MODUL EVIEWS

PRATIKUM EKONOMETRIKA

MANAJEMEN BISNIS TELEKOMUNIKASI INFORMATIKA

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS TELKOM
BANDUNG
2021
 EVIEWS

Eview merupakan alat statistik dan ekonometrik yang membantu pengguna software ini
untuk membuat pemodelan dengan tiga cara, yaitu mengunakan main menu bar, command
windows, object windows atau work area.
Eviews memberikan kemudahan untuk memberikan informasi bagi pengguna untuk dapat
melakukan analisis statistik, memberikan forecasting, model simulasi, serta memberikan
kemudahan untuk membuat tabel dan grafik yang sering digunakan dalam publikasi karya
ilmiah dan publikasi hasil estimasi para ekonom.

Makalah ini akan meregresi penelitian tentang faktor-faktor yang mempengaruhi Rasio
Retrun on Asset (ROA) perbankan dari tahun 2005 hingga 2016, dengan model penelitian
sebagai berikut:
Yit = β0 + β1X1it + β2X2it + β3X3it + β4X4it + β5X5it + εit
ROAit = β0 + β1ROE1it + β2NIM2it + β3LDR3it + β4INFL4it + β5GDP5it + εit

Langkah-langkah:
1. File > New > Workfile.
2. Akan muncul menu Workfile Create.
3. Pada bagian Workfile Structure Type, pilih sesuai jenis data yang digunakan.
4. Pada bagian Date Spesification, pilih sesuai jenis data yang digunakan.
5. Isikan Start Date dan End Date (Jika data berupa Panel isikan jumlah Number of
Cross Section) → pada modul ini akan dilakukan uji untuk data panel.
6. Akan muncul jendela Workfile

1
Keterangan:
Workfile Structure Type merupakan jenis data yang akan digunakan dalam penelitian:
1. Unstructured/Undated: jenis data yang tidak terstruktur
2. Date/Regular Frequency: jenis data yang terstruktur secara series
3. Balance Panel: jenis data panel gabungan antara Cross Section dan Time Series
Date Specification, Frequency merupakan jenis data series yang digunakan:
1. Multi-year: data multi tahun
2. Annual: data tahunan
3. Semi-annual: data semesteran
4. Quarterly: data kuartal
5. Monthly: data bulanan
6. Bimonthly: data dua bulanan
7. Weekly: data mingguan
8. Daily: data harian

Input variabel penelitian

Langkah-langkah:
1. Klik Object > New Object
2. Type of Object > pilih Series
3. Pada kotak Name for Object, tuliskan nama objek yang dimasukan (tulis: y atau nama
variabel: ROA)
4. Object yang ditambahkan akan masuk ke dalam Workfile

Keterangan:
Type of Object merupakan jenis objek yang akan ditambahkan, yang paling sering
digunakan adalah:
1. Series untuk data series
2. Equation untuk persamaan
3. VAR untuk model persamaan VAR

2
Selanjutnya adalah menambahkan object/variabel lainnya:
Langkah-langkah:
1. Klik kanan pada object y
2. Pilih copy, lalu paste
3. Pada Destination, ganti sesuai variabel berikutnya (contoh: x1, x2, dst atau ROA,
NPL, dst)
4. Lakukan berulang, hingga seluruh object/variable terinput

3
Input Data
Langkah-langkah:
1. Pilih semua variabel yang digunakan sesuai berdasarkan yang ada pada excel (contoh:
y x1 x2 x3 x4 x5)
2. Klik kanan > open > as group
3. Akan muncul Workfile Group
4. Copy data dari excel, paste ke dalam workfile group
5. Agar hasil tidak hilang, lakukan: Klik Name, ganti nama pada Name to Identify
Object > ok

4
5
 UJI MODEL DATA PANEL

Uji Common Effect Model (CEM) atau Pooled Least Square (PLS)
Merupakan pendekatan model data panel yang paling sederhana karena hanya
mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan
dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama
dalam berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least
Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel.

