[Tutorial Eviews] Cara Input Data panel Alternatif

Cara Input Data Alternatif (Tersedia versi VIDEO disini)

Terimakasih sebelumnya saya sampaikan kepada teman-teman yang sudah membaca blog saya. Bahkan, ada yang sampai menyatakan via email, untuk dibukukan saja. Wah, itu mah maunya saya juga (tapi belum ada tawaran…hahaha..). Saya apresiasi sekali atas sumbangan komentar baik itu yang langsung di blog ini maupun langsung via email. Semoga semua hal tersebut dapat membangun blog ini menjadi lebih baik ke depannya. Terimakasih.

Mengapa Cara ini Alternatif?

Pada penulisan kali ini, saya akan coba memberikan cara input data alternative pada eviews (bagi yang belum membaca cara input data panel yangbiasa saya lakukan). Saya menyatakan cara ini alternatif karena memang cara ini jarang saya lakukan (Subjektif memang..hehe). Namun, sebenarnya inilah cara konvensional atau yang dapat berlaku secara umum input data di Eviews. Postingan ini saya tampilkan karena banyak teman-teman yang menyatakan bahwa cara yang biasa dilakukan tidak berhasil pada mereka. Dan, juga ada kebutuhan untuk analisis lebih lanjut yang butuh input data seperti ini. Let’s check it out =D

Tahapan Input Data

1.      Seperti biasa, Bukalah program Eviews anda

2.      File>New>Workfile

3.      Kemudian pada pilihan workfile Structure, tentukan jenis data yang anda miliki.

Undated untuk data cross section

Dated untuk data time series

Balanced Panel untuk data panel

Disini saya akan coba input data panel, karena tidak lazimnya input data panel disini, makanya saya sebut cara ini cara alternative. Isian Frequency saya annual berarti saya menggunakan data tahunan 2009-2011 dengan number of cross nya 33 unit. Ok.

4.      Kemudian Pada workfile yang terbentuk, pilih object. Pada pilihan Object>New object.

5.     Pilih Type of object series, dan tuliskan nama variable yang akan dibuat misalnya X1

 6.      Lakukan berulang kali tahapan tadi hingga terbentuk sesuai jumlah variable yang kita inginkan. Disini saya membentuk variable X1, X2, X3 dan Y.

7.      Kemudian Bloklah variable yang telah dibentuk (bisa menggunakan Ctrl+klik ataupun tahan shift nya). Kemudian klik kanan open>as group

8.      Akan munculah bentuk struktur database yang kita miliki (Oh ya, urutan database saya x1 y x2 x3 karena saya menggunakan ctrl dan membloknya sesuai urutan pada table Excell yang saya miliki). Setelah urutannya sesuai klik edit+/-

9.      Lalu bukalah file Excell yang anda miliki. Copy data nya saja, tidak perlu identifikasi dan tahunnya.

10.  Kemudian paste di workfile Eviews nya. Jadilah data kita dalam Eviews. Namun perlu diperhatikan, file Excell komanya menggunakan (.) dan tidak ada pemisahan ribuannya.

11.  Lalu close group dan tidak perlu di save.

12.  Pastikan data yang anda input telah benar dengan memilih salah satu variable, misal : x1.

Mengapa harus repot-repot seperti ini?

Tentu anda bertanya-tanya, saya memiliki cara lebih cepat, lebih ampuh, namun mengapa menggunakan cara input seperti ini?. Tapi, percayalah teman, cara ini sangat powerful. Gak percaya. Baiklah akan saya coba tunjukkan.

Estimasi Data Panel.

Untuk etimasi data panel, cara yang kita gunakan sedikit berbeda. Tentu teman-teman ingat, saya selalu menekankan untuk data panel selalu bermain di pool. Namun, untuk input data seperti ini, cara estimasinya adalah sebagai berikut.

1.      Pilih Quick > Estimate Equation

2.      Tulislah spesifikasi modelnya missal : y x1 x2 x3 (INGAT! Sekarang kita gak pakai tanda tanya lagi lho…=D ). Pada Tab Panel options, tentukanlah apakah model fixed, random atau bagaimana bentuk modelnya.

3.      Dan hasilnya boleh di check. SAMA. =D.

4.      Oh ya, satu hal penting lagi yang luar biasa dari input seperti ini adalah kemampuan untuk mengestimasi dengan berbagai macam cara, misalnya GMM, TOBIT dan lain sebagainya. Check it Out.

