Membuat Kalender Tahun 2013

Happy new Year in 2013. Menyambut Tahun baru 2013, Info Excel akan memposting yang spesial. Posting khusus pada awal tahun 2013 dari Info Excel yaitu membuat kalender tahun 2013 menggunakan Microsoft Excel 2007. Karena saat ini tahun telah berganti sehingga kalender pun ikut berganti.

Simak saja tutorialnya ya..

1.       Pastikan komputer anda telah terinstal Microsoft Excel 2007 (versi yang saya gunakan sebagai contoh dan menggunakan OS Windows 7 Ultimate) dan terkoneksi dengan Internet.

2.       Klik Start > All Program > Microsoft Office > Microsoft Excel 2007

3.       Klik Office Button > New > Calendars

4.       Pilih template yang sesuai keinginan anda > Download

Jika anda ingin melihat hasil kreasi dari Info Excel, dapat di download Kalender 2013.

Semoga Tutorial, Panduan merancang Formula atau Rumus Tips dan Trik dalam Belajar serta cara mengoptimalkan fungsi dasar Microsoft Excel 2007 untuk bisnis bermanfaat bagi anda. Jika ada pertanyaan, silahkan sampaikan sebisa dan secepat mungkin nanti akan saya tanggapi.

Fungsi HOUR

Info Excel kembali akan memposting yang berkaitan dengan fungsi Date & Time yaitu fungsi Hour. Dalam bahasa Indonesia Hour itu berarti jam. Lebih jelasnya simak deh ya.

Fungsi HOUR menghasilkan angka (bilangan bulat) dari suatu jam (waktu) tanpa menyebut menit dan detik. Angka yang dihasilkan mulai dari 0 s.d 23.

Berikut gambar dari Fungsi Hour

Bentuk penulisan fungsi adalah =HOUR(serial_number)

Keterangan :

Serial_number, bilangan yang menyatakan serial waktu dalam format general atau teks yang menyertakan jam. Argumen dapat langsung dituliskan atau mengacu sel tertentu.

Semoga Tutorial, Panduan merancang Formula atau Rumus Tips dan Trik dalam Belajar serta cara mengoptimalkan fungsi dasar Microsoft Excel 2007 untuk bisnis bermanfaat bagi anda. Jika ada pertanyaan, silahkan sampaikan sebisa dan secepat mungkin nanti akan saya tanggapi.

[TUTORIAL SPSS] Uji T berpasangan 2 kelompok variabel numerik untuk parametrik

Uji T berpasangan merupakan salah satu uji hipotesis komparatif untuk dua data berkelompok. selain itu, uji ini juga merupakan uji untuk statistik parametrik dengan syarat merupakan variabel numerik dan berdistribusi normal. apabila syarat tersebut tidak terpenuhi maka menggunakan statistik non parametrik. untuk kasus uji T berpasangan menggunakan uji wilcoxon apabila datanya tidak berdistribusi normal yang mana menggunakan statistik non-parametrik.

Contoh Kasus Uji T berpasangan 2 kelompok

Suatu penelitian dilakukan untuk menguji perbedaan stress kerja karyawan yang bekerja di ruangan yang bersifat tradisional lalu pendah pada ruangan yang modern.
Apakah terdapat perbedaan stres karyaman ketika berada di ruangan tradisional dengan ketika berada diruangan modern?

langkah-langkah melakukan uji T berpasangan:

1. Memeriksa syarat uji t untuk kelompok berpasangan:
• Sebaran data harus normal
• varians data tidak perlu diuji karena kelompok data berpasangan
2. Jika memenuhi syarat (sebaran data normal), maka dipilih uji t berpasangan.
3. Jika tidak memenuhi syarat (sebaran data tidak normal) dilakukan terlebih dahulu transformasi data.
4. Jika variabel baru hasil transformasi mempunyai sebaran data yang normal, maka dipakai uji t berpasangan
5. Jika variabel baru hasil transformasi mempunyai sebaran data yang tidak normal, maka dipilih uji wilcoxon.

