Analisa Data Menggunakan

EViews
Candra Saksama S.E., M.M
 START
Yang perlu diketahui Statistika Deskriptif
sebelum mempelajari
EViews

AR,MA,ARMA,ARIMA Regresi Variabel

Regresi Linear
Kategorik

FINISH
ARCH dan GARCH
 PENGENALAN E-VIEWS

Eviews (Econometric Views) adalah software pengolahan data yang digunakan

untuk berbagai keperluan mulai dari Bisnis, Riset Internal serta penelitian.
EViews menawarkan akses statistik yang kuat kepada peneliti akademis,
perusahaan, instansi pemerintah, dan siswa seperti peramalan (forecasting),
hubungan (Correlation), pengaruh dan sebagainya dengan antar muka (user
interface) yang lebih friendly dan mudah digunakan.

Collecting Data Input Data Processing Data Output

 Heteroskedastisita
Autokorelasi
s
analisis regresi adalah analisis yang
digunakan untuk mengetahui
besarnya pengaruh perubahan
variabel independent terhadap
variabel dependen. Sebelum
Multikolinearitas Normalitas melakukan penggunaan EViews yang
Asums perlu dipahami adalah teori dari
analisis regresi itu sendiri seperti uji
i F, uji-t, tingkat signifikansi, dan uji
asumsi klasik. EViews
Klasik mempermudah dalam mencari hasil-
hasil tersebut.

Metode Ordinary Least Square (OLS) merupakan metode dasar yang digunakan untuk
menyelesaikan suatu masalah dalam data dengan penyelesaian berbentuk model regresi linier.
Masalah dalam data yang diselesaikan berupa pencilan, yaitu suatu observasi yang memiliki nilai
residual yang besar.
 Koefisien Determinasi
Nilai ini digunakan untuk mengetahui ketepatan model yang digunakan yang
dinyatakan dengan berapa persen variasi variabel dependen dijelaskan oleh variasi
variabel independen yang dimasukkan ke dalam model regresi. Model dianggap baik
apabila koefisien determinasi sama dengan satu atau mendekati satu (Gujarati, 1997).

Uji - F
digunakan untuk digunakan untuk mengetahui tingkat pengaruh semua variabel
independen secara bersama-sama terhadap variabel dependen.

Uji - t
digunakan untuk mengetahui pengaruh masing-masing variabel independent terhadap
variabel dependen
 Eviews adalah adalah
Pengertian program komputer yang
digunakan untuk mengolah
data statistik dan data
ekonometrika.

Eviews dapat digunakan untuk

Fungsi menyelesaikan masalah-masalah
yang berbentuk time series, cross
section, maupun data panel

Cross Section cross section adalah data yang memiliki objek yang banyak pada tahun yang sama atau data
yang dikumpulkan dalam satu waktu terhadap banyak objek.
Contoh :
Seorang mahasiswa ingin meneliti tentang pengaruh tingkat partisipasi siswa dalam organisasi
terhadap persentase kelulusan di tahun 2017. Dalam melakukan penelitian tersebut, dia
mengumpulkan data responden dari perwakilan sekolah di sebuah kabupaten dan mengambil
sample masing-masing sekolah sebanyak 20 orang. Data yang dikumpulkan oleh peneliti
tersbeut bersifat cross section. Data yang dikumpulknan masih dalam tahun yang sama. Artinya,
data tidak mengandung unsur waktu namun data dikelompokkan berdasarkan asal responden.

Time Series Time Series adalah data suatu objek yang terdiri atas beberapa periode. Contohnya adalah harga
saham suatu perusahaan diamati selama 30 hari, atau data penjualan diteliti selama 6 bulan.
Data bersifat time series harus dijaga urutannya

Data Panel Data panel merupakan gabungan dari cross section dan time series. Data panel memiliki
pengelompokan data yang berbeda dan memiliki unsur time series juga didalamnya. Misalnya:
seorang peneliti ingin mengetahui pengaruh luas lahan terhadap produksi padi secara nasional.
Kemudian dia mengambil data produksi dan luas lahan seluruh Indonesia pada rentang tahun
tertentu.
Perlu di Perhatikan
Pengertian Objek

Jenis Data

Format penulisan rumus

Fungsi

Prosedur pengolahan data

Perlu di Perhatikan
Objek
Eviews bekerja dengan menggunakan objek.
Objek adalah sekumpulan komponon yang
saling berhubungan. Komponen – komponen
tersebut misalnya workfile, series, equation
(persamaan), coefficient vector, database,
graph, dll.