Langkah-langkah:
1. Klik semua variabel secara berurutan (y x1 x2 dst), klik kanan
2. Open > as Equation
3. Pada kotak Estimation Equation, input y c x1 x2 dst
4. Pilih Panel Option, Effects Specification bagian Cross-Section pilih “None” > ok
5. Muncul hasil uji CEM
6. Agar hasil tidak hilang, lakukan: Klik Name, ganti nama pada Name to Identify
Object > ok
7. Save file ke folder: Klik kanan mouse pada area hasil CEM > save graph to disk >
browse > pilih folder penyimpanan > file name: model_cem (menyesuaikan) > save
as type: Rich Text Format > save > ok

6
Uji Fixed Effect Model (FEM)
Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan
intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik
variable dummy untuk menangkap perbedaan intersep antar perusahaan. Model estimasi ini
sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).

Langkah-langkah:
1. Klik semua variabel secara berurutan (y x1 x2 dst), klik kanan
2. Open > as Equation
3. Pada kotak Estimation Equation, input: y c x1 x2 dst
4. Pilih Panel Option, Effects Specification bagian Cross-Section pilih “Fixed” > ok
5. Muncul hasil uji FEM
6. Agar hasil tidak hilang, lakukan: Klik Name, ganti nama pada Name to Identify
Object > ok

7
 7. Save file ke folder: Klik kanan mouse pada area hasil FEM > save graph to disk >
browse > pilih folder penyimpanan > file name: model_fem (menyesuaikan) > save as
type: Rich Text Format > save > ok

Uji Chow (CEM vs FEM)

Chow test adalah pengujian untuk menentukan model apakah Common Effect (CE) atau
Fixed Effect (FE) yang paling tepat digunakan dalam mengestimasi data panel.
H0: Common Effect Model (Prob > 0.05)
H1: Fixed Effect Model (Prob < 0.05)

Langkah-langkah:
1. pada layar hasil FEM, klik View > Fixed/Random Effects Testing > Redundant Fixed
Effects – Likelihood Ratio
2. Akan muncul hasil dari Uji Redundant Fixed Effects – Likelihood Ratio
3. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok

8
4. Save file ke folder: Klik kanan mouse pada area hasil Uji Chow > save graph to disk
> browse > pilih folder penyimpanan > file name: uji_chow (menyesuaikan) > save
as type: Rich Text Format > save > ok
5. Buat Kesimpulan

9
Kesimpulan:
 Hasil probabilitas < 0.05 menunjukan bahwa H0 ditolak, artinya bahwa model yang
terbaik digunakan adalah model FEM.
 Jika yang terpilih adalah model CEM, maka pengujian model lanjut ke Uji Lagrange
Multiplier

Uji Random Effect Model (REM)

Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling
berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep
diakomodasi oleh error terms masing-masing perusahaan. Model ini juga disebut dengan
Error Component Model (ECM) atau teknik Generalized Least Square (GLS) .

Langkah-langkah:
1. Klik semua variabel secara berurutan (y x1 x2 dst), klik kanan
2. Open > as Equation
3. Pada kotak Estimation Equation, input y c x1 x2 dst
4. Pilih Panel Option, Effects Specification bagian Cross-Section pilih “Random” > ok
5. Muncul hasil uji REM
6. Agar hasil tidak hilang, lakukan: Klik Name, ganti nama pada Name to Identify
Object > ok
7. Save file ke folder: Klik kanan mouse pada area hasil REM > save graph to disk >
browse > pilih folder penyimpanan > file name: model_rem (menyesuaikan) > save as
type: Rich Text Format > save > ok

10
11
Uji Hausman (FEM vs REM)
Hausman test adalah pengujian statistik untuk memilih apakah model Fixed Effect atau
Random Effect yang paling tepat digunakan.
H0: Random Effect Model (Prob > 0.05)
H1: Fixed Effect Model (Prob < 0.05)

Langkah-langkah:
1. pada layar hasil REM, klik View > Fixed/Random Effects Testing > Correlated
Random Effect –Hausman Test
2. Akan muncul hasil dari Uji Redundant Correlated Random Effect –Hausman Test
3. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok
4. Save file ke folder: Klik kanan mouse pada area hasil Uji Hausman > save graph to
disk > browse > pilih folder penyimpanan > file name: uji_hausman (menyesuaikan)
> save as type: Rich Text Format > save > ok
5. Buat Kesimpulan

