MODUL PEMBELAJARAN EKONOMETRIKA

(1)

(2)

MODUL PEMBELAJARAN

EKONOMETRIKA

Tim Penyusun:

Dr. Agr. Sc. Ernoiz Antriyandarti, S.P., M.P., M.Ec.

Prof. Dr. Ir. Endang Siti Rahayu, M.S.

Dr. Ir. Joko Sutrisno, M.P.

Dr. Ir. Heru Irianto, M.M.

PROGRAM STUDI AGRIBISNIS FAKULTAS PERTANIAN

UNIVERSITAS SEBELAS MARET SURAKARTA

2021

(3)

(4)

Modul Pembelajaran Ekonometrika

Penulis : Dr. Agr. Sc. Ernoiz Antriyandarti, S.P., M.P., M.Ec.

Prof. Dr. Ir. Endang Siti Rahayu, M.S.

Dr. Ir. Joko Sutrisno, M.P.

Dr. Ir. Heru Irianto, M.M.

Diterbitkan:

Program Studi Agribisnis Fakultas Pertanian

Universitas Sebelas Maret Surakarta

Hak Cipta © pada penulis.

Hak Cipta dilindungi Undang-Undang Nomor 28 Tahun 2014.

Dilarang memperbanyak/memperluas dalam bentuk apapun tanpa izin dari penulis dan penerbit.

Dicetak:

CV. INDOTAMA SOLO Penerbit & Supplier Bookstore Jl. Pelangi Selatan, Perum PDAM,

Kepuhsari, Mojosongo, Jebres, Surakarta 57127 Telp. 085102820157, 08121547055, 081542834155

E-mail: [email protected], [email protected] Anggota IKAPI No. 165/JTE/2018

Cetakan Pertama, Juli 2021 ISBN 978-623-7565-90-1 Desain Cover : Jaka Susila Layout isi : Jaka Susila Preliminary : i - vi Halaman Isi : 1 - 40 Ukuran Buku : 17,5 x 25 cm Gambar Sampul : FreepikGambar Sampul : Freepik, Vecteezy

(5)

(6)

KATA PENGANTAR

Puji syukur ke hadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penyusunan Buku Modul Pembelajaran Ekonometrika ini dapat terselesaikan. Modul Pembelajaran ini disusun guna sebagai pedoman bagi mahasiswa dalam melakukan kegiatan pembelajaran dan praktikum Ekonometrika.

Semoga dengan adanya Buku Modul Pembelajaran Ekonometrika ini, semua tahapan pembelajaran dan pelaksanaan praktikum dapat berjalan dengan baik dan terarah sesuai dengan tujuan yang ingin dicapai. Tim Penyusun berharap semoga buku ini dapat memberikan manfaat baik bagi praktikan maupun semua pihak yang berkepentingan. Demi terwujudnya pedoman yang lebih baik, Tim Penyusun sangat berterima kasih apabila ada saran dan masukan yang membangun.

Tim Penyusun

(7)

DAFTAR ISI

Halaman Judul ... i

Kata pengantar ... v

Daftar isi ... vi

Deskripsi mata kuliah ... 1

Bagian 1 ... 13

Bagian 2 ... 15

Bagian 3 ... 18

Bagian 4 ... 24

Bagian 5 ... 27

Panduan Praktikum ... 34

Penutup ... 40

(8)

Deskripsi Mata kuliah

Mata Kuliah Ekonometrika ini merupakan mata kuliah wajib pada semester 6 di Prodi Agribisnis dengan kode mata kuliah AB601B. Pada Mata Kuliah Ekonometrika ini disajikan materi meliputi arti dan kegunaan ekonometrika, metode ekonometrika, analisis regresi, estimasi interval dan pengujian hipotesis, regresi linier berganda, statistik inferensi 1 dan 2, penyimpangan asumsi klasik, multikolinearitas, heteroskedastisitas, autorelasi, normalitas dan regresi matriks, model autoregressive, regresi dengan variabel dummy.

Perkuliahan pada Mata Kuliah Ekonometrika ini mempunyai bobot SKS 2-1, dimana ada 2 SKS untuk teori dan 1 SKS untuk praktikum. Pada modul ini juga akan disajikan tentang panduan praktikum Ekonometrika.

Waktu pembelajaran tatap muka dengan alokasi 2 x 50 menit (110 menit) dan praktikum dengan alokasi 170 menit per minggu per semester. Pada Mata Kuliah Ekonometrika ini ada 16 pertemuan dengan 14 pertemuan tatap muka, ujian tengah semester, dan ujian akhir semester. Perkuliahan ini juga ada tugas terstruktur dan evaluasi, dimana cara dan panduan penilaiannya berdasarkan rubrik.

Adapun capaian pembelajaran lulusan (CPL) pada Mata Kuliah Ekonometrika adalah sebagai berikut:

ELO 4: Mampu mengaplikasikan konsep spesifik dalam sub-bidang ekonomi pertanian dan manajemen agribisnis

ELO 5: Mampu belajar secara mandiri, mampu mengevaluasi kemampuan diri dan adaptif terhadap perubahan

ELO 6: Mampu berkomunikasi efektif secara lisan dan tertulis

ELO 8: Mampu melakukan penelitian dan menghasilkan tulisan ilmiah di bidang agribisnis

(9)

Sedangkan CPMK pada Mata Kuliah Ekonometrika ini adalah:

4.1 Menerapkan konsep ekonomi sumber daya untuk menganalisis dan menyelesaikan masalah terkait pemanfaatan dan pengelolaan sumber daya pertanian

4.2 Menerapkan konsep pembangunan pertanian untuk menganalisis dan merumuskan kebijakan pembangunan di bidang pertanian

4.3 Menerapkan konsep bisnis dan manajemen untuk mengelola agribisnis secara parsial maupun terintegrasi

5.1 Memiliki kemampuan mencari sumber informasi

6.1 Mampu menyusun deskripsi scientifik hasil kajian berdasarkan kaidah ilmiah

8.1 Mampu mengidentifikasi dan menganalisis masalah di bidang agribisnis 8.2 Mampu menggunakan metode kuantitatif atau kualitatif untuk

mengambil alternatif keputusan dalam menyelesaikan masalah di bidang agribisnis

8.3 Mampu menghasilkan tulisan ilmiah di bidang agribisnis

Mata kuliah ini dibagi menjadi 4 bagian:

Bagian 1:

Pengenalan Ekonometrika

1. Arti dan Kegunaan Ekonometrika 2. Metode Ekonometrika

Bagian 2:

Regresi dan Statistik Inferensi

3. Analisis Regresi

4. Estimasi Interval dan Pengujian Hipotesis

5. Regresi Linier Berganda 6. Statistik Inferensi 1 7. Statistik Inferensi 2

(10)

Bagian 3:

Penyimpangan Asumsi Klasik

8. Penyimpangan Asumsi Klasik 9. Multikolinearitas

10. Heteroskedastisitas 11. Autokorelasi

Bagian 4: Normalitas dan regresi matriks

12. Normalitas dan regresi matriks

Bagian 5: Model autoregressive dan variabel dummy

13. Model autoregressive

14. Regresi dengan variabel dummy

Referensi yang dipakai untuk menunjang proses pembelajaran ini meliputi:

1. Wooldridge, J. M. 2013. Introductory Econometrics: A Modern Approach. Fifth Edition. Michigan State University

2. Stock, J. H. & Watson, M. W.. 2019. Introduction to Econometrics, Student Value Edition, 4^th Edition. Pearson, New York

3. Maddala, G. S. & Lahiri, K. 2009. Introduction to Econometrics, 4^th Edition. Wiley, New York.

4. Gujarati, D. 1995. Basic Econometrics. Prentice hall, Inc. Singapore.

5. Antriyandarti, E. & Fukui, S. 2016. Economies of Scale in Indonesian Rice Production: An Economic Analysis Using PATANAS Data. Journal of Rural Problems 52(4), 259–264.

(11)

TahapKemampuan akhir/

Sub-CPMK (kode CPL) Materi Pokok

Referensi

Metode Pembelajaran Pengalaman BelajarWaktu

Penilaian*

Indikator (tingkat Taksonomi) C-A-P

Teknik penilaian /bobot

LuringDaring 12345678910 1Mampu menjelaskan arti dan kegunaan ekonometrika 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Pendahuluan : Arti dan Kegunaan Ekonometri

1,2,3,4Student Centre Learning (SCL) dan praktikum

Membaca buku teks, tatap muka pembelajaran, searching di website tentang materi, praktikum

2 x 50 menit (T)C1, P15% 2Mampu menjelaskan sifat-sifat analisis regresi dalam ekonometri 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Metode Ekonometri 1,2,3,4Student Centre Learning (SCL) dan praktikum

2 x 50 menit (T)C1, P15% 3Mampu menjelaskan dan memahami Sifat2 Analisis Regresi 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Sifat2 Analisis Regresi1,2,3,4Student Centre Learning (SCL) dan praktikum

2 x 50 menit (T)C1, P15% 4Mampu menjelaskan dan memahami Elemen Statistik Inferensi 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Elemen Statistik Inferensi

1,2,3,4Student Centre Learning (SCL) dan praktikum

2 x 50 menit (T)C1, P15%

(12)

Referensi

Penilaian*

LuringDaring 12345678910 5Mampu mengestimasi dan melakukan pengujian hipotesis terhadap model regresi berganda 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Model Regresi Dua Variabel: Perkiraan & Estimasi, Perkiraan Interval & Pegujian Hipotesis

1,2,3,4,5Student Centre Learning (SCL) dan praktikum

Membaca buku teks, tatap muka pembelajaran, searching di website tentang materi, praktikum

2 x 50 menit (T)C3, P15% 6Mampu mengestimasi dan melakukan pengujian hipotesis terhadap model regresi berganda 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Model regresi Linear Berganda: Estimasi

1,2,3,4,5Student Centre Learning (SCL) dan praktikum

2 x 50 menit (T)C3, P15% 7Mampu melakukan pengujian hipotesis untuk suatu kasusu dan memperkirakan intervalnya 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Model Regresi Berganda : Perkiraan, Interval & Pengujian Hipotesis

1,2,3,4,5Student Centre Learning (SCL), praktikum dan Team Based Project

2 x 50 menit (T)C3, P15%

(13)

Referensi

Penilaian*

LuringDaring 12345678910 8Mampu menjelaskan ekonometrika, sifat-sifat inferensa, mengestimasi dan melakukan pengujian hipotesis terhadap model regresi berganda untuk suatu kasus dan memperkirakan intervalnya 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Ujian Tengah SemesterUjian TulisStudent Centre Learning (SCL) dan praktikum

Ujian Tulis 2 x 50 menit (T)C1, C3, P115% 9Mampu menjelaskan dan mengidentifikasi data yang memiliki colinearitas ganda 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Kolinearitas Ganda (MC)1,2,3,4Student Centre Learning (SCL) dan praktikum

2 x 50 menit (T)C3, P15%

(14)

Referensi

Penilaian*

LuringDaring 12345678910 10Mampu menjelaskan dan mengidentifikasi data yang bermuatan heteroskedastisitas 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Heteroske- dastisitas1,2,3,4Student Centre Learning (SCL), praktikum dan Case method

2 x 50 menit (T)C3, P15% 11Mampu menjelaskan dan mengidentifikasi data yang mengandung serial correlation 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Autokorelasi1,2,3,4Student Centre Learning (SCL), praktikum dan Case method

2 x 50 menit (T)C3, P15% 12Mampu menjelaskan, memahami normalitas 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Normalitas1,2,3,4Student Centre Learning (SCL) dan Case method

2 x 50 menit (T)C3, P15% 13Mampu menjelaskan model regresi dengan pendekatan matrix 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Model regresi Linear dng Pendekatan Matrix

1,2,3,4Student Centre Learning (SCL)Membaca buku teks, tatap muka pembelajaran, searching di website tentang materi, praktikum

2 x 50 menit (T)C3, P15%

(15)

Referensi

Penilaian*

LuringDaring 12345678910 14

Mampu men

yususn dan menginterpretasikan model otoregresif

dengan distribusi lag 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Model Otor

egresif & Distribusi Lag

1,2,3,4Student Centre Learning (SCL)

Membaca buku teks, tatap muka pembelajar

an, searching di website tentang materi, praktikum

2 x 50 menit (T)C3, P15% 15Mampu menyusun dan menginterpretasikan model variabel dummy 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Regresi dengan

Variabel Boneka (Dumm

y)

1,2,3,4Student Centre Learning (SCL) dan Case method

Membaca buku teks, tatap muka pembelajar

an, searching di website tentang materi, praktikum

2 x 50 menit (T)C3, P15% 16Mampu menjelaskan

dan memahami pen

yimpangan

terhadap asumsi klasik dan normali

tas, Model regresi Linear dng

Pendekatan Matrix, Model Otor

egresif

& Distribusi Lag Model Otor

egresif &

Distribusi Lag dan Regr

esi dng Variabel Boneka (Dummy) 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Ujian Akhir Semester