Data (Series)
Data yang diolah dengan EViews dapat diinput
langsung atau dapat diimpor dari data yang
diinput dengan program lain. Data yang dapat Jenis Data Keterangan Cara Menuliskan
dibaca adalah data teks (disebut data ASCII, Annual Data tahunan Pada Start date : 2005
nama file-nya biasanya berakhiran *.TXT), Pada End date : 2015
data Lotus 1-2-3 (berakhiran *.WK1 atau Semi-annual Data setengah tahunan (semesteran) 2005:1, 2009:2
*.WK3), dan data MS Excel 2003 dan 2007 Quarterly Data kuartalan (tiga bulanan) 2005:1, 2005:4
atau sesudahnya (berakhiran *.XLS dan Monthly Data bulanan 2005:01, 2005:12
*.XLSX). Weekly Data mingguan 1/1/2011, 8/31/2011
Daily-5 day week Data harian, hanya Senin hingga Jumat 1/1/2011, 12/31/2011
Daily-7 day week Data harian, dari Senin sampai Minggu 1/1/2011, 12/31/2011
Integer data Tidak beraturan; atau data cross section 1, dan banyaknya data
Perlu di Perhatikan
Tanda Hitungan
Tanda hitungan digunakan pada
saat akan membuat data baru yang
berasal dari data yang sudah ada
(dengan perintah generate).
Fungsi
Eviews juga menyediakan fungsi,
yaitu huruf yang memiliki arti
tertentu, misalnya SUM()
digunakan untuk menjumlah,
MEAN() digunakan untuk
menghitung rata-rata, dan
sebagainya.
 Analisis Regresi Data Pool dan Data Panel
Data Panel Data Pool
Merupakan data seksi silang Sebenarnya juga merupakan data
(terdiri atas beberapa variabel), panel, kecuali masing-masing
dan sekaligus terdiri atas kelompok dipisahkan
beberapa waktu. berdasarkan objeknya.

Statistika Deskriptif
Pendekatan Efek Tetap (Fixed
Effect)
Analisis Akar Unit

Uji Kointegrasi Pendekatan Efek Random (Random

Effect)
Analisis Regresi
Regresi data panel
Regresi data panel merupakan jenis uji regresi
Tahapan :
yang mempunyai ciri khas tersendiri, yaitu
 Menentukan metode yang tepat apakah
terdapat kombinasi antara data runtut waktu
menggunakan common effect (pooled less
atau time series dan data cross sectional.
square), fixed affect ataukah random effect
Sehingga regresi data panel sering juga disebut
 Analisanya menggunakan Chow test, Hausman
sebagai regresi longitudinal.
test, Lograngian multiplier
 Analisa menggunakan common effect
Quick – estimate equation di panel option
biarkan semua seperti itu
 Lalu simpan
 Fixed Effect
Cara nya sama dengan common effect dalam
cross section pilih fixed effect.
 Setelah sudah keluar hasil pada masing-masing
hasil data common effect, fixed effect langsung
klik tombol view – fixed/random effect testing –
reundaft fixed effect – likelihood ratio
 Baca chow test dibaca di probabilitas cross
section chi-square, jika nilai < 0,05 bisa
digunakan untuk analisa
Statistika Deskriptif
Siapkan data “data1_statistika deskriptif_candra saksama”
Statistika Deskriptif
mean, median, maksimum, minimum, dan standard deviation

15% Penyajian data statistik deskriptif biasanya dalam

bentuk diagram atau tabel. Analisis statistik
20% deskriptif memiliki tujuan untuk menggambarkan
60% atau mendeskripsikan data berdasarkan pada hasil
yang diperoleh dari jawaban responden pada
masing-masing indikator pengukur variabel.

Statistik deskriptif merupakan aktivitas penghimpunan,

penataan, peringkasan dan penyajian data dengan
harapan agar data lebih bermakna, mudah dibaca dan
mudah dipahami oleh pengguna data

Statistik deskriptif hanya sebatas memberikan deskripsi

atau gambaran umum tentang karakteristik objek yang
diteliti tanpa maksud untuk melakukan generalisasi
sampel terhadap populasi

Statistik deskriptif digunakan untuk menjelaskan atau

memberikan gambaran mengenai karakteristik dari
serangkaian data tanpa mengambil kesimpulan umum
(Ghozali, 2016)
Siapkan data excel

3
 4 5

6
7
8
Membuat Grafik
1. Quick, Graph, pilih Line
graph
2. Isikan Variabel
3. Ok
4. Pada Graph Options
(Option pages : Graph
Type-Basic Type, Graph
Type : Basic Graph,
Specific : Line & Symbol)
5. Ok
Menghitung Statistika
Deskriptif
1. Quick, Group Statistics,
Descriptive Statistics,
Common Sample
2. Isikan Variabel
3. Ok

Menjalankan Analisis
Regresi
1. Quick, Estimate Equation
2. Isikan Variabel dengan
tambahan constanta
3. Ok
Hitungan yang digunakan oleh Eviews untuk menampilkan angka-angka
diatas adalah sebagai berikut :

1. Mean adalah rata-rata data, diperoleh dengan menjumlahkan seluruh data

dan membaginya dengan cacah data.
2. Median aalah nilai tengah (atau rata-rata dua nilai tengah bila datanya
genap) bila datanya diurutkan dari yang terkecil hingga yang terbesar.
Median merupakan ukuran tengah yang tidak mudah terpengaruh oleh
outlier, terutama bila dibandingkan dengan mean.
3. Max dan Min adalah nilai paling besar dan nilai paling kecil dari data.
4. Std. Dev. (Standart deviation) adalah ukuran dispersi atau penyebaran data.
5. Skewness adalah ukuran asimetri distribusi data di sekitar mean. Skewness
dari suatu distribusi simetris (distribusi normal) adalah nol. Positive
skewness menunjukan bahwa distribusi datanya memiliki ekor panjang di
sisi kanan dan negative skewness memiliki ekor panajang disisi kiri
6. Kurtosis mengukur ketinggian suatu distribusi. Kurtosis suatu data
berdistribusi normal adalah 3. Bila kurtosis melebihi 3, maka data dikatakan
leptokurtis terhadap normal. Bila kurtosis kurang dari 3, distribusi datanya
datar (platykurtic) dibandingkan dengan data berdistribusi normal.
7. Jarque-Bera adalah uji statistik untuk mengetahui apakah data berdistribusi
normal. Nilai probabilitas menunjukan kemungkinan nilai Jarque-Bera
melebihi (dalam nilai absolut) nilai terobservasi dibawah hipotesis nol. Nilai
probabilitas yang kecil cenderung mengarahkan pada penolakan hipotesis nol
distribusi normal.
Regresi Linear
Siapkan data “Contoh1_regresi linear_candra saksama”
Masalah dalam Analisis Regresi Linier