Saya belum membuktikan dengan metode lainnya, apakah hasil yang diperoleh sama dengan STATA. Namun, saya sedang mengujinya. Jika hasilnya benar, tentu input hal ini bisa menjadi kekuatan dahsyat yang dimiliki Eviews. Selamat mencoba. Terimakasih. –Ferdi—

Read more »

Pengujian Asumsi Klasik: Normalitas

Untuk membangun persamaan regresi yang terbaik dari kriteria ekonometrika, perlu dilakukan pengujian dan penanganan pada masalah-masalah yang berkaitan dengan pelanggaran asumsi dasar. Berikut ini adalah asumsi-asumsi yang perlu dipenuhi dalam analisis regresi.

1.      Normalitas

2.      Non-Autokorelasi

3.      Homoskedastisitas

4.      Non-Multikolinearitas

Pada postingan kali ini saya akan coba menyampaikan tentang asumsi klasik : Normalitas. Pemeriksaan normalitas dilakukan untuk mengetahui apakah residual berdistribusi normal atau tidak. Menurut Gujarati (1978) estimasi pada OLS merupakan fungsi linear dari residual. Oleh karena itu distribusi peluang dari hasil estimasi akan tergantung pada asumsi yang dibuat mengenai distribusi peluang residual-nya. Distribusi peluang dari penduga diperlukan untuk menguji hipotesis dan penarikan kesimpulan, sehingga peran pengujian residual diasumsikan berdistribusi normal menjadi penting sekali.

Pemeriksaan kenormalan terhadap residual dapat dilakukan menggunakan plot persentil-persentil (P-P Plot). Jika plot mengikuti garis lurus, maka residual mengikuti sebaran normal. Pengujian terhadap asumsi kenormalan ini juga dapat dilakukan dengan uji Kolmogorov-Smirnov yang merupakan uji Goodness of Fit. Uji Kolmogorov Smirnov merupakan pengujian mengenai derajat kesesuaian antara distribusi kumpulan nilai observasi dengan beberapa distribusi teoritis tertentu. Uji ini melibatkan penentuan distribusi kumulatif yang akan terjadi menurut distribusi teoritis yang telah ditentukan dan perbandingan distribusi tersebut dengan distribusi kumulatif nilai amatan.

Hipotesis yang digunakan pada pengujian kenormalan adalah: 

Read more »

[DISKUSI] : Mengapa Adjusted R-Square Model Fixed effect sangat besar?

Pernah lihat situasi dimana Adjusted R-squared dari model regresi dengan menggunakan data panel anda sangat besar?? Hingga mencapai 0,9999 atau 99,99 persen?? Apa maknanya?? Apa itu baik untuk model anda?? Atau justru sangat berbahaya terhadap interpretasi atau pemaknaannya??

Berbahaya?? Apa bahayanya memiliki Adjusted R-Squared yang sangat besar bahkan mendekati 0,9999?? Oh iya, sebelumnya Adjusted R-squared nilainya berkisar dari 0 hingga 1. Dimana semakin mendekati 1, maka menunjukkan variabel penjelas (X) yang kita miliki semakin baik menjelaskan variasi dari variabel respon (Y). Contoh : Adjusted R-squared modelnya adalah 0,8579. Maka dapat disampaikan bahwa 85,79 persen variasi yang terjadi pada variabel Y dapat terjelaskan oleh variabel X yang dimiliki, sedangkan sisanya dapat dijelaskan oleh variabel lain.

Back to the topic, bagus dong Adjusted R-squared nya besar, artinya variabel penjelas (X) yang dimiliki model sangat mampu menjelaskan variasi yang terjadi pada variabel respon (Y) nya. Jadi kalau 99,99 persen sudah mampu terjelaskan, berarti tidak butuh variabel tambahan lain dong?? WOW…Luar biasa…Apa benar demikian?? Ciyus?? Hoho…melalui tulisan singkat saya ini saya akan coba menyampaikan sebuah pandangan baru terhadap nilai Adjusted R-squared yang sangat besar tersebut.

Dengan menggunakan data panel, maka konsekuensi yang harus kita lalui pertama sekali adalah tahapan pemilihan model estimasi. Nah, misalkan terpilih model estimasi terbaik adalah model fixed effect. Pada modelfixed effect, terdapat individual effect yang berkorelasi dengan variabel penjelasnya untuk mengakomodir heterogenitas yang terjadi antar individu ataupun cross-nya. Setiap efek individu tersebut merupakan parameter yang tidak diketahui dan akan diestimasi dengan menggunakan teknik variabel dummy (LSDV).

Implikasi dari pengestimasian efek individu tersebut adalah tentu saja R-Squared modelnya jadi membesar. Menurut apa yang saya amati, pengakomodasian heterogenitas antar individu dengan pengestimasian efek individunya (penggunaan fixed effect model) menyebabkan model estimasi yang terbentuk dapat menghasilkan dugaan yang tidak jauh berbeda dengan observasinya. Tapi perlu diingat bahwa, Adjusted R-squared yang dihasilkan pada model fixed effect kita merupakan Adjusted R-squared yang sebenarnya semu.