Ujian tulLaptop, LCD2 x 50 C1, C3, P115% ismenit (T) *Rubrik Kriteria Penilaian terlampir

(16)

Sedangkan rubrik penilaian dari tugas, kuis, UTS, dan UAS adalah sebagai berikut:

1. Rubrik analitik untuk penilaian tugas/makalah tanpa presentasi ekonometrika

Aspek yang

dinilai (85-100) (75-84) (61-74) (0-60) Substansi

yang dikaji

Tingkat kesesuaian 85-100%

dengan aspek-aspek materi yang dikaji dalam tugas/

makalah

makalah Kesesuaian

dengan sistematika makalah/

tugas

tugas (semua poin dalam sistematika panduan tugas/

makalah ada)

tugas (satu poin dalam sistematika panduan tugas/

makalah tidak ada)

tugas (dua poin dalam sistematika panduan tugas/

makalah tidak ada)

tugas (lebih dari dua poin dalam sistematika panduan tugas/

makalah tidak ada) Ketepatan

waktu

pengumpulan tugas/

makalah

Pengumpulan lebih awal/

tepat sesuai deadline

Pengumpulan 1 hari setelah deadline

Pengumpulan lebih 1 hari dari deadline

Tidak mengumpul- kan tugas/

makalah

(17)

PANDUAN MAKALAH DAN LAPORAN PRAKTIKUM Halaman judul

Daftar isi

Daftar tabel (jika ada) Daftar gambar (jika ada) Daftar lampiran (jika ada) A. PENDAHULUAN

1. Latar Belakang (sesuai judul yg diambil) 2. Permasalahan

3. Tujuan B. TINJAUAN PUSTAKA C. HASIL DAN PEMBAHASAN

1. Pembahasan Hasil D. KESIMPULAN DAN SARAN

1. Kesimpulan 2. Saran DAFTAR PUSTAKA

LAMPIRAN: Data yang digunakan

2. Rubrik untuk penilaian kuis, UTS, dan UAS Nilai kuis

No Aspek

Penilaian (85-100) (75-84) (61-74) (0-60) 1 Mahasiswa

mampu menjelaskan dengan tepat materi yang sudah disampaikan

Tingkat ketepatan jawaban 85-100%

Tingkat ketepatan jawaban 60%

(100) (75) (60) (55)

(18)

No Aspek

Penilaian (85-100) (75-84) (61-74) (0-60) 2 Kejujuran

dalam

menjawab soal

Frekuensi kecurangan 0 kali (Berita acara)

Frekuensi kecurangan lebih dari 2 kali (Berita acara) Jumlah nilai total (Tk)

Perhitungan Nilai Keterampilan Nilai UTS

No Aspek

mampu menjelaskan dengan tepat mengenai materi yang ditanyakan (materi 9-15)

(100) (75) (60) (55)

2 Kejujuran dalam

menjawab soal

Perhitungan Nilai Keterampilan

(19)

Nilai UAS No Aspek

mampu menjelaskan dengan tepat mengenai materi yang ditanyakan (materi 1-7)

(100) (75) (60) (55)

2 Kejujuran dalam menjawab soal

Perhitungan Nilai Keterampilan Skala nilai Ujian dan Kuis Ekonometrika

Rentang Skor

(Skala 100) Angka Huruf

≥ 85 80 – 84 75 – 79 70 – 74 65 – 69 60 – 64 55 - 59

< 55

4,00 3,70 3,30 3,00 2,70 2,00 1,00 0,00

A A- B+

B C+

C D E

(20)

Bagian 1

pengenalan ekonoMetrika

1. Arti dan Kegunaan Ekonometrika

Ekonometrika merupakan ilmu yang mempelajari bagaimana sebuah model ekonomi dibentuk dan bagaimana perilaku model tersebut. Ekonometrika pada prinsipnya adalah penerapan statistik matematika pada data ekonomi. Pada definisi yang lain ekonometrika didefinisikan sebagai analisis kuantitatif terhadap fenomena ekonomi aktual yang berdasarkan pada pengembangan teori dan observasi secara bersamaan. Ekonometrika berbeda dengan teori ekonomi, matematika ekonomi, statistik ekonomi, dan statistik matematika.

Pada teori ekonomi membuat pernyataan yang sebagian besar bersifat kualitatif, sementara ekonometrika memberikan konten empiris untuk sebagian besar teori ekonomi. Matematika ekonomi untuk mengekspresikan teori ekonomi dalam bentuk matematika tanpa verifikasi teori empiris, sedangkan ekonometrika terutama mengkaji fenomena selanjutnya. Statistik ekonomi berkaitan dengan pengumpulan, pemrosesan, dan penyajian data ekonomi. Statistik matematika menyediakan banyak alat untuk studi ekonomi, kemudian ekonometrika menganalisis dengan banyak metode khusus analisis kuantitatif berdasarkan data ekonomi.

2. Metode Ekonometrika

Tahapan metode ekonometrika dibagi menjadi delapan tahapan.

Tahap pertama, pernyataan teori atau hipotesis (dugaan). Setelah menentukan teori atau hipotesis untuk membuktikan kebenaran teori atau hipotesis yang kita tentukan di awal, langkah selanjutnya yaitu membuat model matematika dari teori tersebut. Setelah membuat spesifikasi model matematika harus membuat spesifikasi model

(21)

ekonometrika yang menambahkan unsur eror pada model. Lalu, pengumpulan data. Data ekonometrika dapat diperoleh dari dua sumber yaitu dari data eksperimental dan non eksperimental. Data non eksperimental dibagi menjadi data primer dan sekunder. Selanjutnya membuat estimasi model ekonometrika. Lalu, pengujian hipotesis.

Konfirmasi dengan cara seperti itu atau sanggahan terhadap teori ekonomi berbasis bukti sampel adalah dasar dari teori statistika yang dikenal dengan statistical inference (hypothesis testing). Peramalan dan prediksi digunakan untuk mengetahui seberapa besar nilai variabel dependen atas dasar nilai harapan di masa yang akan mendatang (expected future value) dari variabel independen. Terakhir penggunaan model, dari hasil estimasi dapat digunakan untuk membuat sebuah kebijakan bagi para pelaku ekonomi.

