LATIHAN REGRESI


ANALISIS REGRESI SEDERHANA
Persamaan Regresi linier Sederhana:




Y = a + bX + 
Y  = Nilai yang diramalkan                  

a = Konstanst
 b   = Koefesien regresi
X   = Variabel bebas
   = Nilai Residu

Contoh Kasus
Seorang manajer pemasaran akan meneliti apakah terdapat pengaruh iklan terhadap penjualan pada perusahaan-perusahaan di Kota Tangerang, untuk kepentingan penelitian tersebut diambil 8 perusahaan  sejenis yang telah melakukan promosi.
Pemecahan:
1.                  Judul
            Pengaruh biaya promosi terhadap penjualan perusahaan.
2.         Pertanyaan Penelitian
            Apakah terdapat pengaruh positif biaya promosi terhadap penjualan perusahaan ?
3.         Hipotesis
            Terdapat pengaruh positif biaya promosi terhadap penjualan perusahaan.
Karakteristik Penerimaan Hipotesis
Ho        : Tidak terdapat pengaruh positif biaya iklan terhadap penjualan perusahaan.
Ha        : Terdapat pengaruh positif biaya iklan terhadap penjualan perusahaan.
         Ho diterima Jik
b ≤ 0, t hitung ≤ tabel
         Ha diterima Jika
b > 0, t hitung > t tabel.

 
Sampel  yang digunakan
8 perusahaan
Data yang diperoleh



ANALISIS DATA
Persamaan regresi
Nilai Prediksi
Koefesien determinasi
Kesalahan baku estimasi
Kesalahan baku koefesien regresinya
Nilai F hitung
Nilai t hitung
Kesimpulan

PERSAMAAN REGRESI











Jadi, Y= 40,082 + 1,497X+e

NILAI PREDIKSI
  Berapa besarnya penjualan jika promosi sebesar 20?
            40,082 + (1,497*20)= 70,022
  Berapa besarnya penjualan jika promosi sebesar 16?
            40,082 + (1,497*16)=64,034
  Berapa besarnya penjualan jika promosi sebesar 34?
            40,082 + (1,497*34)= 90,98
  Berapa besarnya penjualan jika promosi sebesar 23?
            40,082 + (1,497*23)= 74,513
  Berapa besarnya penjualan jika promosi sebesar 27?
            40,082 + (1,497*27)=80,501
  Berapa besarnya penjualan jika promosi sebesar 32?
            40,082 + (1,497*32)= 87,986




KOEFESIEN DETERMINAN

 
Koefesien Determinasi Disesuaikan (adjusted)
 


KESALAHAN BAKU ESTIMASI
Digunakan untuk mengukur tingkat kesalahan dari model regresi yang dibentuk


   
STANDAR ERROR KOEFISIEN REGRESI
Digunakan untuk mengukur besarnya tingkat kesalahan dari koefesien regresi:


           
UJI F
Uji F digunakan untuk uji ketepatan model, apakah nilai prediksi mampu menggambarkan kondisi sesungguhnya:
Ho: Diterima jika F hitung  F tabel
 Ha: Diterima jika F hitung > F tabel



         
Karena F hitung (17,367) > dari F tabel (5,99) maka persamaan regresi dinyatakan Baik (good of fit).

UJI T
Digunakan untuk mengatahui pengaruh variabel bebas terhadap variabel tergantung.
Ho: Diterima jika t hitung  t tabel
Ha: Diterima jika t hitung > t tabel


                                 
Karena t hitung (4,167) > dari t tabel (1,943) maka Ha diterima ada pengaruh iklan terhadap penjualan.
KESIMPULA DAN IMPLIKASI
KESIMPULAN
Terdapat pengaruh positif biaya periklanan terhadap volume penjualan.
IMPLIKASI
Sebaiknya perusahaan terus meningkatkan periklanan agar penjualan meningkat.


