Analisis Data dan Pembahasan
B. Analisis Data dan Pembahasan
1. Uji pemilihan Model Menentukan model yang akan digunakan apakah model linier atau log linier dalam penelitian, terlebih dahulu dilakukan uji pemilihan model. Dalam penelitian ini digunakan MacKinnon ,White and Davidon (MWD test) untuk menentukan model apakah yang sebaiknya digunakan. Hasil uji MWD test adalah :
a. Model Linier Dari hasil uji MWD test model linier yang terlihat dalam tabel 4.6 dapat kita lihat bahwa Z1 signifikan secara statistik, hal ini ditunjukkan dengan nilai probabilitas Z1 = 0.0002
Dependent Variable: D(Y) Method: Least Squares Date: 03/21/11 Time: 16:49 Sample (adjusted): 1991 2009 Included observations: 19 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C 1.39E+12
3.77E+11
0.0042 D(X1) 33.96464
0.2605 X1(-1) 110.2248
0.0619 D(X2) -5.642608
0.1551 X2(-1) -9.069799
0.2968 D(X3) -19.15951
0.4764 X3(-1) -82.05307
Z1 -3.42E+12
0.831589 Mean dependent var
2.07E+11 Adjusted R-squared
0.696860 S.D. dependent var
3.36E+11 S.E. of regression
1.85E+11 Akaike info criterion
55.03338 Sum squared resid
3.43E+23 Schwarz criterion
55.48074 Log likelihood
-513.8171 F-statistic
6.172317 Durbin-Watson stat
1.604209 Prob(F-statistic)
b. Model Log-Linier Dari hasil uji MWD test model log linier seperti yang terlihat dalam tabel
4.7 dibawah ini, dapat kita lihat bahwa Z2 tidak signifikan secara statistik, hal ini ditunjukkan dengan nilai probabilitas Z2 = 0.8885
Dependent Variable: D(LY) Method: Least Squares Date: 03/21/11 Time: 16:50 Sample (adjusted): 1991 2009 Included observations: 19 after adjustments
Variable
Coefficient
Std. Error
0.0500 D(LX1) -0.077904
0.8971 LX1(-1) -1.877554
0.1206 D(LX2) -0.080706
0.5038 LX2(-1) -1.475065
0.0045 D(LX3) 0.882772
0.0237 LX3(-1) 0.111317
Z2 4.11E-14
0.698248 Mean dependent var
0.089029 Adjusted R-squared
0.456846 S.D. dependent var
0.197042 S.E. of regression
0.145218 Akaike info criterion
-0.715645 Sum squared resid
0.210883 Schwarz criterion
-0.268279 Log likelihood
15.79863 F-statistic
2.892469 Durbin-Watson stat
2.141024 Prob(F-statistic)
Berdasarkan hasil uji MWD test menunjukkan probabilitas Z1 yang signifikan dan Z2 yang tidak signifikan. Hal ini berarti model log linier yang dapat digunakan dalam penelitian ini.
2. Uji Stasioner
a. Uji akar – akar
Uji akar unit dimaksudkan untuk mengamati apakah koefisien- koefisien tertentu dari model autoregresif yang ditaksir memiliki nilai satu atau tidak. Untuk memenuhi keshahihan analisis ECM, maka semua variabel yang diteliti harus memiliki sifat stasioner pada derajat yang sama. Pengujian stasioneritas data terhadap semua variabel
Fuller (ADF) Test.
Untuk uji akar unit ini, apabila nilai hitung mutlak DF dan ADF lebih kecil daripada nilai kritis mutlak MacKinnon maka data tersebut belum stasioner. Sebaliknya jika nilai hitung mutlak DF dan ADF lebih besar daripada nilai kritis MacKinnon, maka data sudah stasioner. Hasil uji stasioneritas data dapat dilihat pada tabel berikut :
Tabel 4.8 Nilai Uji Stasioneritas dengan Metode DF dan ADF Pada Ordo 0[1(0)]
variabel
Nilai Hitung Mutlak
Nilai Kritis Mutlak α DF ADF DF ADF
LY -2.400.452 -2.206.419 -3.029.970
LX1 -0.389699 -2.619.678 -3.029.970
LX2 -0.613757 -1.675.121 -3.029.970
LX3 -1.183.793 -3.732.573 -3.029.970
Sumber : Hasil Olah data Eviews 5.0
Dari tabel 4.8 di atas, dapat dilihat bahwa dengan menggunakan metode DF dan ADF pada ordo 0 [I(0)] belum semua variabel memiliki nilai hitung mutlak yang lebih kecil daripada nilai kritis. Sehingga dapat disimpulkan bahwa variabel belum stasioner. Dengan demikian variabel perlu distasionerkan terlebih dahulu untuk menghindari korelasi lancung. Untuk mendapatkan semua variabel yang stasioner, harus dilakukan pengujian lebih lanjut. Uji selanjutnya adalah uji derajat integrasi, yaitu dengan memasukkan ordo/derajat integrasi sampai data yang diteliti stasioner.
