Regresi Data Time Series dan Uji Asumsi Klasik di Eviews 9

Gambar : Cover Artikel

REGRESI DAN UJI ASUMSI KLASIK DATA TIME SERIES

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

A.Penjelasan Data Time Series

Data Time Series (Runtun Waktu) adalah data yang terdiri dari sejumlah variabel yang dikumpulkan menurut urutan waktu dalam rentang waktu tertentu. Data dengan waktu yang bersifat diskrit (berkelanjutan), maka frekuensi data selalu sama (equidistant). Beberapa kasus data yang bersifat diskrit, frekuensi berupa detik, menit, jam, hari, minggu, bulan, tahun, dan lain sebagainya. Selain terdiri dari sejumlah variabel, data time series juga diartikan sebagai serangkaian peristiwa, kejadian, gejala atau perubahan yang terjadi dari waktu ke waktu dan terus diamati. Salah satu contoh data time series yaitu data pertumbuhan ekonomi. Data ini memiliki pola gerakan yang dapat diketahui yaitu digunakan untuk menganalisis data masa lalu yang selanjutnya untuk meramalkan nilai atau kejadian di masa yang akan datang.

Penulis akan membahas cara mengolah data time series dengan software eviews per-tahapan agar mudah dipahami dan dipraktekkan secara langsung. Adapun tahapan untuk melakukan regresi data time series yaitu dengan regresi dan menguji asumsi klasik.. Pengujian data tidak diharuskan dengan melakukan uji asumsi klasik ataupun regresi terlebih dahulu, namun dalam pengujian bebas disesuaikan dengan yang akan diuji terlebih dahulu (regresi atau asumsi klasik).

Berikut ini proses pengolahan data time series dengan contoh kasus yaitu penulis ingin meneliti pengaruh jumlah penduduk, upah minimum Provinsi dan pertumbuhan ekonomi terhadap pengangguran terbuka di Indonesia dengan sampel 22 tahun dan jumlah 88 data. Satuan yang digunakan setiap variabel penelitian berbeda, maka penulis menyamakan satuannya dengan persentase. Tujuan penulis meneliti pengaruh jumlah penduduk, upah minimum provinsi dan pertumbuhan ekonomi terhadap pengangguran terbuka berdasarkan teori makro ekonomi dan penelitian yang sudah dilakukan oleh peneliti sebelumnya.

B.Hal yang Mendasari Penelitian

Hal yang mendasari penelitian ini sebagai berikut:

1.Hubungan jumlah penduduk dan pengangguran terbuka

Masalah utama yang muncul dari besarnya jumlah dan pertumbuhan angkatan kerja adalah laju pertumbuhan angkatan kerja yang cukup tinggi. Terdapat perbedaan dimana beberapa pihak menuntut kesempatan kerja yang lebih besar sedangkan disisi lain menuntut adanya pembinaan angkatan kerja. Jumlah penduduk yang semakin meningkat berpengaruh terhadap peningkatan angka pengangguran setiap tahun. Pertambahan jumlah penduduk menjadikan pengangguran terbuka meningkat sehingga menyebabkan minimnya kesempatan kerja (Amelia, 2005).

2.Hubungan upah minimum dan pengangguran terbuka

Hubungan upah minimum dan pengangguran terbuka yaitu semakin tinggi tingkat upah yang ditetapkan disuatu wilayah akan membawa dampak terhadap tingginya tingkat pengangguran, artinya jika tingkat upah naik, maka pengangguran juga akan ikut naik. Hal ini dikarenakan dengan adanya kenaikan upah, maka biaya produksi yang dikeluarkan oleh suatu usaha atau industri akan meningkat, sehingga berdampak pada pemangkasan biaya produksi. Pelaku usaha atau industri menginginkan keuntungan yang lebih, dengan kenaikan upah otomatis akan menjadikan pendapatan mereka menurun. Salah satu cara yang biasanya dilakukan oleh pelaku usaha atau industri adalah dengan memangkas uang untuk keperluan belanja pegawai. Membatasi kuota pegawai yang bekerja, sehingga berdampak pada peningkatan jumlah pengangguran (Bruce E Kaufman dan Julie L Hotchkiss, 1999).

