MATERI PEMBELAJARAN: EVIEWS (Econometric Views)

1. PENDAHULUAN

1.1 Apa itu EViews? EViews (Econometric Views) adalah perangkat lunak (software) statistik dan ekonometrika yang digunakan untuk analisis data time series, cross-section, maupun data panel. EViews dikembangkan oleh IHS Markit (sebelumnya Quantitative Micro Software/QMS) dan sangat populer digunakan dalam bidang ekonomi, keuangan, bisnis, dan penelitian akademik karena kemampuannya yang kuat dalam mengolah data time series dan model ekonometrika.

1.2 Sejarah Singkat EViews pertama kali dirilis pada tahun 1994 oleh Quantitative Micro Software (QMS) sebagai pengembangan dari software sebelumnya bernama TSP (Time Series Processor) dan MicroTSP. Sejak itu EViews terus mengalami pembaruan versi, seperti EViews 6, 7, 8, 9, 10, hingga versi terbaru EViews 12 & 13 yang dilengkapi antarmuka lebih modern dan fitur analisis yang lebih lengkap.

1.3 Fungsi dan Kegunaan EViews

Mengolah dan menganalisis data time series (data deret waktu)
Mengolah data cross-section dan data panel
Melakukan uji asumsi klasik pada model regresi (normalitas, multikolinearitas, heteroskedastisitas, autokorelasi)
Melakukan analisis regresi linear berganda
Melakukan uji stasioneritas data (Unit Root Test)
Melakukan analisis kointegrasi dan Error Correction Model (ECM)
Melakukan analisis VAR (Vector Autoregression) dan VECM
Melakukan peramalan (forecasting) data ekonomi/keuangan
Mengolah data untuk skripsi, tesis, disertasi, dan riset ekonometrika

1.4 Jenis File dalam EViews

Ekstensi	Keterangan
.wf1	Workfile — file utama tempat data dan hasil analisis disimpan
.prg	File program (EViews Program) berisi kumpulan perintah/skrip
.txt / .csv	Format data mentah yang dapat diimpor ke EViews
.rtf / .wf1	Format hasil ekspor output/laporan

2. MENGENAL ANTARMUKA (INTERFACE) EVIEWS

2.1 Workfile Window Jendela utama yang menampung seluruh objek dalam satu file kerja (workfile), seperti data series, equation (persamaan), graph, dan tabel. Setiap kali membuat workfile baru, EViews akan meminta struktur data (frekuensi waktu, jumlah observasi, rentang periode).

2.2 Menu Bar

File — membuat/membuka/menyimpan workfile, impor-ekspor data
Edit — copy, paste, undo, pengaturan opsi
Object — membuat objek baru (series, equation, group, graph, dll)
View — mengubah tampilan objek yang sedang aktif
Proc — prosedur pengolahan data/objek yang sedang aktif
Quick — akses cepat menuju perintah analisis (Estimate Equation, Group Statistics, dll)
Options — pengaturan program EViews
Window — berpindah antar jendela yang terbuka
Help — bantuan dan dokumentasi

2.3 Command Window/Line Baris perintah di bagian atas workfile tempat pengguna dapat mengetik perintah EViews secara langsung (command-based), sebagai alternatif dari perintah berbasis menu (klik-klik).

2.4 Objek dalam Workfile Setiap elemen dalam EViews disebut sebagai objek, dengan ikon yang berbeda-beda:

Series — data satu variabel (seperti kolom data)
Group — kumpulan beberapa series yang digabungkan
Equation — hasil estimasi model regresi
Graph — objek grafik/visualisasi data
Table — objek tabel
VAR — objek hasil estimasi model Vector Autoregression
System — kumpulan beberapa persamaan simultan

3. MEMBUAT DAN MENGELOLA WORKFILE

3.1 Membuat Workfile Baru

Klik File > New > Workfile
Pilih struktur data:
- Unstructured/Undated — untuk data cross-section (tidak berdasarkan waktu)
- Dated – regular frequency — untuk data time series (harian, bulanan, kuartalan, tahunan, dll)
- Balanced Panel — untuk data panel (gabungan cross-section dan time series)
Tentukan rentang periode data (Start date dan End date)
Klik OK