12
Kesimpulan:
 Hasil probabilitas > 0.05 menunjukan bahwa H0 diterima, artinya bahwa model yang
terbaik digunakan adalah model REM.
 Karena Uji Chow dan Uji Haussman belum memberikan hasil yang terbaik, maka
dilanjutkan Uji Lagrange antara CEM dan REM

Uji Lagrange Multiplier (CEM vs REM)

uji Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model Random Effect
lebih baik daripada metode Common Effect (PLS) digunakan.
H0: Common Effect Model (Prob > 0.05)
H1: Random Effect Model (Prob < 0.05)

Langkah-langkah:
1. pada layar hasil CEM, klik View > Fixed/Random Effects Testing > Ommited
Random Effect-Lagrange Multiplier
2. Akan muncul hasil dari Uji Ommited Random Effect-Lagrange Multiplier
3. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok
4. Save file ke folder: Klik kanan mouse pada area hasil Uji Lagrange > save graph to
disk > browse > pilih folder penyimpanan > file name: uji_lagrange (menyesuaikan)
> save as type: Rich Text Format > save > ok
5. Buat Kesimpulan

13
14
Kesimpulan:
 Hasil probabilitas < 0.05 menunjukan bahwa H0 diterima, artinya bahwa model yang
terbaik digunakan adalah model REM.

Kesimpulan akhir adalah, maka pada uji data panel ini, model yang digunakan adalah
Random Effect Model

Sehingga Regresi yang terbentuk adalah:

Y= -0.015735 + 0.075770 ROE + 0.212452 NIM + 0.011401 LDR – 0.010256 INFL +
0.047199 GDP + ε

15
 UJI ASUMSI KLASIK

Uji Normalitas
Uji normalitas untuk menguji apakah nilai residual yang telah distandarisasi pada model
regresi berdistribusi normal atau tidak. Cara melakukan uji normalitas dapat dilakukan
dengan pendekatan analisis grafik Normal Probability Plot. Pada pendekatan ini nilai residual
terdistribusi secara normal apabila garis (titik-titik) yang menggambarkan data sesungguhnya
akan mengikuti atau merapat ke garis diagonalnya.

Langkah-langkah:
1. Buka file model terpilih (model terpilih: REM)
2. Klik View > Residual Diagnostics > Histogram Normality Test
3. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok
4. Save file ke folder: Klik kanan mouse pada area hasil normalitas > save graph to disk
> browse > pilih folder penyimpanan > file name: ak_normalitas (menyesuaikan) >
save as type: Portable Network Graphics > save > ok
5. Buat kesimpulan

Kesimpulan:
 Nilai Probabilitas 0.82 > 0.05, maka data terdistribusi normal.
Jika data tidak terdistribusi normal, maka lakukan transformasi data menjadi Ln atau Log,
input kembali data pada eviews dan uji kembali normality test.

16
Uji Multikolinearitas
Uji asumsi klasik multikolinearitas bertujuan untuk menguji apakah model regresi
yang terbentuk memiliki korelasi yang tinggi atau sempurna antar variabel independen
(bebas). Nilai korelasi yang tinggi menunjukkan adanya gejala multikolinearitas pada
penelitian. Jika nilai korelasi yang dihasilkan kurang dari 0.9, maka tidak terjadi
multikolinearitas.
Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu
variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.

Langkah-langkah:
1. Klik Quick > Group Statistic > Correlation > masukan variabel independen
2. Klik Ok, klik Yes
3. Muncul Workfile matriks correlation
4. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok
5. Save file ke folder: Klik kanan mouse pada area hasil multikolinearitas > save table to
disk > browse > pilih folder penyimpanan > file name: ak_multikolinearitas
(menyesuaikan) > save as type: Rich Text Format > save > ok
6. Buat kesimpulan

Kesimpulan:
 nilai korelasi < 0.90, maka tidak terjadi multikolinearitas
Jika data terjadi multikolinearitas, maka keluarkan variabel dengan korelasi tinggi.

