LAMPIRAN
Lampiran 1. Evaluasi Model Evaluasi Model Keterangan 1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga. 2) Kriteria Statistika a) R 2 Kebaiksuaian (goodness of fit) model. Menunjukkan seberapa besar persen variasi dalam variabel dependen mampu dijelaskan oleh variabel independennya. Model semakin baik jika R 2 mendekati satu. b) Uji-t Mengukur signifikansi parameter masing-masing variabel independen terhadap dependennya. Hipotesis pengujian: H 0 = α k = 0 atau H 0 = α k = 0 H 1 = α k > 0 H 1 = α k 0 Tolak H 0, apabila t-stat pada taraf nyata tertentu lebih besar daripada t tabel, sehingga kesimpulannya variabel tersebut berpengaruh nyata (signifikan) terhadap variabel dependen c) Uji-F Mengetahui ada-tidaknya pengaruh variabel independen terhadap variabel dependen secara keseluruhan. Hipotesis pengujian H 0 = α 1 = α 2 = = α k = 0 H 1 = minimal terdapat satu nilai α yang tidak sama dengan nol Tolak H 0, jika probabilitas F-stat < taraf nyata tertentu, sehingga kesimpulannya minimal terdapat satu variabel independen yang mempengaruhi variabel dependen
65 Lampiran 2. Uji Asumsi Uji Asumsi Keterangan 1) Heteroskedastisitas Terjadi jika ragam sisaan tidak konstan (Var (μ 2 i ) = σ 2 i ). Mengakibatkan estimasi koefien penduga menjadi tidak efisien meskipun konsisten dan standard error estimasi juga menjadi bias (Baltagi, 2005). Pendeteksian heteroskedastisitas pada pengolahan data panel dengan Eviews 6: Jika Sum Square Resid pada Weighted Statistics < Sum Square Resid pada Unweighted Statistics, maka terjadi heteroskedastisitas Salah satu cara mengatasi heteroskedastisitas: penggunaan metode Generalized Least Squares (GLS) (Juanda, 2009) 2) Multikolinearitas Adanya keterkaitan atau hubungan linier antara variabel independen. Mengakibatkan hasil estimasi menjadi tidak tepat, sebab estimator memiliki varians dan kovarians yang besar. Indikasi terjadinya masalah multikolinearitas ialah (Gujarati, 2004): Tanda koefisien tidak sesuai dengan yang diharapkan Nilai R 2 tinggi meski dalam uji-t banyak variabel yang tidak signifikan Matriks korelasi antar variabel tinggi (r ij > 0.8) R 2 < r ij Salah satu cara mengatasi multikolinearitas: penggabungan data time series dan cross-section (Juanda, 2009). 3) Autokorelasi Korelasi antara anggota serangkaian observasi yang diurutkan berdasarkan waktu atau ruang. Mengakibatkan standar error penduga bias ke bawah atau lebih kecil dari nilai sebenarnya sehingga nilai statistik uji-t tinggi. Deteksi autokorelasi dapat dilakukan dengan melakukan uji Durbin-Watson (DW). Kerangka Identifikasi Autokorelasi (Gujarati, 2004) 4-d L < DW < 4: Tolak H 0, autokorelasi negatif 4-d U < DW < 4-d L : Tanpa kesimpulan d L < DW < 4-d U : Terima H 0, tidak ada autokorelasi d L < DW < d U : Tanpa kesimpulan 0 < DW < d L : Tolak H 0, autokorelasi positif (d L dan d U diketahui dari Tabel Durbin-Watson) Salah satu cara mengatasi autokorelasi: penggunaan metode GLS (Juanda, 2009). 4) Normalitas mengetahui apakah error term menyebar normal atau tidak Pengujian tersebut dilakukan dengan uji Jarque Bera dengan hipotesis: H 0 = error term menyebar normal H 1 = error term tidak menyebar normal Terima H 0, jika nilai probabilitas Jarque Bera > taraf nyata. Artinya, error term dalam model telah menyebar normal.
