Regresi Model Autoregressive Distributed Lag (ARDL) Dengan Menggunakan EViews 9

Oleh : Mona Zahara

Assalamualaikum wr wb..

Baik lah, kali ini kita mencoba untuk belajar mengenai model regresi ARDL.

Apa itu ARDL ??

ARDL (Autoregressive Distributed Lag) adalah model dinamis dalam ekonometrika.

Jika dalam model OLS biasa, kita hanya bisa melihat jangka panjang, nah dengan menggunakan model ARDL kita dapat melihat pengaruh variabel Y dan X dari waktu ke waktu termasuk pengaruh varibel Y dari masa lampau terhadap nilai Y masa sekarang.

Sesungguhnya model ARDL merupakan gabungan antara model AR (AutoRegressive) dan DL (Distributed Lag)

Model AR adalah model yag menggunakan satu atau lebih data masa lampau dari varabel dependen diantara variabel penjelas (Gujarati & Porter, hal : 269 2013)

Model DL adalah model regresi melibatkan data pada waktu sekarang dan waktu masa lampau (lagged) dari variabel penjelas (Gujarati & Porter, hal : 269, 2013)

Ada beberapa keunggulan model ARDL :

1. ARDL tidak mementingkan tingkat Stasioner data (jika pada model VAR dan VECM mengharuskan stasioner pada ordo yang sama) meski begitu ARDL tidak bisa digunakan jika data stasioner dalam bentuk 2nd diff / I(2).
2. ARDL tidak mementingkan bahwa variabel terkontegreasi pada ordo yang sama (Namun harus pada level dan First Difference, tidak boleh berada pada tingkat second diff), 
3. ARDL tidak mempermasalahkan jumlah sampel / observasi yang sedikit (Prof Inuwa)

Sebenarnya dalam melakukan regresi model ARDL ini, sepengetahuan saya ada 2 jenis, yaitu :

• Mengikut Cara Sayed Hossain

Sayed merupakan salah satu dosen ekonometrika, dimana ia memiliki web sendiri yang banyak memposting berbagai macam model dengan softwere mulai dari shazam, EViews, SPSS, Stata, R dll

• Mengikuti Cara Dave Giles

Dave merupakan Profesor di Universitas Victoria Canada bidang ekonometrik, beliau aktif sebagai Kontributor di forum eviews.com. Selain aktif di forum eviews, beliau juga memeiliki web yang berisi berbagai materi ekeonmetrika dan aplikasi menggunakan eviews.

Ada beberapa kelebihan dan kekurangna bagi saya dengan mengikuti cara Sayeed Hossain
Pemilihan lag ARDL dilakukan secara manual (Karena Menggunakan Eviews 8), ini dapat dilihat dari video tutorialnya bahwa untuk menentukan lag berapa yang digunakan ia melakukannya dengan cara meregresi setiap lag, dan melihat salah satu kriteria yang digunakan (AIC, SC, HQ), ia memilih yang terkecil nilai kriterianya. Misalnya menggunakan kriteria AIC, menggunakan lag 7 hasilnya AIC 13,52, Lag 6 = 13,58 , lag 5= 12,76, maka ia akan menggunakan ARDL dengan Lag 2.. Sebagai catatan, melakukan pemilihan lag, dilakukan dengan menguji lag tertinggi, kemudian jumlah semakin kecil. 

(-) Tentu saja dengan menggunakan ini waktu yang digunakan kurang efisien karena melakukan              berulang-ulang. Menurut saya, alasan ia melakukan itu karena pada Eviews 8, belum ada pilihan         model ARDL, sehingga harus melakukan secara manual.

(+) Kita bisa melihat cusum dan cusumq test untuk melihat stabilitas model pada View => Stability           diagnostic => recrusive estimate (ols only)

    Menurut saya, kenapa Sayeed Hossain bisa melihat cusum dan cusumq tes ? karena pilihan metode pada eviews menggunakan "least square"

• Mengikuti cara yang dilakukan oleh Dave Giles

1. Pemilihan lag dilakukan otomatis (karena sudah menggunakan Eviews 9) (meskipun pada pilihan kotak legacy nya terdapat pilihan (o) automatic dan (o) Fixed) misalnya lag maks 3.
(-) Karena menggunakan penentuan Lag otomatis, kita tidak bisa melihat pengaruh dari urutan lag            seperti yang ada pada cara sayed hossain, jadi misalnya terpilih (2,3,1,) artinya 2 lag (var Y), 3lag      (var X1), 1 lag(var X2) kita hanya bisa melihat pengaruh Y(-1), Y (-2), X1(-1) X1(-2) X1(-3), X2      (-1) terhadap Y. kita tidak dapat melihat pengaruh Y(-3), X2(-2) X2(-3).