Uji derajat integrasi digunakan untuk mengetahui pada derajat berapa data yang diamati stasioner. Apabila data belum stasioner pada derajat satu maka pengujian harus dilanjutkan pada derajat berikutnya sampai data yang diamati stasioner. Hasil dari uji DF dan uji ADF pada ordo 1 [I(1)] dapat dilihat pada tabel 4.9 di bawah ini.
Tabel 4.9 Nilai Uji Stasioneritas dengan Metode DF dan ADF Pada Ordo 1[1(1)]
variabel
Nilai Hitung Mutlak
Nilai Kritis Mutlak α DF ADF DF ADF
LY -3.846.801
LX1 -2.834.182
LX2 -3.673.045
LX3 -3.343.524
Sumber : hasil Olah data Eviews 5.0 Dari tabel di atas, dapat terlihat bahwa dengan metode DF dan ADF pada ordo 1 belum semua variabel memiliki nilai hitung mutlak yang lebih kecil daripada nilai kritis, sehingga dapat disimpulkan bahwa variabel belum stasioner. Karena itu untuk mendapatkan hasil semua variabel yang diamati stasioner, perlu dilakukan uji stasioneritas
dengan memasukkan ordo/derajat integrasi lebih lanjut .
Pada Ordo 2[1(2)]
variabe
Nilai Hitung Mutlak
Nilai Kritis Mutlak α DF ADF DF ADF
LY -8.974.972
LX1 -5.071.475
LX2 -4.799.019
LX3 -4.650.335
Sumber : hasil Olah data Eviews 5.0 Dari tabel di atas menunjukkan bahwa dengan menggunakan metode DF maupun ADF semua variabel memiliki nilai hitung mutlak yang lebih besar dari nilai kritis mutlak 5%. Karena semua variabel sudah stasioner, maka dapat dilanjutkan ke tahap berikutnya.
3. Uji kointegrasi Uji kointegrasi merupakan langkah berikutnya setelah uji akar unit dan uji derajat integrasi. Uji kointegrasi dapat dilakukan jika variabel- variabel yang diteliti sudah memiliki derajat integrasi yang sama. Uji kointegrasi bertujuan untuk mengetahui parameter jangka panjang, apakah residual regresi yang dihasilkan stasioner atau tidak. Jika variabel terkointegrasi maka terdapat hubungan yang stabil dalam jangka panjang,sebaliknya jika tidak stasioner maka tidak terdapat hubungan dalam jangka panjang.
Metode pengujian yang biasa digunakan dalam uji kointegrasi adalah Cointegrating Regression Durbin-Watson (CRDW), uji Dickey Fuller (DF) dan uji Augmented Dickey Fuller (ADF). Dalam penelitian ini, uji kointegrasi yang digunakan adalah metode Engel-Granger dengan Metode pengujian yang biasa digunakan dalam uji kointegrasi adalah Cointegrating Regression Durbin-Watson (CRDW), uji Dickey Fuller (DF) dan uji Augmented Dickey Fuller (ADF). Dalam penelitian ini, uji kointegrasi yang digunakan adalah metode Engel-Granger dengan
Tabel 4.11 Uji Kointegrasi
Dependent Variable: LY Method: Least Squares Date: 03/21/11 Time: 17:21 Sample: 1990 2009 Included observations: 20
Variable
Coefficient
Std. Error
LX1 -0.834708
LX2 -0.104129
0.923493 Mean dependent var
28.65499 Adjusted R- squared
0.909148 S.D. dependent var
0.496507 S.E. of regression
0.149656 Akaike info criterion
-0.784104 Sum squared resid 0.358349 Schwarz criterion
-0.584957 Log likelihood
11.84104 F-statistic
64.37697 Durbin-Watson stat
2.486643 Prob(F-statistic)
Sumber : hasil Olah data Eviews 5.0
Dari hasil estimasi OLS didapatkan nilai residualnya. Nilai residual tersebut kemudian diuji dengan menggunakan metode DF dan ADF untuk mengetahui apakah nilai residual tersebut berada dalam kondisi stasioner atau tidak. Hasil akhir uji kointegrasi terhadap nilai residual adalah :
Ordo 1[1(1)]
variabel
Nilai Hitung Mutlak
Nilai Kritis Mutlak α DF ADF DF ADF
E -5.609.871
Sumber : hasil Olah data Eviews 5.0
Dari hasil uji kointegrasi di atas, terlihat bahwa nilai hitung mutlak dengan metode DF dan ADF lebih besar daripada nilai kritis mutlak pada tingkat α = 5%. Ini berarti bahwa nilai residu tersebut sudah stasioner pada ordo derajat 1[I(1)]. Dengan demikian dapat dilanjutkan ke tahap selanjutnya, yaitu melakukan estimasi dengan menggunakan model dinamik ECM (Error Correction Model).
