimasi Fixed effect akan muncul sebagai berikut:
Hasil fixed effect menjadi :

^
Y it = -245.79 – 84.22D2i+ 93.84D3i- 59.22D4i+0.107X2it+0.346X3it+uit
c. Random Effect
Dengan langkah yang sama kita beri nama Pool estimasi fixed effect dan random effect. Jika
estimasi fixed effect kita beri nama fix, kemudian estimasi random effect diberi nama ran maka
pada Workfile muncul ketiga Pool. Hasilnya terlihat pada tampilan berikut:
Untuk menghasilkan hasil regresi dengan random effect pada pooled estimation pilih
intercept/random effect
Hasil persamaan random effect sebagai berikut :

^
Y it = -73.03 + 0.1X2it + 0.34X3it + i + uit
Catatan : Pertama apabila nilai random effect dari keempat perusahaan dijumlah maka hasilnya
nol. Kedua, nilai rata-rata random error component, it, adalah nilai intersep common sebesar
-73.03. Nilai random effect GE sebesar -169.92 menunjukkan seberapa besar perbedaan
komponen random error dari GE dari nilai intersep common. Ketiga nilai R 2 diperoleh dari
transformasi GLS regression.
Kembali ke eviews, kita beri nama pool estimasi pooled least square, fixed effect, dan random
effect. Estimasi pooled test square telah kita namakan dengan pls, estimasi fixed effect kita beri
nama fix dan estimasi random effect diberi nama ran, sehingga workfile yang muncul dari hasil
common, fixed effect, dan random effect tampak sebagai berikut :
d. Uji Hausman
Jika kita ingin menjalankan program tes Hausman ada beberapa langkah yang harus
dikalankan. Pertama, Workfile tersebut kita simpan dalam Eviews data. Caranya Klik File  Save
As. Cari Program Eviews  Example Files  Data. Beri nama filenya misal lat2 lalu Klik OK.
Kemudian Klik File  Open  Program.
Cari Folder Eviews  folder Example files  folder cpr  Hausman. prg  Open
Maka muncul program Hausman seperti tampilan dibawah ini. Pada program ada beberapa
command yang harus disesuaikan menurut Workfile kita. Command tersebut adalah :
load..\data\lat2
Pada estimate fixed effects and store results:

fix.ls(f) y? x2? x3?
vector beta = fix.@coefs
matrix covar = fix.@cov
Pada keep only slope coefficients:

!nrow=@rows(beta)
vector b_fixed = @subextract(beta,1,1,!nrow,1)
matrix cov_fixed = @subextract(covar,1,1,!nrow,!nrow)
Pada estimate random effects and store results:

ran.ls(r) y? x2? x3?
beta = ran.@coefs
covar = ran.@cov
Pada keep only slope coefficients:
!nrow=@rows(beta)
vector b_gls = @subextract(beta,2,1,!nrow,1)
matrix cov_gls = @subextract(covar,2,2,!nrow,!nrow)
Setelah itu, Pada program Hausman Klik Run