Multikolinieritas
Multikolinieritas adalah kondisi adanya
hubungan linier antarvariabel independen.
Karena melibatkan beberapa variabel Otokorelasi
independen, maka multikolinearitas tidak akan Otokorelasi adalah hubungan antara residual
terjadi pada persamaan regresi sederhana suatu observasi dengan residual observasi
(yang terdidi ata satu variabel independen dan [Link] lebih mudah timbul pada
satu variabel dependen. data yang bersifat runtut waktu, karena
berdasarkan sifatnya, data masa sekarang
dipengaruhi oleh data pada masa lalu.

Heterokeddastisitas
Asumsi dalam model regresi adalah : (1)
residual memiliki nilai rata-rata nol, (2) residual Normalitas
memiliki varian konstanta, (3) residual suatu
Salah satu asumsi dalam analisis statistika
observasi tidak saling berhubungan dengan
adalah data berdistribusi normal. Dalam
observasi lainnya atau cov, sehingga
analisis multivariat, para peneliti menggunakan
menghasilkan estimator yang BLUE.
pedoman kalau tiap variabel terdiri atas 30
Apabila asumsi (1) tidak terpenuhi, yang
data, maka data sudah berdistribusi normal.
terpengaruh hanyalah slape estimator dan ini
Meskipun demikian, untuk menguji dengan
tidak membawa konsekuensi serius dalam
lebih akurat, diperlukan alat analisis dan
analisis ekonometris. Sedangkan apabila
Eviews menggunakan dua cara, yaitu dengan
asumsi (2) dan (3) dilanggar, maka akan
histogram dan uji Jarque-Bera.
membawa dampak serius bagi prediksi dengan
model yang dibangun.
 Pengaruh Multikolinieritas Menghilangkan Multikolinieritas Pengaruh Heteroskedastisitas Menghilangkan Heterokedastisitas
Apabila model prediksi kita memiliki Ada beberapa alternatif dalam Apa akibatnya apabila residual bersifat Untuk menghilangkan heterokedastisitas, ada
multikolinieritas, akan memunculkan menghadapi masalah multikolinieritas : heteroskedastis ? beberapa alternatif yang dapat dilakukan.
akibat - akibat berikut ini : a. Biarkan saja model mengandung 1. Estimator metode kuadarat terkecil tidak Namun alternatif tersebut sangat tergantung
1. Estimator masih bisa bersifat BLUE, multikolinieritas, karena mempunyai varian yang minimum (tidak kepada ketersediaan informasi tentang varial
tetapi memiliki varian dan kovarian estimatornya masih dapat bersifat lagi best), sehingga hanya memenuhi residual.
yang besar, sehingga sulit dipakai BLUE karakteristik LUE (Liniear unbiased a. Metode WLS (Weighted Least Square).
sebagai alat estimasi b. Tambah datanya bila estimator). Meskipun demikian, estimator Metode ini dapat digunakan apabila
2. Interval estimasi cenderung lebar dan memungkinkan metode kuadrat terkecil masih bersifat linier varian dan residual diketuahui
nilai statistik uji t akan kecil, c. Hilangkan salah satu variabel dan tidak bias b. Metode White. Metode ini diguanakan
sehingga menyebabkan variabel independen 2. Perhitungan standard error tidak dapat lagi apabila varian dan residual tidak
independen tidak signifikan secara d. Transformasikan salah satu (atau dipercaya kebenarannya, karena varian tidak diketahui
statistik dalam mempengaruhi beberapa) variabel, termasuk minimum. Varian yang tidak minimum c. Metode transformasi
variabel independen misalnya dengan melakukan mengakibatkan estimasi regresi tidak efisien
diferensi 3. Uji hipotesis yang didasarkan pada uji t dan
uji F tidak dapat lagi dipercaya, karena
standard error-nya tidak dapat dipercaya
Pengaruh Otokorelasi Menghilangkan Otokorelasi
Apabila data yang kita analisis mengandung  Bila struktur Otokorelasi Diketahui
otokorelasi, maka estimator yang kita dapat diatasi dengan melakukan
dapatkan memiliki karakteristik berikut ini : transformasi terhadap persamaan Normalitas
a. Estimator metode kuadrat terkecil a. Bila struktur Otokorelasi tinggi  Salah satu asumsi dalam analisis statistika adalah data berdistribusi normal. Dalam analisis
masih linier menggunakan Metode Diferensi multivariat, para peneliti menggunakan pedoman kalau tiap variabel terdiri atas 30 data, maka
b. Estimator metode kuadrat terkecil Tingkat Pertama data sudah berdistribusi normal.
masih tidak bias b. Bila struktur Otokorelasi rendah  Dalam EViews menggunakan dua cara, yaitu dengan histogram dan uji Jarque-Bera.
c. Estimator metode kuadrat terkecil tidak menggunakan Metode OLS  Koefisien Jarque-Bera dan Probabilitasnya :
a. Bila nilai J-B tidak signifikan (lebih kecil dari 2), maka data berdistribusi normal.
mempunyai varian yang minimum (no  Bila struktur Otokorelasi tidak
longer best) diketahui dapat diatasi dengan metode b. Bila probabilitasnya lebih besar dari 5% (bila menggunakan tingkat signifikan tersebut), maka
Dengan demikian, seperti halnya pengaruh cochrane-Orcutt (C-O) data berdistribusi normal (hipotesis nolnya adalah data berdistribusi normal)
heterokedastisitas, otokorelasi juga akan
menyebabkan estimator hanya bersifat LUE,
tidak lagi BLUE
 Uji Multikolinearitas
1. Setelah data terinput Klik Quick
2. Pilih Estimate Equations
3. Isikan variabel dengan urutan y x
(disertai spasi)
4. Di output Equation klik view
5. Pilih Coefficient Diagnosis
6. Pilih Variance inflation Factors
 Transformasi data
Jika nilai VIF kurang dari 10 1. Pada Lembar kerja Workfile pilih
berarti tidak ada masalah Genr
2. Pada enter equation tuliskan
multikolinearitas variabel dan fungsi transformasi
data

