Wall Street and Coffee

Ketahui Pergerakan di Bursa dengan Analisa Teknikal yang Tepat, Rubah Data Historis Menjadi Profit.

Bar and Pattern

Ketahui Posisi Bisnis Anda, Saatnya Terapkan Strategi Offense or Defense.

Students and Data

Lagi Skripsi atau Thesis? Buruan Beresin, Kamu Bisa Temukan Seabrek Metode Penelitian yang Bisa Membantu Lulus Kuliah Disini.

Statistics = Math = Econometrics

Persamaan Matematik, Statistik dan Ekonometrik yang Super Ribet, Bisa Diolah Dalam Waktu Singkat Dengan Analysis Tools.

Statistics - Econometrics vs Dynamics and Reality

Statistik ada Di Tengah-Tengah Kita, Permasalahan Sosial Diketahui Melalui Statistik, Statistik is 4 Life.

Aug 30, 2018

Regresi Data Panel *Eviews

download materi lebih lengkap disini

Meneruskan bahasan sebelumnya mengenai pengantar data panel dan cara input data panel, maka pada bahasan ini akan ditunjukkan langkah-langkah melakukan regresi data panel dengan ilustrasi contoh yang cukup sederhana menggunakan bantuan eviews 5.1. Jika anda belum terlalu memahami apa itu data panel dan apa fungsinya anda bisa melihat terlebih dahulu pada bahasan sebelumnya disini



Misalnya kita memiliki data sebagai berikut:
disini kita menggunakan ekspor sebagai variabel dependen dan konsumsi serta produksi sebagai variabel independen, dengan jumlah pengamatan selama 4 tahun terhadap masing-masing komoditi.
Langkah-langkah untuk meregresikan data panel tersebut adalah sebagai berikut:
1. Tahap Menginput data.
Tahap ini telah dijelaskan sebelumnya pada bahasan analisis data panel, karena itu tidak akan dijelaskan lagi disini, anda kembali dapat melihatnya tahapan input data panel pada eviews disini
Setelah itu, data akan terinput sebagai berikut:


Kali ini regresi data panel yang kita gunakan adalah dengan menggunakan dua variabel independen, tetapi pada prinsipnya dengan salah satu variabel dependen pun bisa dilakukan.
2. Setelah tahapan diatas dilakukan, pastikan anda membuka lembar kerja POOL: Ekspor yang telah anda masukkan pada tahap input data tadi, kemudian ESTIMATE, yang kemudian akan memunculkan worksheet POOL ESTIMATION seperti berikut ini:



3. Setelah muncul worksheet POOL ESTIMATION maka anda dapat menginput dependent variable dimana pada contoh ini adalah EKSPOR, dan common coefficient yaitu KONSUMSI dan PRODUKSI,



kemudian klik OK,
4. Outputnya akan ditunjukkan seperti berikut:

 
Nah, dari output anda dapat melihat koefisien masing-masing variabel yang digunakan sebagai prediktor.
download materi lebih lengkap  

Regresi Linier Berganda *Eviews

download materi lebih lengkap dalam bentuk pdf disini

Meneruskan bahasan Regresi Linier Berganda sebelumnya, pada bahasan ini kita akan menjalankan regresi linier berganda dengan bantuan software eviews 5.1.

Ilustrasi contoh:
Seandainya kita memiliki variabel dependen (Y) tingkat inflasi di Amerika Serikat, dengan variabel independen yang diamati adalah kurs Yen terhadap US$ (X1), kurs Rupiah terhadap US$ (X2), dan kurs US$ terhadap Poundsterling (X3), maka kita akan memilki model sebagai berikut:
Y = β0 + β1X1 + β2X2 + β3X3 + ε
Berikut adalah data-datanya selama 10 tahun dari tahun 1979 – 1988:


TAHAP MENGIMPOR DAN MENGINPUT DATA,
1. Buka software Eviews, kemudian klik NEW – WORKFILE, maka akan muncul tampilan workfile create, kemudian frequency kita pilih ANNUAL karena kita menggunakan data tahunan (10 tahun), jika anda menggunakan data bulanan atau kuartal anda bisa memilih monthly atau quarterly, kemudian pada start date kita masukkan tahun awal 1978 dan pada end date kita isikan tahun akhir, pada contoh ini 1988 kemudian klik OK, (bagi yang belum memiliki software eviews bisa download versi terbarunya disini)

seperti tampilan berikut:


2. Setelah muncul tampilan workfile:untitled, anda bisa memilih dari menubar FILE – IMPORT – READ TEXT LOTUS EXCELL, seperti berikut:


3. Nah disitu anda mencari data yang anda input dalam bentuk Microsoft excel tadi, misalnya di my document, kemudian klik dua kali data tersebut sehingga muncul tampilan Excell Spreadsheet Import, kemudian kotak upper left data cell masukkan posisi data anda di excel tadi, misalkan di sel B2, pada kotak name for series isikan juga nama data, pada kasus ini adalah Y, X1, X2, X3 atau anda bisa saja menuliskan jumlah variabel yang digunakan dalam model, misalnya dalam kasus ini kita menggunakan 4 variabel (dependen dan independen), maka eviews akan membaca nama variabel sesuai yang kita tulis di excel tadi – klik OK seperti berikut:


4. Maka hasilnya menjadi,


MENJALANKAN REGRESI LINIER BERGANDA
1. Setelah langkah MENGIMPOR DATA diatas selesai, kita akan melakukan analisis regresi linier dengan memilih menu OBJECT – NEW OBJECT seperti berikut:


2. Setelah muncul kotak dialog new object, anda dapat memilih EQUATION, dan pada kolom name for object isikan misalnya REGRESI_1 – lalu klik OK.


3. Nah dapat kita lihat kotak dialog Equation Estimation, kita akan melanjutkan dengan memasukkan model regresi yang kita gunakan, misalnya seperti berikut, upsss!!! jangan lupa isikan C sebagai constant term atau konstanta, kemudian klik OK,


4. Kemudian akan dihasilkan output sebagai berikut:


Untuk interpretasi hasil, anda dapat melihatnya pada bagian lain bahasan disini, menjalankan regresi linier dengan software stata 12 bisa anda lihat disini

download materi lebih lengkap dalam bentuk pdf disini

Dec 6, 2015

Prosedur Koreksi Autokorelasi dengan Model Cochrane-Orcutt

download materi lebih lengkap disini
 

Autokorelasi adalah situasi dimana korelasi terjadi antar rangkaian pengamatan yang tersusun dalam deret waktu atau tempat. Pada regresi OLS, asumsi yang digunakan adalah tidak terdapat autokorelasi pada error. Katakanlah jika pada periode sekarang terjadi pemogokan buruh yang menyebabkan turunnya produksi, maka tidak ada alasan untuk mengasumsikan produksi akan turun kembali pada periode berikutnya. Sama halnya untuk kasus regresi antar data silang (cross section), goverment expenditure daerah X dengan performa usaha kecil menengah di daerah tersebut, maka tidak akan terjadi kasus jika kenaikan performa usaha kecil menengah di daerah X akan berdampak terhadap kenaikan goverment expenditure pada daerah Y.

Autokorelasi dapat menyebabkan prediksi OLS menjadi tidak bias dan efisien, estimator yang bersifat BLUE tidak dapat kita peroleh.



Ilustrasi:

Berikut ini kita akan melihat hubungan antara jumlah produk nasional brutto (gnp) dan data consumer price index (cpi) ekuador, data tahunan terdiri atas 32 pengamatan sejak 1980 hingga tahun 2011, data diperoleh dari data popular indicator yang dikumpulkan oleh World Bank,


Regresi sederhana dengan metode OLS akan kita ilustrasikan menggunakan software eviews 9. Bagi yang belum memiliki software eviews, anda bisa download versi terbarunya disini