(22)

Bagian 2

analisis regresi Dan statistik inferensi

3. Analisis Regresi

Regresi linier sering digunakan untuk melihat nilai prediksi atau perkiraan yang akan datang, misalnya prediksi produksi 3 tahun yang akan datang, prediksi harga bulan depan, ramalan jumlah penduduk 10 tahun mendatang, dan lain-lain. Hal ini dapat dilakukan apabila X dan Y memiliki hubungan maka nilai X yang sudah diketahui dapat digunakan untuk memperkirakan Y. Variabel Y di sini disebut variabel tidak bebas (dependent variable). Sebaliknya variabel X disebut variabel bebas (independent variable) atau variabel peramal (predictor) dan sering kali disebut variabel yang menerangkan (exsplanatory).

Pengujian terhadap model regresi dapat dilihat dari hasil tabel Anova. Dibagi menjadi dua yaitu dengan parsial (per koefisien) dilihat dari uji-t dan dengan bersama melalui uji-F. Untuk menilai kesesuaian model dapat dilihat dari tabel model summary dilihat dari nilai R²yaitu koefiesien determinasi: % keragaman Y yang mampu dijelaskan X.

4. Estimasi Interval dan Pengujian Hipotesis

Hipotesis merupakan suatu pernyataan yang masih lemah kebenarannya dan perlu dibuktikan atau dugaan yang sifatnya masih sementara. Hipotesis dibuat untuk diuji kebenarannya untuk kemudian dapat diterima ataupun ditolak. Hipotesis dapat ditolak namun bukan berarti menyimpulkan bahwa hipotesis salah, dimana bukti yang tidak konsisten dengan hipotesis. Sebaliknya, penerimaan hipotesis sebagai akibat tidak cukupnya bukti untuk menolak dan tidak berimplikasi bahwa hipotesis itu pasti benar.

(23)

Prosedur pengujian hipotesis ada lima: (1) menentukan formulasi hipotesis, (2) menentukan taraf nyata (significant level), (3) menentukan kriteria pengujian, (4) menentukan nilai uji, (5) membuat kesimpulan.

Hipotesis dibagi menjadi dua, hipotesis nol yaitu suatu pernyataan yang akan diuji dan hipotesis alternatif yaitu segala hipotesis yang berbeda dengan hipotesis nol. Pengujian hipotesis dengan regresi linier yaitu dengan ANOVA (analysis of variance). Prinsip pengujiannya adalah menganalisis variabilitas atau keragaman data menjadi dua sumber variasi, yaitu variasi dalam kelompok (within) dan variasi antar kelompok (between).

5. Regresi Linier Berganda

Regresi linier berganda merupakan analisis regresi yang melibatkan lebih dari satu variabel bebas. Analisis regresi mencoba memperkirakan atau memprediksi nilai rata-rata dari satu variabel (dependen, dan diasumsikan bersifat stokastik) berdasarkan nilai- nilai tetap dari variabel lain (independen, dan non-stokastik), antara variabel dependen dan independen mempunyai hubungan kausalitas.

Untuk uji kesesuaian model atau uji kecocokan digunakan koefisien determinasi (R²). R² menunjukkan proporsi variasi total dalam respon Y yang dapat diterangkan oleh model atau untuk mengetahui prosentase pengaruh variabel- variabel X1 dan X2 terhadap variable Y digunakan koefisien determinasi.

6. Statistik Inferensi 1

Inferensi statistik merupakan pengambilan kesimpulan tentang parameter populasi berdasarkan analisis pada sampel. Dalam inferensi statistik terdapat beberapa konsep yaitu estimasi titik, estimasi interval, dan uji hipotesis. Estimasi parameter untuk menduga nilai parameter populasi berdasarkan statistik/data. Estimasi titik untuk menduga nilai tunggal parameter populasi. Estimasi interval untuk menduga nilai parameter populasi dalam bentuk interval.

(24)

7. Statistik Inferensi 2

Inferensi statistik dibagi menjadi tiga yaitu satu populasi, dua populasi, dan lebih dari 2 populasi. Inferensi statistik satu populasi dibagi menjadi dua yaitu populasi sembarang dan normal. Untuk inferensi statistik dua populasi juga dibagi menjadi dua yaitu populasi sembarang dan normal. Lebih dari 2 populasi menggunakan analisis variansi (ANOVA).

(25)

Bagian 3

penyiMpangan asuMsi klasik

8. Penyimpangan Asumsi Klasik

Asumsi klasik merupakan salah satu hal yang harus dipenuhi dalam hasil regresi agar menghasilkan nilai estimasi yang bersifat BLUE (Best Linear Unbiased Estimator). BLUE (Best Linear Unbiased Estimator) adalah asumsi yang dikembangkan oleh Gauss dan Markov, yang kemudian teori tersebut terkenal dengan sebutan Gauss-Markov Theorem. Hasil regresi dikatakan BEST apabila garis regresi yang dihasilkan guna melakukan estimasi atau peramalan dari sebaran data, menghasilkan eror yang terkecil. Ada 10 asumsi yang menjadi syarat penerapan OLS (Ordinary Least System).

Asumsi 1 yaitu linear regression model yaitu model regresi merupakan hubungan linear dalam parameter. Asumsi 2 yaitu nilai X adalah tetap dalam sampling yang diulang-ulang. Asumsi 3, Variabel pengganggu e memiliki rata-rata nol. Asumsi 4, homoskedastisitas yaitu variabel pengganggu (e) memiliki variasi yang sama dari berbagai nilai X. Asumsi 5, tidak ada autokorelasi antara variabel eror pada setiap nilai X dan Y. Asumsi 6, variabel X dan eror tidak berkorelasi. Asumsi 7, jumlah observasi atau besar sampel (n) harus lebih besar dari jumlah parameter yang diestimasi. Asumsi 8, variabel X harus memiliki variabilitas. Asumsi 9, model regresi secara benar telah terspesifikasi.

Asumsi 10, tidak ada multikolinearitas antara variabel bebas.

9. Multikolinearitas

Multikolinieritas adalah suatu keadaan dimana terjadi korelasi linear yang ”perfect” atau eksak di antara variabel penjelas yang dimasukkan ke dalam model. Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independent variable).

(26)

Cara mendeteksi ada atau tidaknya multikolinearitas:

a. Nilai R² yang dihasilkan sangat tinggi, tetapi secara individual variabel2 bebas banyak yg tidak signifikan mempengaruhi varibel terikat.

b. Menganalisis matriks korelasi variabel-variabel bebas. Jika antar variabel bebas ada korelasi yg cukup tinggi (di atas 0.80), mengindikasikan adanya multikolinearitas.

c. Multikolinearitas dapat juga dilihat dari nilai tolerance dan lawannya variace inflation factor (VIF). Nilai yg umumnya dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance

≤ 0.10 atau VIF sama dengan ≥ 10.