3.2 Memasukkan Data ke dalam Workfile Data dapat dimasukkan dengan beberapa cara:

Manual — klik Object > New Object > Series, lalu ketik data langsung
Impor dari Excel/CSV — File > Import > Import from File, pilih file data, tentukan nama variabel dan rentang data
Copy-Paste — menyalin data dari Excel langsung ke dalam jendela series EViews

3.3 Mengelola Series (Variabel)

Klik dua kali pada objek series untuk membuka/mengedit data
View > Graph — menampilkan grafik dari series tersebut
View > Descriptive Statistics — menampilkan statistik deskriptif (mean, median, std. dev, dll)
Genr — membuat variabel baru hasil transformasi (misalnya logaritma, first difference)

3.4 Transformasi Data Umum Melalui Quick > Generate Series atau perintah genr, beberapa transformasi yang umum dilakukan dalam ekonometrika:

LOG(X) — transformasi logaritma natural
D(X) — first difference (X<sub>t</sub> - X<sub>t-1</sub>)
DLOG(X) — first difference dari logaritma (mendekati pertumbuhan/growth rate)
X(-1) — nilai lag (nilai periode sebelumnya)

4. STATISTIK DESKRIPTIF DAN VISUALISASI

4.1 Statistik Deskriptif Klik dua kali pada series/group, lalu View > Descriptive Statistics > Common Sample/Individual Samples, menampilkan mean, median, maksimum, minimum, standar deviasi, skewness, kurtosis, serta uji normalitas Jarque-Bera.

4.2 Membuat Grafik Melalui View > Graph, EViews menyediakan berbagai jenis grafik:

Line — grafik garis (umum untuk data time series)
Bar — grafik batang
Scatter — grafik pencar (hubungan dua variabel)
Pie — grafik lingkaran

4.3 Uji Korelasi Untuk group/beberapa series sekaligus, gunakan View > Covariance Analysis > Correlation untuk melihat matriks korelasi antar variabel.

5. UJI STASIONERITAS DATA (UNIT ROOT TEST)

Dalam analisis time series, data harus bersifat stasioner (rata-rata dan variansnya konstan sepanjang waktu) sebelum dianalisis lebih lanjut, guna menghindari spurious regression (regresi lancung).

5.1 Melakukan Uji Unit Root

Klik dua kali pada series yang ingin diuji
Klik View > Unit Root Test
Pilih jenis uji: Augmented Dickey-Fuller (ADF), Phillips-Perron (PP), atau lainnya
Pilih level pengujian: Level atau 1st Difference
Pilih ada tidaknya Intercept, Trend and Intercept, atau None
Klik OK

5.2 Interpretasi Hasil

Jika nilai ADF t-Statistic (dalam nilai absolut) lebih besar dari nilai kritis (Test Critical Values) pada taraf signifikansi tertentu (1%, 5%, 10%), atau nilai probabilitas < 0,05, maka data dinyatakan stasioner.
Jika data pada level belum stasioner, maka pengujian dilanjutkan pada 1st difference, dan seterusnya hingga data stasioner (menentukan derajat integrasi, misalnya I(0) atau I(1)).

6. ANALISIS REGRESI LINEAR (ORDINARY LEAST SQUARES)

6.1 Melakukan Estimasi Regresi

Klik Quick > Estimate Equation (atau Object > New Object > Equation)
Ketik persamaan pada kotak Equation specification, contoh:
```
Y C X1 X2 X3
```
(Y = variabel terikat, C = konstanta, X1 X2 X3 = variabel bebas)
Pilih metode estimasi: LS – Least Squares (default)
Klik OK

6.2 Membaca Output Regresi Output regresi EViews menampilkan beberapa informasi penting:

Bagian Output	Keterangan
Coefficient	Nilai koefisien regresi masing-masing variabel
Std. Error	Standar kesalahan koefisien
t-Statistic	Nilai uji-t untuk pengujian parsial
Prob.	Nilai signifikansi (p-value) uji-t
R-squared	Koefisien determinasi (persentase variasi Y yang dijelaskan model)
Adjusted R-squared	R-squared yang disesuaikan dengan jumlah variabel
F-statistic	Nilai uji F untuk pengujian simultan
Prob(F-statistic)	Signifikansi uji F
Durbin-Watson stat	Indikasi awal ada tidaknya autokorelasi