3.Hubungan pertumbuhan ekonomi dan pengangguran terbuka

Hukum okun dikemukan oleh ekonom yang bernama Arthur Okun. Konsep dari hukum okun didasari oleh hasil observasi terhadap data GDP Amerika Serikat. Hukum okun menjelaskan bahwa tingkat pengangguran memiliki hubungan negatif dengan GDP riil. Peningkatan pengangguran cenderung dikaitkan dengan rendahnya pertumbuhan GDP riil. Tingkat pengangguran yang meningkat, maka GDP riil cenderung tumbuh lebih lambat atau bahkan turun. Studi yang dilakukan oleh ekonom Arthur Okun mengindikasikan hubungan negatif antara pertumbuhan ekonomi dengan pengangguran, sehingga semakin tinggi tingkat pengangguran, semakin rendah tingkat pertumbuhan ekonomi.

C.Variabel Penelitian

Variabel dalam penelitian ini yaitu variabel independen dan idependen sebagai berikut:

Variabel Independen :

1. Jumlah Penduduk (X1)
2. Upah Minimum Provinsi (X2)
3. Pertumbuhan Ekonomi (X3)

Variabel Dependen :

1. Pengangguran Terbuka (Y)

Hal yang perlu diingat, bahwa data yang digunakan bukan data yang benar-benar real. Data yang diambil penulis tidak berasal dari satu sumber melainkan dari beberapa sumber salah satunya media massa. Penulis menyarankan ketika akan melakukan penelitian, sebaiknya data berasal dari satu sumber (khusus untuk pengolahan data). Masing-masing lembaga seperti Badan Pusat Statistika, Bank Indonesia, Wordbank, dan lembaga kredibel lainnya memiliki metode pengambilan data masing-masing.

D.Tahapan Pengolahan Data

Berikut ini langkah pengolahan  data :

Langkah 1 : Langkah pertama dalam pengolahan data adalah menyiapkan data yang akan diolah. Sebelum proses pengolahan data sebaiknya data telah disusun terlebih dahulu. Berikut susunan data (data ini merupakan data sekunder, data ini hanya sebagai contoh bukan data real karena sudah dirubah satuannya menggunakan fungsi log).

Gambar : Data Latihan

Langkah 2 : Buka Sofware eviewsnya, Klik file -> New -> Workfile.

Gambar : Pengolah Data Eviews 9

Langkah 3 : Pada bagian Workfile structure type, pilih Dated-regular frequency.

Gambar : Pengolah Data Eviews 9

Langkah 4 : Langkah selanjutnya yaitu pada date specification dibagian frequency pilih Annual (karena data berbentuk tahunan). Sedangkan pada start date isikan dengan tahun awal data yaitu 1998 dan end date isikan dengan tahun akhir data yaitu 2019. Kemudian klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 5 : Langkah ke lima yaitu menuju ke menu Quick, lalu pilih Empty Group (Edit Series).

Gambar : Pengolah Data Eviews 9

Langkah 6 : Selanjutnya yaitu copy data yang sudah siap untuk diolah dengan menyertakan variabel independen dan dependen, kemudian klik paste pada kolom atas group.

Gambar : Pengolah Data Eviews 9

Langkah 7 : Pada tahapan ini data sudah masuk ke dalam program eviews. Kemudain pilih proc -> Make Equation.

Gambar : Pengolah Data Eviews 9

Langkah 8 : Kemudian akan muncul tampilan Equation Estimator -> Specification.

Sumber : Pengolah Data Eviews 9

Langkah 9 : Tahapan selanjutnya adalah mengubah persamaan regresi y x1 x2 x3 c menjadi y c x1 x2 x3. Pada Estimation setting di bagian Method pilih dengan “LS - Least Squared (NLS and ARMA).

Gambar : Pengolah Data Eviews 9

Langkah 10 : Klik ok dan tampilan hasil sebagai berikut.

Gambar : Pengolah Data Eviews 9 

Interpretasi Output :

Setelah data selesai diolah diperoleh persamaan regresi sebagai berikut : 

Y = a + bx1 + bx2 + bx3 + e.