Konsekuensi Multikolinearitas

Apabila belum terbebas dari masalah multikolinearitas akan menyebabkan nilai koefisien regresi (b) masing-masing variabel bebas dan nilai standar error-nya (se) cenderung bias, dalam arti tidak dapat ditentukan kepastian nilainya, sehingga akan berpengaruh pula terhadap nilai t.

Pendeteksian Multikolinearitas

Terdapat beragam cara untuk menguji multikolinearitas, di antaranya: menganalisis matrix korelasi dengan Pearson Correlation atau dengan Spearman’s Rho Correlation, melakukan regresi partial dengan teknik auxilary regression.

Menurut Gujarati (1995):

• Bila korelasi antara dua variabel bebas melebihi 0,8 maka multikolinearitas menjadi masalah yang serius.

• Apabila korelasi antara variabel penjelas tidak lebih besar dibanding korelasi variabel terikat dengan masing-masing variabel penjelas, maka dapat dikatakan tidak terdapat masalah yang serius.

(27)

Mengatasi Multikolinearitas

• Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi

• Menambah jumlah observasi atau sampel

• Mentransformasikan data ke dalam bentuk lain, misalnya logaritma, logaritma natural, dll

• Alternatif yang lebih lanjut (advanced) menggunakan metode bayessian yang masih jarang digunakan

10. Heteroskedastisitas

Heteroskedastisitas muncul apabila kesalahan (e) atau residual dari model yang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya. Rumus regresi diperoleh dengan asumsi bahwa variabel pengganggu (error) atau e, diasumsikan memiliki variabel yang konstan (rentangan e kurang lebih sama).

Apabila terjadi varian e tidak konstan, maka kondisi tersebut dikatakan tidak homoskedastik atau mengalami heteroskedastisitas. Masalah heteroskedastisitas lebih sering muncul dalam data cross section dari pada data time series karena dalam data cross section menunjukkan obyek yang berbeda dan waktu yang berbeda pula. Antara obyek satu dengan yang lainnya tidak ada saling keterkaitan, begitu pula dalam hal waktu. Sedangkan data time series, antara observasi satu dengan yang lainnya saling mempunyai kaitan. Ada trend yang cenderung sama. Sehingga variance residualnya juga cenderung sama. Asumsi homoskedastisitas yaitu memiliki varians yang sama, dengan lambang:

(𝑢𝑖2)= 𝜎2

Konsekuensi Heteroskedastisitas 1. Standard error menjadi bias 2. Nilai b bukan nilai yang terbaik.

(28)

3. Munculnya masalah heteroskedastisitas yang mengakibatkan nilai se menjadi bias, akan berdampak pada nilai t dan nilai F yang menjadi tidak valid.

Pendeteksian Heteroskedastisitas

• Untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilakukan dengan berbagai cara seperti uji grafik, uji Arch, uji Park, Uji Glejser, uji Spearman’s Rank Correlation, dan uji White menggunakan Lagrange Multiplier

• Membandingkan sebaran data pada scatter plot

Cara mengatasi heteroskedastisitas

• Melakukan trasnformasi dengan membagi model regresi dengan salah satu variabel bebas

• Melakukan transformasi log

11. Autokorelasi

Autokorelasi merupakan gangguan pada fungsi regresi berupa korelasi diantara faktor gangguan (error term).

Cov ( ei , ej ) = 0 dimana i ≠ j

Autokorelasi umumnya terjadi pada penelitian yang menggunakan data time series namun dapat juga terjadi pada data cross section.

Penyebab Autokorelasi

1. Tidak diikutsertakannya seluruh variabel bebas yang relevan dalam model regresi yang diduga.

2. Kesalahan spesifikasi model matematika yang digunakan.

3. Pemakaian data yang kurang baik karena interpolasi data atau sumber data yang kurang akurat.

4. Kesalahan spesifikasi variabel gangguan.

(29)

Konsekuensi Autokorelasi

• Penduga-penduga koefisien regresi yang diperoleh dengan menggunakan OLS tidak lagi BLUE, sekalipun masih tak bias dan konsisten.

• Hasil estimasi untuk standar error dan varians koefisien regresi yang didapat akan underestimate. Dengan demikian nilai koefisien determinasi (R2) akan besar dan akibatnya uji t, uji F, dan interval kepercayaan menjadi tidak valid lagi untuk digunakan.

• Adanya autokorelasi yang kuat dapat menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan.

Mendeteksi Autokorelasi 1. Metode Grafik.

Metode merupakan langkah yang paling mudah untuk dilakukan yaitu dengan membuat plot antara residual dan variabel bebas X atau waktu atau membuat plot antara residual pada waktu ke-t dengan residual pada waktu t-1. Untuk metode grafik sering dijumpai kesulitan dalam menentukan ada atau tidaknya autokorelasi dikarenakan penilaian yang subjektif sehingga menimbulkan perbedaan kesimpulan di antara peneliti.

2. Metode Durbin Watson (DW test).

Metode ini hanya berlaku untuk model regresi yang variabel- variabel bebasnya tidak mengandung lagged dependent variable (time lag). Durbin Watson tidak relevan digunakan dalam penaksiran model regresi yang menggunakan data cross section dan penaksiran model regresi tanpa intercept.

3. Metode h - statistik ( h-stat ).

Metode ini hanya berlaku untuk model regresi yang variabel bebasnya mengandung lagged dependent variable (time lag).

(30)

Untuk menguji h-statistik maka digunakan tabel standardized normal distribution, yaitu:

Pr { -1,96 ≤ h ≤ 1,96 } = 0,95 Kesimpulan untuk h-statistik:

• Jika h > 1,96 maka hipotesis yang menyatakan tidak terdapat autokorelasi yang positif ditolak.

• Jika h < -1,96 maka hipotesis yang menyatakan tidak terdapat autokorelasi yang positif ditolak.

• Jika nilai h-statistik berada diantara -1,96 dan +1,96 { -1,96

≤ h ≤ 1,96 } maka hipotesis yang menyatakan tidak terdapat autokorelasi

• tidak dapat ditolak.

4. Metode Lagrange Multiplier (LM test)

Metode LM test yaitu membandingkan nilai χ2 hitung dengan χ2 tabel {chi square} dengan kriteria penilaian sebagai berikut :

• Jika nilai X² hitung > X² tabel maka hipotesis yang menyatakan bahwa tidak ada autokorelasi dalam model empiris yang digunakan ditolak.

