Tabel 4.4. Uji Akar Unit Phillips-Perron test pada tingkat Second Difference
No. Variabel
Second Difference Ho = Tidak Stasioner
Ha = Stasioner PP test
CV 5
1 LNIHSG
-11.98980 -3.490662
Tolak Ho 2
LNGDP -7.533063
-3.490662 Tolak Ho
3 INF
-14.11913 -3.490662
Tolak Ho 4
LNKURS -13.60449
-3.490662 Tolak Ho
5 SBI
-7.382974 -3.490662
Tolak Ho Sumber : Lampiran 4
Dari data yang diuji dapat dilihat bahwa semua variabel sudah stasioner pada second difference. Hal ini dapat dibuktikan dengan nilai
Phillip-Perron test lebih kecil dari pada McKinnon Critical Value 5 PPtest CV 5. Kesimpulan dari data yang diolah adalah Ho ditolak yaitu semua
variabel sudah sudah stasioner pada tingkat second difference dan pengujian dapat dilanjutkan dengan uji berikutnya yaitu Uji Kointegrasi.
4. Uji Kointegrasi
Pendekatan kointegrasi merupakan isu statistik yang tidak dapat diabaikan yang berkaitan dengan pengujian terhadap kemungkinan adanya
hubungan jangka panjang antara variabel-variabel ekonomi seperti yang dikehendaki teori ekonomi. Pendekatan ini dapat pula dianggap sebagai uji
teori ekonomi dan merupakan bagian penting dalam perumusan dan estimasi sebuah model dinamis Indukindro, 2003.
Tabel 4.5. Uji Kointegrasi
Null Hypothesis: RESID01 has a unit root Exogenous: None
Bandwidth: 4 Fixed using Bartlett kernel Adj. t-Stat Prob.
Phillips-Perron test statistic -3.766333 0.0003
Test critical values: 1 level -2.604746
5 level -1.946447
10 level -1.613238
MacKinnon 1996 one-sided p-values. Residual variance no correction
0.003756 HAC corrected variance Bartlett kernel
0.003868
Dari Tabel 4.4. diatas menunjuan nilai PP test CV 5 yaitu - 3.766333 -1.946447 dengan probabilitas 0.0003 sehingga Ho ditolak.
Artinya adalah residual dari persamaan telah stasioner pada derajat integrasi nol atau I0. Sehingga setiap variabel dikatakan terkointegrasi atau terdapat
adanya indikasi hubungan dalam jangka panjang. Adanya indikasi hubungan keseimbangan dalam jangka panjang belum
dapat digunakan sebagai bukti bahwa terdapat hubungan antara variabel- variabelnya dalam jangka pendek dan jangka panjang. Sehingga untuk
menentukan variabel mana yang menyebabkan perubahan pada variabel lainya, maka digunakan perhitungan Error Corection Model ECM.
5. Uji Asumsi Klasik
a. Normalitas
1 2
3 4
5 6
7 8
9
-400 -200
200 400
Series: Residuals Sample 2006M01 2010M12
Observations 60 Mean
4.28e-13 Median
-41.31721 Maximum
521.9405 Minimum
-463.7779 Std. Dev.
211.1679 Skewness
0.776560 Kurtosis
3.239167 Jarque-Bera
6.173464 Probability
0.045651
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal
Ghozali 2005:110. Model regresi yang baik adalah distribusi data normal atau mendekati normal Gujarati, 2006.
Gambar 4.6. Uji Normalitas Jarque-Bera
Nilai probability nya 0.045651 ternyata lebih kecil dari derajat kesalahan α = 0.05, artinya data bersifat tidak normal yang berarti Ho
diterima. Akan tetapi hal ini tidak menjadi masalah karena data yang
digunakan sudah di uji dengan uji stasioneritas dan hasil olah data dari model nantinya menghasilkan nilai yang di inginkan.
b. Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya Ghozali 2005:95.
Tabel 4.6. Hasil Uji Lagrange Multiple Test
Breusch-Godfrey Serial Correlation LM Test: F-statistic
0.619709 Prob. F2,52 0.5420
ObsR-squared 1.373525 Prob. Chi-Square2
0.5032
Dari Tabel 4.5. pada tabel uji LM dapat dilihat bahwa nilai probabilitas Chi-
Square 0.5032 atau lebih besar dari α = 0.05. Hal ini berarti dalam model ini tidak terdapat adanya autokorelasi, yang berarti
Ho ditolak. c. Heteroskedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke
pengamatan yang lain Ghozali 2005: 105. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas
dan jika berbeda disebut heteroskedastisitas.
Tabel 4.7. Hasil White Heteroskedasticity
Heteroskedasticity Test: White F-statistic
1.831690 Prob. F13,46 0.0663
ObsR-squared 20.46523 Prob. Chi-Square13
0.0842 Scaled explained SS 21.01377 Prob. Chi-Square13
0.0727
Dari Tabel 4.6. dapat dilihat bahwa dalam model ini nilai probabilitas sebesar 0.0842 dengan ObsR
2
20.46523 yaitu diatas derajat
keslahan 5 0,05. Hal ini berarti dalam model tidak terdapat adanya heteroskedastisitas yang berarti Ho ditolak.
6. Uji Error Corection Model ECM
