Cara Regresi Robust Least Square atau Regression Data Time Series di Eviews 9

Gambar : Cover Artikel

REGRESI ROBUST LEAST SQUARE/REGRESSION

Ditulis oleh : Dimas Purbo Wicaksono Fenda Putra, S.E.

A.Penjelasan Robust Least Square/Regression

Robust Least Square/Regression mengacu pada berbagai macam metode regresi dan kurang sensitif terhadap outlier. Pengujian ini merupakan alternatif dari OLS (ordinary least squares) dimana untuk regresi OLS memiliki banyak penyimpangan asumsi. Regresi robust sangat berguna apabila terdapat data yang menyimpang terlalu banyak, sehingga bermanfaat untuk mengatasi permasalahan penyimpangan pada model regresi.

B.Tahapan Pengolahan Data

Berikut adalah data yang penulis jadikan contoh di tulisan ini.

Gambar : Data Latihan

Langkah 1 : Buka software eviews => Create a new Eviews workfile.

Gambar : Pengolah Data Eviews 9

Langkah 2 : Pada Workfile structure type pilih Unstructured/Undated (karena data cross section). Data range dibagian Observasions isikan dengan jumlah sampel “32”. Klik ok.

 

Gambar : Pengolah Data Eviews 9

Langkah 3 : Menuju ke menu Quick => Empty Group (Edit Series).

Gambar : Pengolah Data Eviews 9

Langkah 4 : Copy paste data di microsoft excel ke program eviews.

Gambar : Pengolah Data Eviews 9

Langkah 5 : Pilih Proc => Make Equation.

Gambar : Pengolah Data Eviews 9

Langkah 6 : Ganti persamaan regresi yang semula “y x1 x2 x3 c” menjadi “y c x1 x2 x3”. Pada Estimation settings dibagian method pilih ROBUSTLS - Robust Least Squares.

Gambar : Pengolah Data Eviews 9

Langkah 7 : Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 8 : Hasilnya sebagai berikut.

Gambar : Hasil Output Pengolah Data Eviews 9

Interpretasi Output :

1.Dilihat dari Output Nilai R Squared (R²)

Hasil R Squared menggambarkan besarnya proporsi variasi pada variabel dependent yang dijelaskan menggunakan variabel indepndent. Nilai R Squared dari output di atas sebesar 0.824852 atau 82.48%. Sehingga dapat disimpulkan bahwa besarnya variasi pada variabel dependent (Y) dapat dijelaskan menggunakan variabel independent (X1, X2, dan X3) sebesar 0.824852 atau 82.48%, sisanya dijelaskan oleh variasi variabel di luar model. Intinya bila nilai mendekati 1 dan positif maka model sangat baik.

2.Dilihat dari Output Nilai Rw Squared

Hasil Rw Squared merupakan fungsi estimasi terhadap nilai regresi yang sama dengan nilai R². Nilai R Squared dari output di atas sebesar 0.998507, artinya besarnya variasi pada variabel dependent (Y) dapat dijelaskan menggunakan variabel independent (X1, X2, dan X3) sebesar 0.998507 atau 99.85% sisanya dijelaskan oleh variasi variabel di luar model.

3.Dilihat dari Output Nilai R Squared (²) atau Adjusted R Squared

Hasil Adjusted R Squared menggambarkan pelengkap dari nilai R² yang mempertimbangkan jumlah variabel bebas. Nilai ini tidak lebih besar dari R² dan selalu lebih kecil dari R². Nilai ini sangat tergantung dari jumlah variabel bebas dan digunakan sebagai nilai kelayakan model regresi. Prosedur interpretasi Sama dengan nilai R², intinya bila nilai mendekati 1 dan positif maka model sangat baik atau regresi sesuai. Nilai Adjusted R Squared dari output di atas sebesar 0.806086, artinya besarnya variasi pada variabel dependent (Y) dapat dijelaskan menggunakan variabel independent (X1, X2, dan X3) sebesar 0.806086 atau 80.60% sisanya dijelaskan oleh variasi variabel di luar model.

