Regresi Linear Berganda Data Panel + Uji Asumsi Klasik Normalitas di Stata 13 SE

Gambar : Cover Artikel

REGRESI LINEAR BERGANDA DATA PANEL + UJI ASUMSI KLASIK NORMALITAS

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

A.Proses Pengolahan Data

Proses pengolahan data merupakan salah satu tahapan penting dalam sebuah penelitian. Penulis ingin meneliti pengaruh Produksi dan Distribusi terhadap Penjualan di empat perusahaan (samsung, xiaomi, polytron, dan sony) dengan sampel 20 tahun dan jumlah 80 total sampel. Satuan yang digunakan setiap variabel penelitian berbeda, maka penulis menyamakan satuannya. Alasan penulis ingin meneliti data ini adalah untuk melihat apakah Produksi dan Distribusi dapat mempengaruhi terhadap jumlah Penjualan atau sebaliknya. Perlu diketahui bahwa data yang digunakan merupakan data modifikasi dan bukan real dari keempat perusahaan. Berikut ini hal yang mendasari penelitian :

• Hubungan jumlah penduduk dan pengangguran terbuka
• Hubungan upah minimum dan pengangguran terbuka
• Hubungan pertumbuhan ekonomi dan pengangguran terbuka     

Variabel yang digunakan dalam penelitian yaitu variabel independen dan dependen yang meliputi:

a.Variabel Independent : 

1. Produksi (X1)
2. Distribusi (X2)

b.Variabel Dependent :

1. Penjualan (Y)

Saran dari Penulis ketika akan melakukan suatu penelitian, usahakan 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. Jika data yang digunakan adalah data primer maka lakukan pengambilan data dengan teknik yang benar agar hasil yang didapat sesuai dengan fakta lapangan.

B.Langkah Pengolahan Data

Beberapa langkah yang dilakukan dalam proses pengolahan data antara lain :

Langkah 1 : Menyiapkan data yang akan diolah, usahakan data telah disusun terlebih dahulu. Berikut susunan data. 

Gambar : Data Latihan

Model Penelitian

Produksi (X1)	Penjualan (Y)
Distribusi (X2)

Gambar : Model Penelitian

Model penelitian ini menggambarkan variabel bebas yang digunakan adalah Produksi (X1), Distribusi (X2), dan Penjualan (Y).

Langkah 2 : Buka aplikasi stata 13 MP (sesuai dengan versi stata yang digunakan). Pilih File => Import => Excel spreadsheet (*.xls;*.xlsx)

Gambar : Pengolah Data Stata 13 SE

Langkah 3 : Klik Browser. 

Gambar : Pengolah Data Stata 13 SE

Langkah 4 : Pilih folder data yang akan diteliti dalam format Microsoft Excel.

Gambar : Pengolah Data Stata 13 SE

Langkah 5 : Kemudian keluar tampilan Import Excel.

Gambar : Pengolah Data Stata 13 SE

Langkah 6 : Centang pada Import firs row as variable names (sehingga nama variabel otomatis terinput). Klik open.

Gambar : Pengolah Data Stata 13 SE

Langkah 7 : Gunakan Command untuk men-setting periode waktu (karena dalam analisis data panel, periode waktu sangat penting). Tuliskan xtset Tahun (disesuaikan dengan nama pada format excel).

Gambar : Pengolah Data Stata 13 SE

Gambar : Pengolah Data Stata 13 SE

Kemudian akan keluar tampilan keterangan :

Gambar : Pengolah Data Stata 13 SE

Langkah 8 : Lakukan analisis data panel. Pertama-tama cari model GLS random effect. Klik Statistics => Longitudinal/panel data => Linear models => Linear regression (FE, RE, PA, BE).

Gambar : Pengolah Data Stata 13 SE

Langkah 9 : Pada tampilan jendela analisis data panel dengan model GLS random effect isikan dependent variable yaitu Y_Penjualan dan independent variables yaitu X1_Produksi X2_Distribusi. Model type (affects which options are available) pilih GLS random-effects. Kemudian klik ok.

Gambar : Pengolah Data Stata 13 SE

Metode lain dapat juga dengan menggunakan menu Command dengan menuliskan xtreg Y_Penjualan X1_Produksi X2_Distribusi, re

Gambar : Pengolah Data Stata 13 SE

Langkah 10 : Hasilnya sebagai berikut.