Setelah kita memperoleh data dan memasukkan ke dalam SPSS, maka hasilnya sebagai berikut:

Pada tahap pertama memeriksa syarat uji t berpasangan. syaratnya yaitu data harus bersebaran normal sehingga perlu dilakukan uji normalitas. Sesuai dengan langkah-langkah uji normalitas diperoleh hasil (untuk belum tahu bisa lihat pada postingan sebelumnya[TUTORIAL] Uji normalitas dengan SPSS)

Dengan melihat hasil test of normality Shapiro-Wilk, diperoleh hasil nilai P-value untuk kedua kelompok data adalah lebih dari 0,05. Dengan demikian, dapat diambil kesimpulan bahwa distribusi kedua kelompok data adalah normal.

Karena syarat data berdistribusi normal terpenuhi, maka uji hipotesis yang dipergunakan adalah uji t berpasangan.

Langkah-langkah uji t berpasangan:

• Analyze, kemudian compare means....Paired sample t
• Masukkan kedua variabel kedalam kotak paired variables. seperti gambar berikut.
  
• kemudian continue...ok...Hasilnya sebagai berikut
  

Intrepretasi hasil uji t berpasangan:

1. Bagian paired samples statistics menggambarkan deskripsi masing-masing variabel.

2. Bagian paired samples correlation menunjukkan korelasi antara dua variabel. Tampak korelasi kuat(0,921) dan signifikan (sig=0,000). Salah satu syarat uji t berpasangan adalah kedua kelompok data saling berkorelasi tinggi (r>0,9)

3. Tabel ke tiga Paired Sample Test menggambarkan hasil uji t berpasangan. Lihat kolom sig.(2 tailed). diperoleh nilai significancy 0,492(p>0,05), artinya "tidak ada perbedaan rerata stres karyawan yang berada pada ruang tradisional dengan berapa pada ruang modern".


Untuk materi tentang Pengujian Perbedaan Rata‐rata Dua kelompok berpasangan (dependent) parametrik silahkan klik link tersebut.
Untuk Bisa membandingkan dengan software yang lain silahkan kesini:
[Tutorial Excel] uji t Perbedaan Rata‐rata Dua kelompok berpasangan (dependent) parametrik

Referensi:
Statistik Untuk Kedokteran dan Kesehatan.
Diklat Khusus SPSS, Universitas Gunadarma.

[TUTORIAL] Uji normalitas SPSS

Normalitas merupakan suatu distribusi yang menunjukkan sebaran data yang seimbang sebagian besar data berada pada nilai di tengah. Normalitas merupakan syarat keharusan dan pertama pada analisis parametrik dan analisis regresi. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal.  Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid atau bias terutama untuk sampel kecil. Uji normalitas dapat dilakukan melalui dua pendekatan yaitu  secara deskriptif dan inferensia.


Untuk mendeteksi normalitas dapat digunakan beberapa cara sebagai berikut:

1. Secara Deskriptif
Menghitung koefisien varians
Menghitung rasio skewness
Menghitung rasio kurtosis
Melihat Histogram
Melihat normal Q-Q plot
Melihat Detrended normal Q-Q plot
Melihat Box-plot
2. Menilai sebaran data secara analitik: Uji kolmogorov-Smirnov atau Shapiro-Wilk

Menentukan apakah data berdistribusi normal dengan menggunakan metode diatas tentunya mengadung kriteria-kriteria sehingga dapat dikatakan data tersebut berdistribusi normal atau tidak. Berikut beberapa syarat/kriteria uji normalitas pada metode-metode diatas. untuk lebih jelas kita menggunakan dengan penyelesaian contoh kasus berikut.