17
Uji Heteroskedastisitas
Uji Heteroskedastisitas merupakan uji untuk melihat ketidaksamaan varian dari
residual untuk semua pengamatan pada model regresi. Heteroskedastisitas biasanya terjadi
pada data cross section, dimana data panel lebih dekat ke ciri data cross
sectiondibandingkantime series.
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan
asumsi klasik. Heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk
semua pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi
adalah tidak adanya gejala heteroskedastisitas. Jika nilai prob nya < 0,05 maka terjadi gejala
heteroskedastisitas dalam model penelitian sedangkan jika nilai prob > 0,05 maka tidak
terjadi gejala heteroskedastisitas dalam model penelitian.

Langkah-langkah uji Gletjer:

1. Blok pada kotak Resid
2. Klik Genr, pada enter equation masukan: resabs=abs(resid) > ok
3. Klik Quick > Estimation Equation masukan: resabs c roe nim ldr infl gdp
4. Pada bagian Panel Option pada bagian Effect Specification yang cross-section pilih
random (sesuai dengan model terpilih) > ok
5. Keluar hasil uji heteroskedastisitas
6. Kesimpulan: jika probabilitas dari variabel independen > 0.05 maka tidak terjadi
heteroskedastisitas

18
19
Uji Autokorelasi
Uji autokolerasi merupakan kolerasi yang terjadi antara residual pada satu
pengamatan dengan pengamatan lain pada model regresi. Autokorelasi hanya terjadi pada
data time series. Pengujian autokorelasi pada data yang tidak bersifat time series (cross
section atau panel).
Autokorelasi dapat diketahui melalui Uji Correlation LM Test, dimana jika nilai prob
< 0,05 maka terjadi gejala autokorelasi sedangkan jika nilai prob > 0,05 maka tidak terjadi
gejala autokorelasi.

Langkah-langkah:
1. Dari model random, lihat nilai durbin watson, lalu buatkan rentang pengujian dw,
dengan cara memasukan informasi nilai dw, jumlah variabel independen, jumlah
observasi, nilai DL dan DU, nilai 4-DL dan 4-DU
2. Sesuaikan dengan rentang dw autokorelasi
3. Kesimpulan

Kesimpulan:
 Terjadi Autokorelasi, karena nilai dw berada pada batas bawah dl

20
Unstructured/undated untuk uji Autokorelasi dan Heteroskedastisitas:
Selanjutnya untuk melakukan uji autokorelasi dan heteroskedastisitas pastikan struktur data
berupa unstructured/undated pada saat ekspor data ke program Eviews. Perubahan struktur
data dilakukan karena kedua uji tersebut dalam analisanya membutuhkan struktur data yang
tidak mempertimbangkan adanya perbedaan individu maupun periode.

Langkah-langkah:
1. Siapkan data baru dengan struktur data “Unstrctured/undate pada awal input data
2. Klik File > Open > Foreign data as workfile > pilih data excel di folder > Next >
Next > Basic Structure: Unstructured/undate > Finish

Langkah-langkah memunculkan equation baru untuk uji Autokorelasi dan

Heteroskedastisitas:
1. Klik Quick > Estimated Equation > Specification: y c x1 x2 dst > ok
2. Agar hasil tidak hilang, lakukan: klik Name, ganti nama pada Name to Identify Object
> ok

21
22
Uji Heteroskedastisitas
Langkah-langkah uji White (dengan equation baru):
1. Buka file EQ01 > View > Residual Diagnostics > Heteroskedastisitas Test > White >
Ok
2. Muncul hasil workfile Heteroskedastisitas Test
3. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok
4. Save file ke folder: Klik kanan mouse pada area hasil Heteroskedastisitas > save table
to disk > browse > pilih folder penyimpanan > file name: ak_heteroskedastisitas
(menyesuaikan) > save as type: Rich Text Format > save > ok
5. Buat kesimpulan

23
Kesimpulan:
 Nilai Prob. Chi Square (Obs*R-squared) < 0.05, maka terjadi heteroskedastisitas
 Jika terjadi heteroskedastisitas, maka lakukan treathment untuk memperbaiki
heteroskedastisitas

Mengatasi Pelanggaran Heteroskedastisitas

Langkah-langkah:
1. Copy nilai Durbin watson stat dari hasil regresi
2. Cari nilai dw melalui microsoft excel.
3. Generate data dengan memilih menu Genr, pada bagian enter equation
masukan: nlogroa=log(roa)-(0.352391)*log(roa(-1)) > ok
4. Lakukan langkah 3 untuk semua variabel
5. Setelah itu blok semua folder yang sudah di generate. Klik kanan > Open > as
Equation.
6. Eqaution Estimation > Ok
7. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok

Maka untuk memperoleh hasil regresi uji heteroskedastisitas dari perubahan data sebagai
berikut, langkah:
1. Klik View > Residual Diagnostics > Heteroskedasticity Tests
2. Pada specification di bagian test type pilih white > Ok
3. Keluar hasil uji white setelah perbaikan

24
25
Uji Autokorelasi
Langkah-langkah (dengan equation baru):
1. Buka file EQ01(file nama hasil equatin sebelumnya) > View > Residual Diagnostics
> Serial Corellation LM Test > Ok
2. Muncul hasil workfile correlation LM Test
3. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok
4. Save file ke folder: Klik kanan mouse pada area hasil Autokorelasi > save table to
disk > browse > pilih folder penyimpanan > file name: ak_autokorelasi
(menyesuaikan) > save as type: Rich Text Format > save > ok
5. Buat kesimpulan

Kesimpulan:
 Nilai Prob. Chi Square (Obs*R-squared) < 0.05, maka terjadi autokorelasi
 Jika terjadi autokorelasi, maka lakukan treathment untuk memperbaiki autokorelasi

26
Mengatasi Pelanggaran Autokorelasi
Perbaikan Autokorelasi digunakan metode transformasi first difference jika nilai  tinggi
yakni mendekati satu. Karena hasil regresi diperoleh dw = 1.98126, maka ρ diperoleh ρ= 1-
(0,910714/2) = 0.00937

Langkah-langkah:
Metode diferensi OLS
1. Pada equation d(roa) c d(roe) d(nim) d(ldr) d(infl) d(gdp)
2. Periksa nilai dw, lalu lakukan tes rentang nilai dw
3. Klik View > Residual Diagnostics > Serial Corellation LM Test > Ok

Metode Log
1. Copy nilai Durbin watson stat dari hasil regresi
2. Cari nilai dw melalui microsoft excel.
3. Generate data dengan memilih menu Genr, pada bagian enter equation
masukan: nlogroa=log(roa)-(0.00937)*log(roa(-1)) > ok
4. Lakukan langkah 3 untuk semua variabel
5. Setelah itu blok semua folder yang sudah di generate. Klik kanan > Open > as
Equation.
6. Eqaution Estimation > Ok
7. Agar hasil tidak hilang, lakukan: Klik Freeze > klik Name, ganti nama pada Name to
Identify Object > ok

Maka untuk memperoleh hasil regresi uji autokorelasi dari perubahan data sebagai berikut,
langkah:
1. Klik View > Residual Diagnostics > Serial Corellation LM Test > Ok
2. Keluar hasil uji LM test setelah perbaikan

27
 UJI HIPOTESIS

Uji R-Square
Koefisien Determinasi yaitu untuk mengukur berapa kemampuan model dalam menerangkan
variasi variabel dependen. Nilai dari koefisien determinasi berada diantara 0 dan 1. Jika nili
R2 kecil berarti kemampan variabel independen dalam menjelaskan variabel dependen
terbatas dan sebaliknya jika mendekati 1 maka variabel independen dapat memberikan
informasi yang dibutuhkan untuk menjelaskan variabel dependen.

Uji T-test
Uji T digunakan untuk menujukkan pengaruh secara parsial dari variabel independen
terhadap variabel dependen, dengan kriteria:
 Thitung > Ttabel maka artinya variabel independen secara parsial memiliki pengaruh
terhadap variabel dependen atau H0 ditolak.
 Thitung < Ttabel maka artinya variabel independen secara parsial tidak memiliki
pengaruh terhadap variabel dependen atau H0 diterima.

