Asumsi Klasik

            Assalamu'alaikum Warahmatullahi Wabarakatuh...

Oke disini saya akan meng upgrade tulisan saya mengenai materi-materi yang mungkin terdengar jarang terdengar di telinga Anda, setelah menulis pengalaman saya tentang sosialisasi juga membahas bagian-bagian apa saja dalam ekonometrika,kali ini kita akan membahas tema yang tidak jauh dari maeri sebelumnya, materi yang akan saya bawakan kali ini adalah mengenai "UJI KONSUMSI KLASIK " dan ketika saya menulis kata tersebut, tentu saja Anda bertanya-tanya dalam fikiran Anda, apakah maksudnya? Benar ya? Nah, untuk itu akan saya berikan pehaman kepada Anda semua mengenai uji konsumsi klasik tersebut, dan langsung saya berikan contoh beserta tutorial dalam mengunakan E-views nya.Okke?

Lets check it out

Biasanya, penggunaan model regresi OLS mensyaratkan pemenuhan beberapa asumsi, baik itu asumsi Klasik, Gauss ataupun Markov.dan jika Asumsi terpenuhi, maka parameter yang diperoleh dengan OLS adalah bersifat Best Linier Unbiased Estimator(BLUE) ,Pada praktiknya satu atau lebih asumsi tersebut tidak dapat dipenuhi ,pelanggaran asumsi klasik yang sering terjadi yakni Autolorelasi, heterokedastisitas dan juga multikolinearitas.

Cara mencari Uji Asumsi Klasik

• Persyaratan statistic 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 (contohnya regresi logistic atau regresi ordinal).
• Analisis regresi sederhana memerlukan uji multikolinearitas dan analisis regresi dengan data cross Sectional tidak memerlukan uji autokorelasi

Ternyata ada 5 uji Asumsi Klasik, apa-apa sajakah itu?

Ini dia =>

Normalitas

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

Multikolinearitas

Melihat ada atau tidaknya korelasi yang tinggi antar variabel -- variabel bebas dalam suatu model regresi.

Heteroskedastisitas

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

Autokorelasi

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

Linearitas

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)

Sebagai contoh, variable yang digunakan adalah

Y = Konsumsi ayam perkapita

X1 = pendapatan riil perkapita

X2 = harga aya 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.

Sedangkan fungsi permintaan nya adalah :

  = b1+b 2X 1+b 3X2+b 4X3+b 5X4+ e

            Dan untuk mempermudah pemahaman Anda, saya akan tuliskan tutorial mengerjakannya dengan menggunakan e-views. Dan Anda bisa mempraktekannya dirumah.

Y
X1
X2
X3
X4

27.8
397.5
42.2
50.7
78.3
1961
29.9
413.3
38.1
52
79.2
1962
29.8
439.2
40.03
54
79.2
1963
30.8
459.7
39.5
55.3
79.2
1964
31.2
492.9
37.3
54.7
77.4
1965
33.3
528.6
38.1
63.7
80.2
1966
35.6
37.8
39.3
69.8
80.4
1967
36.4
624.6
37.8
65.9
83.9
1968
36.7
666.4
38.4
64.5
85.5
1969
38.4
717.8
40.1
70
93.7
1970
40.4
786.2
38.6
73.2
106.1
1971
40.3
843.3
39.8
67.8
104.8
1972
41.8
911.6
39.7
79.1
114
1973
40.4
931.1
52.1
95.4
124.1
1974
40.7
1021.1
48.9
94.2
127.6
1975
40.1
1165.9
58.3
123.5
142.9
1976
42.7
1349.6
57.9
129.9
143.6
1977
44.1
1449.4
56.5
117.6
139.2
1978
46.7
1575.5
63.7
130.9
165.5
1979
50.6
1759.1
61.6
129.8
203.3
1980
50.1
1994.2
58.9
128
219.6
1981
52.7
2258.1
66.4
141
221.6
1982
52.9
2478.7
70.4
168.2
232.6

                                                                                                                       

                 Tutorial mengerjakan di E-views..

Buka e-views

Klik create a new eviews workfile

Workfile structure type pilih dates-regular frequency

Kemudian workfile names (optimal) dan klik nama pilihan Anda di WF (eq.lat1)

Selanjutnya date Specification frequency nya pilih annual

Start date nya isi 1960 dan end date 1982

7.   Klik Ok

8.   Kemudian klik object=> new object => Series,name for object nya tulis y dan klik OK.dan seterusnya copy paste dang anti namanya menjadi x1,x2,x3 dan x4

9. tekan ctrl tahan, kemudian klik y,x1,x2,x3,x4 kemudian klik kanan pilih open=> as group kemudian data yang diatas tadi di copy kan ke file eviews

10. Lakukan hal yang sama seperti yang diatas, kemudian klik kanan=> as equation dan klik OK

11. Setelah itu hasil yang akan muncul seperti berikut :

 

Dependent Variable: Y

Method: Least Squares

Date: 11/18/17   Time: 13:50

Sample: 1960 1982

Included observations: 23

Variable
Coefficient
Std. Error
t-Statistic
Prob.

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
C
36.30322
3.867471
9.386812
0.0000

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

• Setelah itu jendela Equation akan otomatis berubah menjadi output Histogram Normality
• Test.

12. kemudian klik view,pilih residual  diagnostics,klik Heteroskedasticity Tests,muncul jendela Heteroskedasticity Tests dan pilih Test Type, kemudian pilih Uji Glejser dan klik OK

 Dan kalau Anda mau mengetahui persamaan uji Heteroskedasticity ini, maka klik View,pilih representations, dan dapatlah gambar dibawah ini..

Estimation Command:

=========================

LS Y X1 X2 X4 X3  C

Estimation Equation:

=========================

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

Substituted Coefficients:

=========================

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

Terlihat begitu ,udah bukan? Segera lakukan dirumah ya??

Dan saya akan mempersentasikan , hasil eviews dibawah ini..

Dependent Variable: Y

Method: Least Squares

Date: 11/18/17   Time: 13:50

Sample: 1960 1982

Included observations: 23

Variable
Coefficient
Std. Error
t-Statistic
Prob.

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
C
36.30322
3.867471
9.386812
0.0000

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

• Uji F = 0.000
• Probabilitas nya pada X1 = 0.518
• ,X2=0.001
• X3=0.0015
• X4=0.0294
• R-Squared nya 0.920690
• Adjusted Squared=0.912342

Dan ternyata probability nya adalah 0.416904, Karena probability nya lebih besar dari maka hasilnya adalah berdistribusi normal.Terima kasih atas waktunya.semoga bermanfaat.

Assalamualaiikum warahmatullahi wabarakatuh.