LATIHAN:


Econometric Views -> Salah satu aplikasi olah data yang berjalan di atas OS Windows    
Langkah-Langkah Analisis Data
       TAHAP I – PERSIAPAN DATA [TABULASI DATA], jika satuan berbeda maka diperlukan transformasi data untuk menyamakan satuan (logaritma natural (ln)) akan dilakukan pembahasan yang berbeda

         TAHAP II – IMPORT DATA KE EVIEWS
Ketika Eviews terbuka, maka akan muncul Workfile create, jika tidak terbuka, klik menu file pada toolbar dan pilih new lalu klik workfile
o   Workfile Structure type = menu ini berguna untuk pemilihan jenis data yang digunakan, jika menggunakan data time series maka pilih dated – regular frequency
o   Date specification merupakan pilihan spesifik data misal data bulanan (yang digunakan sebagai contoh), pilih monthly
o   Ketika periode awal penelitian pada start date yaitu 2013.1 dan end date 2014.11
o   Ketik nama workfile pada form WF “bebas”  atau “latihan1”
o   Klik OK
       Cara Menginput data
o   Klik variabel secara berurutan sesuai susunan kolom pada excel
o   Tekan ctrl dan secara bersama klik
o   Klik kanan pada variabel yang diblok lalu pilih open as group
o   Muncul jendela group dan copy data sesuai nama variabel

         TAHAP III : ESTIMASI MODEL REGRESI LINEAR
o  Klik variabel Y
o  Tekan tombol ctrl, klik variabel x1 dan x2
o  Klik kanan lalu pilih open as equation
Ketika muncul jendela Equation Estimation, pastikan pada form Equation specification tertulis semua variabel dengan urutan Y X1 X2 lalu ketik C yang merupakan persamaan regresi alpha atau coefficient
o  Pada estimation settings bagian method pilih Least Squares (NLS dan ARMA)
o  Klik OK

INTERPRETASI OUTPUT





TAHAP 1 – UJI F (SIMULTAN)
  Uji F merupakan uji statistik yang bertujuan untuk mengetahui pengaruh seluruh variabel bebas secara bersama-sama (Simultan) terhadap variabel terikat. Pada Eviews, output uji F dapat dilihat pada point 1 yaitu F-statistic dan/atau Prob(F-statistic). F-statistic disebut pula sebagai
  Fhitung, sedangkan Prob(F-statistic) disebut pula p-value. Sobat dapat menggunakan keduanya atau salah satunya saja karena jika p-value menyatakan H0 ditolak dan Ha diterima, maka sudah pasti pada uji F-statistic memberikan kesimpulan yang sama. Hipotesis pada Uji F adalah sebagai berikut:
  H0 = Tidak signifikan Ha = Signifikan
  F-statistic atau Fhitung
  Jika sobat menggunakan F-statistic, maka sobat harus membandingkan F-statistic tersebut dengan Ftabel (didapatkan pada Tabel F). Tabel F dapat dilihat pada lampiran buku-buku statistik atau dapat didownload melalui Play Store. Pengambilan keputusan F-statistic adalah sebagai berikut:
  Jika Fhitung < Ftabel maka H0 diterima dan Ha ditolak. Jika Fhitung > Ftabel maka H0 ditolak dan Ha diterima.
Prob(F-Statistic) atau p-value
  Jika sobat menggunakan p-value, maka sobat harus membandingkan p-value dengan tingkat signifikansi atau α (ditentukan oleh peneliti dan pada penelitian ekonomi dan bisnis, umumnya menggunakan α = 5%). Pengambilan keputusan p-value adalah sebagai berikut:
  Jika p-value > α, maka H0 diterima dan Ha ditolak. Jika p-value < α, maka H0 ditolak dan Ha diterima.
  Pada contoh ini, p-value < α (0.000000 < 0.05) dengan demikian, H0 ditolak dan Ha diterima. Artinya, DPK dan NPF berpengaruh secara signifikan pada jumlah pembiayaan.