Y (pengangguran terbuka) = a - bx1(jumlah penduduk) + bx2(upah minimum provinsi) + bx3(pertumbuhan ekonomi) + e. 

Y =1785.293 -0.998373 + 0.098139 +  0.183328 + e.

Analisis Data

Data yang sudah diolah selanjutnya dianalisis. Berikut hasil analisis data berdasarkan uji statistik.

Uji Signifikansi Paramater Individual (Uji Statistik t).

Hasil output uji t statistik menunjukkan bahwa variabel independen X1 (Jumlah Penduduk), X2 (Upah Minimum Provinsi), dan X3 (Pertumbuhan Ekonomi) berpengaruh terhadap Y (Pengangguran Terbuka) dengan nilai signifikansi dibawah 0.05. 

Nilai konstanta sebesar 1785.293 menunjukkan bahwa jika variabel independen X1 (Jumlah Penduduk), X2 (Upah Minimum Provinsi), dan X3 (Pertumbuhan Ekonomi) dianggap konstan maka rata-rata pengangguran sebesar 1785.293.

Nilai koefisien regresi X1 (Jumlah Penduduk) sebesar -0.998373 menunjukkan bahwa setiap kenaikan Jumlah Penduduk sebesar 1% maka Y (Pengangguran Terbuka) akan menurun sebesar 0.998373 persen. 

Nilai koefisien regresi X2 (Upah Minimum Provinsi) sebesar 0.098139 menunjukkan bahwa setiap kenaikan Upah Minimum Provinsi sebesar 1% maka Y (Pengangguran Terbuka) akan meningkat sebesar -0.098139  persen.

Nilai koefisien regresi X3 (Pertumbuhan Ekonomi) sebesar 0.183328 menunjukkan bahwa setiap kenaikan Pertumbuhan Ekonomi sebesar 1% maka Y (Pengangguran Terbuka) akan meningkat sebesar 0.183328  persen. 

Kesimpulan dari hasil signifikansi paramater individual (uji statistik t) adalah X1 (Jumlah Penduduk) memiliki hubungan negatif, X2 (Upah Minimum Provinsi) memiliki hubungan positif, dan X3 (Pertumbuhan Ekonomi) memiliki hubungan positif. Positif dan negatif hubungan terhadap Y (Pengangguran Terbuka).

Koefisien Determinasi (R²).

Hasil output R-squared memiliki besaran nilai 0.671505 yang berarti variasi tiga variabel independen X1 (Jumlah Penduduk), X2 (Upah Minimum Provinsi), dan X3 (Pertumbuhan Ekonomi) mampu menjelaskan 67,15% variasi variabel Y (Pengangguran Terbuka). Sisanya 32,84% dijelaskan oleh variabel lain yang tidak diteliti.

Hasil output diatas diketahui nilai adjusted R-squared sebesar 0.616756 yang berarti variasi tiga variabel independent X1 (Jumlah Penduduk), X2 (Upah Minimum Provinsi), dan X3 (Pertumbuhan Ekonomi) mampu menjelaskan 61,67% variasi variabel Y (Pengangguran Terbuka). Sisanya 38,32 dijelaskan oleh variabel lain yang tidak diteliti. 

Kesimpulan dari Koefisien Determinasi (R²) adalah model regresi sangat baik.

Uji Signifikansi Simultan (Uji Statistik F).

Hasil output menunjukkan nilai F statistik 12.26513 dengan probabilitas 0.000132. Karena probabilitas jauh dibawah 0.05, maka dapat disimpulkan ketiga variabel X1 (Jumlah Penduduk), X2 (Upah Minimum Provinsi), dan X3 (Pertumbuhan Ekonomi) secara bersama-sama (simultan) berpengaruh terhadap Y (Pengangguran Terbuka).

Kesimpulan hasil uji Signifikansi Simultan (Uji Statistik F) adalah variabel independen simultan berpengaruh terhadap dependen.