Menambahkan Beta pada Equation

Estimation
1. Klik Quick
2. Pilih Equation Estimation
3. Tulis urutan sesuai fungsi y c x
Jika nilai VIF kurang dari 10
berarti tidak ada masalah
multikolinearitas
 Uji Heteroskedastisitas
1. Pada Output Equation
2. Klik View
3. Pilih Residual Diagnosis
4. Pilih Heteroskedastisity Test
5. Lalu pada test type silahkan pilih
cara membaa Heterokskedastisitas
6. Dalam Contoh menggunakan
Breusch-Pagan-Godfrey
 nilai p value yang ditunjukkan dengan nilai
Prob. chi square(2) pada Obs*R-Squared.
Nilai p-value harus > 0,05
Jika masih terjadi masalah
heteroskedastisitas bisa dilakukan
dengan memasukan beta dalam
equation estimate dan lalukan proses
selanjutnya
 Uji Otokorelasi 1. Bila nilai DW terletak antara batas atas atau upper bound (du) dan (4-du), maka koefisien
autokorelasi sama dengan nol, berarti tidak ada autokorelasi.
1. Pada Output Equation 2. Bila nilai DW lebih rendah dari pada batas bawah atau lower bound (dl) maka koefisien
autokorelasi lebih besar dari pada nol, berarti ada autokorelasi positif.
2. Lihat pada nilai Durbin-Watson 3. Bila nilai DW lebih besar dari pada (4-dl), maka koefisien autokorelasi lebih kecil dari pada
stat nol, berarti ada autokorelasi negatif.
4. Bila nilai DW terletak diantara batas atas )du) dan batas bawah (dl) atau DW terletak antara
(4-dl), maka hasilnya tidak dapat disimpulkan.

n = 12 k=2

du = 1,54794 Dw = 2,362000
dL = 0,8122

du < d < 4 – du
1,54794 < 2,362000 < 4 – 1,54794
1,54794 < 2,362000 < 2,45206

Disimpulkan
Tidak ada masalah otokorelasi
 Uji Normalitas
1. Pada Output Equation
2. Klik View
3. Pilih Residual Diagnostics
4. Pilih Histogram – Normality Tes

Persyaratan Normalitas :
1. Jika nilai probability < 0.05, maka data tidak
berdistribusi normal.
2. Jika nilai probability > 0.05, maka data
berdistribusi normal.
Dampak dari data yang tidak berdistribusi normal
menyebabkan varians data menjadi tidak homogen. Berikut adalah solusi
apabila data tidak berdistribusi normal Bagaiaman jika data tidak
1. Tambah jumlah data baru (di tambah hingga hasil menunjukkan berdistribusi normal
data berdistribusi normal), usahakan jumlah sampel data lebih dari
30. Lebih dari 30 bukan jumlah total data ya, melainkan jumlah
sampel yang diteliti.
2. Deteksi outler, data yang terjangkit outlier buang
3. ranformasi data ke dalam
bentuk log atau ln (jika transformasi melalui eviews hasilnya masih
tetap, lakukan transformasi di microsoft excel)
4. jika hasil tetap tidak normal, ganti analisis dengan non
parametrik (uji non parametrik tidak mensyaratkan
pengujian normalitas)
5. bila jumlah sampel observasi data lebih 30 dan ternyata data
tidak normal maka biarkan saja. Gunakan pendapat central
limit theorem yg menyatakan bahwa data yang memiliki jumlah
sampel lebih dari 30 maka dianggap normal. Mengapa ? Karena
uji normalitas pada dasarnya diperuntukkan untuk data yang
memiliki sampel kecil. Untuk data dengan jumlah sampel besar
dianggap normal.
 Uji F – Cara baca hasil regresi EViews

