79
dan pungutan sebagaimana banyak dikeluhkan pengusaha, ini akan sangat sulit bagi barang Indoneisa untuk bisa bersaing.
4.2. Hasil Analisis dan Pembahasan
Data ekspor dan impor merupakan data time series untuk negara Indonesia dimana ini perlu dilakukan pengujian asumsi klasik terlebih dahulu
untuk mengetahui apakah terdapat suatu korelasi baik pada periode waktunya maupun pada variabel-variabel bebasnya.
1. Uji Autokorelasi
Tabel 4.8 Hasil Estimasi Uji Autokorelasi Dengan Uji Durbin-Watson
R-squared 0.998823 Mean dependent var
1906918. Adjusted R-squared
0.998234 S.D. dependent var 401755.8
S.E. of regression 16883.63 Akaike info criterion
22.58980 Sum squared resid
2.28E+09 Schwarz criterion 22.80709
Log likelihood -141.8337 F-statistic
1696.689 Durbin-Watson stat
1.404007 ProbF-statistic 0.000000
Sumber: Data dari pengolahan eviews Dari hasil estimasi di atas dapat dilakukan uji DW untuk melihat adanya
tidak autokorelasi maka dapat dilihat bahwa nilai DW
hitung
sebesar 1,404. Sedangkan untuk tingkat signifikansi
α = 5 dengan k = 4 dan n = 13 diperoleh nilai DW
L
= 0,574 dan DW
U
= 2,094. Berdasarkan dengan nilai DW
hitung
dan DW
tabel
maka dapat di ambil kesimpulan bahwa DW
L
DW DW
U
0,574 1,404 2,094 dimana tidak ada kesimpulan dari estimasi di atas. Selanjutnya
adapun pengujian lain yang dapat dilihat dari uji Lagrange Multiplier LM test untuk melihat autokorelasi.
Universitas Sumatera Utara
80
Tabel 4.9 Hasil Estimasi Uji Autokorelasi dengan Lagrange Multiplier Test
Sumber: Data dari pengolahan eviews
Berdasarkan hasil estimasi menurut uji LM test yang diperoleh menunjukan bahwa nilai obsR-squared X
2 hitung
X
2 tabel
yakni 8,325 26,21 yang berarti bahwa tidak signifikan atau menerima H
dimana tidak terdapat autokorelasi. Kemudian juga bisa dilihat dari nilai probability lebih tinggi pada
tingkat α = 1 yakni 0,0155 0,01 dimana hal ini menunjukkan bahwa hasil
estimasi tidak signifikan atau menerima H yang bearti tidak terdapat autokorelasi.
Sehingga model ini dapat dilanjutkan ke metode regresi logaritma berganda.
2. Uji Multikolineritas
Tabel 4.10 Hasil Estimasi Uji Multikolineritas Dengan Correlation Matrix
Y CONS
INVS X
M Y
1.000000 0.998329
0.566264 0.969358
0.965996 CONS
0.998329 1.000000
0.536345 0.958520
0.955009 INVS
0.566264 0.536345
1.000000 0.640363
0.711511 X
0.969358 0.958520
0.640363 1.000000
0.985013 M
0.965996 0.955009
0.711511 0.985013
1.000000 Sumber: Data dari pengolahan eviews
Hasil estimasi diatas menunjukkan bahwa korelasi antar variabel terdapat multikolineritas dimana nilai invs paling rendah yaitu dengan nilai 0,566 yang
berarti bahwa hubungan tersebut kurang baik di antara variabel lainnya yang menunjukkan hubungan yang sempurna. Ini terlihat dari nilai yang tinggi yaitu
Breusch-Godfrey Serial Correlation LM Test: F-statistic
5.343562 Probability 0.046485
ObsR-squared 8.325737 Probability
0.015563
Universitas Sumatera Utara
81
0,99 namun dalam perhitungan korelasi nilai tertingginya adalah 1 satu yang menunjukkan hubungan yang sempurna antar variabelnya. Selain dari uji
correlation matrix juga ada terdapat uji korelasi parsial yang juga dapat melihat apakah terdapat multikolineritas.