Langkah 11 : Langkah selanjutnya yaitu uji asumsi klasik. Uji pertama yang dilakukan adalah uji normalitas. Caranya dengan menuju ke View => Residual Diagnostics dan pilih Histogram - Normality Test. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 12 : Hasil uji sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hipotesa :

H₁        : Data tidak berdistribusi normal

H₀        : Data berdistribusi normal

Persyaratan Normalitas :

Jika nilai probabilitas< 0.05, maka data tidak berdistribusi normal.

Jika nilai probabilitas> 0.05, maka data berdistribusi normal.

Hasil output diketahui nilai Jarque Bera sebesar 1.377984 dengan p value (probabilitas) sebesar 0.502082 dimana nilai tersebut > 0.05 sehingga H₀ diterima atau artinya residual berdistribusi normal.

Langkah 13 : Langkah selanjutnya adalah melakukan uji multikolinearitas. Caranya menuju ke View => Coefficient Dignostics pilih Variance Inflation Factors. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 14 : Hasil ujisebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hasil output diperoleh nilai Centered VIF baik X1 (Jumlah Penduduk) (114.8750), X2 (Upah Minimum Provinsi) (120.7069), dan X3 (Pertumbuhan Ekonomi) (1.626408) dimana nilai tersebut lebih dari 10, maka dapat dinyatakan terdapat masalah multikolinearitas dalam model ini.

Langkah 15 : Langkah berikutnya yaitu uji Heteroskedastisitas. Caranya dengan menuju ke View => Residual Diagnostics pilih Heterokedasticity Tests. Klik ok.

Gambar : Pengolah Data Eviews 9

Pada bagian Specification ada pilihan test type yang bisa digunakan. Kemudian pada bagian Regressors ada persamaan regresi yaitu c x1 x2 x3. Setelah dilakukan uji pada seluruh test yang disediakan yaitu Breusch Pagan Godfrey, Harvey, Glejser, ARCH, dan White. Kemudian klik ok. Hasil yang diperoleh sebagai berikut.

1.Breusch Pagan Godfrey

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hipotesa :

H₁        : Terjangkit masalah heteroskedastisitas

H₀        : Tidak terjadi masalah heteroskedastisitas

Persyaratan Breusch Pagan Godfrey :

Jika nilai probabilitas < 0.05, maka data terjangkit masalah heteroskedastisitas.

Jika nilai probabilitas> 0.05, maka data tidak terjangkit masalah heteroskedastisitas.

Hasil output diperoleh nilai p value (probabilitas) sebesar 0.5032 (Prob. chi square(3) pada Obs*R-Squared). Nilai p value (probabilitas) lebih besar daripada tingkat alpha (0.5032 > 0.05), maka H₀ diterima atau yang berarti model regresi bersifat homoskedastisitas (tidak ada masalah asumsi non heteroskedastisitas).

2.Harvey

Gambar : Pengolah Data Eviews 9 

Interpretasi Output :

Hipotesa :

H₁          : Terjangkit masalah heteroskedastisitas

H₀        : Tidak terjadi masalah heteroskedastisitas

Persyaratan Harvey :

Jika nilai probabilitas < 0.05, maka data terjangkit masalah heteroskedastisitas.

Jika nilai probabilitas > 0.05, maka data tidak terjangkit masalah heteroskedastisitas.

Hasil output diperoleh nilai p value (probabilitas) sebesar 0.4318 (Prob. chi square(3) pada Obs*R-Squared). Nilai p value (probabilitas) lebih besar daripada tingkat alpha (0.4318 > 0.05), maka H₀ diterima atau yang berarti model regresi bersifat homoskedastisitas (tidak ada masalah asumsi non heteroskedastisitas).

3.Glejser

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hipotesa 

H₁        : Terjangkit masalah heteroskedastisitas

H₀        : Tidak terjadi masalah heteroskedastisitas

Persyaratan Glejser :

Jika nilai probabilitas < 0.05, maka data terjangkit masalah heteroskedastisitas.

Jika nilai probabilitas > 0.05, maka data tidak terjangkit masalah heteroskedastisitas.