4. Estimasi Model Koreksi Kesalahan (ECM) Penggunaan model koreksi kesalahan (ECM) dalam penelitian ini adalah untuk mengetahui pengaruh jangka pendek dan jangka panjang atas variabel-variabel independen terhadap variabel dependen. Berikut ini merupakan model regresi dengan menggunakan model ECM :
DLY t =C 0 +C 1 DLX1 t +C 2 LX1 t-1 +C 3 DLX2 t +C 4 LX2 t-1 +C 5 DLX3 t +
C 6 LX3 t-1 –C 7 ECT
Yang mana : DLY t =Y t –Y t-1 DLX1 t = LX1 t – LX1 t-1 DLX2 t = LX2 t – LX2 t-1 DLX3 t = LX3 t – LX3 t-1 ECT = ( LX1 t-1 + LX2 t-1 + LX3 t-1 – LY t )
Dependent Variable: D(LY) Method: Least Squares Date: 03/21/11 Time: 11:22 Sample (adjusted): 1991 2009 Included observations: 19 after adjustments
Variable Coefficient
Std. Error
D(LX1) -0.094515
LX1(-1) -1.995483
D(LX2) -0.078321
LX2(-1) -1.495690
D(LX3) 0.900680
LX3(-1) 0.159991
0.697623 Mean dependent var
0.089029
Adjusted R-squared
0.505202 S.D. dependent var
0.197042
S.E. of regression
0.138603 Akaike info criterion
-0.818842
Sum squared resid
0.211319 Schwarz criterion
-0.421183
Log
likelihood 15.77900 F-statistic
3.625496
Durbin- Watson stat
2.154874 Prob(F-statistic)
0.028134
Sumber : hasil Olah data Eviews 5.0 Dari tabel di atas hasil estimasi dengan menggunakan model ECM
dapat ditulis sebagai berikut : D(LY) = 28.51356958 - 0.09451484497*D(LX1) - 1.995482512*LX1(-1) -
0.07832092985*D(LX2) - 1.495689742*LX2(-1) + 0.900679628*D(LX3) + 0.1599912581*LX3(-1) + 1.216352397*ECT2
diketahui besarnya nilai variabel Error Correction Term (ECT). ECT merupakan indikator yang digunakan untuk menentukan apakah spesifikasi model valid atau tidak. Hal ini dapat terlihat dari nilai koefisien dan tingkat signifikansi ECT. Jika variabel ECT signifikan pada derajat signifikansi 5%, berarti model yang digunakan sudah shahih atau valid. Dari analisis dengan ECM, koefisien ECT memiliki tanda positif dan menunjukkan angka 0,0013. Ini menunjukkan bahwa proporsi biaya ketidakseimbangan dan pergerakan LY pada periode sebelumnya yang disesuaikan dengan periode sekarang adalah sekitar 121,6% dengan tingkat signifikansi ECT menunjukkan angka 0,0013 berarti signifikan pada tingkat signifikansi 5%.
Koefisien regresi jangka pendek dari regresi ECM ditujukan oleh besarnya koefisien pada variabel-variabel DLX1, DLX2, DLX3. Sedangkan koefisien jangka panjang pada variabel LX1(-1) , LX2(-1) dan LX3(-1).