Langkah-Langkah uji normalitas:

1. Dari baris menu pilih Analyze, kemudian pilih Decriptive statistic, Explore. 
2. Masukan Variabel tradisional  ke dalam dependent list.
3. Pilh kotak plots, kemudian pilih Factor levels together pada boxplot(untuk menampilkan boxplot), pilih Histogram pada Descriptive (untuk menampilkan histogram) dan Normality Plots with test (untuk menampilkan plot dan uji normalitas). Akan terlihat tampilan sebagai berikut:

Proses telah slesai, Klik continue...OK...


Mari kita melakukan intrepretasi hasil satu demi satu:

1. Secara Deskriptif

Normalitas dapat dilakukan dengan melihat secara deskriptif dari data tersebut. adapun yang digunakan untuk melihat normalitas adalah koefisien varians, rasio skewness dam rasio kurtosis.

a. Koefisien Varians

koefisien varians ini tidak mutlak kita peroleh dari hasil SPSS sehingga kita harus melakukan perhitungan terlebih dahulu.

Koefisien varians=(standar deviasi/mean) X 100%=7,363/86,93 x 100%=8,47%

Data tersebut normal jika nilai koefisien varians <30%. Setelah dilakukan perhitungan pada output diatas diperoleh koefisien varians sebesar 8,47%. sehingga dapat disimpulkan data tersebut normal.

b. Rasio Skewness

skewness merupakan suatu besaran statistik yang menunjukkan kemiringan data.  skewness ini menunjukkan datanya cenderung berada di tengah atau miring di satu sisi. Statistik ini dapat digunakan untuk melihat sebaran data normal yaitu dengan rasio skewness. rasio skewness diperoleh dari:

rasio skewness = skewness/standar error skewness = -0,052/0,58 = 0,089

Data dikatakan normal ketika nilai rasio skewness berada pada rentang nilai -2 sampai 2. Hasil dari contoh output diperoleh sebesar 0,089 sehingga disimpulkan data tersebut normal.

c. Rasio Kurtosis

kurtosis menunjukkan keruncingan suatu data. kriteria normalitas sama dengan rasio skewness yaitu -2 sampai 2. selain itu, perhitungan juga hampir sama yaitu dengan:

rasio kurtosis = kurtosis / standar error kurtosis = -1.212/1.121 = 1,08

Dapat disimpulkan bahwa data tersebut normal karena nilai rasio kurtosis berada pada interval -2 sampai 2.

d. Melihat Histogram

Pada output diperoleh gambar histogram sebagai berikut:

dengan melihat histogram, tampak bahwa  sebaran data yang diperoleh tidak begitu mirip normal. walaupun hanya sedikit terbentuk.

e. Melihat Q-Q plot

Secara teoritis, suatu set data dikatakan mempunyai sebaran normal apabila data tersebar di sekitar garis. Dari output, diperoleh Q-Q plot sebagai beikut:

Terlihat bahwa data menyebar di sekitar garis, dan tidak ada data yang letaknya jauh dari garis. kemungkinan besar, sebaran data normal.

f. Melihat Detrended normal Q-Q

Secara teoritis, suatu data dikatakan mempunyai sebaran normal apabila data tersebar di sekitar garis (angka nol). dari outpu diperoleh detrended normal Q-Q plot sebagai berikut:

Terlihat bahwa data tersebar dekat disekitar dari garis sehingga kemungkinan besar sebaran data normal. g. Melihat Boxplot Secara teoritis data dikatakan berdistribusi normal apabila: 1. nilai median ada ditengah-tengah kotak 2. niali whisker terbagi secara merata ke-atas dan ke-bawah 3. tidak ada nilai ekstrim atau outlier Dari output diperoleh Boxplot sebagai berikut: Terlihat bahwa median terletak agak ke atas kotak, whisker relatif simetris, dan tidak terdapat data outlier. Berdasarkan data yang ditampilkan boxplot, kemungkinan besar sebaran data tidak normal. 2. Secara Inferensia (Uji Kolmogorov Smirnov dan Shapiro Wilk) Untuk mengetahui apakah sebaran data mempunyai sebaran normal atau tidak secara analitik yaitu dengan menggunakan Kolmogrov-Smirnov atau Shapiro Wilk. Uji Kolmogorov-Smirnov dipergunakan untuk sampel besar sedangkan Shapiro Wilk untuk sampel yang sedikit: Dari output diperoleh hasil sebagai berikut. Oleh karena datanya kecil (n=15) maka menggunakan Shapiro Wilk. berdasarkan nilai Shapiro Wilk diperoleh nilai p=0,346. karena nilai p>0,05 maka dpat disimpulkan bahwa data berdistribusi normal. Referensi: Statistik Untuk Kedokteran dan Kesehatan. Diklat Khusus SPSS, Universitas Gunadarma. Untuk yang ingin mencoba dapat mendownload di contoh kasus uji normalitas dengan SPSS