6.3 Interpretasi Umum

Uji-t (parsial): jika Prob. < 0,05, maka variabel bebas tersebut berpengaruh signifikan secara parsial terhadap variabel terikat.
Uji-F (simultan): jika Prob(F-statistic) < 0,05, maka seluruh variabel bebas secara bersama-sama berpengaruh signifikan terhadap variabel terikat.
R-squared: semakin mendekati 1, semakin baik model dalam menjelaskan variasi data.

7. UJI ASUMSI KLASIK

Uji asumsi klasik dilakukan untuk memastikan model regresi bersifat BLUE (Best Linear Unbiased Estimator), diakses dari jendela hasil estimasi (Equation) yang sudah terbentuk:

7.1 Uji Normalitas

View > Residual Diagnostics > Histogram – Normality Test
Dilihat dari nilai Jarque-Bera dan probabilitasnya; jika Prob. JB > 0,05, maka residual berdistribusi normal.

7.2 Uji Multikolinearitas

View > Coefficient Diagnostics > Variance Inflation Factors (VIF)
Jika nilai Centered VIF < 10, maka tidak terjadi multikolinearitas antar variabel bebas.

7.3 Uji Heteroskedastisitas

View > Residual Diagnostics > Heteroskedasticity Test > Breusch-Pagan-Godfrey (atau White)
Jika nilai Prob. Chi-Square > 0,05, maka tidak terjadi heteroskedastisitas (varians residual bersifat homogen/konstan).

7.4 Uji Autokorelasi

View > Residual Diagnostics > Serial Correlation LM Test (Breusch-Godfrey)
Jika nilai Prob. Chi-Square > 0,05, maka tidak terjadi autokorelasi antar residual.
Alternatif: dilihat dari nilai Durbin-Watson stat pada output regresi (dibandingkan dengan tabel Durbin-Watson, dL dan dU).

8. UJI KOINTEGRASI DAN ERROR CORRECTION MODEL (ECM)

8.1 Konsep Kointegrasi Kointegrasi digunakan untuk mengetahui apakah terdapat hubungan keseimbangan jangka panjang antar variabel time series yang tidak stasioner pada level, namun stasioner pada derajat yang sama (misalnya sama-sama I(1)).

8.2 Uji Kointegrasi Engle-Granger

Pastikan semua variabel stasioner pada derajat yang sama (misalnya 1st difference)
Lakukan regresi OLS antar variabel pada level
Simpan nilai residual dari regresi tersebut
Lakukan uji Unit Root pada residual — jika residual stasioner pada level, maka variabel-variabel tersebut terkointegrasi

8.3 Uji Kointegrasi Johansen Untuk model dengan lebih dari dua variabel, digunakan Quick > Group Statistics > Cointegration Test (Johansen), dengan melihat nilai Trace Statistic dan Max-Eigen Statistic dibandingkan nilai kritis.

8.4 Error Correction Model (ECM) Jika ditemukan kointegrasi, ECM digunakan untuk melihat hubungan jangka pendek sekaligus mekanisme penyesuaian menuju keseimbangan jangka panjang, dengan menambahkan variabel Error Correction Term (ECT) ke dalam model regresi.

9. ANALISIS VAR (VECTOR AUTOREGRESSION) DAN VECM

9.1 VAR (Vector Autoregression) Digunakan ketika variabel-variabel saling memengaruhi satu sama lain (tidak ada variabel bebas/terikat yang tegas). Diakses melalui Quick > Estimate VAR, dengan menentukan variabel endogen dan jumlah lag optimal (dapat dicek melalui View > Lag Structure > Lag Length Criteria).

9.2 VECM (Vector Error Correction Model) Merupakan pengembangan VAR yang digunakan apabila variabel-variabel yang dianalisis terkointegrasi, sehingga model dapat menangkap hubungan jangka pendek maupun jangka panjang secara bersamaan.

