Pelatihan

Eviews

Bidang Pendidikan dan Keilmuan

Apa yang perlu di
perhatikan saat
penelitian?
 Sumber Data

Primer Sekunder
● Data primer adalah data yang diperoleh ● Data sekunder adalah data yang diperoleh
peneliti secara langsung (dari tangan peneliti dari sumber yang sudah ada.
pertama).
● Contoh data sekunder misalnya catatan atau
● Contoh data Mercury
primer adalah data yang dokumentasi perusahaan berupa absensi,
diperoleh dari responden melalui kuesioner, gaji, laporan keuangan publikasi
kelompok fokus, dan panel, atau juga data perusahaan, laporan pemerintah, data yang
hasil wawancara peneliti dengan nara diperoleh dari majalah, dan lain sebagainya.
sumber.
 JENIS DATA

CS TS P

Cross Section Time Series Panel

Banyak Individu Satu Individu Banyak Individu

Satu Periode Banyak Periode Banyak Periode

Data Cross Section
Data cross section merupakan data yang
dikumpulkan dalam satu periode waktu.
Contohnya seperti data penjualan beberapa
perusahaan air mineral berenergi pada tahun
2018.

Perusahaan Penjualan tahun

2018
PT A 18.000.000

PT B 23.000.000

PT C 15.000.000
Data Time Series
Data time series merupakan data yang bentuknya
bersifat periodik (misal bulan, tahun). Contohnya
seperti data penjualan PT A selama tahun 2016-2018.

Tahun Penjualan PT A

2016 20.000.000
2017 40.000.000
2018 18.000.000
Data Panel
Data panel merupakan penggabungan data yang
bersifat cross section dan time series. Contoh, data
penjualan beberapa perusahaan air mineral berenergi
pada tahun 2016-2018.
Perusahaan Periode Penjualan
PT A 2016 40.000.000
PT A 2017 23.000.000
PT A 2018 35.000.000
PT B 2016 53.000.000
PT B 2017 63.000.000
PT B 2018 70.000.000
 JENIS PANEL
1. PANEL SEIMBANG 2. PANEL TIDAK SEIMBANG
(BALANCED PANEL) (UNBALANCED PANEL)
Jika Subjeknya tidak
Jika setiap subjek
memiliki observasi sama
memiliki jumlah
observasi yang sama

3. PANEL PENDEK 4. PANEL PANJANG

(SHORT PANEL) (LONG PANEL)

Jika data cross section Jika data periode waktu

lebih banyak dari lebih panjang daripada
periodenya cross section
 Data Panel: SPSS, Eviews atau Stata?
Analisis regresi data panel dapat diolah dengan berbagai program statistik antara
lain spss, eviews dan stata. Berbagai program statistik tersebut memiliki kelebihan dan
kekurangan tersendiri. Dari ketiga program statistik tersebut, penulis lebih
merekomendasikan menggunakan eviews untuk mengolah data menggunakan teknik
analisis regresi data panel. Melalui eviws, tahapan pengolahan regresi data panel
khususnya ketika melakukan pemilihan model regresi dan pengujian asumsi klasik akan
lebih mudah dilakukan dan hasilnya mudah dipahami dibandingkan program statistik
lainnya. Perlu diingat bahwa alat bantu statistik hanyalah alat.
SPSS : Lebih cocok untuk data Cross Section atau data yang bersifat kategorik atau
kuesioner.
STATA : Lebih cocok untuk pengolahan tingkat lanjut, namun proses lebih rumit karena
menggunakan syntax.
Eviews : Lebih cocok untuk pengolahan sederhana dan mudah dipahami.
 Tahap Analisis Regresi
1. Uji Deskriptif 2. Pengujian Model 3. Penentuan 4. Uji Asumsi
Menggunakan nilai Model Klasik
minimum, maksimum, Uji Asumsi. Secara
Untuk mengetahui model Untuk mengetahui estimasi
rata-rata dan standar umum asumsi yang
yang sesuai antara CEM, dari koefisien regresi, Uji
deviasi harus terpenuhi adalah
FEM, REM Chow, Uji Hausman, Uji
Langrange Multiplier normalitas, non-
5. Uji Regresi Linier 6. Uji Koefisien multikolinearitas, non-
Berganda Determinasi (R 7. Uji Hipotesis
heteroskedastisitas,
dan non-autokorelasi
Untuk menguji Square) Untuk mengetahui
pengaruh dua atau variabel mana yang
lebih variabel memiliki pengaruh
Untuk menguji seberapa
independen dan dengan menggunakan
besar presentase variasi
dependen uji simultan (uji F) dan
uji parsial (uji t)
 INPUT DATA KE EVIEWS

Cara Input Data Ke Eviews :

1. Buka Software Eviews
2. Klik File => Open => Foreign Data as Workfile
=> Pilih data excel di folder (excel harus
keadaan tertutup) => open => next => next =>
Basic Structure : Data Panel => Finish.
 1. UJI DESKRIPTIF

Statistik deskriptif merupakan sebuah pengujian yang

memberikan gambaran atau deskripsi suatu data yang di lihat
dari nilai rata-rata (mean), standar deviasi, maksimum, minimum,
sum, range, kurtosis, dan skewnes (Ghozali, 2018:19).