Sumber Data dan Informasi dari BPS sebagai bahan penelitian

BPS biasa disebut Badan Pusat Statistik. Mendengar istilah satu ini semua orang pasti berpikir ke arah sumber data sekunder buat penelitian, pelaksana sensus dan survei di seluruh indonesia, lembaga yang dicari bagi pencetus skripsi atau tesis. macam-macam lah tiap gambaran orang. Tapi, buat ku istilah ini dulunya tidak pernah ada dalam kamus besar ku. Namun, sejak kuliah baru benar-benar terasa sangat-sangat familiar dan bahkan tanpa hari memikirkan itu (calon tempat kerja). lebay yaa.:D

Berdasarakan pengantar diatas semua pasti sudah mempunyai paradigma tentang BPS itu sendiri. Sedikit kita jelaskan BPS itu sebenarnya.

Badan Pusat Statistik adalah Lembaga Pemerintah Non-Departemen yang bertanggung jawab langsung kepada Presiden. Sebelumnya, BPS merupakan Biro Pusat Statistik, yang dibentuk berdasarkan UU Nomor 6 Tahun 1960 tentang Sensus dan UU Nomer 7 Tahun 1960 tentang Statistik. Sebagai pengganti kedua UU tersebut ditetapkan UU Nomor 16 Tahun 1997 tentang Statistik. Berdasarkan UU ini yang ditindaklanjuti dengan peraturan perundangan dibawahnya, secara formal nama Biro Pusat Statistik diganti menjadi Badan Pusat Statistik.

Mantap banget ya penjelasannya. Pakai undang-undang segala yang menunjukkan sebegitu kuatnya organisasi ini. Kemudian, pertanyaaanya apa saja yang dihasilkan dari Institusi ini?.

BPS menerbitkan berbagai data meliputi Sosial dan Kependudukan, Ekonomi dan Perdagangan ,serta Pertanian dan Pertambangan. Setiap bagian tersebut akan dibagi lagi menjadi beberapa sub yang lebih mendalam. kalau mau disebut banyak banget. Yauda disebut aja, contohnya tuh: Inflasi, IHK, Indeks Pembangunan Manusia(IPM), Ekspor-Impor, Nilai Tukar Petani, Produksi Pertanian dan lain sebagainya.

Untuk mendapatkan data tersebut, BPS sudah mulai menyebarkannya dalam berbagai bentuk agar para pecinta data benar-benar dimanjakan dengan data:

1. Website (WWW.BPS.go.id)

Media informasi merupakan alternatif paling jitu untuk memanjakan para pemburu data. sehingga, tidak harus repot-repot ke BPS. cukup bermodalkan koneksi. selain itu, website BPS sendiri sudah sangat fleksibel dan sangat baik dalam menyajikan datanya. Berikut ada beberapa fitur dalam website BPS(2012):

Data informatif

Salah satu fasilitas dalam website BPS adalah penyediaan data informatif. maksudnya disini adalah bahwa penyajiaannya bisa diperoleh sesuai dengan keinginan pecinta data. sehingga data yang diperoleh benar-benar yang dibutuhkan kemudian bisa didownload data tersebut langsung dalam bentuk excel jadi lebih enak lagi.