9.3 Analisis Lanjutan pada VAR

Impulse Response Function (IRF) — melihat respon suatu variabel terhadap guncangan (shock) dari variabel lain sepanjang waktu
Variance Decomposition — melihat kontribusi masing-masing variabel dalam menjelaskan variasi suatu variabel
Granger Causality Test — menguji hubungan sebab-akibat (kausalitas) antar variabel (Quick > Group Statistics > Granger Causality Test)

10. PERAMALAN (FORECASTING)

10.1 Melakukan Forecasting

Buka objek Equation yang sudah diestimasi
Klik Forecast
Tentukan nama variabel hasil forecast, metode (Dynamic/Static), dan periode peramalan
Klik OK

10.2 Evaluasi Hasil Forecasting EViews menampilkan grafik hasil peramalan beserta ukuran akurasi model, seperti:

RMSE (Root Mean Squared Error)
MAE (Mean Absolute Error)
MAPE (Mean Absolute Percentage Error)
Theil Inequality Coefficient

Semakin kecil nilai-nilai tersebut, semakin baik/akurat model dalam melakukan peramalan.

11. ANALISIS DATA PANEL

11.1 Struktur Data Panel Data panel merupakan gabungan data cross-section (misalnya beberapa perusahaan/negara) dan time series (beberapa periode waktu), disusun dalam workfile dengan struktur Balanced/Unbalanced Panel.

11.2 Model Estimasi Data Panel Melalui Quick > Estimate Equation, pilih metode Panel Least Squares dengan opsi model:

Common Effect Model (CEM/Pooled OLS) — mengabaikan dimensi individu dan waktu
Fixed Effect Model (FEM) — memperhitungkan perbedaan intersep antar individu
Random Effect Model (REM) — memperhitungkan perbedaan intersep sebagai komponen error acak

11.3 Pemilihan Model Terbaik

Uji Chow — memilih antara Common Effect vs Fixed Effect
Uji Hausman — memilih antara Fixed Effect vs Random Effect
Uji Lagrange Multiplier (LM) — memilih antara Common Effect vs Random Effect

12. MENGELOLA OUTPUT DAN PROGRAM (PRG)

12.1 Menyimpan dan Mengekspor Output

Hasil estimasi (equation, graph, table) dapat disimpan sebagai bagian dari workfile (.wf1)
Output dapat disalin (Copy) langsung ke Word/Excel, atau diekspor melalui File > Export

12.2 Program (.prg) Sama seperti syntax pada SPSS, EViews juga mendukung penulisan program/skrip melalui File > New > Program, berguna untuk mengotomatiskan proses analisis yang panjang dan berulang.

Contoh program sederhana:

smpl 2010 2020
equation eq1.ls y c x1 x2
eq1.output

13. LANGKAH UMUM PENGOLAHAN DATA DI EVIEWS

Menyiapkan data time series/panel yang akan dianalisis
Membuat workfile baru sesuai struktur data
Mengimpor/memasukkan data ke dalam workfile
Melakukan uji stasioneritas (khusus data time series)
Melakukan estimasi model regresi (OLS/Panel/VAR sesuai kebutuhan)
Melakukan uji asumsi klasik
Melakukan uji kointegrasi (jika diperlukan) dan pemilihan model ECM/VECM
Menginterpretasikan hasil output regresi
Melakukan peramalan (jika diperlukan)
Menyusun laporan/pembahasan hasil analisis

14. TIPS DAN CATATAN PENTING

💡 Tips: Selalu lakukan uji stasioneritas terlebih dahulu sebelum mengestimasi model regresi dengan data time series, untuk menghindari hasil regresi yang bersifat lancung (spurious regression) meskipun nilai R-squared terlihat tinggi.

💡 Tips: Gunakan tombol Freeze pada objek grafik/tabel di EViews untuk "membekukan" hasil sehingga tidak berubah otomatis apabila data sumber diperbarui — berguna saat menyalin hasil ke laporan.