TAHAP 2 – UJI T PARSIAL
   t-Statistic atau thitung
  Jika sobat menggunakan t-Statistic, maka sobat harus membandingkan t-Statistic tersebut dengan ttabel (didapatkan pada Tabel t). Tabel t dapat dilihat pada lampiran buku-buku statistik atau dapat didownload melalui play store. pengambilan keputusan t-Statistic adalah sebagai berikut:
  Jika thitung < ttabel maka H0 diterima dan Ha ditolak. Jika thitung > ttabel maka H0 ditolak   dan Ha diterima.
Prob. atau p-value
  Jika sobat menggunakan p-value, maka sobat harus membandingkan p-value dengan tingkat signigikansi atau α.Pengambilan keputusan p-value adalah sebagai berikut:
  Jika p-value > α, maka H0 diterima dan Ha ditolak. Jika p-value < α, maka H0 ditolak dan Ha diterima.
  Pada contoh ini, pertama-tama kita lakukan analisis pada variabel DPK (X1). p-value < α (0.0000 < 0.05), maka H0ditolak dan Ha diterima. Artinya, variabel DPK berpengaruh signifikan terhadap jumlah pembiayaan. Kedua, lakukan analisis pada variabel NPF (X2). p-value < α, maka H0 tidak dapat ditolak ditolak dan Ha ditolak . Artinya, variabel NPF tidak berpengaruh signifikan terhadap jumlah pembiayaan.
TAHAP 3 – KOEFISIEN DETERMINASI
  Uji Koefisien determinasi merupakan uji untuk mengetahui berapa besar pengaruh seluruh variabel bebas terhadap variabel terikat. Dalam hal ini, PENGARUH DPK DAN NPF TERHADAP JUMLAH PEMBIAYAAN.Output uji koefisien determinasi dapat dilihat pada point 3 yaitu R-squared dan Adjusted R-squared.
Penggunaan Adjusted R-squared dilakukan apabila dalam penelitian model regresi mengalami modifikasi seperti penambahan dan/atau pengurangan variabel bebas (dengan asumsi yang tepat seperti apabila terjadi masalah multikolinearitas dalam model regresi). Sehubungan pada contoh ini model regresi tidak mengalami penambahan dan/atau pengurangan variabel bebas, maka digunakan uji R-squared (R2). Nilai R2 sebesar 0.920690, artinya variasi seluruh variabel bebas dapat mempengaruhi variabel terikat (IHSG) sebesar 92,06%. Sedangkan sisanya sebesar dipengaruhi oleh variabel lain diluar penelitian.
TAHAP 4 – MODEL REGRESI LINEAR
Yang terakhir adalah menyusun model persamaan regresi linear. Output model regresi pada Eviews dapat dilihat padapoint 4. Model regresi pada penelitian ini dapat disusun menggunakan persamaan regresi berikut:
IHSG = α + β1 DPK + β2 NPF
Lihat output Eviews pada point 4, nilai pada Kolom Coefficient Variable DPK dan NPF secara berturut-turut merupakan nilai β1 dan β2. Sedangkan Variable C (Konstanta) meruapakan nilai α. Sehingga persamaan regresi pada contoh ini dapat disusun sebagai berikut:
F = 61925.21 + 0.527479DPK + 0.070627 NPF
α = 61925.21, artinya apabila DPK  dan  NPF sebesar 0, maka jumlah pembiayaan sebesar  61925.21
 β1 = 0.527479, artinya dengan asumsi NPF tetap, maka setiap peningkatan DPK sebesar 1% akan menaikkan jumlah pembiayaan sebesar 0.527479%. *) Catatan: Tanda negatif pada β1 merupakan arah pengaruh DPK terhadap jumlah pembiayaan. Pada contoh ini, Inflasi berpengaruh positif terhadap pembiayaan dan signifikan pada α = 5%.
β2 = 0.070626, artinya dengan asumsi DPK tetap, maka setiap peningkatan NPF sebesar 1% akan meningkatkan jumlah pembiayaan sebesar 0.070626%. *) Catatan: Tanda positif pada β2 menunjukkan bahwa pada contoh ini NPF berpengaruh positif terhadap jumlah pembiayaan dan signifikan pada α = 5%.

Regresi Linier Berganda

Regresi Linier Berganda

·         Satu peubah respon (endogen)

·         Beberapa peubah penjelas (eksogen)

·         Dinotasikan dalam matriks

A.    Asumsi-asumsi pada regresi linier berganda

·         Sama dengan semua asumsi pada regresi linier sederhana, dengan tambahan:

·         Tidak ada hubungan linier sempurna di antara dua atau lebih peubah penjelas (eksogen)

·         Dengan terpenuhinya asumsi maka penduga OLS akan bersifat:

·         Linier: fungsi linier dari peubah respons (endogen)

·         Tidak bias: nilai harapan penduga adalah nilai parameter

·         Konsisten: untuk n→∞, penduga menuju nilai parameter yang sebenarnya, dan ragam penduga →0

·         Ragam yang paling kecil di antara semua penduga yang mungkin

·         BLUE: Best Linear Unbiased Estimators

B.     Goodness of Fit dari garis Regresi Berganda

·         R² pada regresi linier sederhana tidak dapat dipakai untuk membandingkan dua model dengan jumlah peubah eksogen yang berbeda.