Gambar : Hasil Output Pengolah Data Stata 13 SE

Interpretasi Output :

Berdasarkan output diatas perlu diperhatikan pada asumsi random effect. Nilai R square sebesar 0.7565 yang artinya variabel X1_Produksi dan X2_Distribusi berpengaruh terhadap Y_Penjualan sebesar 0.7565 atau 75.65% dan sisanya sebesar 24.35% dipengaruhi oleh variabel yang lain diluar model. Sementara untuk signifikan antar variabel menunjukkan nilai dibawah tingkat alpha 0.05 (5%), sehingga dapat disimpulkan bahwa seluruh variabel data signifikan (Probabilitas X1_Penjualan : 0.000 < 0.05) (Probabilitas X2_Distribusi : 0.000 < 0.05). Kedua variabel independen memiliki nilai yang positif (Coefficient X1_Produksi : 0.1100955) (Coefficient X2_Distribusi : 0.3033932).

Langkah 11 : Berikutnya yaitu dengan melihat model ML random effect. Klik Statistics => Longitudinal/panel data => Linear models => Linear regression (FE, RE, PA, BE). 

Gambar : Pengolah Data Stata 13 SE

Langkah 12 : Pada tampilan jendela analisis data panel dengan model ML random effect isikan dependent variable yaitu Y_Penjualan dan independent variables yaitu X1_Produksi X2_Distribusi. Model type (affects which options are available) pilih ML random-effects. Kemudian klik ok.

Gambar : Pengolah Data Stata 13 SE

Metode lain dapat juga dengan menggunakan menu Command dengan menuliskan xtreg Y_Penjualan X1_Produksi X2_Distribusi, mle.

Gambar : Pengolah Data Stata 13 SE

Langkah 13 : Hasilnya sebagai berikut.

Gambar : Hasil Output Pengolah Data Stata 13 SE

Interpretasi Output :

Hipotesa :

Jika nilai LF chi square ML random effect < nilai Wald Chi Sqaure GLS random Effect => ML random effect

Jika nilai LF chi square ML random effect > nilai Wald Chi Sqaure GLS random Effect => GLS random Effect

Berdasarkan output diatas yang perlu diperhatikan adalah nilai LF chi square. Nilai LF chi square (2) sebesar 113.02, hasil ini bandingkan dengan nilai Wald Chi Square (2) pada hasil GLS random effect sebelumnya. Nilai Wald Chi Square (2) sebesar 239.26. LF chi square (2) < Wald Chi Square (113.02 < 239.26), artinya ML regression atau ML random effect lebih baik daripada GLS random effect.

Langkah 14 : Berikutnya yaitu lihat hasil dari model Fixed Effect. Klik Statistics => Longitudinal/panel data => Linear models => Linear regression (FE, RE, PA, BE).

Gambar : Pengolah Data Stata 13 SE

Langkah 15 : Pada tampilan jendela analisis data panel dengan model fixed effect isikan dependent variable yaitu Y_Penjualan dan independent variables yaitu X1_Produksi X2_Distribusi. Model type (affects which options are available) pilih fixed effects. Klik ok.

Gambar : Pengolah Data Stata 13 SE

Metode lain dapat dengan menggunakan menu Command dengan menuliskan xtreg Y_Penjualan X1_Produksi X2_Distribusi, fe.

Gambar : Pengolah Data Stata 13 SE

Langkah 16 : Hasilnya sebagai berikut.

Gambar : Hasil Output Pengolah Data Stata 13 SE

Interpretasi Output :

Hipotesa :

Jika nilai R squarefixed effect < nilai R square GLS random Effect => GLS random Effect.

Jika nilai R squarefixed effect > nilai R square GLS random Effect => fixed effect.

Berdasarkan output diatas menunjukkan nilai R square sebesar 0.7552, jika dibandingkan dengan nilai dari R square GLS random effect sebesar 0.7565 maka model GLS random effect lebih baik daripada fixed effect (R sqaure fixed effect < R square GLS random effect atau 0.7552 < 0.7565). 

Setelah mengetahui bahwa model yang lebih baik adalah GLS random effect. Berikutnya interpretasikan hasil dari GLS random effect.

Hasil GLS random effect :

Gambar : Hasil Output Pengolah Data Stata 13 SE

Interpretasi Output :

Number of obs             = 80 (total sampel)

Number of groups       = 20 tahun (jumlah sampel)

Persamaan regresi : 

Y = a + bx1 + bx2 +e

Y (Penjualan) = a - bx1(Produksi) + bx2(Distribusi) + e.

Y = -63.30414 +0.1100955 +0.3033932+ e

  

Uji Signifikansi Paramater Individual (Uji Statistik t) :

1. Nilai konstanta sebesar 63.30414 menunjukkan jika variabel independen X1 (Produksi) dan X2 (Distribusi) dianggap konstan maka rata-rata Y (Penjualan) sebesar 63.30414.
2. Nilai koefisien regresi X1 (Produksi) sebesar 0.1100955 menunjukkan setiap kenaikan Produksi sebesar 1% maka Y (Penjualan) akan meningkat sebesar 0.1100955 persen.
3. Nilai koefisien regresi X2 (Distribusi) sebesar 0.3033932 menunjukkan setiap kenaikan Distribusi sebesar 1% maka Y (Penjualan) akan meningkat sebesar 0.3033932 persen.