💡 Tips: Manfaatkan Command Window untuk mempercepat pekerjaan berulang, karena hampir seluruh perintah menu di EViews memiliki perintah teks (command) yang setara.

Kesalahan umum yang sering terjadi:

Tidak melakukan uji stasioneritas sebelum regresi time series
Salah menentukan jumlah lag optimal pada model VAR
Mengabaikan uji asumsi klasik sehingga hasil regresi bias/tidak valid
Salah memilih model data panel (CEM/FEM/REM) tanpa melalui uji Chow/Hausman
Menginterpretasikan R-squared tinggi sebagai jaminan model baik tanpa memeriksa validitas asumsi

15. PERBANDINGAN SINGKAT EVIEWS DENGAN SPSS

Aspek	EViews	SPSS
Fokus utama	Ekonometrika, time series, data panel	Statistik umum, ilmu sosial
Keunggulan	Unit root, kointegrasi, VAR/VECM, forecasting	Uji hipotesis dasar, deskriptif, SEM (via Amos)
Struktur data	Berbasis workfile dengan struktur waktu	Berbasis data view/spreadsheet
Pengguna umum	Ekonom, analis keuangan, peneliti ekonometrika	Peneliti sosial, psikologi, pendidikan

16. RANGKUMAN

EViews merupakan software yang sangat kuat dalam menangani analisis data time series, cross-section, dan data panel, khususnya untuk kebutuhan ekonometrika seperti uji stasioneritas, kointegrasi, ECM, VAR/VECM, hingga peramalan (forecasting). Penguasaan EViews membutuhkan pemahaman konsep ekonometrika yang memadai, karena setiap tahapan analisis (mulai dari uji stasioneritas hingga uji asumsi klasik) saling berkaitan dan menentukan validitas model yang dihasilkan.

CONTOH KASUS : UJI STASIONERITAS + REGRESI OLS DI EVIEWS

KASUS

Seorang peneliti ingin mengetahui pengaruh Inflasi (X1) dan Nilai Tukar Rupiah/Kurs (X2) terhadap Indeks Harga Saham Gabungan/IHSG (Y) menggunakan data time series bulanan selama 10 tahun (2013–2022).

Hipotesis:

H0 : Inflasi dan Kurs tidak berpengaruh signifikan terhadap IHSG
H1 : Inflasi dan Kurs berpengaruh signifikan terhadap IHSG

Karena data bersifat time series, maka sebelum melakukan regresi, data harus diuji stasioneritas-nya terlebih dahulu untuk menghindari spurious regression (regresi lancung).

DATA CONTOH (Ringkasan)

Periode	IHSG (Y)	Inflasi % (X1)	Kurs Rp/USD (X2)
2013M01	4453	4,57	9698
2013M02	4795	5,31	9667
2013M03	4940	5,90	9719
...	...	...	...
2022M11	7081	5,42	15732
2022M12	6850	5,51	15568

(Data lengkap 120 observasi bulanan diinput ke dalam workfile EViews)

LANGKAH 1: Membuat Workfile Baru

Buka EViews, klik File > New > Workfile
Pada kotak Workfile structure type, pilih Dated – regular frequency
Pada Frequency, pilih Monthly
Isi Start date: 2013M01, End date: 2022M12
Klik OK

EViews akan otomatis membuat workfile dengan objek default C (konstanta) dan RESID (residual).

LANGKAH 2: Memasukkan Data

Klik Quick > Empty Group (Edit Series), atau ketik nama variabel baru di Command Window
Beri nama kolom: Y, X1, X2
Salin (copy) data dari Excel, lalu tempelkan (paste) ke masing-masing kolom sesuai urutan periode
Simpan workfile: File > Save As, beri nama data_ihsg.wf1

💡 Tips: Pastikan urutan data pada Excel sudah sesuai urutan waktu (dari periode terlama ke terbaru) sebelum di-paste ke EViews, karena EViews akan menempatkan data sesuai urutan baris pada workfile.