Kenapa Semu? Karena Variabel penjelas ataupun variabel X nya itu sebenarnya tidak menjelaskan seutuhnya benar-benar sebesar Adjusted R-squared tersebut. Pastilah sebenarnya tidak setinggi 0,9999 tersebut. Variasi dari Dependen pada model tersebut sebenarnya juga dijelaskan oleh efek individu (variabel dummy pada model fixed effect) yang bisa saja menangkap variabel-variabel yang belum kita gunakan pada model kita.

Lanjut, dari apa yang saya baca juga. Fixedeffect model ini seperti pisau bermata dua. Disatu sisi, dia dapat mengakomodir variasi ataupun heterogenitas dari variabel dependennya. Tetapi di sisi lain, konsekuensi kita melakukan estimasi parameter (LSDV) model fixed effect adalah derajat bebas kita berkurang.

Derajat bebasnya berkurang, karena dengan menambah variabel dummy nya artinya kita harus menambah paramater yang harus diestimasi, ya kan?? Perlu diingat bahwa derajat bebas merupakan selisih dari jumlah observasi dikurangi dengan jumlah variabel yang harus diestimasi. Implikasi derajat bebas berkurang tentu presisi model kita menjadi berkurang, kurang efisien (Suatu saat saya akan coba menjelaskan mengapa demikian).

Jadi hati-hatilah menggunakan ataupun memaknai Adjusted R-squared yang besar itu apalagi sangat mendekati 1. Jangan berbangga hati dengan adjusted R-Squared anda yang sangat besar. Perlu diingat, menurut Baltagi, ketika model random terpenuhi asumsinya, sesungguhnya random lebih efisien dari model fixed meskipun dalam kondisi tersebut Adjusted R-squared hasil dari model random ini lebih kecildibandingkan dari Adjusted R-squared yangdihasilkan model Fixed effect.

Mungkin dibutuhkan studi lebih lanjut untuk mengetahui seberapa besar nih sebenarnya peran yang sesungguhnya dari variabel X (tanpa adanya peran efek individu) sebenarnya dalam menjelaskan variabel Y-nya, tapi yang saya dan teman-teman musti yakini adalah nilainya tentu saja bukan setinggi tersebut. Karena jika anda mampu menjelaskan 99,99 persen variasi dari variabel Y, artinya estimasi anda untuk periode yang selanjutnya seharusnya HAMPIR PASTI akan sama dengan yang benar-benar ditakdirkan terjadi oleh Maha Besar, Right??. Padahal kan, belum tentu. Setuju??...*) - Renungan statistik - Ferdi

Read more »

[Tutorial E-views] Hausmann Test

Akhirnya bisa kembali berjumpa dengan blog tercinta. Hohoho…mohon maaf sebelumnya baru kembali mem-publish tulisan, karena saya baru menyelesaikan diklat prajabatan dan kemudian dilanjutkan pelatihan bersama ABS (Australian Bureau of Statistics). Jadi hampir 1 bulan saya tidak login ke blogger. Tetapi mudah-mudahan tulisan saya kali ini dapat melengkapi tulisan saya sebelum-sebelumnya terkait dengan pemilihan model estimasi data panel (Fixed vs common vs random effects) yang sempat lama tertunda.

Pada penulisan kali ini saya akan menjelaskan tahapan Hausmann test dengan menggunakan E-views (Untukpenjelasan Hausmann test dapat dilihat di halaman ini). Untuk input data dan pengolahan estimasi telah dijelaskan sebelumnya. Baiklah, tanpa memperpanjang lagi kita langsung capcus ke tahapannya aja.

1.      Diasumsikan teman-teman telah melakukan pengujian signifikansi fixed effect (Kalau belum klik)

2.      Nah untuk pengujian hausmann, yang teman-teman harus pastikan adalah sedang dalam kondisi model random effects.

3.      Pilih view > Fixed/Random Effect Testing > Correlated Random Effects – Hausmann Test

4.      Berikut hasil Output nya

Nilai Prob yang besar dari 0.05 menunjukkan kondisi terima Ho. Dalam hal ini Ho nya adalah Model random lebih baik dibandingkan model Fixed Effect. Sehingga karena nilai prob nya = 0.5682, maka dengan tingkat keyakinan 95% dapat disimpulkan bahwa untuk data yang kita miliki model random effect lebih sesuai digunakan. Mungkin ini dulu, lain kesempatan saya akan menulis kembali. Terimakasih. (Ferdi Fadly)

Read more »

[Tutorial SPSS] Penentuan Variabel Dominan dan Besar Kontribusi Masing masing variabel bebas Regresi

Hoho...Sesuai janji, hari ini saya akan menulis kelanjutan pembahasan Variabel dominan sebelumnya terutama terkait dengan berapa sih kontribusi masing-masing variabelnya dan sebagainya. Ok.