1. Uji F merupakan uji statistik yang bertujuan untuk mengetahui pengaruh seluruh variabel
bebas secara bersama-sama (Simultan) terhadap variabel terikat. Dalam EViews, output uji F
2 dapat dilihat pada point 1 yaitu F-statistic dan/atau Prob(F-statistic)./
4 2. F-statistic disebut pula sebagai Fhitung, sedangkan Prob(F-statistic) disebut pula p-value
3. Jika p-value menyatakan H0 ditolak dan Ha diterima, maka sudah pasti pada uji F-statistic
memberikan kesimpulan yang sama
4. Jika Anda menggunakan F-statistic, maka Anda harus membadingkan F-statistic tersebut
dengan Ftabel (didapatkan pada Tabel F) :
3 • Jika Fhitung < Ftabel maka H0 diterima dan Ha ditolak.
• Jika Fhitung > Ftabel maka H0 ditolak dan Ha diterima.
5. Jika Anda menggunakan p-value, maka Anda harus membandingkan p-value dengan tingkat
signifikansi atau α (ditentukan oleh peneliti dan pada penelitian ekonomi dan bisnis, umumnya
1 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.
• Contoh : p-value < α (0.000000 < 0.05) dengan demikian, H0 ditolak dan Ha diterima

Uji t – Cara baca hasil regresi EViews Koefisien Determinasi – Cara baca hasil regresi EViews

1. Uji t merupakan uji statistik yang bertujuan untuk mengetahui 1. Uji Koefisien Determinasi merupakan uji untuk mengetahui berapa
pengaruh variabel bebas secara individual (parsial) terhadap besar pengaruh seluruh variabel bebas terhadap variabel terikat.
variabel terikat. Output uji t pada EViews dapat dilihat 2. Penggunaan Adjusted R-squared dilakukan apabila dalam
pada point 2, yaitu t-Statistic dan Prob. penelitian model regresi mengalami modifikasi seperti penambahan
2. Jika Anda menggunakan t-Statistic, maka Anda harus dan/atau pengurangan variabel bebas (dengan asumsi yang tepat
membandingkan t-Statistic tersebut dengan t tabel (didapatkan pada seperti apabila terjadi masalah multikolinearitas dalam model
Tabel t). regresi).
• Jika thitung < ttabel maka H0 diterima dan Ha ditolak.
• Jika thitung > ttabel maka H0 ditolak dan Ha diterima.
3. Jika Anda menggunakan p-value, maka Anda 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
• Contoh p-value < α (0.0000 < 0.05), maka H0 ditolak dan
Ha diterima.
Model Regresi Linear EViews

1. Yang terakhir adalah menyusun model persamaan regresi

linear. Output model regresi pada Eviews dapat dilihat pada point 4. Model
regresi pada penelitian ini dapat disusun menggunakan persamaan
regresi berikut: 4
PENDAPATAN= α + β1 PENJUALAN
α
2. Sehubungan model regresi telah mengalami transformasi data
menggunakan logaritma natural maka persamaan regresi berubah ᵝ1
menjadi:
ln(PENDAPATAN) = α + β1 ln(PENJUALAN)
3. Sehingga persamaan regresi pada contoh ini :
ln(PENDAPATAN) = 0,443827 + 0,326583 ln(PENJUALAN)

Interpretasi Model Regresi EViews

1. α = 0,443827, artinya apabila Penjualan sebesar o, maka
Pendapatan sebesar 0,443827 (positif signifikan lihap p-value)
2. β1 = 0,326583, artinya degan asumsi Penjualan tetap, maka setiap
peningkatan sebesar 1% akan menaikan Pendapatan sebesar
0.326583%
 Setelah lolos masalah – masalah yang ada di analisa regresi,
dilanjutkan dengan menganalisa regresi linear itu sendiri
Dependent Variable: LABA Uji t (parsial) Baca dengan p-value signifikansi 0,05
Method: Least Squares
Date: 04/29/23 Time: 21:20 • Jika thitung < ttabel maka H0 diterima dan Ha ditolak. Pada output p-value menunjukan angka :
Sample: 2001 2004 • Jika thitung > ttabel maka H0 ditolak dan Ha diterima. • Penjualan 0,9350 > 0,05
Included observations: 4 • Jika p-value > α, maka H0 diterima dan Ha ditolak. • Biaya_Iklan 0,6088 > 0,05
• Jika p-value < α, maka H0 ditolak dan Ha diterima Diartikan bahwa tidak ada pengaruh secara parsial antara
Variable Coefficient Std. Error t-Statistic Prob. variabel independen terhadap variabel dependen

C 65.95315 110.1212 0.598914 0.6565

PENJUALAN -0.024118 0.235245 -0.102521 0.9350
BIAYA_IKLAN 0.222564 0.315368 0.705727 0.6088

R-squared 0.762117 Mean dependent var 63.91667 Seberapa pengaruhnya variabel

Adjusted R-squared 0.286351 S.D. dependent var 2.767202 independen terhadap variabel
S.E. of regression 2.337670 Akaike info criterion 4.649892 dependen dalam (%)
Sum squared resid 5.464702 Schwarz criterion 4.189613
Log likelihood -6.299785 Hannan-Quinn criter. 3.639844
F-statistic 1.601873 Durbin-Watson stat 2.362000
Prob(F-statistic) 0.487733