LANGKAH 3: Uji Stasioneritas (Unit Root Test) — Level

a) Menguji variabel Y (IHSG)

Klik dua kali pada series Y
Klik View > Unit Root Test
Pilih Test type: Augmented Dickey-Fuller (ADF)
Pilih Test for unit root in: Level
Pilih Include in test equation: Trend and Intercept
Klik OK

Lakukan hal yang sama untuk variabel X1 (Inflasi) dan X2 (Kurs).

Hasil Uji Unit Root pada Level:

Variabel	ADF t-Statistic	Nilai Kritis 5%	Prob.	Keterangan
Y (IHSG)	-1,842	-3,435	0,678	Tidak stasioner
X1 (Inflasi)	-2,215	-3,435	0,485	Tidak stasioner
X2 (Kurs)	-1,566	-3,435	0,801	Tidak stasioner

Karena nilai ADF t-Statistic (absolut) lebih kecil dari nilai kritis 5% dan Prob. > 0,05 pada ketiga variabel, maka seluruh data belum stasioner pada level.

LANGKAH 4: Uji Stasioneritas — 1st Difference

Karena data belum stasioner di level, lakukan uji ulang pada 1st Difference:

Klik dua kali pada series (misal Y)
Klik View > Unit Root Test
Pilih Test for unit root in: 1st Difference
Klik OK (ulangi untuk X1 dan X2)

Hasil Uji Unit Root pada 1st Difference:

Variabel	ADF t-Statistic	Nilai Kritis 5%	Keterangan
D(Y)	-8,912	-3,435	Stasioner
D(X1)	-7,654	-3,435	Stasioner
D(X2)	-9,201	-3,435	Stasioner

Karena seluruh variabel stasioner pada 1st Difference, maka data dinyatakan terintegrasi pada derajat yang sama, yaitu I(1).

💡 Tips: Jika seluruh variabel stasioner pada derajat yang sama (misalnya sama-sama I(1)), sebaiknya dilanjutkan dengan uji kointegrasi untuk mengetahui ada tidaknya hubungan jangka panjang, sebelum memutuskan menggunakan model regresi biasa atau ECM. Pada contoh ini, kita lanjutkan dengan regresi OLS sederhana menggunakan data pada bentuk first difference agar asumsi stasioneritas terpenuhi.

LANGKAH 5: Membuat Variabel First Difference

Klik Quick > Generate Series
Ketik pada kotak Enter equation:
```
DY = D(Y)
```
Klik OK. Ulangi untuk membuat DX1 = D(X1) dan DX2 = D(X2)

Variabel baru DY, DX1, DX2 akan muncul di dalam workfile dan siap digunakan untuk regresi.

LANGKAH 6: Menjalankan Regresi OLS

Klik Quick > Estimate Equation
Pada kotak Equation specification, ketik:
```
DY C DX1 DX2
```
Pastikan metode Method: LS – Least Squares (NLS and ARMA)
Klik OK

LANGKAH 7: Membaca Output Regresi

Output Estimasi (contoh hasil):

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	12,450	8,760	1,421	0,158
DX1	45,120	15,340	2,941	0,004
DX2	-0,085	0,021	-4,048	0,000

Statistik Model	Nilai
R-squared	0,286
Adjusted R-squared	0,274
F-statistic	23,15
Prob(F-statistic)	0,000
Durbin-Watson stat	1,89

LANGKAH 8: Interpretasi Hasil

a) Uji-F (Simultan) Nilai Prob(F-statistic) = 0,000 (< 0,05), artinya secara bersama-sama, Inflasi dan Kurs berpengaruh signifikan terhadap IHSG.

b) Uji-t (Parsial)

DX1 (Inflasi): Prob. = 0,004 (< 0,05) → berpengaruh signifikan terhadap IHSG, dengan koefisien positif (45,12), artinya kenaikan inflasi berhubungan dengan kenaikan IHSG dalam jangka pendek.
DX2 (Kurs): Prob. = 0,000 (< 0,05) → berpengaruh signifikan terhadap IHSG, dengan koefisien negatif (-0,085), artinya pelemahan Rupiah (kenaikan angka kurs) berhubungan dengan penurunan IHSG.

c) Koefisien Determinasi Nilai R-squared = 0,286, artinya 28,6% variasi perubahan IHSG dapat dijelaskan oleh perubahan Inflasi dan Kurs, sedangkan sisanya (71,4%) dijelaskan oleh faktor lain di luar model.

d) Durbin-Watson Nilai DW = 1,89 mendekati angka 2, mengindikasikan tidak terjadi autokorelasi pada model (perlu dikonfirmasi lebih lanjut dengan uji Breusch-Godfrey).