• Jika nilai X² hitung < X² tabel maka hipotesis yang menyatakan bahwa tidak ada autokorelasi dalam model empiris yang digunakan tidak dapat ditolak.

(31)

Bagian 4

norMalitas Dan regresi Matriks

12. Normalitas dan regresi matriks Skewness dan Kurtosis

• Sebelum data diolah dan dianalisis maka harus dipenuhi persyaratan analisis terlebih dahulu.

• Dengan asumsi bahwa :

a. Data yang dihubungkan berdistribusi normal.

b. Data yang dibandingkan bersifat homogen.

Skewness

Kecondongan suatu kurva dapat dilihat dari perbedaan letak mean, median dan modusnya. Jika ketiga ukuran pemusatan data tersebut berada pada titik yang sama, maka dikatakan simetris atau data berdistribusi normal. Sedangkan jika tidak berarti data tidak simetris atau tidak berdistribusi normal. Ukuran kecondongan data terbagi atas tiga bagian, yaitu :

• Kecondongan data ke arah kiri (ekornya condong kiri/negatif) di mana nilai modus lebih dari nilai mean (modus > mean).

• Kecondongan data simetris (distribusi normal) di mana nilai mean dan modus adalah sama (mean = modus).

• Kecondongan data ke arah kanan (ekornya condong kanan/positif) di mana nilai mean lebih dari nilai modus (mean > modus).

Nilai Skewness dapat diukur menggunakan Koefisien kecondongan Pearson dan Koefisien kecondongan Moment. Koefisien kemencengan Pearson merupakan nilai selisih rata-rata dengan modus dibagi simpangan baku. Koefisien Kemencengan Pearson dirumuskan sebagai berikut:

(32)

Keterangan :

Sk = Koefisien skewness x̄ = Rata-rata

Mo = Nilai modus

Jika nilai Sk dihubungkan dengan keadaan kurva maka:

• Sk = 0 kurva memiliki bentuk simetris;

• Sk > 0 nilai-nilai mean terletak di sebelah kanan Mo, kurva memiliki ekor memanjang ke kiri, kurva menceng ke kanan/positif;

• Sk < 0 nilai-nilai mean terletak di sebelah kiri Mo, kurva memiliki ekor memanjang ke kanan, kurva menceng ke kiri/negatif.

Kurtosis

Kurtosis atau keruncingan adalah tingkat kepuncakan dari sebuah distribusi yang biasanya diambil secara relatif terhadap suatu distribusi normal.

Berdasarkan keruncingannya, kurva distribusi dapat dibedakan atas tiga macam, yaitu:

1) Leptokurtik, merupakan distribusi yang memiliki puncak relatif tinggi (nilai keruncingan > 3)

2) Platikurtik, merupakan distribusi yang memiliki puncak hampir mendatar (nilai keruncingan <3)

3) Mesokurtik, merupakan distribusi yang memiliki puncak sedang dan tidak mendatar (Normal (nilai keruncingan = 3)

(33)

Untuk mengetahui keruncingan suatu distribusi, ukuran yang sering digunakan adalah koefisien kurtosis persentil. Koefisien keruncingan atau koefisien kurtosis dilambangkan dengan α4 (alpha 4). Koefisien keruncingan atau koefisien kurtosis dilambangkan dengan α4 (alpha 4).

Uji Normalitas Data

Uji normalitas data digunakan untuk menentukan teknik statistik apa yang akan digunakan. Data berdistribusi tidak normal menggunakan statistik non parametrik (Korelasi Rank Spearman, Korelasi Kendall). Data berdistribusi normal menggunakan statistik parametrik (Korelasi Product Moment/Pearson, Regresi). Ada tiga cara uji Normaitas, yaitu pertama dengan melihat hasil nilai skewness yang didapat melalui statistik deskriptif (Data dikatakan berdistribusi normal jika nilai Skewness di antara (-1 ---- +1) atau (-2 --- +2), kedua menggunakan Kolmogorov-Smirnov dari menu Analyze > Descriptive Statistics > Explore dan ketiga menggunakan Kolmogorov-Smirnov dari menu Analyze > Non parametric test > 1-sample K-S.

(34)

Bagian 5

MoDel autoregressive Dan variaBel DuMMy

13. Model Autoregressive

Dynamic Econometric model digunakan pada data time series, di bidang ekonomi, hubungan ketergantungan antara variabel Y dan X tidak berlangsung secara instant (pada t yang sama). Variabel Y lebih sering dipengaruhi oleh variabel X yang terjadi beberapa periode sebelumnya (lag). Alasan timbulnya “lags”:

a. Psikologis

• Manusia selaku pelaku ekonomi butuh waktu untuk penyesuaian terhadap perubahan apapun

• Butuh rencana atau strategi baru dalam menghadapi perubahan

b. Teknologi

• Untuk pengusaha yang menanamkan investasi terhadap teknologi

• “Wait and see” terhadap cepatnya perubahan teknologi Institusional

• Adanya minimum waktu di dalam kontrak kerja

Terdapat dua tipe model dinamik, yaitu pertama distributed lag models dimana melibatkan unsur lags pada variabel X Autoregressive models dan melibatkan unsur lags pada variabel Y. Kedua, distributed Lag Models dimana pada suatu waktu terjadi perubahan pada X membutuhkan beberapa periode waktu agar perubahan X mempengaruhi Y sepenuhnya. Permasalahan pada model dinamik adalah:

(35)

• OLS tetap dapat digunakan dengan resiko tidak diketahuinya nilai p yang tepat

• Multikolinieritas akibat hubungan antar Xt, Xt-1,…, Xt-p

• Nilai p yang besar: kehilangan banyak derajat bebas, hanya dapat digunakan p+1 sampai dengan n pengamatan.

Autoregressive Model

• Partial adjustment model

• Penyesuaian dilakukan terhadap variabel Y

• Adaptive expectation model

• Penyesuaian dilakukan terhadap variabel X

14. Regresi dengan Variabel Dummy

Dalam melakukan Analisis, seringkali membutuhkan data yang bersifat kualitatif. Data kualitatif berbentuk data kategori, sehingga belum dapat dilakukan analisis regresi secara langsung, perlu menggunakan Variabel Dummy. Variabel dummy disebut juga variabel indikator, biner, kategori, kualitatif, boneka, atau variabel dikotomi. Variabel Dummy pada prinsipnya merupakan perbandingan karakteristik atau hal-hal yang bersifat kualitatif. Misalnya perbandingan kondisi (besaran/jumlah) konsumen yang merasa puas terhadap suatu produk dengan konsumen yang tidak puas atau perbandingan besarnya pendapatan antara laki-laki dan perempuan. Contoh:

(1) Pengaruh jenis kelamin terhadap pendapatan.