Kesimpulan : X1 (Produksi) dan X2 (Distribusi) memiliki hubungan positif terhadap Y (Penjualan).

Nilai Probabilitas :

1. Produksi (X1)             : 0.000 < 0.05 (signifikan)
2. Distribusi (X2)            : 0.000 < 0.05 (signifikan)
3. Constanta                    : 0.033 < 0.05 (signifikan)

Kesimpulan : hasil kedua variabel signifikan terhadap Y (Penjualan).

Koefisien Determinasi (R²) :

Hasil output R-squared memiliki besaran nilai 0.7565 yang berarti variasi tiga variabel independen X1 (Produksi) dan X2 (Distribusi) mampu menjelaskan 75.65% variasi variabel Y (Penjualan). Sisanya 24.35% dijelaskan oleh variabel lain yang tidak diteliti.

Kesimpulan : Model regresi sangat baik karena nilainya di atas 50%.

Pengujian Asumsi Klasik

Uji asumsi klasik yang digunakan adalah uji normalitas.

UJI NORMALITAS

Langkah 17 : Tuliskan sktest X1_Produksi X2_Distribusi dibagian Command.

Gambar : Pengolah Data Stata 13 SE

Langkah 18 : Tekan enter. Hasilnya sebagai berikut.

Gambar : Output Pengolah Data Stata 13

Interpretasi Output :

Berdasarkan hasil output di atas :

Nilai Pr (Skewness) :

1. Produksi (X1) : 0.0020
2. Distribusi (X2) : 0.0000

Nilai Pr (Kurtosis) :

1. Produksi (X1) : 0.6330
2. Distribusi (X2) : 0.7086
3. Suku Bunga (X3) : 0.0000

Nilai Prob > chi2 :

1. Produksi (X1) : 0.0145 < 0.05 (Tidak Berdistribusi Normal)
2. Distribusi (X2) : 0.0000 < 0.05 (Tidak Berdistribusi Normal)

Kesimpulan : Berdasarkan hasil uji normalitas disimpulkan untuk Produksi (X1) dan Distribusi (X2) belum berdistribusi normal karena nilainya dibawah 0.05.

Selain menggunakan sktest. Pengujian normalitas juga dapat dilakukan menggunakan grafik dalam bentuk histograms, box plots, symmetry plots dan quantile-normal plots.

Langkah pertama yaitu menguji grafik box plots. Tuliskan graph box X1_Produksi dibagian Command. Kemudian graph box X2_Distribusi dibagian Command.

Gambar : Pengolah Data Stata 13 SE

Gambar : Pengolah Data Stata 13 SE

Tekan enter pada masing-masing fungsi. Hasilnya sebagai berikut.

Box Plot Produksi (X1)

Gambar : Hasil Output Pengolah Data Stata 13

Interpretasi Output :

Grafik diatas menunjukkan variabel Produksi (X1) terdapat outlier. Outlier ini ditunjukkan dengan adanya 3 titik pada grafik. Sehingga data tidak berdistribusi normal.

Box Plot Distribusi (X2)

Gambar : Output Pengolah Data Stata 13

Interpretasi Output :

Grafik diatas menunjukkan variabel Distribusi (X2) terdapat outlier. Outlier ini ditunjukkan dengan adanya 9 titik pada grafik. Sehingga data tidak berdistribusi normal.

Kedua yaitu menguji grafik Normal Quantile Plot. Caranya dengan menguji ke menu Graphics => Distribusi Graphs => Normal Quantile Plot.

Gambar : Hasil Output Pengolah Data Stata 13

Masukkan variabel yang akan dilakukan pengujian dimenu variable. Cek satu persatu variabel.

Gambar : Pengolah Data Stata 13 SE

Gambar : Pengolah Data Stata 13 SE

    

Hasilnya sebagai berikut.

Uji Plot Produksi (X1)

Gambar : Output Pengolah Data Stata 13

Interpretasi Output :

Hasil uji plot variabel Produksi (X1) menunjukkan sebaran data menjauhi garis linear, sehingga data tidak berdistribusi normal.

Uji Plot Distribusi (X2)

Gambar : Hasil Output Pengolah Data Stata 13

Interpretasi Output :

Hasil uji plot variabel Distribusi (X2) menunjukkan sebaran data menjauhi garis linear, sehingga data tidak berdistribusi normal.

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 :-)