Hasil output diperoleh nilai p value (probabilitas) sebesar 0.3920 (Prob. chi square(3) pada Obs*R-Squared). Nilai p value (probabilitas) lebih besar daripada tingkat alpha (0.3920 > 0.05), maka H₀ diterima atau yang berarti model regresi bersifat homoskedastisitas (tidak ada masalah asumsi non heteroskedastisitas).

4.ARCH

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hipotesa :

H₁        : Terjangkit masalah heteroskedastisitas

H₀        : Tidak terjadi masalah heteroskedastisitas

Persyaratan ARCH :

Jika nilai probabilitas < 0.05, maka data terjangkit masalah heteroskedastisitas.

Jika nilai probabilitas > 0.05, maka data tidak terjangkit masalah heteroskedastisitas.

Hasil output diatas diperoleh nilai p value (probabilitas) sebesar 0.8615 (Prob. chi square(3) pada Obs*R-Squared). Nilai p value (probabilitas) lebih besar daripada tingkat alpha (0.8615 > 0.05), maka H₀ diterima atau yang berarti model regresi bersifat homoskedastisitas (tidak ada masalah asumsi non heteroskedastisitas).

5.White

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hipotesa :

H₁        : Terjangkit masalah heteroskedastisitas

H₀        : Tidak terjadi masalah heteroskedastisitas

Persyaratan White :

Jika nilai probabilitas < 0.05, maka data terjangkit masalah heteroskedastisitas.

Jika nilai probabilitas > 0.05, maka data tidak terjangkit masalah heteroskedastisitas.

Hasil output diatas diperoleh nilai p value (probabilitas) sebesar 0.6104 (Prob. chi square(3) pada Obs*R-Squared). Nilai p value (probabilitas) lebih besar daripada tingkat alpha (0.6104 > 0.05), maka H₀ diterima atau yang berarti model regresi bersifat homoskedastisitas (tidak ada masalah asumsi non heteroskedastisitas).

Langkah 16 : Setelah mengetahui hasil heteroskedastisitas, selanjutnya lakukan uji Autokorelasi. Caranya dengan menuju View => Residual Diagnostics => Serial Correlation LM Test.

Gambar : Pengolah Data Eviews 9

Langkah 17 : Pada tampilan Lag Specification, dibagian Lags to include (dapat diisi sesuai kondisi data), disarankan tetap menggunakan Lags to include “2”. Kemudian klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 18 : Hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9 

Interpretasi Output :

Hipotesa :

H₁        : Terjangkit masalah autokorelasi

H₀        : Tidak terjadi masalah autokorelasi

Persyaratan autokorelasi :

Jika nilai probabilitas < 0.05, maka data terjangkit masalah autokorelasi.

Jika nilai probabilitas > 0.05, maka data tidak terjangkit masalah autokorelasi.

Hasil output diatas nilai Prob Chi Square(2) yang merupakan nilai p value (Probabilitas) uji Breusch-Godfrey Serial Correlation LM memiliki nilai sebesar 0.0198 dimana nilai tersebut lebih kecil dari tingkat alpha (0.0198 < 0.05) sehingga H₁ diterima atau yang berarti data terjangkit masalah autokorelasi. Selanjutnya untuk analisis autokorelasi melalui nilai Durbin Watson stat (pada hasil regresi).

Langkah 19 : Langkah selanjutnya adalah klik Proc pilih Specify/Estimate.

Gambar : Pengolah Data Eviews 9

Langkah 20 : Pada tahapan ini kembali pada jendela persamaan regresi. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 21 : Hasilnya sebagai berikut.

  Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hasil uji yang sudah dilakukan perlu diperhatikan nilai dari Durbin Watson Stat yaitu 0.815091. Nilai tersebut dibandingkan dengan nilai-nilai lain dan kemudian menentukan daerah data. Penentuan daerah data memerlukan tabel Durbin Watson dengan tingkat signifikansi 0.05. Berikut contoh tabel Durbin Watson :

Gambar : Tabel Durbin Watson 5%

Sebelum masuk ke tabel, cari nilai-nilai berikut terlebih dahulu.