·         Ketika jumlah peubah X ditambah:

§  Proporsi keragaman Y yang terjelaskan oleh X akan selalu meningkat.

§  R² akan selalu meningkat seiring jumlah X, tanpa melihat penting tidaknya penambahan X dalam model.

§  Digunakan adjusted R²,

§  Adjusted: disesuaikan terhadap jumlah peubah eksogen X yang digunakan

Dengan penyesuaian terhadap jumlah peubah eksogen

·         Adjusted R² dapat digunakan untuk memilih model mana yang terbaik berdasarkan jumlah peubah eksogen yang dipakai.

·         Terbaik: Adjusted R² → 1

C.    Beberapa Uji Hipotesis Pada Regresi Berganda

·         Uji keberartian koefisien secara individu

§  Uji t (sama dengan uji t pada kasus regresi linier sederhana)

·         Uji keberartian koefisien secara simultan

§  Uji F

·         Uji linear restriction:

§  Uji hubungan linier antara dua atau lebih koefisien: uji F atau uji Wald (pengembangan uji t)

·         Uji untuk penambahan atau pengurangan peubah eksogen

§  Uji F atau Uji chi square dengan Likelihood Ratio

·         Semua uji merupakan perbandingan dari unrestricted  model (menggunakan semua peubah eksogen) dan restricted model

§  Jika perbedaan tidak nyata maka restriction tidak berarti secara statistik.

§  Model unrestricted lebih baik digunakan.

D.    UJI F

¡  Hipotesis nol: restricted model valid

¡  Menduga restricted model dan unrestricted model

¡  Memperoleh JK Galat untuk restricted model dan JK Galat untuk unrestricted model, dan menghitung statistik uji F.

¡  JKG_R: JK galat restricted model

¡  JKG_U: JK galat unrestricted model

¡  k_U: jumlah peubah eksogen (termasuk konstanta) pada unrestricted model

¡  k_R: jumlah peubah eksogen (termasuk konstanta) pada restricted model

E.     Penggunaan uji F untuk Uji keberartian koefisien peubah X secara bersama-sama

¡  Uji goodness fit secara keseluruhan

¡  Pada dua model

§  Unrestricted: menggunakan semua peubah eksogen

§  Restricted: hanya menggunakan  konstanta (super restricted model)

F.     Interpretasi Koefisien Pada Multiple Regression

Contoh kasus:

·         Observasi pada 900 karyawan suatu perusahaan

·         Hubungan antara gaji (wage) dan

§  lama tahun pendidikan (educ),

§  tahun pengalaman kerja (exper),

§  lama tahun bekerja di perusahaan yang sama (tenure)

G.    Output Software

Model 1: OLS, using observations 1-900

Dependent variable: l_WAGE

             coefficient   std. error   t-ratio    p-value

  ---------------------------------------------------------

  const       5.52833      0.112795     49.01     8.70e-256

  EDUC        0.0731166    0.00663568   11.02     1.44e-026

  EXPER       0.0153578    0.00342531    4.484    8.29e-06 

  TENURE      0.0129641    0.00263073    4.928    9.90e-07 

Mean dependent var   6.786164   S.D. dependent var   0.420312

Sum squared resid    135.2110   S.E. of regression   0.388465

R-squared            0.148647   Adjusted R-squared   0.145797

F(3, 896)            52.14758   P-value(F)           4.53e-31

Log-likelihood      -424.0434   Akaike criterion     856.0868

Schwarz criterion    875.2964   Hannan-Quinn         863.4250

Log-likelihood for WAGE = -6531.59

W10: UJI ASUMSI KLASIK (PART 2)

Uji Linearitas
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau tidak secara signifikan
Pada Eviews Uji Linear dapat dilakukan dengan Ramsey Reset Test
Caranya dengan klik View – Stability Diagnostics => Ramsey Reset Test
Dalam Kotak dialog RESET Specification ketik angka 1 dan klik OK

