III. METODE PENELITIAN
3.4. Metode Pengolahan Data
Data yang digunakan dalam penelitian ini merupakan data yang berperiode
maka data tersebut dapat diolah dengan menggunakan perangkat lunak (software)
Eviews 4.1 dan Microsoft Excel 2003. Dalam Gujarati, sifat yang menonjol dari
2SLS adalah :
1. Metode 2SLS dapat diterapkan pada suatu persamaan individual dalam sistem
44
untuk memecahkan model ekonometrik yang melibatkan sejumlah besar
persamaan, 2SLS menawarkan suatu metode yang ekonomis. Untuk alasan
inilah maka metode ini telah digunakan secara luas dalam praktek.
2. Metode 2SLS memberi satu taksiran perparameter.
3. Metode ini mudah untuk diterapkan karena semua yang diperlukan untuk
diketahui hanyalah banyaknya variabel eksogen atau variabel yang ditetapkan terlebih dahulu total tanpa mengetahui variabel lain mana pun dalam sistem.
4. Meskipun didisain secara khusus untuk menangani persamaan yang terlalu
diidentifikasikan metode tadi dapat juga diterapkan untuk persamaan yang
tepat diidentifikasikan. Tetapi kemudian 2SLS akan memberikan taksiran yang
identik.
5. Jika nilai R2 dari regresi bentuk yang direduksi (yaitu tahap 1 regresi) sangat
tinggi, misalnya lebih dari 0.8. Taksiran OLS klasik dan taksiran 2SLS akan
menjadi sangat dekat tapi hal ini seharusnya tidak mengejutkan namun karena
jika R2 dalam tahap pertama sangat tinggi ini berarti bahwa nilai taksiran dari
nilai endogen sangat dekat nilai yang sebenarnya dan karenanya yang belakangan lebih sedikit kemungkinannya untuk berkolerasi dengan gangguan
stokastik dalam persamaan struktural asli. (Dalam kasus yang ekstrim jika R2
= 1 dalam regresi tahap pertama, variabel yang menjelaskan endogen dalam persamaan atau yang terlalu diidentifikasikan asli akan secara praktis
nonstokastik). Tetapi jika R2 dalam regresi tahap pertama sangat rendah,
taksiran 2SLS akan secara praktis tidak berarti karena kita seharusnya
regresi tahap-pertama yang akan pada dasarnya menyatakan gangguan dalam
regresi tahap-pertama. Dengan perkataan lain, dalam kasus ini, Ŷ akan
merupakan wakil yang sangat buruk untuk Y yang asli.
6. Dalam 2SLS kita dapat menyatakan kesalahan standar dari koefisien yang
ditaksir karena koefisien struktural secara langsung ditaksir dari tahap kedua regresi (OLS). Tetapi kehati-hatian harus dilakukan. Kesalahan standar yang ditaksir dalam regresi tahap kedua perlu dimodifikasikan, karena unsur kesalahan ut* adalah unsur kesalahan asli u2t ditambah β21et. Jadi, varians
dari ut* tidak benar-benar sama dengan varians dari u2t asli.
3.4.1. Uji Kriteria Ekonomi dan Statistik
Uji kriteria ekonomi dilakukan untuk melihat besaran dan tanda parameter yang diestimasi, apakah sesuai dengan teori atau tidak. Uji kriteria
statistik dilakukan dengan : uji koefisien Determinasi (R2), uji t dan uji F.
3.4.1.1. Uji Koefisien Determinasi
Uji Koefisien Determinasi (R2 / R2 adjusted) digunakan untuk melihat
seberapa besar kemampuan variabel-variabel bebas dalam suatu model untuk
menjelaskan variabel terikatnya. Nilai R2 / R2 adjusted berkisar antara 0 samapi
dengan 1, semakin mendekati 1 maka model semakin baik. Untuk menghitung koefisien determinasi adalah :
r2 = Jumlah Kuadrat Total
Jumlah Kuadrat Galat
3.4.1.2. Uji t
Uji t merupakan kriteria statistik untuk melihat signifikansi variabel bebas tertentu mempengaruhi variabel terikatnya. Koefisien penduga ini (uji t)
46
perlu berbeda dari nol secara signifikan atau P-Valuenya sangat kecil. Pengujian
uji parsial ini (uji-t) dapat dilihat dari nilai probabilitas t-statistiknya.
Uji dua arah :
H0 : b1= b2 …. = bi = 0
H1 : minimal ada salah satu bi≠ 0
Æ Tolak H0 jika |thit| > tα/2 , artinya variabel signifikan berpengaruh nyata pada
taraf α.