Cara :
1. Pilih variabel independen dan dependen dengan tombol ctrl
2. Klik kanan => open => as group => akan muncul tabel
gabungan
3. Klik view => deskriptive stats => common sample => akan
muncul hasilnya
 2. Pengujian Model Data Panel

2. Fixed Effect Model 3. Random Effect Model

1. Common Effect Model
(FEM) (REM)
(CEM)
Cara: Cara:
Cara:
Klik Quick => Estimate Klik Quick=> Estimate
Klik Quick=> Estimate Equation
Equation => Specification: Y c Equation => Specification: Y c
=> Specification: Y c X1 X2 X3
X1 X2 X3 => Panel Option: X1 X2 X3 => Panel Option:
=> Panel Option: Cross Section
Cross Section : FIXED, dan Cross Section : RANDOM,
: NONE, dan Period: none =>
Period: none => Ok. dan Period: none => Ok.
Ok.
Simpan Hasil: Simpan Hasil:
Simpan Hasil:
Klik Name => Name to Klik Name => Name to
Klik Name => Name to identify
identify object: model_fem => identify object: model_rem =>
object: model_cem => ok
ok ok
 3. Penentuan Model
1. Uji Chow (CEM vs FEM) 2. Uji Hausman (FEM vs REM) 3. Uji lagrange multiplier
(LM) (REM vs CEM)
Cara : Cara :
Cara :
Buka model_fem => View => Buka model_rem => View =>
Fixed/Random Effect Testing => Fixed/Random Effect Testing => Buka model_cem => View =>
Redundant Fixed Effects- Correlated Random Effect- Fixed/Random Effect Testing =>
Likelihood Ratio Housman Test omitted random effects -
Lagrange Multiplier
Keputusan : Keputusan :
Keputusan :
- FEM terpilih jika nilai cross-
section chi-square < 0,05 - FEM terpilih jika nilai cross- - REM terpilih jika nilai both <
section chi-square < 0,05 0,05
- CEM terpilih jika nilai cross-
section chi-square > 0,05 - REM terpilih jika nilai cross- - CEM terpilih jika nilai both >
section chi-square > 0,05 0,05
Simpan Hasil :
Simpan Hasil : Simpan Hasil :
Klik Freeze => name => name to
identify object: uji_chow Klik Freeze => name => name Klik Freeze => name => name
to identify object: uji_hausman to identify object: uji_lm
4. UJI ASUMSI KLASIK

Normalitas
Normalitas residual (error term) dari hasil penghitungan persamaan regresi harus
terdistribusi normal.
Untuk melihat apakah asumsi normalitas ini terpenuhi, kita perlu menyusun residual
estimasi ini dalam sebuah distribusi frekuensi. Untuk memastikan residual tersebut
terdistrubusi normal atau tidak kita bisa menggunakan uji Jarque-Berra. Uji ini ditemukan
oleh Carlos Jarque dan Anil K. Bera. Dengan melihat probabilitas Jarque-Berra.

Cara :
Buka model terpilih => view => residual diagnostics => histogram normality test

Ketentuan :
Jika nilai probability > 0,05 maka data berdistribusi normal
UJI MULTIKOLINEARITAS

Multikolinieritas dilakukan pada saat model regresi menggunakan lebih dari

satu variabel bebas. Multikolinearitas berarti adanya hubungan linear di antara
variabel bebas (Nachrowi dan Hardius, 2006:95). Dampak adanya
multikolinieritas adalah banyak variabel bebas tidak signifikan mempengaruhi
variabel terikat namun nilai koefisien determinasi tetap tinggi.

Cara :
Quick => group statistic => correlation => masukan variabel independen (x1 x2
x3)

Ketentuan :
Jika nilai correlation < 0,90 maka tidak terjadi masalah multikolinearitas
Buat Data Baru Untuk Uji Heteroskedastisitas dan Uji Autokorelasi

Untuk uji heteroskedastisitas dan uji autokorelasi, siapkan data baru dengan struktur data berupa
unstrucktured/undate pada awal input data.

Cara :
Klik file => open => foreign data as workfile => pilih data excel difolder => next => next => basic
structure: unstructured/undate => finish.

Membuat estimasi:
Cara : quick estimate equation => specification: Y c X1 X2 X3 => ok

Simpan Equation :
Cara : klik name => ok => muncul file baru bernama eq01
 UJI AUTOKORELASI

Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu variabel (Nachrowi dan Hardius,
2006:183). Dengan adanya autokorelasi, estimator OLS tidak menghasilkan estimator yang BLUE
hanya LUE (Widarjono, 2007:258). Metode untuk mendeteksi autokorelasi antara lain metode grafik,
durbin-watson, run dan lagrange multiplier.