1	Durbin watson stat
2	K (Variabel Independen)
3	Included Observations
4	DL
5	DU
6	4-DU
7	4-DL

Gambar : Komponen Durbin Watson

• Nilai Durbin Watson stat sebesar 0.815091.
• K (Variabel Independen) adalah 3 variabel.
• Included Observations adalah 22.

Langkahnya adalah mencari nilai DL dan DU dengan menggunakan tabel Durbin Watson dengan tingkat signifikansi 5% (0.05). Cara yang dapat dilakukan yaitu pada K=3 (karena jumlah variabel independen ada 3). Selanjutnya mencari nilai DL dan DU diurutan n ke 22 (karena jumlah observations ada 22).

Gambar : Durbin Watson 5%

Dari hasil pencarian di tabel Durbin Watson (5%) didapatkan nilai DL = 1.0529 dan DU = 1.6640. Setelah diketahui nilai DL dan DU, langkah selanjutnya yaitu mencari nilai 4-DL dan 4-DU. Nilai 4-DU atau 4-1.6640 = 2.3360 dan 4-DL atau 4-1.0529 = 2.9471. 

Maka nilai-nilai berikut sudah berhasil diperoleh, yaitu :

1	Durbin watson stat	0.815091
2	K (Variabel Independen)	3
3	Included Observations	22
4	DL	1.0529
5	DU	1.6640
6	4-DU	2.3360
7	4-DL	2.9471

Gambar : Komponen Durbin Watson

Langkah selanjutnya yaitu memasukan nilai DL dan DU serta 4-DU dan 4-DL ke dalam bagan Durbin Watson Test.

 

Berikut adalah bagan Durbin Watson Test.

Gambar : Bagan Durbin Watson Test

Dari bagan ini setelah diisikan nilai DL dan DU serta 4-DU dan 4-DL, kemudian masukan nilai Durbin watson stat. Berikut adalah nilai-nilai yang sudah dimasukan kedalam bagan Durbin Watson.

Gambar : Bagan Durbin Watson Test

Hasil bagan diatas dapat diketahui bahwa nilai Durbin Watson Stat berada pada daerah autokoelasi positif. Hal ini ditunjukkan oleh nilai-nilai lain yang lebih besar dari nilai Durbin watson stat. Sehingga dapat disimpulkan bahwa data terjangkit masalah autokorelasi positif.

Langkah 22 : Langkah selanjutnya lakukan uji Linearitas. Menuju ke View -> Stability Diagnostics -> Ramsey reset Test.

Gambar : Pengolah Data Eviews 9

Langkah 23 : Selanjutnya pada bagian Reset Specification di Number of fitted term pilih "1". Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 24 : Hasil uji yang sudah dilakukan sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hasil output uji Ramsey Reset Test diperoleh nilai sebesar 0.5906 dimana lebih besar dari tingkat alpha (0.5906 > 0.05) sehingga dapat disimpulkan bahwa variabel bebas linear dengan variabel terikat. Nilai ini dapat  dilihat pada nilai p value (probabilitas) yang ditunjukkan pada kolom probability baris F-statistics.

Langkah 25 : Setelah diketahui hasil linearitas, maka selanjutnya dilakukan uji terakhir yaitu Outlier. Simpan persamaannya terlebih dahulu dengan klik name lalu isikan eq01. Kemudian klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 26 : Langkah selanjutnya yaitu pada kotak “Command”, silahkan ketik perintah berikut yaitu “eq01.infstats(t, rows=22, sort=rs) rstudent” tanpa tanda kutip. Perhatikan bahwa eq01 adalah nama persamaan yang disimpan dan akan dilihat nilai studentized residualnya. Sedangkan angka 22 adalah jumlah sampel yang telah digunakan. 

Gambar : Pengolah Data Eviews 9

Langkah 27 : Berikut hasil pengolahan data.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hasil output uji outlier terdapat masalah observasi atau sampel terdeteksi outlier. Dasar penentuannya adalah jika nilai studentized residualnya adalah lebih dari 3 atau kurang dari -3 maka data terdeteksi outlier. Hasil di atas diperoleh nilai observasi dengan  studentized residual > 2.5 atau < -2.5 berwarna merah, sehingga dapat diartikan data terjangkit masalah outlier.

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 :-)