5. Uji statistik
a. Uji t
Uji t adalah uji terhadap koefisien regresi parsial semua variabel yang bertujuan untuk mengetahui besarnya pengaruh variabel independen terhadap variabel dependen. Kriteria uji t adalah sebagai berikut : Uji t adalah uji terhadap koefisien regresi parsial semua variabel yang bertujuan untuk mengetahui besarnya pengaruh variabel independen terhadap variabel dependen. Kriteria uji t adalah sebagai berikut :
2) Koefisien regresi parsial dari Pendapatan Asli daerah (PAD) dalam jangka pendek sebesar 0.8666 maka tidak signifikan pada tingkat signifikansi α 5%. Dengan asumsi variabel lain konstan, maka Pendapatan Asli daerah (PAD) dalam jangka pendek secara statistik tidak berpengaruh terhadap Pertumbuhan ekonomi.
3) Koefisien regresi parsial dari Dana Bantuan dalam jangka pendek sebesar 0.4910, maka tidak signifikan pada tingkat signifikansi α 5%. Dengan asumsi variabel lain konstan, maka Dana Bantuan dalam jangka pendek secara statistik tidak berpengaruh terhadap Pertumbuhan ekonomi.
4) Koefisien regresi parsial dari Dana Bagi Hasil dalam jangka pendek sebesar 0.0106 , maka signifikan pada tingkat signifikansi α 5%. Dengan asumsi variabel lain konstan, maka Dana Bagi Hasil dalam jangka pendek secara statistik berpengaruh terhadap Pertumbuhan ekonomi.
5) Koefisien regresi parsial dari Pendapatan Asli daerah (PAD) dalam jangka panjang sebesar 0,0169 maka signifikan pada tingkat signifikansi α 5%. Dengan asumsi variabel lain konstan, maka 5) Koefisien regresi parsial dari Pendapatan Asli daerah (PAD) dalam jangka panjang sebesar 0,0169 maka signifikan pada tingkat signifikansi α 5%. Dengan asumsi variabel lain konstan, maka
6) Koefisien regresi parsial dari Dana Bantuan dalam jangka panjang sebesar 0,0016 maka signifikan pada tingkat signifikansi α 5%. Dengan asumsi variabel lain konstan, maka Dana Bantuan dalam jangka panjang secara statistik berpengaruh terhadap Pertumbuhan ekonomi
7) Koefisien regresi parsial dari Dana Bagi Hasil dalam jangka pendek sebesar 0,4289 , maka tidak signifikan pada tingkat signifikansi α 5%. Dengan asumsi variabel lain konstan, maka Dana Bagi Hasil dalam jangka panjang secara statistik tidak berpengaruh terhadap Pertumbuhan ekonomi
b. Uji F
Uji F adalah uji statistik yang dilakukan untuk mengetahui seberapa besar pengaruh variabel independen secara bersama-sama terhadap variabel dependen.
Berdasarkan hasil olah data, diperoleh nilai probabilitas signifikansi dari uji F adalah sebesar 0.028134 lebih kecil dari probabilitas signifikansi α 5%. Dengan demikian variabel PAD,Dana Bantuan dan Dana Bagi Hasil dalam jangka pendek maupun jangka panjang secara bersama-sama mempunyai pengaruh yang signifikan terhadap Pertumbuhan ekonomi.
Besarnya nilai determinasi adalah untuk mengetahui seberapa besar pengaruh perubahan variasi variabel dependen dapat dijelaskan oleh variasi variabel independen. Berdasarkan hasil estimasi menunjukkan bahwa nilai R2 adalah sebesar 0.5052 yang berarti 50,52% variasi perubahan variabel Pertumbuhan ekonomi dapat dijelaskan oleh variasi perubahan variabel PAD, Dana Bantuan dan Dana Bagi Hasil. Sedangkan sisanya sebesar 49,48% dijelaskan oleh variabel-variabel lain di luar model.