Cara :
Buka file eq01 => view => residual diagnostics => serial corellation LM test => ok

Ketentuan :
Jika nilai prob. Chi square > 0,05 maka tidak terjadi autokorelasi
Nilai DW 1,55-2,46 artinya tanpa ada autokorelasi
 UJI HETEROKEDASTISITAS

Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang terbentuk memiliki
varians yang konstan atau tidak. Uji heteroskedastisitas penting dilakukan pada model yang terbentuk.
Dengan adanya heteroskedastisitas, hasil uji t dan uji F menjadi tidak akurat (Nachrowi dan Hardius,
2006:112). Metode untuk mendeteksi heteroskedastisitas antara lain metode grafik, park, glesjer,
korelasi spearman, goldfeld-quandt, breusch-pagan dan white.

Cara :
Buka file eq01 => view => residual diagnostics => heteroskedasticity test=> white => ok

Ketentuan :
Jika nilai prob. Chi square > 0,05 maka tidak terjadi heterkedastisitas
 5. REGRESI DATA PANEL

Regresi Data Panel adalah gabungan antara data cross section dan data time series, dimana unit cross
section yang sama diukur pada waktu yang berbeda. Maka dengan kata lain, data panel merupakan
data dari beberapa individu sama yang diamati dalam kurun waktu tertentu. Jika kita memiliki T
periode waktu (t = 1,2,…,T) dan N jumlah individu (i = 1,2,…,N), maka dengan data panel kita akan
memiliki total unit observasi sebanyak NT. Jika jumlah unit waktu sama untuk setiap individu, maka
data disebut balanced panel. Jika sebaliknya, yakni jumlah unit waktu berbeda untuk setiap individu,
maka disebut unbalanced panel.

α = Konstanta
β = koefisien regresi merupakan parameter
hasil estimasi
Xit = Observasi ke-it dari variabel bebas
αi = efek individu yang berbeda- beda untuk
setiap individu ke-i
 it = error regresi seperti halnya pada model regresi
klasik.
 6. KOEFISIEN DETERMINASI

Nilai koefisien determinasi mencerminkan seberapa besar variasi dari variabel terikat Y dapat
diterangkan oleh variabel bebas X (Nachrowi dan Hardius, 2006:20). Sebuah model dikatakan
baik jika nilai R2 mendekati satu dan sebaliknya jika nilai R 2 mendekati 0 maka model kurang
baik (Widarjono, 2007:198). Dengan demikian, baik atau buruknya suatu model regresi
ditentukan oleh nilai R2 yang terletak antara 0 dan 1. Menurut Nachrowi dan Hardius (2006:126),
penggunaan R2 memiliki kelemahan yaitu semakin banyak variabel bebas yang dimasukkan
dalam model maka nilai R2 semakin besar. Dengan adanya kelemahan bahwa nilai R 2
tidak pernah menurun maka disarankan peneliti menggunakan R2 yang disesuaikan (𝑅̅2)
(Adjusted R2 karena nilai koefisien determinasi yang didapatkan lebih relevan.
 7. UJI HIPOTESIS

UJI F

Uji F, diperuntukkan guna melakukan uji hipotesis koefisien (slope)

regresi secara bersamaan dan memastikan bahwa model yang dipilih
layak atau tidak untuk mengintepretasikan pengaruh variabel bebas
terhadap variabel terikat. Uji ini sangat penting karena jika tidak lolus
uji F maka hasil uji t tidak relevan. Menurut Gujarati (2007:108),
pengambilan keputusan dilakukan jika:
a. Nilai F hitung > F tabel atau nilai prob. F-statistik < taraf
signifikansi, maka tolak H0 atau yang berarti bahwa variabel
bebas secara bersama-sama mempengaruhi variabel terikat.
b. Nilai F hitung < F tabel atau nilai prob. F-statistik > taraf
signifikansi, maka tidak menolak H0 atau yang berarti bahwa
variabel bebas secara simultan tidak mempengaruhi variabel
terikat.
 UJI t

UJI t

Uji t, digunakan untuk menguji koefisien regresi secara individu. Menurut

Gujarati (2007:105).
Pengambilan keputusan uji t dilakukan jika:
• Uji dua arah
a. Nilai t hitung > t tabel atau nilai prob. t-statistik < taraf signifikansi,
maka tolak H0 atau yang berarti bahwa variabel bebas berpengaruh di
dalam model terhadap variabel terikat.
b. Nilai t hitung < t tabel atau nilai prob. t-statistik > taraf signifikansi,
maka tidak menolak H0 atau yang berarti bahwa variabel bebas tidak
berpengaruh di dalam model terhadap variabel terikat.
HASIL MODEL REM (MODEL TERPILIH)
5. Uji Regresi Linier Berganda
INV = -73,03506 + 0,107655X1 + 0,345710X2
6. Uji Koefesien Determinasi (Adjusted R Square)
Adjusted R2-square 0,79 = 79% model menjelaskan
variabel INV, sisanya 21% dipengaruhi variabel bebas
lain yang tidak diteliti dalam model.
7. Uji Hipotesis
Uji F (Simultan)
Signifikansi 0,0000 < 0,05 Secara bersama sama
variabel P dan M berpengaruh terhadap INV
Uji t (Parsial)
Sig 0,000 < 0,05 P berpengaruh positif terhadap INV
Sig 0,000 < 0,05 M berpengaruh positif terhadap INV
THANKS