Setelah itu akan muncul tampilan seperti dibawah ini.
Pada Run Program, isi Program name or path sesuai dengan lokasi Workfile disimpan. Jika
sudah Klik OK
Hasil tes Hausman akan muncul seperti di bawah ini. Ada dua nilai yaitu chi-square dan nilai
probabilitas.
Karena hasilnya tidak signifikan(0.967 > 0.05) maka pilih model FEM
PERSAMAAN SIMULTAN
1. Sifat Dasar Model Persamaan Simultan
Sebuah system persamaan simultan merupakan persamaan di mana variabel tak bebas
dalam satu atau lebih persamaan juga merupakan variabel bebas di dalam persamaan lainnya.
Maka, sebuah variabel memiliki dua peranan sekaligus sebagai variabel bebas dan variabel tak
bebas. Dalam sebuah persamaan simultan dikenal istilah – istilah sebagai berikut:
a. Sistem persamaan simultan atau model adalah suatu himpunan persamaan dimana
variabel tak bebas dalam satu atau lebih persamaan juga merupakan variabel bebas
dalam beberapa persamaan lainnya, yaitu keadaan dimana didalam system persamaan
suatu variabel sekaligus memiliki dua peranan yaitu sebagai variabel tak bebas dan
variabel bebas.
b. Variabel endogen adalah variabel tak bebas dalam persamaan simultan yang nilainya
ditentukan di dalam system persamaan, walaupun variabel-variabel tersebut mungkin
juga muncul sebagai variabel bebas didalam system persamaan. Variabel endogen
dianggap bersifat stokastik.
c. Variabel predetermined adalah variabel yang nilainya tidak ditentukan secara langsung
di dalam system. Variabel ini ditetapkan lebih dulu dan nilainya ditetapkan lebih dulu
(nonstokastik). Variabel predetermined terbagi menjadi dua kategori, yaitu variabel
eksogen dan variabel lag endogen. Variabel lag dikategorikan sebagai predetermine
dengan asumsi tidak ada korelasi serial dengan error di dalam persamaan yang
mengandung variabel lag tersebut.
d. Model structural adalah model yang terdiri dari beberapa persamaan yang dibentuk
berdasarkan landasan teori. Model ini dapat dianggap pula sebagai model dasar.
e. Bentuk persamaan sederhana/reduksi adalah sebuah penyelesaian system persamaan
simultan dimana variabel endogen dinyatakan dalam variabel predetermine dan error.
Persamaan reduksi diperoleh dengan memecahkan system persamaan structural
sedemikian rupa sehingga bisa dinyatakan setiap variabel endogen dalam model sebagai
fungsi hanya dari variabel eksogen atau predetermined variables dan error dalam
modal. Secara umum, juga bisa dinyatakan dalam bentuk implisit maupun eksplisit. Cara
implisit lebih mudah dilakukan, sedangkan cara eksplisit cukup susah karena harus
mencari besarnya nilai-nilai koefisien.
2. Contoh Model Persaman Simultan

a. Model permintaan dan penawaran.
Fungsi permintaan Qtd   0   1 Pt  u1t α1 < 0
Fungsi penawaran Q   0  1 Pt  u 2t
t
s
β1> 0
Dimana Qd adalah kuantitas yang diminta, Q s adalah kuantitas yang ditawarkan, dan t adalah
waktu.
b. Model Keynes untuk menetapkan pendapatan.

Fungsi konsumsi C t   0   1Yt  u t 0<β1<1
Fungsi pendapatan Yt  C t  I t (  S t )
Dimana C adalah belanja konsumsi, Y adalah pendapatan, I adalah Investasi (diasumsikan bersifat
eksogen), dan S adalah tabungan.
c. Model upah dan harga

Wt   0   1UN t   2 Pt  u1t
Pt   0   1Wt   2 Rt   3 M t  u 2t
Dimana W adalah tingkat perubahan upah uang, UN adalah tingkat penganggur, P adalah
tingkat perubahan harga, R adalah tingkat perubahan biaya modal, M adalah tingkat perubahan
harga bahan baku yang diimpor, T adalah waktu, dan u 1, u2 adalah gangguan stokastik
3. Masalah Identifikasi/Pengidentifikasian
Pengidentifikasian adalah menaksir angka dari parameter persamaan structural apakah
dapat diperoleh dari koefisien bentuk yang direduksi dapat ditaksir. Jika ini dapat dilakukan, kita
mengatakan bahwa persamaan tertentu diidentifikasikan (identified). Suatu persamaan yang
diidentifikasikan bisa berupa tepat (sepenuhnya) diidentifikasikan (exactly atau fully atau just
identified) atau terlalu diidentifikasikan (overidentified).
Dikatakan tepat diidentifikasikan jika nilai angka yang unik dari parameter structural
dapat diperoleh. Dikatakan terlalu diidentifikasikan (overidentified) jika lebih dari satu nilai angka
dapat diperoleh untuk beberapa parameter persamaan structural.
3.1 Tidak Diidentifikasikan

Misal pada model persamaan permintaan dan penawaran diatas. Kondisi keseimbangan
bahwa permintaan sama dengan penawaran, didapatkan,
 0   1 Pt  u1t   0  1 Pt  u 2t
maka harga equilibrium (reduced form),
0  0
0 
 1  1
Pt   0  vt , dimana:
u  u1t
vt  2t
 1  1
kemudian Q equilibrium,
 1  0   0 1
t 
 1  1
Qt   t  wt , dimana:
 u  1u1t
wt  1 2t
 1  1
3.2 Just Identification
Misalnya mengikuti persamaan demand and supply :
Demand Function : Qt   0   1 Pt   2 X t  u1t α1 < 0, α2 > 0
Supply Function : Qt   0   1 Pt  u 2t β1 > 0
X = pendapatan konsumen, sebagai eksogen variabel.
Dengan mekanisme keseimbangan pasar, supply = demand:

 0   1 Pt   2 X t  u1t   0  1 Pt  u 2t
didapatkan Pt:
0  0
0 
 1  1
2
Pt   0   1 X t  vt , dimana reduced form:  1  
 1  1
u  u1t
vt  2t
 1  1
kemudian Qt :
1 0   0 1
2 
1  1
 2 1
Qt   2   3 X t  wt , dimana :  3  
 1  1
 u   1u1t
wt  1 2t
 1  1
Koefisien reduce form :
3
 0   2   1 0 dan  1 
1
3.3 Overidentification
Dalam fungsi demand : Qt   0   1 Pt   2 X t   3 Rt  u1t
Fungsi supply : Qt   0  1 Pt   2 Pt 1  u 2t
Dimana, R merepresentasikan kekayaan (wealth).

Dengan cara yang sama didapat equilibrium harga dan kuantitas:
Pt   0   1 X t   2 Rt   3 Pt 1  vt
Qt   4   5 X t   6 X t   7 Pt 1  wt
2 0   0
1   0 
 1  1  1  1
2 3
3  2  
 1  1  1  1
 2 1     0 1
dimana,  5   4  1 0
 1  1 1  1
  
7  1 2 6   3 1
 1  1  1  1
u  u1t  u   1u1t
vt  2t wt  1 2t
 1  1  1  1
3.4 Melakukan Identifikasi

Order and Rank Condition merupakan aturan yang menjadi acuan apakah suatu sistem
persamaan dapat diselesaikan sehingga nilai koefisien persamaan struktural dapat diperoleh.
Menurut Order and Rank Condition, agar sebuah sistem persamaan simultan dengan M
persamaan struktural dapat diidentifikasi maka setidaknya harus memiliki M-1 variabel endogen.
Jika jumlah variabel endogen tepat M-1 maka persamaan tersebut dikatakan exactly identified
dan jika jumlah variabel endogen lebih dari M-1 maka persamaan tersebut dikatakan over
identified atau agar sebuah sistem persamaan simultan dengan M persamaan struktural dapat
diselesaikan, jumlah variabel predetermine yang ada dalam persamaan tersebut harus tidak
kurang dari jumlah variabel endogen yang ada dalam persamaan dikurangi satu.
Maka, M = jumlah variabel endogen dalam model
m = jumlah variabel endogen pada setiap persamaan struktural
K = jumlah variabel predetermine dalam model
k = jumlah variabel predetermine pada setiap persamaan struktural dalam model
a. Jika K-k = m-1 maka persamaan tersebut dikatakan exactly (just) identified
b. Jika K-k > m-1 maka persamaan tersebut over identified
c. Jika K-k < m-1 maka persamaan tersebut under identified
Metode yang dapat digunakan untuk menyelesaikan persamaan simultan yaitu:

a. Indirect Least Square (ILS/ Metode kuadrat terkecil tidak langsung)
Metode ini digunakan pada persamaan struktural yang tepat teridentifikasi (exactly
identified). Langkah-langkah penyelesaian ILS adalah sebagai berikut:
1. Mengubah persamaan struktural menjadi bentuk persamaan reduksi
2. Menerapkan metode OLS (Ordinary Least Square) untuk setiap persamaan reduksi.
3. Mendapatkan nilai estimasi dari koefisien struktural asli dari koefisien reduksi yang ditaksir dari
langkah kedua..
b. Two Stage Least Square (2SLS/ Metode Kuadrat Terkecil Dua Tahap)
2SLS digunakan untuk memperoleh nilai parameter struktural pada persamaan yang
teridentifikasi berlebih. Metode ini dapat diterapkan pada suatu sistem persamaan individu
dalam sistem tanpa memperhitungkan persamaan lain secara langsung dalam sistem.
4. Aplikasi Pada Eviews

Menyelesaikan persamaan simultan dengan sistem just identified. Misalnya model
permintaan dan penawaran :
Fungsi demand : Qt   0   1 Pt   2 X t  u1t
d
Fungsi supply : Qt   0   1 Pt  u 2 t
s
Berikut ini ada tiga cara yang dapat dipilih:
1. METODE 2SLS BERTAHAP