Cara membaca Uji Linearitas:
Apabila nilai Probability F hitung lebih besar dari tingkat alpha (0.05) maka model regresi memenuhi asumsi linearitas, begitu pula sebaliknya.
Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji model apakah ada korelasi antar variabel bebas. Model regresi yang baik ditandai dengan tidak terjadi korelasi linear diantara variabel bebas. Uji multikolinearitas menggunakan VIF (Variance Inflation Factors). Caranya klik View – Coefficient Diagnostics – Variance Inflation Factors.
Cara membaca Uji Multikolinearitas:
Hasil Uji Multikolinearitas dapat dilihat pada tabel kolom Centered VIF.
Nilai VIF (beberapa buku mensyaratkan tidak boleh lebih dari 5 atau tidak boleh lebih dari 10)
Jika nilai VIF di bawah 10 atau di bawah 5 maka model terbebas dari multikolinearitas

Cara mengatasi:
Menggabungkan data time series dan juga cross section
Transformasi variabel
Menghapus atau mengeluarkan variabel bebas yang menjadi penyebab timbulnya multikolinearitas, risikonya jika varaibel yang dikeluarkan penting secara teoritis, maka akan menimbulkan bias spesifikasi
Menambah data jika data yang diolah adalah data sampel. Bukan populasi.

Uji Autokorelasi (1)
Uji ini digunakan untuk analisis regresi linear berganda yang menggunakan data time series untuk mengetahui apakah dalam suatu model terdapat korelasi antara periode t dengan periode t-1.
Uji Autokorelasi (2)
Uji Autokorelasi menggunakan metode Brusch – Godfrey atau LM (Lagrange Multiplier) Test. Cara menggunakan uji autokorelasi di Eviews klik View – Residual Diagnostics – Serial Correlation LM Test. Ketika muncul Lag Specification ketik angka 2 – OK.
Cara membaca Uji Autokorelasi:
Untuk membaca uji autokorelasi maka jika Nilai probability F hitung lebih besar dari tingkat alpha 0,05 maka tidak terjadi autokorelasi, dan sebaliknya.
Uji Kelayakan Model:
Uji F (Kelayakan Model):
Uji keterandalam, kelayakan model untuk mengidentifikasi model regresi yang diestimasi layak atau tidak. Layak yang dimaksud adalah menjelaskan pengaruh – pengaruh variabel bebas terhadap variabel terikat. Model dikatakan layak jika P-value F-statistic lebih kecil daripada alpha
Uji t (Uji Koefisien Regresi):
Uji t dalam regresi linier untuk menguji apakah parameter (koefisien regresi dan konstanta) yang diduga untuk mengestimasi persamaan regresi sudah merupakan parameter yang tepat atau belum. Jika nilai prob t hitung lebih kecil dari tingkat alpha maka variabel bebas berpengaruh signifikan terhadap variabel terikatnya.
Koefisien Determinasi:
Nilai R-Squared ataupun Adjusted R-Squared adalah proporsi pengaruh variabel bebas yang digunakan pada model terhadap variabel terikat.
Setelah melakukan estimasi model regresi linier berganda dilakukan dan diuji pemenuhan syaratnya serta kelayakan modelnya, maka tahap akhir adalah melakukan interpretasi. Interpretasi dilakukan setelah uji asumsi klasik dan uji kelayakan model dilakukan. Mengapa? Karena kedua uji tersebut merupakan syarat minimal bahwa sebuah model regresi linier (OLS) telah layak.

W9 UJI ASUMSI KLASIK

Penggunaan model regresi OLS mensyaratkan pemenuhan beberpa aumsi (asumsi klasik – GAUSS – MARKOV). Jika asumsi terpenuhi maka parameter yang diperoleh dengan OLS adalah bersifat BEST LINIER UNBLASED ESTIMATOR (BLUE). Pada praktiknya satu atau lebih asumsi tersbut tidak dapat dipenuhi, pelanggaran asumsi klasik yang sering terjadi yakni AUTOKORELASI, HETEROKEDASTISITAS DAN MULTIKOLINEARITAS.
Persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis Ordinary Least Square (OLS). Analisis Regresi yang tidak berbasis OLS tidak memerlukan uji asumsi klasik (eg regresi logistik atau regresi ordinal). Analisis regresi sederhana tidak memerlukan uji multikolinearitas dan analisis regresi dengan data cross sectional tidak memerlukan uji autokorelasi.