Uji F (Simultan) Baca dengan p-value signifikansi 0,05

• Jika Fhitung < Ftabel maka H0 diterima dan • Pada output p-value (prob (F-Statistic))
Ha ditolak. menunjukan angka 0,487733 dimana
• Jika Fhitung > Ftabel maka H0 ditolak dan 0,487733 > 0,05 menunjukan bahwa ttidak
Ha diterima. terdapat pengaruh signifikansi antara
• Jika p-value > α, maka H0 diterima dan variabelindependen terhadap variabel
Ha ditolak. dependen secara simultan atau bersama-sama
• Jika p-value < α, maka H0 ditolak dan
Ha diterima.
 Kalau ada moderasi bagaimana ?
• Jika ada Moderasi, siapkan excel yang akan di running
• Contoh Kerangka konseptual dibawah ini :

• Diexcel di setiap variabel di kalikan dengan moderasi

• Lakukan sama dengan analisa regresi masukan semua variabel termasuk variabel bebas yang dikalikan moderasi
• Intepretasi tinggal cek nilai probabilitas
Regresi Variabel
Kategorik
Siapkan data “data2_kategorikal_candra saksama”
 Analisis Regresi dengan Variabel Kategorik

Selain dengan data kuantitatif, analsisi regresi juga dapat dilakukan terhadap data kualitatif.
Data kualitatif adalah data yang tidak bersifat numerik, tetapi agar dapat diolah dan
dihitung,harus diubah dulu ke dalam bentuk angka.
Disebut katogori data karena angka menunjukan kategori data
Disebut data dikotomis karena membagi observasi ke dalam beberapa klasifikasi
Disebut data dummy karena datanya bukan merupakan data sesungguhnya, tetapi hanya
representasi, misalnya status kawin diwakili dengan angka 1, tetapi angka 1 tidak selalu
berarti statusnya kawin, karena bisa saja angka 1 berarti pria)

Tidak dapat
Dependen
Independen
Variabel
Kategorik
Dengan regresi OLS

OLS
Variabel Kategorik dalam variabel independen
Probabilitas Linier
Model probabilitas linier (linier
probability model, sering disebut LPM)
digunakan untuk menganalisis variabel
dependen yang bersifat kategorik dan
variabel independen yang bersifat non
kategorik

Model Logit
Model logit (logit regression) adalah
model regresi yang digunakan untuk
menganalisis variabel dependen
dengan kemungkinan diantara 0 dan 1.
Model ini memperbaiki kelemahan Model Tobit
analisis regresi model LPM. Model logit
Jika variabel dependennya ada yang
dapat ditetapkan pada kondisi yang
terbatas, sehingga disebut dengan
berbeda, tergantung pada datanya.
model sensor atau censored model
Dua jenis analisis logit tersebut
diperlukan anlisis tobit. Karena
adalah : (1) data individual (atau level
menggunakan data yang terbatas
mikro) dan (2) data kelompok atau
sering disebut juga limited dependent
replika
variable regression model.
Model Probit
Model probit merupakan
pengembangan dari model logit. Model
ini juga sering disebut dengan model
normit atau normal equivalent deviate
disingkat ned. Model ini ditetapkan
pada kondisi yang berbeda prbit untuk
data individual dan probit untuk data
kelompok
Y = 1 kalau mempunyai rumah, 0 kalau tidak
X = gaji per bulan (dalam jutaan rupiah)

Logit dengan data individual

Model logit adalah model regresi yang digunakan untuk

menganalisis variabel dependen dengan kemungkinan di
antara 0 dan 1.

1. Klik menu Quick

2. Pilih Estimate Equation Dependent Variable: Y
Method: ML - Binary Logit (Newton-Raphson / Marquardt steps)
3. Isikan y c x pada persamaan regresi
Date: 04/29/23 Time: 23:57
4. Pada pilihan method, pilih BINARY Sample: 1 120
Included observations: 120
5. Pada pilihan Binary estimation method, pilihlah Convergence achieved after 4 iterations
dengan mengklik logit
1. Nilai statistik t tidak berlaku dalam model logit
Coefficient covariance computed using observed Hessian

karena probabilitas di kisaran 0 dan 1. Variable Coefficient Std. Error z-Statistic Prob.
Digunakan nilai statistik z dimana menunjukan
C -5.923489 1.926793 -3.074274 0.0021
nilai mutlak 2.8 yang berarti signifikan X 0.118460 0.041709 2.840135 0.0045

2. Nilai koefisien determinasi menunjukan angka McFadden R-squared 0.070584 Mean dependent var 0.358333
S.D. dependent var 0.481521 S.E. of regression 0.455873
0.070 atau 7% dimana nilai tergolong rendah, Akaike info criterion 1.246134 Sum squared resid 24.52274
mungkin karena sampel yang digunakan terlalu Schwarz criterion 1.292592 Log likelihood -72.76803
sedikit Hannan-Quinn criter. 1.265001 Deviance 145.5361
Restr. deviance 156.5888 Restr. log likelihood -78.29439
LR statistic 11.05271 Avg. log likelihood -0.606400
Prob(LR statistic) 0.000886

Obs with Dep=0 77 Total obs 120

Obs with Dep=1 43
AR, MA, ARMA, ARIMA

Siapkan data “data3_saham_candra saksama”

Pada metode regresi korelasi, peneliti menggunakan dua variabel atau lebih dan mencari
pengaruh satu atau beberapa variabel terhadap variabe yang lain. Dalam dunia ekonomi,
dikenal juga data runtut waktu (time series), yang diduga memiliki karakteristik tertentu,
sehingga nilainya berfluktuasi. Contoh harga saham hari ini sangat dipengaruhi oleh harga
saham pada hari kemarin, atau pada hari-hari sebelum kemarin. Demikian juga harga
saham hari ini, akan mempengaruhi harga saham besok. Data seperti ini, yaitu yang terdiri
atas suatu objek dan terdiri atas beberapa periode waktu, disebut runtut waktu atau time
series. Analisis terhadap data runtut waktu disebut dengan analisis runtut waktu atau time
series analysis