(2) Pengaruh kualitas produk terhadap penjualan.

(3) Pengaruh harga produk terhadap kepuasan konsumen.

(4) Pengaruh pendidikan petani terhadap motivasi dalam bertani

(36)

Contoh (1) & (2) ⇾ variabel bebas kualitatif dan variabel terikat kuantitatif.

Contoh (3) ⇾ variabel bebas kuantitatif dan variabel terikat kualitatif.

Contoh (4) ⇾ variabel bebas kualitatif dan variabel terikat kualitatif.

(1) dan (2) ⇾ Regresi dengan Dummy Variabel (3) dan (4) ⇾ Regresi Logistik atau Multinomial

Misalnya kita akan menganalisis kepuasan konsumen, yang mana akan ada kemungkinan data sebagai berikut:

1. Konsumen puas 2. Konsumen tidak puas

Apabila dibuat dummy, akan menjadi:

1. Konsumen puas = 1 2. Konsumen tidak puas = 0 Atau sebaliknya

Dummy bernilai 1 atau 0 karena regresi yang dibuat menunjukkan kondisi dimana konsumen merasa puas (Dummy berharga 1 ⇾ Dummy ada dalam model), dan kondisi sebaliknya (Dummy berharga 0 ⇾ Dummy ‘hilang’ dari

model).

Variabel dengan Kategori Lebih dari Dua Tingkat Pendidikan mempunyai 3 kategori:

1. Lulus SMP 2. Lulus SMA

3. Lulus Perguruan tinggi

(37)

Dibutuhkan variabel dummy sebanyak (3-1) = 2.

Dua variabel dummy tersebut yaitu D2 dan D3 didefinisikan sebagai berikut:

D2 : 1 = pendidikan terakhir SMA 0 = lainnya

D3 : 1 = pendidikan terakhir perguruan tinggi 0 = lainnya

Perhatikan model berikut:

Y = pengeluaran biaya telekomunikasi petani per tahun X = pendapatan petani per tahun

D2 = pendidikan terakhir SMA =1; lainnya = 0

D3 = pendidikan terakhir perguruan tinggi = 1; lainnya = 0 Berapa rata-rata pengeluaran telekomunikasi petani berdasarkan pendidikannya?

• Lulus SMP :

• Lulus SMA :

• Lulus PT :

Manfaat Lain Variabel Dummy

Dalam analisis menggunakan data time series, variabel dummy bermanfaat untuk membandingkan kondisi pada periode waktu tertentu. Misalnya:

• Bagaimana kinerja sektor pertanian sebelum terjadi krisis dan saat krisis ekonomi?

• Bagaimana minat masyarakat untuk menabung di Bank Syariah setelah MUI mengeluarkan fatwa bahwa bunga bank haram?

(38)

Contoh soal

1. Jelaskan bagaimana tahapan-tahapan dalam menganalisis regresi?

2. Apa yang dimaksud dengan penyimpangan asumsi klasik dan apa konsekuensinya bila terjadi penyimpangan tersebut?

3. Bagaimana cara mendeteksi penyimpangan asumsi klasik dan memperbaikinya? Jelaskan!

4. Jika diketahui persamaan fungsi permintaan beras:

Qd = 17,25 - 0,59 P + 0,34 Pd + 0,67 Y + 0,98 Ps + 0,55 D + e Dimana : Qd : permintaan beras

P : harga beras domestik Pd : harga beras dunia Y : pendapatan

Ps : harga gandum

D : dummy variabel untuk perekonomian e : error term

Pertanyaan:

a) Bentuk hubungan dalam persamaan diatas termasuk bentuk ketergantungan

apa? Terangkan!

b) Terangkan apakah dalam persamaan diatas terdapat kesalahan spesifikasi?

c) Bagaimana anda menerapkan metode ekonometri dalam melakukan estimasi dari persamaan diatas?

d) Mengapa e selalu dicantumkan dalam persamaan?

(39)

5. Diketahui hasil penelitian persamaan model produksi beras di Indonesia dari tahun 1986-2010 sebagai berikut:

PROD_t = - 16565 + 1043.25 PB_t + 930.722PJ_t + 2.006LA_t+ 4698TEKN_t – 2056.278PPK_t+ 0.1391PROD_t-1+ e_t

(765.68) (1019.85) (0.321) (11479) (1634.02) (0.101677) R² = 0.991 | F_hitung= 395.841 | α = 95% | Prob > F = 0.0001 Dimana:

PROD_t = Jumlah produksi beras Indonesia tahun (ton) PB_t = Harga beras tahun (Rp/Kg)

PJ_t = Harga Jagung (Rp/Kg) LA_t = Luas areal tanam padi (ha) TEKN_t = Tingkat teknologi (ton/hektar) PPK_t = Harga Pupuk Urea (Rp/kg)

PROD_t-1= Jumlah produksi beras Indonesia tahun sebelumnya (ton)

α₀ = Intercept

α_1-6 = Koefisien regresi e_t = Variabel pengganggu

(nilai-nilai dalam kurung adalah standar error yang diestimasi) a) Dari persamaan di atas, manakah yang termasuk variabel

dependen dan independen dan data penelitian di atas termasuk data apa?

b) Intrepetasikan persamaan di atas ?

c) Bagaimanakah uji signifikansi dari koefisien parsial masing-masing variabel dan koefisien persamaan secara keseluruhan di atas ?

(40)

d) Bagaimanakah menurut pendapat anda tentang keseluruhan model ekonomi diatas dalam mengestimasi produksi beras di Indonesia?

6. Sebuah model cross section untuk menganalisis hubungan tabungan dengan pendapatan dan kekayaan mempunyai hasil regresi sebagai berikut:

= – 0,5107 + 0,6155 X₁– 0,0107 X₂ R² = 0,8895 F = 28,1812 (signifikan pada α=1%)

Dimana : Y = tabungan; X₁ = pendapatan; X₂= kekayaan Hasil uji t :

Variable Sig.

Constant -0,8707

X₁ 1,1124

X₂ -0,4268

Berikan identifikasi dan interpretasi anda terhadap hasil regresi di atas! Apakah terjadi penyimpangan asumsi klasik?

7. Diketahui suatu data set dengan output (Q), Labor (L) dan Capital (K) sebagai berikut:

a) Apakah ada masalah autokorelasi dalam estimasi fungsi produksi Q

= α + β₁L + β₂K. Jika ada, bagaimana solusi untuk mengatasinya.

b) Jika fungsi produksi yang digunakan adalah fungsi Cobb Douglas, Q = a L^α K ^β. Apakah terdapat persoalan autokorelasi dan berikan alasan anda.