5 UJI ASUMSI KLASIK
NORMALITAS
MULTIKOLINEARITAS
HETEROSKEDASTISITAS
AUTOKORELASI
LINEARITAS

Melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik memiliki nilai residual yang terdistribusi normal.

Melihat ada atau tidaknya korelasi yang tinggi antar variabel – variabel beas dalam suatu model regresi.

Melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain.

Melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t-a).

Melihat model  yang dibangun memliki hubungan yang linear atau tidak.



Model regresi lienar berganda (multiple regression) dapat disebut sebagai model yang baik jika model tersebut memenuhi kriteria BLUE (Best Linear Unbiased Estimator). Kriteria BLUE dipenuhi jika 5 uji asumsi klasik dipenuhi. Contoh aplikasi yang digunakan adalah kasus permintaan ayam di AS selama periode 1960 – 1982 (Gujarati)
Variabel yang digunakan adalah:
Y = Konsumsi Ayam per kapita
X1 = Pendapatan riil per kapita
X2 = harga ayam eceran riil per unit
X3 = harga babi eceran riil per unit
X4 = harga sapi eceran riil per unit
TEORI yang digunakan adalah teori ekonomi mikro dimana permintaan suatu barang dipengaruhi oleh pendapatan konsumen, harga barang itu sendiri, harga barang substitusi dan harga barang komplementer.
Uji Normalitas
Uji normalitas dilakukan pada nilai residual. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi normal. Pengertian normal secara sederhana, dianalogikan dengan sebuah jelas. Dalam suatu kelas reguler sebagian besar siswanya memiliki yang IQ dibawah rata – rata, maka jumlah mahasiswa pintarnya akan sedikit. Jika kelas tersebut IQ keseluruhan di bawah rata – rata maka itu tidak normal dan disebut Sekolah Luar Biasa. Pengamatan data normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah.
Cara yang sering digunakan dalam menentukan apakah suatu model berdistribusi normal atau tidak hanya dengan melihat pada histogram residual apakah memiliki bentuk seperti “lonceng”atau tidak. Cara ini menjadi fatal karena pengambilan keputusan data berdistribusi normal atau tidak hanya berpatok pada pengamatan gambar saja. Dalam Eviews, uji Normalias dapat dilakukan dengan uji Jerque-Bera (JB-Test), Caranya pada jendela equation, klik View, klik Residual Diagnostics, lalu klik Histogram – Normality Test. Setelah itu jendela Equation akan otomatis berUbah menjadi output Histogram Normality Test.
Pengambilan Keputusan:
Untuk mengambil keputusan, fokuslah pada Jerque-Bera dan Probability. Tips nya begini, Penelitian Ekonomi dan Bisnis pada umumnya menggunakan α=0.05 (5%), jika probability < α, maka data tidak berdistribusi normal. Jika probability > α, maka data berdistribusi normal. Pada tutorial kali ini, data penelitian karena 0.05. Maka H0 ditolak atau diterima?

Apa yang dilakukan jika Uji tidak terpenuhi?
Melakukan transformasi data
Melakukan trimming data outliers
Menambah data observasi

Uji Heteroskedastisitas
Untuk Uji Heteroskedastisitas, seperti halnya uji Normalitas, cara yang sering digunakan dalam menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak hanya dengan melihat pada Scatter Plot dan dilihat apakah residual memiliki pola tertentu atau tidak. Cara ini menjadi fatal karena pengambilan keputusan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak hanya berpatok pada pengamatan gambar saja tidak dapat dipertanggungjawabkan kebenarannya. Pada jendela equation, klik View; Klik Residual Diagnostics; Klik Heteroskedasticity Tests…; Muncul jendela Heteroskedasticity Tests, pilih Test type. Eviews menyediakan berbagai macam pilihan. Pada tutorial kali ini, kami menggunakan Uji Glejser, maka pilih Glejser; Terakhir, klik OK. Lalu jendela equation akan memperlihatkan output uji heteroskedastisitas
Pengambilan Keputusan
Untuk mengambil keputusan hasil uji heteroskedastisitas, fokus terhadap bagian F-statistic dan Obs * R-squared. Pengambilan kesimpulan dilakukan dengan caramembandingkan Prob. F atau Prob. Chi-Square dengan α. Jika Prob. Chi-Square < α, maka terjadi gejala heteroskedastisitas, sebaliknya jika Prob. Chi-Square > α, maka tidak terjadi gejala heteroskedastisitas (homoskedastisitas). Pada data excel, dapat disimpulkan atau tidak terjadi/terjadi gejala heteroskedastisitas. Karena 0.05 transformasi data ke dalam bentuk logaritma, jika seluruh data bernilai positif.