Data Paten

Kalau untuk satu ini penyajiannya masih kaku. Maksudnya data yang disajikan sudah tidak bisa diubah lagi seperti sebelumnya tapi masih bisa didownload dan sedikit modifikasi saja.

Publikasi

Untuk satu ini, data yang disajikan dalam bentuk publikasi berupa buku-buku yang disajikan. sehingga kita bisa melihat hasil publikasi buku tersebut. Namun, fasilitas ini hanya bisa dilihat saja dan tidak bisa didownload. Penjelasan lengkapnya bisa dilihat langsung k BPSnya.

Berita Resmi Statistik

Sebenarnya fasilitas satu ini merupakan penyajian data yang up to date. BPS disini memberikan data ke media setiap bulannya yang selalu update meliputi beberapa sektor.

2. Perpustakaan BPS

Setiap instansi pasti memiliki fasilitas yang satu ini. perpustakaan BPS ini merupakan diperuntukan untuk penyajian publikasi-publikasi yang terdahulu sampai yang sekarang. sehingga alternatif ketika di website BPS tidak ada. Selain itu, bisa juga melihat hasil publikasi selain dari BPS biasanya mengenai luar negeri. di perpustakaan ini juga terdapat sedikit sejarah peninggalan benda-benda yang menurut BPS perlu dipertahankan. Perpustakaan BPS tidak lepas dari sentuhan teknologi, disini juga terdapat komputer untuk para pangguna agar dapat lebih meningkatkan kemudahan-kemudahan yang digunakan.

Publikasi-publikasi BPS tersedia di galeri buku BPS yang berlokasi di lantai dasar gedung 2 Perkantoran BPS Pusat. Pelayanan dibuka setiap hari kerja mulai pukul 08.30 sampai dengan 15.30.

Jl. Dr. Sutomo No. 6-8
Jakarta 10710
Indonesia

Gambaran yang dijelaskan diatas secara umum merupakan penjelasan BPS pusat. Namun, ada juga untuk tiap provinsi bahkan tiap kabupaten/kota juga. sehingga tidak harus ke jakarta untuk mencari datanya.hehehe

Mengatasi Heteroskedastis

Mengatasi heteroskedastis merupakan langkah lanjutan apabila data terindikasi mengandung unsur heteroskedastis. untuk melihat adanya indikasi bisa dilihat di Mendeteksi Heteroskedastisini harus dilakukan agar kita masih bisa menggunakan analisis tersebut. ada beberapa cara yang dapat digunakan untuk kepentingan tersebut:

1. Metode Generalized Least Squares (GLS)

Metode ini sering juga disebut dengan metode kuadrat terkecil tertimbang. syarat dalam menggunakan metode ini adalah diketahuinyas_i²varians.

Perhatikan model berikut :

Yi = b0 + b1Xi + εi dengan Var (εi) = si2
Masing-masing dikalikans_j²

Maka diperoleh transformed model sebagai berikut:

Y_i* = b₀* + b₁X_i* + ε_i*

Setelah ditransfomasi tersebut maka telah homoskedastis, pembuktiannya dapat ditunjukkan sebagai berikut:

Oleh karena residual telah homoskedastis, maka model dapat digunakan dengan OLS, dan penduga yang diperoleh akan bersifat BLUE.

2. Transformasi dengan 1/X_j

Permasalahan pada metode GLS diatas adalah harus mengetahui s_i² dulu. namun, kenyataannya nilai s_i² hampir tidak pernah diketahui. untuk menanggulangi permasalahan tersebut maka digunakan asumsi untuk menetukan nilai s_i², pada bagian akan dicoba mengasumsikan bahwa:

E(e_j²)=s²X_j²

Transformasi menghasilkan:

Setelah transformasi maka akan menghasilkan residual yang konstan.
Pembuktian sebagai berikut:

Ciri-ciri dari asumsi ini dapat ditunjukkan sebagai berikut:

3. Transformasi dengan 1/ÖX_i

Untuk kasus ini, diasumsikan bahwa:

E(e_j²)=s²X_j

Setelah ditransformasi, maka model pada persamaan menjadi

Pembuktian bahwa hasil transformasi telah mengakibatkan rasidual konstan adalah:

untuk mengetahui bentuk data dari asumsi tersebut, dapat dilihat pada gambar berikut.