4.Dilihat dari Output Nilai Adjust Rw Squared

Adjust Rw Squared memiliki fungsi asumsi yang sama dengan Adjusted R Squared dalam model regresi. Hasil output di atas menunjukkan nilai Adjust Rw Squared sebesar 0.998507, artinya besarnya variasi pada variabel dependent (Y) dapat dijelaskan menggunakan variabel independent (X1, X2, dan X3) sebesar 0.998507 atau 99.85% sisanya dijelaskan oleh variasi variabel di luar model.

5.Dilihat dari Output Nilai Akaike Info Criterion

Nilai Akaike Infor Criterion (AIC) digunakan untuk melihat apakah model yang kita buat baik atau tidak. Dasar penilaian jika nilai AIC semakin kecil maka model yang kita buat semakin baik. Hasil output di atas menunjukkan nilai AIC sebesar 44.03269, artinya model regresi baik.

6.Dilihat dari Output Nilai Deviance

Nilai Deviance atau varians memiliki jumlah paramater yang sama dengan jumlah data yang menghasilkan nilai 0. Hasil output di atas menunjukkan nilai Deviance sebesar 10.46476, artinya belum mendekati 0. Nilai semakin baik jika mendekati 0.

7.Dilihat dari Output Nilai Rn Squared Statistics

Hasil output di atas menunjukkan nilai Rn Squared Statistics sebesar 12890.32.

8.Dilihat dari Output Nilai Probability Rn Sqaured Statistics

Hasil output di atas menunjukkan nilai Probability Rn Squared Statistics sebesar 0.000000.

9.Dilihat dari Output Nilai Kriteria Schwarz

Nilai Kriteria Schwarz (KS) sama dengan nilai Akaike Info Criterion. Dasar penilaiannya adalah jika nilai semakin kecil maka model yang dibuat sesuai atau benar. Hasil output di atas menunjukkan nilai KS sebesar 51.13841, artinya model regresi baik.

10.Dilihat dari Output Nilai Standard Error of Regression (Se)

Nilai Standard Error of Regression (Se) adalah nilai dari ds (deviasi standar) dari variabel dependen (Y) terhadap garis regresi yang diestimasi. Nilai ini digunakan sebagai pengukuran ringkasan dari kecocokan model garis regresi yang diestimasi. Hasil output di atas menunjukkan nilai Se sebesar 1.009732. Dasar penilaiannya jika semakin kecil nilai Se maka prediksi pada model regresi baik.

11.Dilihat dari Output Nilai Mean Dependent Variable

Hasil output di atas menunjukkan nilai Mean (rata-rata) Dependent Variable sebesar 19.62500.

12.Dilihat dari Output Nilai SD Dependent Variable

Hasil output di atas menunjukkan nilai SD Dependent Variable (simpangan baku variabel tergantung) sebesar 13.07731. Dasar penilaiannya jika semakin kecil (mendekati 0) nilai SD Dependent Variable maka menujukkan data homogen dan semakin valid.

13.Dilihat dari Output Nilai Sum Square Residual (SSR)

Nilai Sum Square Residual (SSR) adalah jumlah residual kuadrat (dikuadratkan) dan disebut variasi yang tidak bisa dijelaskan dari nilai dependent (Y) pada garis regresi. Hasil output di atas menunjukkan nilai SSR sebesar 28.54762. Dasar penilaiannya jika semakin kecil (mendekati 0) nilai SD Dependent Variable maka prediksi semakin baik untuk resbust least square.

14.Dilihat dari Output Nilai Scale

Hasil Output di atas menunjukkan nilai Scale sebesar 0.529850.

Setelah kita mengetahui hasil dari masih-masing kompenen regresi, berikutnya lakukan pengujian untuk hipotesa simultan.

Pengujian hipotesa simultan digunakan untuk menguji apakah secara bersama-sama antara variabel independent memiliki pengaruh terhadap dependent secara simultan atau tidak.