Sebelumnya, mari lakukan run data regresi yang kita miliki. (Lihat kembali Regresi).

Nah tambahannnya adalah dengan men-set metode nya seperti ditunjukkan pada gambar. Biar urut berdasarkan variabel dominannya dapat menggunakan pilihan forward ataupun stepwise (Penjelasan postingan mengenai ini nantinya akan membantu anda menjawab kenapa saya katakan ini akan otomatis diurutkan..tapi sabar ya...=D...)

Setelah itu Ok. Kemudian sekarang Analyze lagi, Correlate > bivariate seperti ditunjukkan dibawah ini

Lalu akan muncul bebarapa output. Nah carilah Output Coefficient dan Correlations seperti ditunjukkan dibawah ini :

Nah, dari output diatas ditunjukkan bahwa variabel X2 masuk lebih dahulu dari variabel X1 kan? Kemudian variabel X3 secara otomatis telah dihilangkan dari model karena tidak signifikan. OK...sekarang kita bicara besarnya kontribusi nya ya...Ok....perhatikan perhitungan berikut :

Read more »

Penentuan Variabel Dominan pada regresi

Sebuah pertanyaan menarik dilontarkan oleh seorang sahabat lama, katakanlah namanya "Boco" (dalam bahasa melayu mungkin dekat padananya dengan gokil dalam bahasa gaul).Si boco ini bertanya, "Bagaimana cara kita menentukan variabel bebas yang paling signifikan mempengaruhi variabel tidak bebasnya dalam regresi?". Saya sempat terheran ketika ditanyakan seperti ini, pertanyaan sederhana namun sarat makna dari seorang boco. Mantap, pikir saya....

Berhari-hari saya berpikir sembari mengingat kembali perjalanan masa kuliah ketika pelajaran regresi. Hingga lamunan saya berhenti di salah satu pertemuan analisis regresi yaitu metode estimasi pemilihan model terbaik (on going ya tulisan yang ini, kita fokus dulu ke penentuan variabel dominannya ya).

Variabel dominan 

Sebelum kita menentukan mana variabel dominan, tentu kita harus tahu dulu apa itu variabel dominan. Akan banyak persepsi ataupun pandangan dari seseorang untuk mendefinisikan variabel yang paling dominan. Namun, menurut saya yang paling penting variabel dominan itu harus signifikan (ya iyalah ya...kalau ga signifikan tidak mungkin variabel itu pantas untuk menjadi variabel yang dominan) dan punya kontribusi paling besar terhadap modal. Setuju???

Lho koq diam? saya simpulkan setuju dulu ya...hehehe... Salah satu cara untuk menentukan mana variabel dominan di regresi adalah dengan menggunakan ataupun dalam hal ini memilih metode estimasi pemilihan model terbaik. Hal, ini dikarenakan dengan menggunakan salah satu metode estimasi pemilihan model terbaik, secara otomatis variabel tersebut akan diurutkan berdasarkan mana variabel yang paling dominan. Gak percaya? Yapz...mari kita diskusikan.

Berdasarkan metode estimasinya, Pemilihan model dapat dibagi menjadi :
1. Backward Elimination --> Memasukkan semua variabel untuk kemudian menghilangkan satu per satu variabel yang tidak signifikan (Singkat kata dulu ya kan janjinya seperti itu)
2. Forward Regression --> Dimulai dengan memasukkan variabel yang signifikan dalam hal ini yang paling berkorelasi kuat  terhadap dependent variable nya untuk kemudian memasukkan satu per satu variabel nya, hingga mencapai kondisi variabelnya signifkan semua.
3. Stepwise Regression --> Dimulai dengan memasukkan variabel yang signifikan, kemudian secara bertahap memasukkan variabel, namun apabila ada variabel yang tidak signifkan variabel tersebut dapat dikeluarkan kembali dari model.

Nah, kalau kita tarik benang merahnya, ketiga metode tersebut secara otomatis akan memberikan urutan variabel yang signifikan lho. Menarik. Lalu diawal pembukaan postingan saya sampaikan bahwa variabel dominan harus memberikan kontribusi paling besar terhadap variabel tak bebas nya kan??  Tentu tidak afdhol kalau berbicara ini tanpa berbicara angka, jadi nantikan postingan berikutnya terkait dengan tutorial pemilihan metode estimasi dan kontribusi variabel bebas terhadap variabel tidak bebasnya. Terimakasih atas kunjungannya. -Ferdi Fadly-

Read more »