Uji satu arah :
H0 : b1= b2 …. = bi = 0
H1 : bi > 0 atau bi < 0
Æ Tolak H0 jika |thit| > tα, artinya variabel signifikan berpengaruh nyata pada
taraf α.
3.4.1.3. Uji F
Uji ini dilakukan untuk melihat apakah semua koefisien regresi berbeda dengan nol atau dengan kata lain bahwa model tersebut dapat diterima. Hipotesis yang diuji dari pendugaan persamaan adalah variabel bebas tidak berpengaruh nyata terhadap varibel tak bebas.
Uji F hipotesis yang diuji adalah :
H0 : b1= b2 = b3 = ... = 0
H1 : minimal ada salah satu bi≠ 0
Uji F ini dilakukan dengan membandingkan nilai taraf nyata (α) yang ditetapkan
dan nilai probabilitas F-statistiknya. Dari uji F tersebut dapat diketahui suatu model dapat diterima atau tidak.
Kriteria Uji :
Probability F-Statistic < taraf nyata (α), maka tolak Ho.
Probability F-Statistic > taraf nyata (α), maka terima Ho.
Æ Jika uji F tolak Ho, maka dapat disimpulkan minimal ada satu variabel bebas
yang berpengaruh nyata terhadap variabel terikatnya dan model yang digunakan dapat diterima.
Æ Jika uji F terima Ho, maka dapat disimpulkan bahwa tidak ada satu pun
variabel bebas yang berpengaruh nyata terhadap variabel terikatnya dan model tidak layak digunakan.
3.4.2. Uji Ekonometrika 3.4.2.1. Heteroskedastisitas
Kondisi heteroskedastisitas merupakan kondisi yang melanggar asumsi dari regresi linear klasik. Heteroskedastisitas menunjukkan nilai varian dari variabel bebas yang berbeda, sedangkan asumsi yang dipenuhi dalam linear klasik adalah mempunyai varian yang sama (konstan) atau homoskedastisitas.
Pengujian masalah heteroskedastisitas dilakukan dengan menggunakan uji White Heteroscedasticity Test (Gujarati, 1995). Pengujian ini dilakukan dengan
cara melihat probabilitas Obs* R-Squarednya.
H0 : δ = 0
H1 : δ≠ 0 Kriteria Uji
Probability Obs* R-Squared < taraf nyata (α), maka tolak Ho.
48
Æ Jika tolak Ho, maka persamaan tersebut mengalami gejala heteroskedastisitas.
Æ Jika terima Ho, maka persamaan tersebut tidak mengalami gejala
heteroskedastisitas.
3.4.2.2. Autokorelasi
Gujarati (1997), mendefinisikan autokorelasi sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu atau ruang. Dalam konteks regresi, model regresi linear klasik mengasumsikan bahwa autokorelasi
tidak terdapat dalam disturbansi atau gangguan ut dengan menggunakan lambang
E(ui,uj=0), i = j dan E(ui,uj≠0), i ≠ j jika mengalami disturbansi. Konsekuensi yang ditimbulkan oleh autokorelasi adalah persamaan akan memiliki selang kepercayaan yang semakin lebar dan pengujian menjadi kurang akurat, mengakibatkan hasil dari uji t dan uji F menjadi tidak sah dan penaksir regresi akan menjadi sensitif terhadap fluktuasi penyampelan. Masalah autokorelasi dapat
diketahui dengan menggunakan uji Breusch-Godprey Serial Correlation LM Test.
H0 : δ = 0
H1 : δ≠ 0 Kriteria Uji
Probability Obs* R-Squared < taraf nyata (α), maka tolak Ho.
Probability Obs* R-Squared > taraf nyata (α), maka terima Ho.
Æ Jika tolak Ho, maka persamaan tersebut mengalami gejala autokorelasi.
3.4.2.3. Normalitas Error Term
Uji ini dilakukan jika sampel yang digunakan kurang dari 30, karena jika
sampel lebih dari 30 maka error term akan terdistribusi normal. Uji ini disebut
Jarque-Bera Test.
H0 : error term terdistribusi normal.
H1 : error term tidak terdistribusi normal. Kriteria Uji
Jarque Bera (J-B) > x2df=k atau probability (P-Value) < α maka tolak H0.
Jarque Bera (J-B) < x2df=k atau probability (P-Value) > α maka terima H0.
Æ Jika tolak H0 maka error term tidak terdistribusi normal.