     Terlepas dari hal tersebut, pemilihan terbaik sudah dilakukan oleh EViews sendri.  

(-) Percobaan yang saya lakukan tidak menemukan pilihan menu "View => Stability doagnostic =>          recrusive estimate (ols only)", karena mungkin cara itu hanya bisa jika menggunakan metodel              pilihan "Least Square" seperti pada Sayeed Hossain
(+) Kita dapat menentukan lag maksimal masing-masing baik dependen maupun independent.

Berikut langkah-langkah dalam meregresi model ARDL (Sayed Hosssain + Dave Giles)

• Siapkan data dalam bentuk excel

- Uji Akar Unit (ADF, PP / KPSS)

uji akar unit dilakukan seperti sebelum-sebelumnya dengan menggunakan ADF, PP atau KPSS.

klik variabel => view => unit root test => pada criteria pilih salah satu ADF, PP KPSS => pilih linear dn intercept => ok

lakukan untuk semua variabel. kegunaannya hanya untuk mengecek tingkat stasioneritas data. Memastikan bahawa data yang dalm bentuk level dan first difference

Uji Pada Tingkat Level

 Uji Pada Tingkat First Difference

dari hasil uji di atas dapat dilihat Y : First Diff, X1 : First difference dan X2: First Diff
Tidak ada variabel yang stasioner pada tingkat Second Diff, sehingga model ARDL layak digunakan.

- Estimasi Model ARDL

klik object => new object=> equation => masukan semua variabel yang ingin di regresi=> misalnya Y X1 X2=> pilih jumlah lag yang diinginkan baik dependen maupun regresor (misalnya pilih lag 7)=> pada menu tab option, silahkan memilih salah satu kriteria yang digunakan ( Sayed Hossain mengguankan AIC, sedangkan Dave menggunakan SC) ,kemudian klik ok

untuk melihat persamaan jangka panjang => view =>  coeficient diagnos => cointegration and long run => ok

dari hasil estimasi jangka pendek dapat dilihat bahwa nilai ect / CointEq= -0,3628 dengan prob 0,000, artinya terjadi kointegreasi dalm model tersebut. nilai betha cointEq yang negatif menunjukkan bahwa model akan menuju keseimbangan dengan kecepatan 36,28 persen per bulan.

dari hasil estimasi jangka panjang menunjukkan bahwa X1 berpengaruh negatif dan signifikan terhadap Y, sedangkan X2 berpengaruh positif dan signifikan terhadap Y dalam janngka panjang.

- Melihat Graph dari lag yang dipilih

kriteria pemilihan lag secaraotomatis telah dilakukan oleh EViews. kriteriadengan nilai AIC terkecilah yang paling baik dari 20 model terbaik yang ditawarkan oleh kriteia AIC.

kriteria yang terpilih adalah ARDL (2,7,4) artinya Y berjumlah 2 lag, X1 berjumlah 7 lag dan X2 berjumlah 4 lag.

- Uji Autokorelasi (Serial LM test) 
(Menurut dave, uji serial korelasi wajib dilakukan dalam model ARDL)

view => residual diagnos => serial LM test

hasil uji autokorelasi tersebut menunjukkan nilai prob chi sq = 0,382 > 0,05, sehingga dapat disimpulkan error pada model tidak mengalami masalah serial korelasi.