Uji F-test
Uji F dilakukan dengan menggunakan nilai signifikansi, dengan kriteria:
 Jika probabilitas < 0,05 atau Fhitung > Ftabel maka artinya variabel independen
secara bersama-sama memiliki pengaruh yang terhadap variabel dependen atau H0
ditolak.
 Jika probabilitas > 0,05 atau Fhitung < Ftabel maka artinya variabel independen
secara bersama-sama tidak memiliki pengaruh yang terhadap variabel dependen atau
H0 diterima

Langkah-langkah (mengikuti model terpilih REM):

1. Klik semua variabel secara berurutan (y x1 x2 dst), klik kanan
2. Open > as Equation
3. Pada kotak Estimation Equation, input y c x1 x2 dst
4. Pilih Panel Option, Effects Specification bagian Cross-Section pilih “Random” > ok
5. Muncul hasil uji REM
6. Agar hasil tidak hilang, lakukan: Klik Name, ganti nama pada Name to Identify
Object > ok
7. Save file ke folder: Klik kanan mouse pada area hasil REM > save graph to disk >
browse > pilih folder penyimpanan > file name: model_rem (menyesuaikan) > save as
type: Rich Text Format > save > ok

28
Kesimpulan:
1. Hasil Adj R2 = 0.627 artinya bahwa 62,7% variabel independen (ROE, NIM, LDR,
INFL, GDP) mampu menjelaskan variabel independen (ROA), sisanya 37.3%
dijelaskan oleh variabel lain.
2. Uji statistik T-test menunjukan hasil
a. Variabel X1 (ROE): Tstatistik > Ttabel = 11.91699 > 1.98099, sehingga H0
ditolak, artinya terdapat pengaruh antara ROE terhadapa ROA
b. Variabel X2 (NIM): Tstatistik > Ttabel = 4.155601 > 1.98099, sehingga H0
ditolak, artinya terdapat pengaruh antara NIM terhadapa ROA
c. Variabel X3 (LDR): Tstatistik > Ttabel = 3.312946 > 1.98099, sehingga H0
ditolak, artinya terdapat pengaruh antara LDR terhadapa ROA
d. Variabel X4 (INFL): Tstatistik < Ttabel = -1.006832 < -1.98099, sehingga H0
diterima, artinya tidak terdapat pengaruh antara INFL terhadapa ROA
e. Variabel X5 (GDP): Tstatistik < Ttabel = 0.648558 < 1.98099, sehingga H0
diterima, artinya tidak terdapat pengaruh antara GDP terhadapa ROA
3. Hasil uji F-test menunjukan nilai Fstatistik > Ftabel = 41.02496 > 2.29, sehingga
Hipotesis Nol (H0) ditolak, artinya terdapat pengaruh signifikan antara variabel
independen terhadap variabel dependen secara simultan.

29
 UJI LOGIT DAN PROBIT

Langkah-langkah input data

1. File > New > Workfile
2. Pilih Unstructured/undated data
3. Pada Observasi, masukan jumlah observasi > ok
4. Muncul workfile
5. Pilih Quick > Empty Group (Ediet Series), setelah muncul workfile group, copy data
dari excel ke dalam tabel

UJI PROBIT
1. Pada workfile group, klik Proc > Make Equation > masukan equation y c x1 x2 x3 dst
(atau sesuai nama variabel yang digunakan)
2. Pada bagian Estimaton Settings (bagian Method), pilih BINARY – Binary Choice
(Logit, Probit, Extreme Value) > apda Binary estimation method, pilih Probit > Ok
3. Keluar hasil regresi Probit
4. Buat Kesimpulan: Lihat hasil probailitas, lihat hasi McF adden R-Square

Uji Goodness of Fit Model

1. View > Goodness of Fit Test (Housmer-Lemeshow) > Ok > Ok
2. Muncul hasil Goodness of Fit
3. Lihat hasil H-L Statistik
4. Kesimpulan Prob > 0.05, maka model dapat diterima/fit/cocok dengan data observasi

30
31
32
33
34
Selain menggunakan Housmer-Lemeshow, bisa gunakan persentase akurasi prediksi:
1. View > Expectation-Prediction Evaluation > ok

35
36
UJI LOGIT
1. Pada workfile group, klik Proc > Make Equation > masukan equation y c x1 x2 x3 dst
(atau sesuai nama variabel yang digunakan)
2. Pada bagian Estimaton Settings (bagian Method), pilih BINARY – Binary Choice
(Logit, Probit, Extreme Value) > apda Binary estimation method, pilih Logit > Ok
3. Keluar hasil regresi Logit
4. Buat Kesimpulan: Lihat hasil probailitas, lihat hasil McF adden R-Square

37