Hipotesa :

H₀        : X1, X2, dan X3 tidak berpengaruh secara signifikan terhadap Y.

H₁        : X1, X2, dan X3 berpengaruh secara signifikan terhadap Y

Kriteria Pengujian Hipotesa :

Bila nilai Sig hitung < 0.05, maka H₀ ditolak dan H₁ diterima

Bila nilai Sig hitung > 0.05, maka H₀ diterima dan H₁ ditolak

Interpretasi Output :

Hasil output di atas menunjukkan nilai signifikansi pada Probability Rn Sqaured Statistics sebesar 0.000000, artinya nilai tersebut lebih kecil dari tingkat alpha 0.05 (0.000000 < 0.05) sehingga H₀ ditolak dan H₁ diterima. Kesimpulan : variabel X1, X2, dan X2 berpengaruh secara signifikan terhadap Y.

Selanjutnya lakukan estimasi terhadap hasil pengujian hipotesa parsial.

Pengujian hipotesa parsial digunakan untuk menguji apakah secara sendiri-sendiri antara variabel independent memiliki pengaruh terhadap dependent secara parsial.

Ada tiga hipotesa dalam menganalisis hasil pengujian parsial, antara lain :

Pertama :

Hipotesa :

H₀        : X1 tidak berpengaruh secara signifikan terhadap Y.

H₁        : X1 berpengaruh secara signifikan terhadap Y

Kriteria Pengujian Hipotesa :

Bila nilai Sig hitung < 0.05, maka H₀ ditolak dan H₁ diterima

Bila nilai Sig hitung > 0.05, maka H₀ diterima dan H₁ ditolak

Interpretasi Output :

Hasil output di atas menunjukkan nilai signifikansi pada Probabilitas Coefficient sebesar 0.0000, artinya nilai tersebut lebih kecil dari tingkat alpha 0.05 (0.0000 < 0.05) sehingga H₀ ditolak dan H₁ diterima. Kesimpulan : variabel X2 berpengaruh secara signifikan terhadap Y.

Kedua :

Hipotesa :

H₀        : X2 tidak berpengaruh secara signifikan terhadap Y.

H₁        : X2 berpengaruh secara signifikan terhadap Y

Kriteria Pengujian Hipotesa :

Bila nilai Sig hitung < 0.05, maka H₀ ditolak dan H₁ diterima

Bila nilai Sig hitung > 0.05, maka H₀ diterima dan H₁ ditolak

Interpretasi Output :

Hasil output di atas menunjukkan nilai signifikansi pada Probabilitas Coefficient sebesar 0.0098, artinya nilai tersebut lebih kecil dari tingkat alpha 0.05 (0.0098 < 0.05) sehingga H₀ ditolak dan H₁ diterima. Kesimpulan : variabel X2 berpengaruh secara signifikan terhadap Y.

Ketiga :

Hipotesa :

H₀        : X3 tidak berpengaruh secara signifikan terhadap Y.

H₁        : X3 berpengaruh secara signifikan terhadap Y

Kriteria Pengujian Hipotesa :

Bila nilai Sig hitung < 0.05, maka H₀ ditolak dan H₁ diterima

Bila nilai Sig hitung > 0.05, maka H₀ diterima dan H₁ ditolak

Interpretasi Output :

Hasil output di atas menunjukkan nilai signifikansi pada Probabilitas Coefficient sebesar 0.0022, artinya nilai tersebut lebih kecil dari tingkat alpha 0.05 (0.0022 < 0.05) sehingga H₀ ditolak dan H₁ diterima. Kesimpulan : variabel X3 berpengaruh secara signifikan terhadap Y.

Informasi ekonometrika secara lengkap, silakan kunjungi channel youtube saya di : Dimas Channel

Note : Silakan bagi teman-teman yang ingin meng-copy artikel ini. Mohon sertakan sumber aslinya.

Terima Kasih :-)