(41)

8. Hasil estimasi dengan menggunakan variabel bebas yt-1 adalah sebagai berikut:

yt = 2.7 + 0.4 x1 + 0.9 yt-1 R2 = 0.98 (0.4) (0.06) DW = 1.9 Apa yang terjadi pada hasil estimasi tersebut? Jelaskan!

Panduan Praktikum

Timeline praktikum dibuat sebagai panduan pelaksanaan praktikum agar tepat waktu. Berikut timeline praktikum Mata Kuliah Ekonometrika semester genap.

PERTEMUAN PEMBAHASAN PRAKTIKUM PELAKSANAAN KETERANGAN

1. KOORDINASI

DENGAN DOSEN

Minggu ke-1 Mendiskusikan terkait teknis pelaksanaan praktikum, timeline pelaksanaan praktikum, rincian kegiatan

praktikum, pembagian praktikan, rincian tugas coass.

2. KOORDINASI

DENGAN COASS

Minggu ke-2 Mendiskusikan terkait pembagian tugas antar coass dan pembagian kelompok praktikan

3. PENYUSUNAN

BUKU PETUNJUK PRAKTIKUM

Minggu ke-3 Melakukan penyusunan buku petunjuk praktikum ekonometrika dengan melakukan pembaruan data dan informasi.

(42)

4. PEMBUATAN

GRUP KELAS PRAKTIKAN

Minggu ke-4 Praktikan terdiri dari 3 kelas yaitu Agribisnis A, B dan C yang dibagi menjadi 9 kelompok.

Setiap kelompok terdiri dari 12 hingga 13 anggota.

5. INSTALASI

PROGRAM SPSS Minggu ke-5 Instalasi program spss dilakukan secara bersama-sama setiap praktikan dengan cooass. Program yang diinstal merupakan SPSS versi 22.

6. PENDAHULUAN DAN INPUT DATA

Minggu ke-6 Coass memberikan arahan terkait timeline dan tata tertib praktikum serta memandu praktikan dalam menginput data ke dalam program SPSS.

7. PEMBUATAN

CHART DAN DIAGRAM

Minggu ke-7 Coass memandu dalam pembuatan chart dan diagram menggunakan program SPSS yang berkaitan dengan data yang akan diregresi.

8. MELAKUKAN

REGRESI LINIER SEDERHANA DAN BERGANDA

Minggu ke-8 Coass memandu praktikan mengaplikasikan analisis regresi sederhana dan berganda menggunakan program SPSS.

Kemudian, memberikan arahan terkait cara menginterpretasikan ouput regresi tersebut.

(43)

9. MELAKUKAN

REGRESI EKSPONEN DAN VARIABEL DUMMY

Minggu ke-9 Coass memandu praktikan mengaplikasikan analisis regresi eksponen dan regresi dengan variabel dummy menggunakan program SPSS. Kemudian, coass memberikan arahan terkait cara menginterpretasikan ouput regresi tersebut.

10. MELAKUKAN UJI ASUMSI KLASIK (MULTIKO- LINEARITAS, AUTOKORELASI DAN HETEROSKE- DASTISITAS)

Minggu ke-10 Coas memandu praktikan mengaplikasikan analisis uji asumsi klasik yang terdiri dari uji multikolinearitas, heteroskedastisitas, dan autokorelasi untuk mengetahui persamaan regresi yang unbiased menggunakan program SPSS. Kemudian, coass memberikan arahan terkait cara menginterpretasikan ouput uji dan langkah pengobatan data yang berpenyakit.

11. RESPONSI Minggu ke-11 Praktikan melakukan responsi terkait analisis regresi dan uji asumsi klasik untuk mengetahui tingkat kepahaman praktikan.

(44)

TahapKemampuan akhir/ Sub-CPMK (kode CPL) Materi Pok okReferensi (kode dan halaman)

Metode Pembelajaran Waktu (menit)Pengalaman Belajar

Penilaian* LuringDaring

Indikator (tingkat Taksonomi) C-A-P

Teknik penilaian dan bobot

12345678910 1Memahami tentang pengolahan data menggunakan SPSS dan teori dasar Ekonometrika 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Pendahuluan dan regresi1,2,3,4

Case method

Mempraktikkan penggunaan SPSS dan memahami teori tentang regresi (regresi linier sederhana, regresi linier berganda, regresi eksponen)

120C1, C3, P118,75 2Mahasiswa melakukan pengolahan data dan interpretasi data soal ujian regresi linier berganda 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Regresi linier berganda1,2,3,4

Case method

Mengolah data soal ujian regresi linier berganda dan menginterpretasikan hasil analisis

120C1, C3, P118,75 3Mahasiswa melakukan pengolahan data dan interpretasi data soal ujian regresi eksponen serta memahami tentang variabel Dummy 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Regresi

eksponen dan v

ariabel Dummy

1,2,3,4

Case method

Mengolah data soal ujian regresi eksponen dan menginterpretasikan hasil analisis serta memahami teori tentang variabel Dummy

120C1, C3, P118,75

(45)

TahapKemampuan akhir/ Sub-CPMK (kode CPL) Materi Pok okReferensi (kode dan halaman)

Metode Pembelajaran Waktu (menit)Pengalaman Belajar

Penilaian* LuringDaring

Indikator (tingkat Taksonomi) C-A-P

Teknik penilaian dan bobot

12345678910 4Mahasiswa

melakukan pengolahan data dan interpr

etasi

data soal ujian variabel Dumm

y

dan memahami dan mengolah data tentang asumsi klasik serta car

a pengobatannya 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Variabel Dumm

y dan

asumsi klasik (Mul

ti- kolinieritas,

Auto- kor

elasi, Heteroske- dastisitas)

1,2,3,4

Case method Mengolah data soal ujian variabel Dumm

y dan menginterpretasikan hasil analisis.

Memahami teori tentang asumsi klasik, mengolah data soal ujian asumsi klasik serta menginter

- pretasikan hasil analisis

120C1, C3, P118,75 5Mahasiswa

memahami teori- teori Ek

onometrika

dan penggunaan aplikasi SPS

S 4.1, 4.2, 4.3, 5.1, 6.1, 8.1, 8.2,8.3

Responsi1,2,3,4

Case method Mengolah dan menginter

- pretasikan

berbagai macam data secar

a mandiri

120C1, C3, P125 *Rubrik Kriteria Penilaian terlampir