6. Uji Asumsi Klasik Uji asumsi klasik merupakan salah satu langkah penting untuk menghindari regresi lancung. Apabila dalam model persamaan tidak terkena masalah asumsi klasik, maka hasil regresi telah memenuhi kaidah Best Linier Unbiased Estimator (BLUE). Uji yang digunakan dalam pengujian asumsi klasik adalah uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi.
a. Uji Multikolinieritas
Multikolinearitas merupakan suatu hubungan linear atau korelasi secara sempurna maupun tidak sempurna diantara beberapa atau semua variabel yang menjelaskan dalam model regresi. Salah satu cara untuk mengetahui ada tidaknya masalah multikolinearitas adalah menggunakan Multikolinearitas merupakan suatu hubungan linear atau korelasi secara sempurna maupun tidak sempurna diantara beberapa atau semua variabel yang menjelaskan dalam model regresi. Salah satu cara untuk mengetahui ada tidaknya masalah multikolinearitas adalah menggunakan
( Tabel 4.14 ) Hasil Uji klein untuk mendetektsi Multikolinieritas
Hasil Uji Klien untuk Mendekteksi Multikolinieritas Variabel
r 2 R 2 Kesimpulan D(LX1) c D(LX2)
Tidak ada Multikolinieritas D(LX1) c D(LX3)
Tidak ada Multikolinieritas D(LX1) c LX1(‐1)
Tidak ada Multikolinieritas D(LX1) c LX2(‐1)
Tidak ada Multikolinieritas D(LX1) c LX3(‐1)
Tidak ada Multikolinieritas D(LX2) c D(LX1)
Tidak ada Multikolinieritas D(LX2) c D(LX3)
Tidak ada Multikolinieritas D(LX2) c LX1(‐1)
Tidak ada Multikolinieritas D(LX2) c LX2(‐1)
Tidak ada Multikolinieritas D(LX2) c LX3(‐1)
Tidak ada Multikolinieritas D(LX3) c D(LX1)
Tidak ada Multikolinieritas D(LX3) c D(LX2)
Tidak ada Multikolinieritas D(LX3) c LX1(‐1)
Tidak ada Multikolinieritas D(LX3) c LX2(‐1)
Tidak ada Multikolinieritas D(LX3) c LX3(‐1)
Tidak ada Multikolinieritas Sumber : hasil Olah data Eviews 5.0
b. Uji Heterokedasitas Heteroskedastistias adalah sebuah gangguan yang muncul dalam
regresi karena variasi yang tidak sama. Untuk mengetahui ada tidaknya masalah Heteroskedastisitas, dilakukan uji ARCH test. Adapun hasil uji Heteroskedastistias dapat dilihat di bawah ini :
ARCH Test: F-statistic
0.473378 Probability
0.501291 Obs*R-squared 0.517247 Probability
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 03/21/11 Time: 21:47 Sample (adjusted): 1992 2009 Included observations: 18 after adjustments
Variable
Coefficient
Std. Error
0.0766 RESID^2(-1) 0.168154
0.028736 Mean dependent var
0.011650 Adjusted R- squared
-0.031968 S.D. dependent var
0.018242 S.E. of regression
0.018531 Akaike info criterion
-5.034321 Sum squared resid
0.005494 Schwarz criterion
-4.935391 Log likelihood
47.30889 F-statistic
0.473378 Durbin-Watson stat
1.604458 Prob(F-statistic)
Sumber : hasil Olah data Eviews 5.0
X 2 (df=1, α = 5%) = 3.84 > obs*R 2
Dari hasil uji Heteroskedastisitas dengan ARCH test, dapat diketahui bahwa nilai probabilitas R square sebesar 0.517247. Dengan menggunakan tingkat signifikansi 5%, maka nilainya lebih besar dari 5% yang berarti tidak signifikan,sehingga dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas dalam model
Autokorelasi adalah terdapatnya hubungan antar variabel gangguan sehingga penaksir tidak lagi efisien dalam sampel kecil maupun dalam sampel besar. Untuk mengetahui ada atau tidaknya masalah autokorelasi, terdapat beberapa metode. Metode yang digunakan dalam penelitian ini adalah dengan melakukan Breush- Godfrey Serial Correlation LM Test (BG-Test). Adapun hasil dari BG-Test dapat dilihat sebagai berikut :
Metode ini mendeteksi masalah Autokorelasi dengan cara melihat probabilitas Obs R-Square. Apabila nilainya diatas 0,05%, maka didalam model tidak terdapat kesalahan Autokorelasi .
Obs*R- squared
0.621266 Probability
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/21/11 Time: 21:49 Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C -5.685077
D(LX1) 0.126111
LX1(-1) 0.416695
D(LX2) -0.030690
LX2(-1) 0.188013
D(LX3) 0.001880
LX3(-1) -0.026558
ECT2 -0.193685
RESID(-1) -0.316553
0.032698 Mean dependent var
1.42E-14