Langkah pertama untuk Eviews sama seperti olah data time series atau cross section
yaitu import data. Buka Eviews  Klik File  New  Workfile.
Pilih Frequency dan Range data sesuai data yang digunakan.
Pada tampilan Workfile, Klik Procs  Import  Read Text-Lotus-Excel.
Cari data excel sesuai dengan tempat data disimpan. Klik Open.
(lokasi file Excel berada di d:Eviews/data/data8 simultan.xls)
Pada Workfile, Klik semua variabel  Klik kanan  Open  as Group.
Kemudian Klik Procs  Make Equation  Masukkan variable dalam Equation Specification 
Estimasi dengan metode Least Square  Klik OK.
Pada estimasi pertama adalah P sebagai endogent variabel dan X sebagai eksogent variabel.
Hasil regresi persamaan pertama keluar.
Selanjutnya pada Equation, Klik View  Actual, Fitted, Residual  Actual, Fitted, Residual
Table. Maka akan muncul tampilan tabel residual grafiknya.
Tampilannya seperti berikut:

Blok seluruh data Fitted dan copy ke Group. Caranya Blok semua data dalam kolom Fitted  Klik
kanan  Copy.
Buka Group, Klik Edit+/-  tempatkan kursor pada kolom kosong sebelah variabel X kemudian
Klik kanan  Paste. Pastikan data telah terkopi dengan lengkap dan benar.
Kemudian pada Group, Klik Procs  Make Equation  Tulis persamaan pada Equation
Specification, Q menjadi endogen variabel, Fitted menjadi eksogen variabel  Method Least
Square  Klik OK.
Hasil regresi persamaan model simultan seperti berikut:
2. METODE 2SLS (LANGSUNG)

Langkah awal sama seperti sebelumnya yaitu membuat workfile dan mengimpor data.
Jika data sudah selesai diimpor kedalam workfile maka seperti tampilan berikut:
Blok data p,q, x  Klik kanan  Open  as Equation.

Muncul Equation Specification, ketik endogen variabel dan eksogen variabel. Pilih Method Two-
Stage Least Squares.
Pada Equation Specification, Q sebagai endogen variabel dan P sebagai eksogen variabel. Klik
OK. Estimation Setting menggunakan Two Stage Least Squares. Klik OK.
Hasil regresi persamaan simultan tampak sebagai berikut:

3. METODE ILS
Buka Workfile dan Import data kedalam Workfile. Kemudian Blok seluruh variabel dan
Klik kanan  Open  as Group.
Ketik Q menjadi endogen variabel dan X menjadi variabel eksogen di dalam kolom Equation
Specification. Estimation setting gunakan Method Least Square  Klik OK.
Hasil regresi persamaan pertama sebagai berikut:
Kemudian lakukan copy object untuk melakukan regresi persamaan kedua. Pada Equation Klik
Objects  Copy Object. Kemudian di Equation yang baru buat estimasi seperti tampilan dibawah
ini. P menjadi endogen variabel dan X menjadi eksogen variabel. Estimation Setting
menggunakan Method Least Square.
Hasil regresi persamaan kedua telah didapatkan. Dua hasil regresi yang ada menjadi sumber
untuk mendapatkan persamaan model awal. Ambil koefisien dari kedua hasil regresi ini dan kita
hitung koefisien untuk persamaan awal.
5. ESTIMASI SYSTEM
Misalnya kita akan menyelesaikan persamaan berikut: .
Income Function : y1t  1   2 y 2t   3 X 1t   4 X 2t   5 X 3t  u1t
Money Supply Function : y 2t   6   7 y1t  u 2t
Dalam system Eviews, masukkan persamaan berikut:
Y1 = C(1)+C(2)*Y2+C(3)*X1+C(4)*X2+C(5)*X3
Y2 = C(6)+C(7)Y1
INST C X1 X2 X3
Langkah pertama membuat workfile dan mengimpor data dengan langkah sama seperti data
time series atau cross-section. Buka Eviews  Klik File  New  Workfile.
Pada tampilan workfile, Klik Procs  Import  read Text-Lotus-Excel

(lokasi file Excel berada di d:Eviews/data/data9 simultan2.xls)
Impor data yang akan digunakan yakni data Y1, Y2, X1, X2, dan X3. Klik OK.
Klik Objects  New Object.