- Uji Heteroskedastisitas

view => residual diagnos => Heteroscedasticity => pilih stau metode glesjer / BG / White dll (Menurut Dave, jika tidak melakukan uji heteros BUKAN merupakan permasalahan yang besar dalam ARDL, namun jika ingin mengujinya juga tidak masalah)

- Uji Normalitas

view => residual diagnos => Normality test (Menurut Dave, pengujian normalitas dalam model ARDL tidak begitu penting, sehingga bisa diabaikan)

- Uji Stabilitas Model
  Cusum  

view => stability diagnos => recrusive estimate (ols only) => ok (cattn : kata “ols only” merupakan keyword yang menyebabkan mengapa pada metode ARDL tidak muncul menu untuk melihat cusum test)

Cusumq 
view => stability diagnos => recrusive estimate (ols only) => ok (cattn : kata “ols only” merupakan keyword yang menyebabkan mengapa pada metode ARDL tidak muncul menu untuk melihat cusum test)

Dari hasil uji CUSUM dan CUSUMQ test, dapat dilihat bahwa model dalam keadaan stabil karena garis cusum sq masih berada di antara garis signifikan 5 persen (merah)
NB Apa yang dilakukan jika model tidak stabil? bermain dengan lag hingga hasilnya stabil (Dave Giles)

- Uji Bound Test (Melihat kointegrasi dalam jangka panjang), mengapa tidak menggunakan johansen saja? karena penggunaan uji johansen untuk kointegrasi hanya boleh dilakukan jika semua variabel stasioner pada tingkat first diff "I(1)" (Dave Giles)

view => coefficient diagnostic => bound test => ok

Nilai F stat berada di atas I(1) bound => 16,52 > 4,14, sehingga dapat disimpulkan bahwa variabel penelitian memilki kointgrasi dalam jangka panjang.

Artikel ini sangat jauh dari sempurna, mohon kritik dan masukannya untuk memperbaiki postingan ini..

Terima Kasih

Referensi :
Asteriou, Dimitros dan Hall, Stephen, G. (2007). Applied Econometric : A Modern Approach.                             Revised Edition. Palgrave Macmillan. New York.

Gujarati, D dan Poter, Dawn, C. (2010). Dasar-dasar Ekonometrika, Edisi kelima, Buku 2, Salemba                     Empat. Jakarta
http://www.sayedhossain.com/ardltimeseries.html
http://davegiles.blogspot.co.id/2015/01/ardl-modelling-in-eviews-9.html
http://davegiles.blogspot.co.id/2014/06/some-questions-about-ardl-models.html
http://davegiles.blogspot.co.id/2013/06/ardl-models-part-ii-bounds-tests.html

Uji Asumsi Klasik Dengan Menggunakan Shazam

Oleh : Jul Fahmi Salim

Assalamualaikum wr wb...

Selamat Pagi menjelang siaaang.... :-)

Jika sebelumnya saya sudah post mengenai uji asumsi klasik menggunakan eviews dan spss  maka kali ini saya akan share, uji asumsi klasik dengan menggunakan shazam.

• Buka file data (excel)
• Buka program shazam
• Input data dengan cara 
• sample 1 xxx (jumlah sampel yang digunakan)
• read y x1 x2 x3 (silahkan diganti dengan variabel yang digunakan, tetapi harus berurutan dari var dependen baru kemudian var independe)
• copy data dari excel dan langsung di paste kan dalam command shazam
• ketik ols y x1 x2 x3 / resid=e
• * uji multikolinearitas ===> stat x1 x2 x3 / pcor ==> hanya masukan variabel indepnden
• * uji autokorelasi ===> ols y x1 x2 x3 / rstat dwpvalue
• * Uji Heteroskedastisitas ===> diagos / het
• * Uji Normalitas lihat nilai JQ Berra

• Berikut merupakan hasil dari berbagai uji tersebut

Hasil regresi berupa R2 dan R2 Adj

Dari hasl tersebut didapat bahwa nilai R2 Adj nya sebesar 0,95 ==> 95%, hasil ini menunjukkan bahwa variabel independen mampu menjelaskan variabel dependen sebesar 95% sehingga dapat disimpulkan model ini layak untuk digunakan.

Hasil Analisis Of Variance From Mean 

Nilai P-Value F sebesar 0,000. jauh di bawah 0,05, sehingga dapat disimpulkan bahwa kedua variabel independent (X1 dan X2) memiliki pengaruh yang signifikan terhdapa variabel dependen (Y).

Hasil Pengaruh tiap Variabel  x terhadap Y

Nilai P-Value x1 dan x2 sebesar 0,000. jauh di bawah 0,05, sehingga dapat disimpulkan bahwa pengaruh variabel baik x1 maupun x2 terhadap Y signifikan.