INTERPRESTASI HASIL OUTPUT

Interprestasi Hasil Output

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	36.30322	3.867471	9.386812	0.0000
X1	0.002101	0.003190	0.658788	0.5184
X2	-0.636353	0.164748	-3.862585	0.0011
X3	0.217663	0.058102	3.746221	0.0015
X4	0.097555	0.041223	2.366548	0.0294
R-squared	0.939196	Mean dependent var		39.71304
Adjusted R-squared	0.925683	S.D. dependent var		7.449668
S.E. of regression	2.030858	Akaike info criterion		4.444454
Sum squared resid	74.23895	Schwarz criterion		4.691301
Log likelihood	-46.11123	Hannan-Quinn criter.		4.506536
F-statistic	69.50775	Durbin-Watson stat		1.387410
Prob(F-statistic)	0.000000

Hasil analisis di atas dilakukan menggunakan program Eviews 8 dengan menghasilkan model estimasi. Terlihat dari hasil analisis di atas, terdapat beberapa hal dari hasil analisis yang saya rincikan sebagai berikut:

1.  Dependent variabel: Y. Menjelaskan bahwa dalam penelitian ini menggunakan Y sebagai variabel dependenpen atau terikat.

2.      Method: Panel Least Square. Menjelaskan metode yang digunakan untuk analisis, yang mana panel least square adalah fixed effect model.

3.      Sample: 1960 – 1982. Menunjukkan series waktu yang digunakan dalam kajian.

4.      Periods included: 23. Merupakan banyaknya/lamanya/series tahun dalam penelitian.

Pengujian Terhadap Koefisien Regresi Secara Parsial (Uji t):

Analisis ini digunakan untuk mengukur kekuatan dua variabel atau lebih dan juga menunjukan arah hubungan antara   variabel dependen dengan variabel independen. Adapun rumus dari regresi linier berganda (multiple linier regresion) secara umum adalah:

Y= a + b1 X1 + b2 X2 + b3 X3 + b4 X4 + e

Analisis regresi linier digunakan dalam penelitian ini dengan tujuan untuk mengetahui ada tidaknya pengaruh variabel bebas.  Uji statistik t menunjukkan seberapa jauh satu variabel independen secara individual dalam menerangkan variasi variabel dependen. Terdapat dua cara untuk melihat hal tersebut:

• Jika Prob. > ɑ (5%), maka H_0­ diterima;
• Sebaliknya, pabila Prob < 0,05 maka tolak H₀

Catatan:

H₀ = variabel independen tidak mempengaruhi variabel dependen.

H₁ = variabel independen mempengaruhi variabel dependen.

Berdasarkan hasil Uji t, maka pengambilan keputusannya adalah sebagai berikut:

1.        Pengujian terhadap variabel X₁ :

Hipotesis pertama menyebutkan bahwa X₁ tidak berpengaruh signifikan terhadap Y. Berdasarkan hasil perhitungan data menggunakan program Eview 8. diperoleh hasil bahwa nilai signifikansi sebesar 0,5184. Ini berarti keputusan tolak H₁dan terima H₀, artinya X₁ berpengaruh signifikan terhadap Y karena nilai signifikansi lebih besar dari 0,05 dengan arah hubungan positif.

2.        Pengujian terhadap variabel X₂ :

Hipotesis kedua menyebutkan bahwa X₂ berpengaruh signifikan dan positif terhadap Y. Berdasarkan hasil perhitungan data menggunakan program Eviews8. diperoleh hasil bahwa nilai signifikansi sebesar 0,0011. Ini berarti keputusan tolak H₀ dan terima H₁, artinya X₂ berpengaruh signifikan terhadap Y karena nilai signifikansi lebih kecil dari 0,05 dengan arah hubungan negatif.