4.Transformasi E(Yi)

Transformasi ini biasanya digunakan untuk data yang tersebar seperti gambar berikut:

Dengan mengasumsikan:

E(e_j²)=s²[E(Y_j)]²

Hasil dari transformasi menjadi:

Seperti biasanya dapat dibuktikan sebagai berikut:

Permasalah dalam metode transformasi ini adalah tidak diketahuinya nilai E(Yj). oleh karena itu, digunakan penduga E(Yj), atau sering dinotasikan dengan . sehingga persamaan hasil transformasi adalah:

5. Transformasi dengan Logaritma

Transformasi ini ditujukan untuk memperkecil skala antar variabel bebas. Dengan semakin ‘sempitnya’ range nilai observasi, diharapkan variasi error juga tidak akan berbeda besar antar kelompok observasi.

Model yang digunakan adalah:

Ln Y_i = β₀+ β₁ Ln X_i + ε_i

6. White Heteroscedasticity /Robust Standar Error

Metode ini terdapat di program EViews sehingga akan lebih mudah. biasanya terdapat pada option Heteroscedatisity consistent coefficient covariance. Untuk bagian ini masih belom ngerti secara matematiknya gimana. tapi bisa aja langsung menggunakan program bukan hanya eviews tapi bisa juga terdapat pada PcGive, Eviews, Microfit, Shazam, Stata, and Limdep.

Penyebab, Dampak dan Mendeteksi Heteroskedastis.

Asumsi regresi yang akan dibahas kali ini adalah heteroskedastis. setelah sebelumnya membahas autokorelasi. heteroskedastis merupakan salah satu dari asumsi regresi yang menetukan dalam keberlanjutan analisis ini. supaya analisis regresi bisa dilanjutkan maka datanya harus tidak mengandung unsur heteroskedastis atau bisa disebut homoskedastis. Heteroskedastis berarti varians error bersyarat X merupakan angka yg tidak konstan.

heteroskedastis banyak ditemui pada data cross-section, karena pengamatan dilakukan pada individu yang berbeda pada saat yang sama,

contoh kasus heteroskedastis

hubungan antara pendapatan dan menabung. orang berpendapatan rendah, tentunya mempunyai variasi yang rendah dalam menggunakan pendaptannya untuk menabung atau konsumsi. orang berpendapatan tinggi yang boros, tentu akan mempunyai konsumsi tinggi, dan tabungan yang lebih rendah dibandingkan orang yang tidak boros.

heteroskedastis tidak hanya terjadi pada data cross section, data time series juga bisa terkena heteroskedastis.

contoh kasus heteroskedastis pada data time series

Perusahaan yang baru muncul, tentunya akan mempunyai produk yang relatif rendah pada saat pengenalan produk tersebut. ketika produksi masih sedikit, perusahaan tentunya tidak akan terjadi fluktuasi produksi besar, tetapi ketika produksi besar tentu akan memiliki fluktuasi yang besar. hal ini terjadinya karena adanya faktor pesaing, kondisi perekonomian dan sebagainya.

Berikut ilustrasi dengan gambar!

Penyebab heteroskedastis atau varians ui tidak konstan:

1. Sejalan proses belajar (the error-learning models) manusia, kesalahan (error) perilaku makin mengecilseiring berjalannya waktu. Dalam kasus ini, varians akan mengecil.

2. Dengan income meningkat, orang lebih mempunyai kebebasan dan lebih banyak pilihan utk penggunakan income-nya.Sehingga varians akan meningkat sejalan dengan peningkatan income.