LANGKAH 9: Uji Asumsi Klasik (Ringkas)

Setelah model regresi terbentuk, lakukan pengujian tambahan dari jendela Equation yang aktif:

Uji	Cara Akses	Kriteria Lolos Uji
Normalitas	View > Residual Diagnostics > Histogram-Normality Test	Prob. Jarque-Bera > 0,05
Multikolinearitas	View > Coefficient Diagnostics > VIF	Centered VIF < 10
Heteroskedastisitas	View > Residual Diagnostics > Heteroskedasticity Test (BPG)	Prob. Chi-Square > 0,05
Autokorelasi	View > Residual Diagnostics > Serial Correlation LM Test	Prob. Chi-Square > 0,05

(Pada contoh ini diasumsikan seluruh uji asumsi klasik terpenuhi, sehingga model dinyatakan BLUE — Best Linear Unbiased Estimator)

LANGKAH 10: Menuliskan ke Laporan/Skripsi

Contoh kalimat kesimpulan yang bisa digunakan:

"Berdasarkan hasil uji Augmented Dickey-Fuller, seluruh variabel penelitian tidak stasioner pada level namun stasioner pada first difference, sehingga estimasi model regresi dilakukan menggunakan data pada bentuk first difference. Hasil estimasi menunjukkan nilai Prob(F-statistic) sebesar 0,000 (p < 0,05), yang berarti Inflasi dan Kurs secara simultan berpengaruh signifikan terhadap IHSG. Secara parsial, Inflasi berpengaruh positif dan signifikan (Prob. = 0,004), sedangkan Kurs berpengaruh negatif dan signifikan (Prob. = 0,000) terhadap IHSG. Nilai Adjusted R-squared sebesar 0,274 menunjukkan bahwa 27,4% variasi IHSG dapat dijelaskan oleh kedua variabel bebas tersebut, sedangkan sisanya dipengaruhi oleh faktor lain di luar model penelitian ini."

CATATAN TAMBAHAN

💡 Tips: Jika seluruh variabel ternyata stasioner pada derajat yang sama, langkah selanjutnya yang lebih tepat secara teori ekonometrika adalah melakukan uji kointegrasi (Engle-Granger atau Johansen) terlebih dahulu. Jika terbukti terkointegrasi, gunakan Error Correction Model (ECM) agar hubungan jangka pendek dan jangka panjang dapat dianalisis sekaligus — bukan hanya regresi pada first difference seperti contoh ini.

💡 Tips: Simpan seluruh hasil uji (unit root, regresi, uji asumsi) menggunakan tombol Freeze pada tiap jendela output, agar hasil tidak berubah dan mudah disalin ke dokumen laporan (Word/Excel).

Ringkasan alur analisis pada kasus ini:

Input data time series → 2. Uji stasioneritas level → 3. Uji stasioneritas 1st difference → 4. Buat variabel first difference → 5. Estimasi regresi OLS → 6. Uji asumsi klasik → 7. Interpretasi & kesimpulan

https://www.alzaqa.com/2026/09/00112.html

https://www.alzaqa.com/2026/09/00021.html

https://www.alzaqa.com/2026/09/00024.html

https://www.alzaqa.com/2026/09/00028.html

https://www.alzaqa.com/2026/09/00033.html

https://www.alzaqa.com/2026/09/00035.html

https://www.alzaqa.com/2026/09/00051.html

https://www.alzaqa.com/2026/09/00044.html

https://www.alzaqa.com/2026/09/00047.html

https://www.alzaqa.com/2026/09/00053.html

https://www.alzaqa.com/2026/09/00056.html

https://www.alzaqa.com/2026/09/00059.html