Model Asumsi
Autoregressive (AR) Data periode sekarang dipengaruhi oleh data pada
periode sebelumnya
Moving Average (MA) Data periode sekarang dipengaruhi oleh nilai residual
data periode sebelumnya
Autoregressive Moving Average (ARMA) Data periode sekarang dipengaruhi oleh data pada
periode sebelumnya dan juga oleh nilai residual data
periode sebelumnya
Autoregressive Integrated Moving Average Mirip dengan ARMA, kecuali data harus didiferen
(ARIMA) dulu. Diferen inilah yang membedakan ARMA
dengan ARIMA
 Uji Stationeritas
Model Otoregresif (Autoregresif / AR
1. Lakukan seperti mengimpor data pada
umumnya
2. Pada excel read basic structure pilih
dated-regular frequency
3. Frequency/date specification pilih daily (5
day weeks)
4. Isi start date
5. Finish
6. Lalu open as a group untuk harga_saham
dan tanggal
7. Klik view
8. Pilih correlogram
 14,000,000
Output uji stationeritas
12,000,000

Date: 04/30/23 Tim e: 00:53 10,000,000

Sam ple: 1/02/1990 9/09/1999
Included obs ervations : 2528
8,000,000
Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.947... 0.947... 2271.5... 0 6,000,000

2 0.926... 0.284... 4446.0... 0
3 0.919... 0.234... 6588.8... 0
4 0.916... 0.181... 8718.6... 0 4,000,000
5 0.920... 0.213... 10866.... 0
6 0.907... -0.02... 12954.... 0
7 0.896... 0.004... 14993.... 0 2,000,000
8 0.898... 0.114... 17041.... 0
9 0.899... 0.087... 19094.... 0
1... 0.905... 0.143... 21177.... 0 0
1... 0.895... -0.03... 23213.... 0 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
1... 0.888... 0.021... 25221.... 0
1... 0.889... 0.042... 27232.... 0
1... 0.887... 0.018... 29237.... 0 Harga_saham Tanggal
1... 0.887... 0.018... 31239.... 0
1... 0.880... 0.000... 33214.... 0
1... 0.877... 0.035... 35175.... 0
1... 0.879... 0.043... 37146.... 0
1... 0.886... 0.124... 39151.... 0
2... 0.884... 0.001... 41146....
2... 0.873... -0.07... 43092....
0
0
1. Grafik otokorelasi pada lag pertama berada diluar garis
2... 0.866... -0.03... 45010....
2... 0.871... 0.064... 46950....
0
0
bartlett
2... 0.877... 0.080... 48918.... 0 2. Nilai koefisien otokorelasi (lihat kolom AC) besar, yaitu
2... 0.874... 2.605... 50872.... 0
2... 0.863... -0.04... 52780.... 0 0,947 dan kemungkinan -1 hingga +1 dan menurun secara
2... 0.860... -0.00... 54672.... 0
2... 0.862... 0.016... 56576.... 0 perlahan
2... 0.869... 0.051... 58509.... 0
3... 0.865... -0.00... 60426.... 0 3. Terlihat pada grafik garis (View, Graph, Line) apabila
3... 0.858... 0.007... 62313.... 0
3... 0.855... 0.006... 64190.... 0 hasilnya cenderung tidak mendatar, maka data tidak stationer
3... 0.859... 0.038... 66084.... 0
3... 0.863... 0.030... 67995.... 0
3... 0.852... -0.09... 69860.... 0
3... 0.842... -0.05... 71683.... 0
 Null Hypothesis: Unit root (individual unit root process)
Uji Akar Unit (Unit Root Test) Series: HARGA_SAHAM, TANGGAL
Date: 04/30/23 Time: 01:24
Sample: 1/02/1990 9/09/1999
1. Klik view Exogenous variables: Individual effects, individual linear trends
2. Pilih Unit Root Test Automatic selection of maximum lags
3. Test type pilih individual root- Automatic lag length selection based on AIC: 22 to 23
Total number of observations: 5007
fisher-ADF Cross-sections included: 2
4. Tes for unit root ini pilih first
difference Method Statistic Prob.**
5. Include in test equation pilih ADF - Fisher Chi-square 367.074 0.0000
ADF - Choi Z-stat -18.7212 0.0000
individual intercpt and trend
6. Lag length pada automatic ** Probabilities for Fisher tests are computed using an asymptotic Chi
selection pilih akaike info -square distribution. All other tests assume asymptotic normality.
criterion Intermediate ADF test results D(GROUP02)

Series Prob. Lag Max Lag Obs

D(HARGA_SAHA... 0.0000 22 26 2504
D(TANGGAL) 0.0000 23 26 2503

Perhatikan pada jendela Group. Prob. seluruh variabel lebih kecil daripada α (0.05),
dengan demikian dapat disimpulkan bahwa pada tingkat 1st difference (First Difference)
data penelitian stasioner. Namun jika hasil uji stasioner pada tingkat first difference data
tetap tidak stasioner, maka dilanjutkan dengan uji pada tingkat 2nd Difference (Second
Difference).
 Dependent Variable: HARGA_SAHAM
Analisis AR(1) Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 04/30/23 Time: 01:33
Sample: 1/02/1990 9/09/1999
Included observations: 2528
1. Buka tampilan harga_Saham Convergence achieved after 11 iterations
2. Klik Quick Coefficient covariance computed using outer product of gradients

3. Pilih Estimate Equation Variable Coefficient Std. Error t-Statistic Prob.

4. Isikan persamaan (harga_saham c ar(1)
C 3838734. 320269.8 11.98594 0.0000
5. Ok AR(1) 0.947373 0.005168 183.3235 0.0000
SIGMASQ 4.98E+11 6.64E+09 74.90971 0.0000

R-squared 0.897859 Mean dependent var 3855228.