3. Perbaikan teknik pengumpulan data akan menurunkan varians.

4. Kesalahan spesifikasi model:
• Kesalahan spesifikasi model yg dikarenakan menghilangkan variable penting dlm model.
• Dlm fungsi demand bila tidak dimasukan harga komoditi complementary sehingga varians tidak konstan.
• Kesalahan tranformasi data (mis. Rasio / first diff)
• Kesalahan bentuk fungsi (mis. Linier vs log-linier model).

Setelah sebelumnya kita sudah mengetahui apa dan penyebab heteroskedastis, maka selajutnya adalah. konsekuensi heteroskedastis itu sendiri kenapa begitu penting untuk diperhatikan.

1. Penaksir OLS tetap tak bias dan konsisten, namun penaksir tsb tidak lagi efisien baik dalam sampel kecil maupun sampel besar (secara asimtotik)

2. Jika tetap menggunakan penaksir OLS pada kondisi heteroskedastis, maka varian penaksir parameter koefisien regresi akan underestimate (menaksir terlalu rendah) atau overestimate (menaksir terlalu tinggi)

Mendeteksi heteroskedastis 

pastilah sangat perlukan, sehingga dapat mengetahui apakah mengandung hetero atau tidak. mendeteksi heteroskedastis ini diabgi dalam dua jenis yaitu secara grafik dan formal:

1. Metode Grafik

Dalam grafik ini, plot yang dibandingkan yaitu antara error kuadrat dengan variabel tersebut. sesuai dengan gambar diatas.pada gambar (a) terlihat bahwa errornya relatif konstan sehingga tidak menunjukkan pola pada varians. artinya gambar (a) homoskedastis sedangkan gambar (b),(c),(d), dan (e) menunjukkan pola masing-masing yaitu fluktuasi, trend,dan logaritma sehingga gambar tersebut heteroskedastis.

2. Uji formal

a. Uji park

Menggunakan fungsi:


karena varians umumnya tidak diketahui, maka Park menyarankan untuk menggunakan error sehingga persamaan regresinya menjadi


kesimpulan:Jika koefisien regresi (β) signifikan secara statistik, maka dikatakan terjadi heteroskedastisitas

b. Pengujian korelasi rank Spearman

dimana di = selisih rank dari 2 karakteristik yg berbeda

Langkah-langkah:
1. Cocokan regresi Y terhadap X, dan hitung ei.
2. Hitung rank dari |ei| dan Xi, selanjutnya hitung korelasi Spearman

Uji hipotesis:
H0 = terjadi homoskedastisitas
H1 = terjadi heteroskedastisitas


Gunakan statistik uji berikut:

Tolak H0 (terjadi Heteroskedastisitas) jika t hitung > nilai kritis tabel t dengan derajat bebas n-2

c. Uji Goldfeld – Quandt

Langkah-langkah:
a. Urutkan nilai X dari kecil ke besar
b. Abaikan beberapa pengamatan sekitar median, katakanlah sebanyak c pengamatan. Sisanya, masih ada (N – c) pengamatan
c. Lakukan regresi pada pengamatan 1, dan hitung SSE 1
d. Lakukan regresi pada pengamatan 2 dan hitung SSE 2
e. Hitung df = jumlah pengamatan dikurangi jumlah parameter

Statistik Uji:

H0: Terjadi Homoskedastis
H1: Terjadi Heteroskedastis

Bila lamda > F tabel, kita tolak hipotesis nol yang mengatakan data mempunyai varian yang homoskedastis

d. Uji Breusch-pagan-godfrey

langkah-langkah:

1. Buat hipotesis
H0: varian ui homoskedastis
H1: lainnya

2. Estimasi model regresi, dan cari Ui.

3. Cari:
s² =∑ µ_i ²/n

4. Hitung Pi dengan formula:

Pi = µ_i ²/s²

5. Regresikan pi dengan sehingga menjadi
P_i ² = g₀+g₁Z_1i+g₁Z_1i+…+g_mZ_mi+V_i

6. Hitung Sum of square Regression(SSR) dan cari:
Q = ½ SSR

7. Bandingkan dengan tabel Chi-square dengan derajat bebas (m-1).

jikaQ> c²_(m-1)maka keputusan terima ho atau homoskedastis.