Tabel 4.11Hasil Estimasi Multikolineritas dengan Uji Korelasi Parsial
R
2
y, cons, invs, x, m
Variable Coefficient
Std. Error t-Statistic
Prob. C -145747.8
107400.3 -1.357052
0.2118 CONS 1.527035
0.098195 15.55098
0.0000 INVS 0.193326
0.209131 0.924425
0.3823 X 0.980873
0.644607 1.521661
0.1666 M -0.060384
0.775624 -0.077852
0.9399 R-squared
0.998823 Mean dependent var 1906918.
R
2
cons, y, invs, x, m
Variable Coefficient
Std. Error t-Statistic
Prob. C 125777.4
62554.27 2.010692
0.0792 Y 0.633894
0.040762 15.55098
0.0000 INVS -0.165623
0.129096 -1.282946
0.2354 X -0.619901
0.417584 -1.484495
0.1760 M 0.187150
0.495521 0.377683
0.7155 R-squared
0.998513 Mean dependent var 1260672.
R
2
invs, y, cons, x, m
Variable Coefficient
Std. Error t-Statistic
Prob. C 434280.9
114312.5 3.799068
0.0052 Y 0.499214
0.540026 0.924425
0.3823 CONS -1.030268
0.803049 -1.282946
0.2354 X -1.551476
1.040496 -1.491092
0.1743 M 2.555960
0.859079 2.975234
0.0177 R-squared
0.798654 Mean dependent var 134559.9
Universitas Sumatera Utara
82
R
2
x, y, cons, invs, m
Variable Coefficient
Std. Error t-Statistic
Prob. C 67192.44
52404.77 1.282182
0.2357 Y 0.228841
0.150389 1.521661
0.1666 CONS -0.348399
0.234692 -1.484495
0.1760 INVS -0.140175
0.094008 -1.491092
0.1743 M 0.748882
0.265249 2.823319
0.0224 R-squared
0.982677 Mean dependent var 108741.8
R
2
m, y, cons, invs, x
Variable Coefficient
Std. Error t-Statistic
Prob. C -109769.8
37947.94 -2.892641
0.0201 Y -0.012537
0.161039 -0.077852
0.9399 CONS 0.093605
0.247841 0.377683
0.7155 INVS 0.205512
0.069074 2.975234
0.0177 X 0.666455
0.236054 2.823319
0.0224 R-squared
0.987790 Mean dependent var 84453.50
Sumber: Data dari pengolahan eviews Berdasarkan dari hasil di atas maka dapat dibandingkan nilai R
2
y, cons, invs, x, m dengan R
2
cons, y, invs, x, m dan R
2
invs, y, cons, x, m dan R
2
x, y, cons, invs, m dan R
2
m, y, cons, invs, x. Dari hasil ini dapat dilihat bahwa nilai R
2
cons, y, invs, x, m lebih tinggi dibandinkan dengan nilai R
2
invs, y, cons, x, m yakni 0,998 0,798 dan nilai ini juga lebih rendah dibandingkan
dengan nilai R
2
y, cons, invs, x, m, R
2
x, y, cons, invs, m dan R
2
m, y, cons, invs, x. Maka dengan demikian dapat simpulkan bahwa terdapat multikolineritas
pada model ini. Selanjutnya untuk mengobati multikolineritas yakni dengan melakukan
Uji Wald , dimana uji ini untuk melihat apakah variabel yang diduga terkena
multikolineritas dapat dihilangkan.
Universitas Sumatera Utara
83
Tabel 4.12 Hasil Estimasi Mengobati Multikolineritas dengan Uji Wald
Wald Test: Equation: MULTIKOLINERITAS2
Test Statistic Value
df Probability
F-statistic 0.854561
1, 8 0.3823
Chi-square 0.854561 1
0.3553 Null Hypothesis Summary:
Normalized Restriction = 0 Value
Std. Err. C3 0.193326
0.209131 Restrictions are linear in coefficients.
Sumber: Data dari pengolahan eviews Dikarenakan variabel invs merupakan variabel urutan ketiga maka dari
hasil diatas dapat dilihat apakah variabel c3 memiliki nilai 0 atau tidak. Dimana dalam pengujian c3 dianggap bahwa apabila H
: c3 = 0 dan H
a
c3 ≠ 0.
Tetapi dari hasil uji wald diatas dapat kita lihat bahwa nilai probability 0,382 lebih besar dari
α = 1; 5; 10 yang berarti tidak signifikan dengan demikian H
: c3 = 0 atau menerima H . Kemudian dapat dilihat juga dari nilai F
hitung
F
tabel
yakni 0,854 3,84 pada tingkat 5 yang bearti menerima H . Dengan
demikian dapat diambil kesimpulan bahwa model ini dapat terobati sehingga tidak terdapat multikolineritas lagi dalam model tersebut.
Universitas Sumatera Utara
84
3. Regresi Logaritma Berganda
Kategori