Kemudian muncul New Object dan pada Type object pilih System. Klik OK.
Muncul System. Ketik semua persamaan yang ada dalam persamaan simultan yang telah
dipersiapkan dengan diawali persamaan perilaku, persamaan identitas, dan diakhiri dengan
instrument list.
Jika semua command sudah benar, Klik Estimate di Tampilan System, tampak seperti tampilan di
bawah. Pilih Two-Stage Least Square pada Estimation Method dan Klik Simultaneous pada
Iteration Control, Klik OK.
Hasil regresi persamaan simultan tadi seperti gambar di bawah ini. Tugas anda adalah
menganalisis hasil regresinya.

Pen Gen Alan Menu Eviews 4.1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Pen Gen Alan Menu Eviews 4.1

Transféré par

Droits d'auteur :

Formats disponibles

Pengenalan Menu Eviews 4.

 Tampilan awal EViews

Status Line Minimize Close

 Mengatur waktu dari data

 Format Penulisan Waktu : tahun:bulan:hari atau tahun:bulan atau tahun

 OK, akan tampil

 Tentukan lokasi file Excel berada misalnya di d:Eviews/data/data1.xls terus pilih

 Perhatikan kesesuaian dengan data di Excel

B2 menunjukkan lokasi sel di Excelspreadsheet yang pertama kali diimpor ke Eviews

 Cara Lain Entri Data atau Copy Data

(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)

Kemudian Pilih Procs - Make Equation - Equation Specification

Maka akan tampak hasil regresi seperti berikut:

Intepretasi Hasil Regresi:

(lokasi file Excel berada di d:Eviews/data/data1.xls:mul2)

Lakukan regresi berganda dengan cara :

Maka akan menghasilkan angka sebagai berikut :

(lokasi file Excel berada di d:Eviews/data/data1.xls:auto2)

Dari hasil regresi akan diperoleh estimasi sebagai berikut:

C. Uji t dan Uji F

D. Uji Asumsi Klasik

D.1. Uji Normalitas

(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)

D.2. Uji Multikolinieritas

(lokasi file Excel berada di d:Eviews/data/data1.xls:mul2)

(lokasi file Excel berada misalnya di d:Eviews/data/data1.xls:het2)

Dependent Variable: PROFIT

White Heteroskedasticity Test:

(lokasi file Excel berada misalnya di d:Eviews/data/data1.xls:auto2)

Breusch-Godfrey Serial Correlation LM Test:

AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

2. Petunjuk Operasional dalam Eviews

Augmented Dickey-Fuller Test Equation

Klik View – Unit root test – Pilih first difference - Intercept – OK

Null Hypothesis: D(GDP) has a unit root

Augmented Dickey-Fuller Test Equation

Tampak pada lag(1) AC dan PAC memiliki

Variable Coefficient Std. Error t-Statistic Prob.

Variable Coefficient Std. Error t-Statistic Prob.

Variable Coefficient Std. Error t-Statistic Prob.

Kembali ke estimasi : Procs - Make model – Solve – OK

Jangan lupa diganti tahun

Langkah berikutnya anda buka ar1

Langkah berikutnya anda klik menu solve

(lokasi file Excel berada di d:Eviews/data/data3 ARCH.xls)

Model Estimasi ARCH

Pada tampilan ini kalau

Dependent Variable: CPI

Model Estimasi GARCH

Pada tampilan ini kalau

Sehingga akan menghasilan model estimasi sebagai berikut :

ERROR CORRECTION MODEL (ECM)

2. Petunjuk Operasional Dalam Eviews.

(lokasi file Excel berada di d:Eviews/data/data4 ECM.xls)

Null Hypothesis: D(PDI) has a unit root

Null Hypothesis: D(PCE) has a unit root

Dependent Variable: PCE

Hasil estimasi ini dapat ditulis ulang menjadi :

Augmented Dickey-Fuller Test Equation

Bentuk persamaan regresi ECM adalah sebagai berikut:

Hasil regresi ECM dapat dituliskan menjadi:

Tabel Respon Surface For Critical Value Cointegration Test

n Model Size(%) Obs. ∞ 1 2

1 Constant 1 600 -3,4335 -5,999 -29,25