e. Uji White (white's general heteroskedastis )

Dalam implementasinya, model ini relatif lebih mudah dibandingkan dengan uji-uji lainnya. perhatikan persamaan regresi berikut:

Yi =β1+β2X2i +β3X3i +ui

Langkah-langkah selanjutnya:

1. tentukan nilai error kuadrat masing-masing(Ui)

2. Buat persamaan

u_i² =α1+α2X_2i +α3X_3i+α4X_2i ²+α5X_3i ² +α6X_2iX_3i +vi

3. Hipotesis
H0:homoskedastis
H1:Heteroskedastis

Statistik uji yang digunakan adalah:

n R² ~ c²

4.Jika Nilai penghitungan melebihi nilai kritis, diputuskan bahwa tidak terdapat heteroskedastis.

Metode ini bisa digunakan dengan Eviews secara langsung namun untuk SPSS belom terdapat.

Uji Stasioner (unit root) untuk Data Panel

Setelah sebelumnya kita sudah membahas uji stasioneritas untuk data time series serta tutorialnya untuk selanjutnya akan dibahas uji stasioneritas untuk data panel itu sendiri serta tutorialnya juga. Untuk Penjelasan uji stasioneritas bisa dilihat pada postingan sebelumnya. disini hanya menjelaskan uji stasioneritas untuk data panel.

Secara prinsip pengunaan panel data unit root test adalah dimaksudkan untuk meningkatkan power of the test dengan meningkatkan jumlah sample. Peningkatan jumlah sample yang besar dapat dilakukan dengan meningkatkan jumlah crosssectional data maupun jumlah time-series data. Persoalan yang muncul dalam panel data adalah persoalan perubahan struktur bila menggunakan data yang panjang atau terjadi heterogeneity bila menggunakan data crosssectional.

Kali ini tidak akan berpanjang lagi. mungkin karena informasi yang didapatkan belum terlalu banyak. jadi, kalau ada teman-teman yang mendapatkan informasi lain mengenai uji staioneritas data panel maka bisa dishare disini. langsung saja kita mengenal masing-masing uji apa saja yang digunakan:

1. Levin dan Lin

Metode ini dikembangkan oleh Quah (1992,1994), Levin dan Lin(1993). metode ini diperuntukkan untuk homogenous panels. selain itu digunakan untuk kondisi adanya efek spesifik individu maupun heterogeneity across groups.  dimana syaratnya memerlukan N/T mendekati nol dan kedua N (data cross section) dan T (data time series) menuju tak terhingga. tentu saja, metode ini memiliki kelemahan seperti tidak dapat mengakomodasi heterorenitas antar kelompok. heterogenitas ini seperti pengaruh unik individu (individual special effects) dan pola yang berbeda dari residual serial correlations.

2. Im - Pesaran - shin (IPS)

berdasarkan kelemahan metode Levin, Lin dan Chuw maka menjadikan alasan buat Pesaran, Smith dan Im (2002) memperkenalkan uji unit root dengan dinamik hetergenous panel. hal ini muncul karena uji unit root dengan dinamik  heterogenous  lebih banyak digunakan dengan homogenous dinamik. Im,Pesaran dan Shin (IPS) menggunakan kerangka likelihood dengan prosedur pengujian alter-natif berdasarkan rata-rata unit root test statistik individu dalam setiap grup untuk panel.Dengan asumsi no cross-sectional correlation pada data panel, IPS lebih powerful dibandingkan LL.

3. Maddala -Wu

Kemudian muncul metode lagi untuk supaya menjadi lebih baik lagi yaitu Maddal - wu. Apabila terjadi korelasi antar cross-section, maka MW adalah metode yang paling tepat untuk menguji unit root, LL paling tidak sesuai