• Multikolinearitas

dari hasil ujil multikolinearitas, dapat dilihat bahwa  hubungan antara variabel x1 dan x2 hanya sebesar 0,234, jauh di bawah ambang batas sebesar 0,7, sehingga dapat disimpulkan bahwa tidak terdapat gejala multikolinearitas dalam model.

• Autokorelasi (Serial Correlation)

dari output di atas dapat dilihat bahwa nilai DW stat = 1,52. Mari kita bandingkan dengan nilai DW Tabel.

n = 71

k = 2

dL = 1,5542 dan dU = 1,6715

Sumber : Buku Ekoometrika, D. Gudjarati

karena nilai DW < dL < dU  (1,52 < 1,554 < 1,6715) maka dapat disimpulkan bahwa model Terindikasi mengalami autokorelasi positif.

• Heteroskedastisitas

Kriteri :

Heteros jika r square obs < 0,1 atau 0,05 ==> HO : Homoscedasticity  HA: Heterosceaasticity

dengan menggunakan uji white, di dapat nilai p value = 0,000, jauh berada lebih kecil dari 0,05 dan dapat menolak H0, maka sehingga dapat disimpulkan bahwa terdapat gejala heteroskedastisitas dalam model

• Uji Normalitas 

dari output di atas nilai pvalue JQ Bera = 0,000, lebih kecil dari nilai ambang batas 0,05, sehingga dapat disimpulkan bahwa data dalam model tidak terdistribusi secara normal.

Lihat videonya disini

Untuk memperbaiki berbagai macam permasalahan uji asumsi klasik, memilki berbagai macam cara seperti transformasi data ke dalam bentuk log maupun ln, mentransformasi data ke dalam bentuk lag, mengubah menjadia persamaan WLS (Weigthed Leas Square), GLS (Generalize Least Square), dsb.

** Mohon Diberkan Koreksi / Saran / Masukan Terhadap Tulisan Ini Agar Tulisan Ini Bisa Lebih Baik

Selanjutnya beberapa solusi tersebut akan saya post disini jika sudah saya tau..hehhehe

Demikian lah Cara uji asumsi klasik menggunakan Shazam..

Semoga dapat berguna... Terimakasih Sudah berkunjung :-)

Uji Asumsi Klasik : Autokorelasi dengan SPSS

Oleh : Jul Fahmi Salim

Asslamualaikum..Wr.Wb

Sebelumnya saya sudah share trio uji asumsi klasik (Multikolinearitas, heteroskedastisitas dan normalitas), sekarang giliran saudarnya yag ke empat, yaitu Autokorelasi.....

buka program spss
1. input data ke dalam spss

2. klik analyze => regression => linear

3. masukan IHSG ke dependent variable
   masukan kurs, inflasi dan BI Rate ke independent variabel

4. klik menu statistic

5. centang kotak "durbin - watson"

6. klik continue

7. klik ok

8. berikut merupakan hasil output regressinya

   abaikan hasil yang lainnya, fokus kepada tabel "model Summary"
   dapat dilihat bahwa nilai DW dari model tersebut adalah sebesar
   0,437. dalam model ini terdapat masalah autokorelasi karena nilainya jauh di bawah
   nilai tabel dw yaitu dL = 1,5915 & dU = 1,7275.

9. Bandingkan dengan nilai tabel D-W

 
cara mencari tabel D-W

N = 91
k = 3

lihat tabel DW

dL = 1,5915
dU = 1,7275

Contoh:
jika n = 40
     k = 4
dilihat dari rabel D-W, nilainya adalah dL = 1,285 & dU = 1,721,
- jika nilai d hitung kurang dari 1,285 terdapat bukti dari serial koralasi
  first order yang positif
- jika nilai d hitung lebih besar dari 1,721, tidak terdapat bukti dari korelasi
  first order yang positif.
- akan tetapi, jika d terletak antara batas terendah dan batas teratas, terdapat
  hubungan yang belum bisa
  dijelaskan dengan memperhatikan ada atau tidaknya korelasi serial first order yang positif

sumber contoh : Buku Dasar-dasar Ekonometrika,2010 (Damodar N. Gujarati dan Dawn C. Porter)
                         halaman L-115, edisi 5, Salemba Empat

Download tabel D-W disini

Untuk lihat videonya klik disini


Semoga dapat membantu, silahkan berikan masukanya untuk memperbaiki postingan ini.. :-)