Adjusted R-squared 0.897778 S.D. dependent var 2207664.
S.E. of regression 705839.1 Akaike info criterion 29.77425
Sum squared resid 1.26E+15 Schwarz criterion 29.78117
Log likelihood -37631.65 Hannan-Quinn criter. 29.77676
F-statistic 11097.82 Durbin-Watson stat 2.538447
Prob(F-statistic) 0.000000

Inverted AR Roots .95

Hasil dari analisis diatas

1. Nilai koefisien c sebesar 3838734 , dengan

probabilitas 0.000 < 0,05
2. Nilai koefisien AR sebesar 0,947373, dengan
nilai probabilitas 0,000 < 0,05
3. Maka model ini dapat di gunakan
ARCH dan GARCH
Digunakan apabila masih terdapat masalah otokorelarsi,
heterokedastisitas dan normalitas
 1. Salah satu asumsi yang mendasari estimasi dengan metode
01
ARCH OLS adalah residual harus terbebas dari otokorelasi. Selain
otokorelasi, asumsi lain yang sering digunakan adalah
variabel pengganggu atau residual yang bersifat konstan

02
GARCH
dari waktu ke waktu. Apabila residual tidak bersifat konstan
maka terkandung masalah heteroskedastisitas
2. Jika tetap menggunakan analisis OLS, sudah pasti analisis
tidak dapat dilanjutkan, karena koefisien yang diperoleh
tidak bersifat BLUE. Sebagai jalan keluar, kini telah ada
model yang khusus digunakan untuk menghadapi kondisi
seperti ini dikenal dengan ARCH
3. ARCH singkatan dari AutoRegressive Conditional
Heteroskedasticity. Dalam perkembangannya, muncul
variasi dari model ini, yang dikenal dengan nama GARCH,
singkatan dari Generalized AutoRegressive Conditional
Heteroscedasticity.
 OLS (Ordinary Least Squares) WLS (Weighted Least Squares)

1. Quick – Estimate Equation 1. Pada kertas kerja OLS apabila data masih
2. Masukan persamaan sesuai urutan y c x bersifat heteroskedastisitas dilanjutkan
3. Jika koefisien masih tidak signifikan dengan metode WLS
maka dilanjut dengan cara dibawah : 2. Klik estimate
a. Klik View 3. Klik Option lalu klik wighted LS/TSLS
b. Klik residual test 4. Isi item weight dengan variabel x1
Apabila teknik OLS dan WLS belum
c. Pilih white heteroskedasticity (with cross 5. Klik ok
dapat dipakai sebagai model yang
term) baik maka akan digunakan
GARCH(1,1)

GARCH (1,1) ARCH-M

Menggunakan variabel pengganggu Memasukan standar deviasi sebagai

variabel independen

1. Tampilkan layar untuk memasukan 1. Klik menu Quick

persamaan 2. Pilih Estimate Equations
2. Pada isian method pilihlah ARCH 3. Masukan persamaan sesuai urutan y
3. Klik ok cx
4. Pilih Method : ARCH
5. Klik pilihan [Link] pojok kanan atas
6. Klik Option lalu aktifkan pilihan
coefficient covariance
7. Klik ok
Moderator Variabel Z
Untuk menguji keberadaan z apakah benar 1. Pada excel kalikan antara variabel x dengan
sebagai pure moderator, quasi moderator atau variabel z
bukan variabel moderating sama sekali, dapat 2. Lalu pada workfile lakukan 3 tahap dan
diamati dengan kriteria sebagai berikut : menghasilkan 3 output
1. Quasi Moderator, apabila pengaruh z 3. Pilih x dan y klik kanan as group equation
terhadap y pada output pertama tidak pilih fixed (simpan output)
signifikan dan pengaruh interaksi z*x1 4. Pilih y x1 z as group equation pilih fixed
pada output kedua signifikan. Hasilnya (simpan outpu)
pure moderator 5. Pilih y x1 z x1.z as group equation pilih
2. Quasi Moderator, apabila pengaruh dari z fixed (simpang output)
dan y pada output pertama dan pengaruh
interaksi z*x1 pada output kedua-duanya
signifikan
3. Prediktor Moderasi, apabila pengaruh dari
z dan y pada output pertama signifikan
dan pengaruh interaksi z*x1 pada outpu
kedua tidak signifikan. Hasilnya pure
moderator
4. Bukan moderator, apabila pengaruh dari z
terhadap y pada output pertama dan
pengaruh interaksi z*x1 pada output
kedua, tidak ada satupun yang signifikan.
THANK YOU
Insert the Subtitle of Your Presentation