3.        Pengujian terhadap variabel X₃ :

Hipotesis ketiga yang menyebutkan bahwa X₃ tidak berpengaruh signifikan terhadap Y.  Berdasarkan hasil perhitungan data menggunakan program Eview 8. diperoleh hasil bahwa nilai signifikansi sebesar 0.0015. Ini berarti keputusan yang diambil adalah terima H₃ dan tolak H₀ artinya X₃ berpengaruh signifikan positif terhadap Y karena nilai signifikansi lebih kecil dari 0,05 dengan arah hubungan positif.

4.        Pengujian terhadap variabel X₄ :

Hipotesis ketiga yang menyebutkan bahwa X₄ tidak berpengaruh signifikan terhadap Y.  Berdasarkan hasil perhitungan data menggunakan program Eview 8. diperoleh hasil bahwa nilai signifikansi sebesar 0.0294. Ini berarti keputusan yang diambil adalah terima H₄ dan tolak H₀ artinya X₄ berpengaruh signifikan positif terhadap Y karena nilai signifikansi lebih besar dari 0,05 dengan arah hubungan positif.

Berdasarkan hasil pengujian dengan metode regresi linier berganda untuk menguji pengaruh variabel-variabel independen (X₁, X₂, X₃ dan X₄) terhadap variabel dependen (Y) maka dapat disusun sebuah persamaan sebagai berikut :

Y = C(1) + C(2)*X1 + C(3)*X2 + C(4)*X3 + C(5)*X4

Y = 36.3032186495 + 0.00210145736311*X1 - 0.636353436773*X2 + 0.217662563342*X3 +   0.097555258358*X4

Hasil tersebut dapat dijelaskan sebagai berikut :

1. Koefisien regresi X₁ adalah sebesar 0.0021 yang berarti bahwa setiap peningkatan X₁ sebesar 1% akan menaikan Y sebanyak 0.0021% dengan asumsi variabel lain konstan, begitu juga sebaliknya.
2. Koefisien regresi X₂ adalah sebesar – 0.6363 yang berarti bahwa setiap peningkatan X₂ sebesar 1% akan menurunkan Y sebanyak 0.6363% dengan asumsi variabel lain konstan, begitu juga sebaliknya.
3. Koefisien regresi X₃ adalah sebesar 0.2176 yang berarti bahwa setiap peningkatan nilai tukar sebesar 1% akan menaikkan Y sebanyak 0.2176% dengan asumsi variabel lain konstan, begitu juga sebaliknya
4. Koefisien regresi X₄ adalah sebesar 0.0975 yang berarti bahwa setiap peningkatan nilai tukar sebesar 1% akan menaikkan Y sebanyak 0.0975%  dengan asumsi variabel lain konstan, begitu juga sebaliknya

Pengujian Terhadap Koefisien Regresi Secara Simultan (Uji F) :

            Pengujian hipotesis uji F digunakan untuk melihat apakah secara keseluruhan variabel bebas mempunyai pengaruh yang bermakna terhadap variabel terikat.

            Hasil pengolahan data terlihat bahwa variabel independen (X₁, X₂, X₃ dan X₄) signifikansi F hitung sebesar 69.50775 dengan tingkat signifikansi yang lebih kecil (0,00000) dari 0,05. Dengan demikian hasil analisis dalam penelitian ini menunjukkan bahwa secara bersama-sama variabel independen (X₁, X₂, X₃ dan X₄) berpengaruh terhadap Y.  Dengan demikian hipotesis pertama (H1) dalam penelitian ini dapat diterima.

Koefisien Determiasi Berganda :

    Nilai koefisien determinasi berganda dalam eviews 8 sama seperti halnya dengan aplikasi lainnya yaitu di beri label R-Square. Dalam tabel diatas dapat dilihat bahwa R- Square sebesar 0.939196 yang berarti sekumpulan variabel devendent di dalam model dapat menjelaskan variabel indevendent sebesar 93.9196%. sedangkan sisanya dijelaskan oleh variabel lain diluar model yang tidak diteliti.

Adjusted R Square :

    Nilai adjusted R Square artinya nilai R Square yang telah terkoreksi oleh nilai standar error. Dalam tabel diatas adjuster R Square sebesar 0.925683. sedangkan nilai standart error model regresi 2.030858 ditunjukkan dengan label S.E Of regression. Nilai standar error ini lebih besar dari pada nilai standart deviasi variabel indevendent yang dijuntukkan dengan label “S.D. dependent var” yaitu sebesar 7.449668 yang diartikan bahwa model regresi tidak valid sebagai model devendent variabel.