Kita tampilkan datanya dalam eviews,


buka kedua variabel atau spesifikasi persamaan melalui open as equation, lalu masukkan persamaannya regresi seperti berikut ini,


outputnya ditampilkan sebagai berikut,


Kita akan transformasi variabel dengan fungsi logaritma, pilih gdp dan cpi ; open ; as equation,


output untuk model log,


Kita akan plot data dalam scatterplot, dan plot residual,

Untuk melihat pola data dalam scatterplot open kedua variabel di atas, view > graph, Setelah muncul graph option, pilih scatter, fit lines kita pilih regression line,


Plot dari regresi OLS menggambarkan hubungan negatif gnp dengan cpi, sesuai koefisien regresi, setiap kenaikan satu satuan cpi akan menurunkan gnp sebesar 22,89 satuan. Lihat data tersebar cukup jauh dari garis regresi.

Kemudian kita plotkan fitted residual,


plot residual kita dapatkan,


Secara umum residual tidak tersebar secara merata, melainkan berkumpul pada titik 1 ; 0 ; -1, ini mengindikasikan adanya masalah korelasi antar residual pada persamaan regresi yang kita miliiki. Hal ini kemudian ditegaskan dengan hasil pengujian durbin-watson sebesar 0,498 yang terletak pada daerah autokorelasi positif. (lihat tabel durbin watson)

Untuk koreksi masalah autokorelasi, kita akan lakukan prosedur Cochrane-Orcutt, yang dinyatakan dengan ρ (rho). Metode perulangan dalam cochrane-orcutt dilakukan dengan dua tahapan antara lain; (1) menentukan korelasi ρ antar beberapa pasang pengamatan dalam model, kemudian (2) menjalankan persamaan regresi dengan AR(1) atau sampai AR(2), untuk menghilangkan korelasi antar error.

Oleh karena itu kita akan merubah persamaan menjadi;

Yt = gnpt – rho*gnpt-1,
dan 
Xt = cpit – rho*cpit-1
dengan;
µt = rho*µt-1 + εt


Prosedur iterasi cochrane-orcutt kemudian akan kita lakukan dengan bantuan eviews 9. Bagi yang belum memiliki software eviews, anda bisa download versi terbarunya disini

1. Pada data gnp dan cpi, open t; as group,

2. Kemudian Proc ; Make Equation,


3. Kemudian Buat persamaan regresi dengan AR(1) ; OK,


4. Output regresi dengan AR(1),


Persamaan regresi dengan AR(1) masih mengandung masalah autokorelasi yang diindikasikan dengan nilai statistik durbin-watson sebesar 0,72. (lihat tabel durbin watson)

Mari kita lihat plot residual, pertama-tama dari output tadi kita membuat variabel residual baru dengan nama resid01 untuk persamaan ini. pada menu proc ; make residual,


Scatterplot untuk resid01,


Dari scatterplot persamaan AR(1), residual masih terkumpul pada beberapa poin axis-Y, gejala autokorelasi masih terlihat, hal ini ditegaskan dengan nilai statistik durbin-watson sebesar 0,73.

5. Kemudian kita masukkan kembali model AR(2) ke dalam persamaan,


6. Output regresi dengan AR(1) dan AR(2),


Nilai statistik durbin-watson telah mengindikasikan model telah terkoreksi dari masalah autokorelasi sebesar 1,75. Keragaman gnp yang dapat dijelaskan oleh cpi telah meningkat menjadi 96.09 persen. Dengan demikian persamaan untuk kondisi yang ideal (white noise) yang kita peroleh dari model AR(2) adalah:

GNP = 2419.87 - 1.09*CPI + [AR(1)=1.74,AR(2)=-0.78,UNCOND]

atau dalam bentuk lain:

GNPt = 2419,87 – 1,09*CPIt + µt

dimana:

µt = 1,74*µt-1 + 0,78*µt-2 + ε

download materi lebih lengkap disini

Nov 19, 2015

Automatic ARIMA dengan Seasonal Adjustment

download materi lebih lengkap dalam bentuk pdf disini
Ilustrasi

Kita kembali lagi ke data visit Bali yang dirilis oleh Disparda Bali, yang belum punya bisa download datanya disini; data terdiri atas 92 pengamatan.
Saat ini kita akan lakukan pemodelan time series dengan ARIMA, software yang kita gunakan adalah eviews 8.1Bagi yang belum memiliki software eviews, anda bisa download versi terbarunya disini

1. Tahap input data,
Buka software eviews, file; import ; import from file,



di dalam windows/lainnya, pilih file kamu; open,



Nah tampilan di bawah ini artinya data sudah terbaca, mainkan start cell hingga variabel month hilang, kita akan gunakan variabel time series default versi eviews saja,



Lihat, yang tersisa hanya variabel visit saja, kita akan mengatur variabel time series nanti, sama halnya jika variabel continyu kamu ; next,



Berikutnya dapat kamu ikuti seperti berikut ini, default eviews akan menentukan variabel time series sesuai jumlah baris, kita cukup mengatur waktu mulai dari kolom frequency dan start date ; finish,



tampilan data setelah masuk dalam record eviews, untuk menampilkan datanya cukup klik 2x pada variabel,



2. Tahap Analisis,
Kali ini kita akan lakukan pemodelan ARIMA dengan automatic ARIMA dengan seasonal adjusment. Eviews akan otomatis melakukan pemilihan model yang terbaik untuk peramalan. Kita akan mencoba dua pendekatan seasonally adjustment dalam eviews, yaitu model ARIMA dengan pendekatan US.Cencus Bureaue X-11, dan model automatic ARIMA SEATS/TRAMO.

Klik 2x pada data visit, maka akan ditampilkan datanya,



Klik Proc ; seasonal adjusment ; Census X-13,



Karena dalam pemodelan ini kita mengabaikan variabel eksogenous, outlier, transformasi dan lain-lain, maka opsi variables kita abaikan saja (none),



Kemudian pilih ARIMA ; Model, checklist X-11,



Kemudian pilih Seasonal Adjustment ; Method, checklist X-11,



Terakhir pilih Output,  checklist semua kategori dalam FInal Series Output ; ok,



Output:



Dari output grafik dapat kita lihat bahwa model visit_D12 tidak mengandung komponen musiman tinggi, cenderung mengandung trend jangka panjang, sedangkan visit_D11 hampir mengikuti pola musiman visit dengan seasonal adjusment.
Mari kita lihat perbandingan antara visit_D11 dan visit setelah dilakukan seasonal adjusment oleh eviews.



Nah disini dapat terlihat kemampuan model visit_D11 memprediksi visit dengan seasonal adjusment, dengan jumlah komponen musiman yang hampir berimbang.

Berikutnya kita akan lakukan pendekatan seasonal adjusment dengan SEATS/TRAMO yang menggunakan deteksi outliers secara otomatis,
Klik 2x pada data ; Proc ; Seasonal Adjustment ; Census X-13,



Pada pilihan variables, automatic outliers checklist semua outliers type,



Buka ARIMA ; model, checklist TRAMO auto,



Lihat di bagian differencing dan AR MA, TRAMO menentukan secara otomatis tingkat diferensiasi, autoregresif, dan moving average dengan maksimal order ke-2, untuk mengetahui cara penentuan order dalam ARIMA bisa dilakukan dengan software SPSS, kamu bisa download materinya disini;
Kemudian pada kolom Seasonal Adjusment ; method, checklist SEATS dan Append Forecast,



Kemudian pada bagian output, checklist seperti berikut ini,



Klik OK, maka outputnya ditampilkan sebagai berikut, langsung saya ambil perbandingan variabel visit, visit_D11 dengan pendekatan seasonally adjusment X-11, dan visit_S11 dengan pendekatan TRAMO/SEATS,


 

Dari Grafik dapat kita lihat bahwa visit_S11 dengan tepat mendeteksi pola musiman visit_D11, tanpa trend jangka panjang. Lihat garis berwarna merah dan hijau. (yoso)

download materi lebih lengkap dalam bentuk pdf disini