66 Lampiran 3. Uji Chow Model Permintaan Impor Buah-buahan Redundant Fixed Effects Tests Equation: Untitled Test cross-section fixed effects Effects Test Statistic d.f. Prob. Cross-section F 11.483429 (3,53) 0.0000 Cross-section Chi-square 30.046714 3 0.0000
67 Lampiran 4. Uji Hausman Model Permintaan Impor Buah-buahan Correlated Random Effects - Hausman Test Equation: Untitled Test cross-section random effects Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob. Cross-section random 3.339791 3 0.3421
68 Lampiran 5. Hasil Estimasi Model Permintaan Impor Buah-buahan Dependent Variable: LNM Method: Panel EGLS (Cross-section SUR) Date: 05/08/12 Time: 07:58 Sample: 1996 2010 Periods included: 15 Cross-sections included: 4 Total panel (balanced) observations: 60 Linear estimation after one-step weighting matrix Variable Coefficient Std. Error t-statistic Prob. LNP -1.001279 0.187382-5.343515 0.0000 LNY 2.828298 0.494537 5.719080 0.0000 DCRISIS -1.480811 0.242975-6.094503 0.0000 C -27.53164 7.853861-3.505491 0.0009 Effects Specification Cross-section fixed (dummy variables) Weighted Statistics R-squared 0.892565 Mean dependent var 31.19134 Adjusted R-squared 0.880402 S.D. dependent var 23.51064 S.E. of regression 1.013745 Sum squared resid 54.46697 F-statistic 73.38657 Durbin-Watson stat 1.725627 Prob(F-statistic) 0.000000 Unweighted Statistics R-squared 0.688734 Mean dependent var 17.43153 Sum squared resid 22.48693 Durbin-Watson stat 0.595730
69 Lampiran 6. Matriks Korelasi antar Variabel dalam Model Permintaan Impor Buah-buahan LNP LNM LNY DCRISIS LNP 1.000000-0.206836 0.455754-0.265329 LNM -0.206836 1.000000 0.444515-0.389580 LNY 0.455754 0.444515 1.000000-0.348228 DCRISIS -0.265329-0.389580-0.348228 1.000000
70 Lampiran 7. Uji Normalitas Model Permintaan Impor Buah-buahan 12 10 8 6 4 2 0-2 -1 0 1 2 Series: Standardized Residuals Sample 1996 2010 Observations 60 Mean -7.93e-17 Median -0.046687 Maximum 2.608214 Minimum -2.567373 Std. Dev. 0.960817 Skewness -0.229205 Kurtosis 4.083269 Jarque-Bera 3.459030 Probability 0.177370
71 Lampiran 8. Uji Chow Model Outpayments Buah-buahan Redundant Fixed Effects Tests Equation: Untitled Test cross-section fixed effects Effects Test Statistic d.f. Prob. Cross-section F 20.275546 (3,52) 0.0000 Cross-section Chi-square 46.476525 3 0.0000
72 Lampiran 9. Hasil Estimasi Model Outpayments Buah-buahan Dependent Variable: LNVM Method: Panel EGLS (Cross-section SUR) Date: 05/08/12 Time: 07:39 Sample: 1996 2010 Periods included: 15 Cross-sections included: 4 Total panel (balanced) observations: 60 Linear estimation after one-step weighting matrix Variable Coefficient Std. Error t-statistic Prob. LNY 2.274051 1.158213 1.963413 0.0550 LNER -0.546297 0.765395-0.713746 0.4786 TM -7.930314 2.782785-2.849776 0.0063 DCRISIS -1.327377 0.388766-3.414332 0.0012 C -13.51131 24.54220-0.550534 0.5843 Effects Specification Cross-section fixed (dummy variables) Weighted Statistics R-squared 0.888610 Mean dependent var 21.97851 Adjusted R-squared 0.873615 S.D. dependent var 25.04324 S.E. of regression 1.053521 Sum squared resid 57.71518 F-statistic 59.26128 Durbin-Watson stat 1.744514 Prob(F-statistic) 0.000000 Unweighted Statistics R-squared 0.772036 Mean dependent var 17.14387 Sum squared resid 15.77368 Durbin-Watson stat 0.809251
73 Lampiran 10. Matriks Korelasi antar Variabel dalam Model Outpayments Buah-buahan LNER LNVM LNY TM DCRISIS LNER 1.000000-0.388802-0.680512-0.322517 0.609962 LNVM -0.388802 1.000000 0.560290-0.432250-0.459881 LNY -0.680512 0.560290 1.000000-0.291314-0.348228 TM -0.322517-0.432250-0.291314 1.000000-0.029965 DCRISIS 0.609962-0.459881-0.348228-0.029965 1.000000
74 Lampiran 11. Uji Normalitas Model Outpayments Buah-buahan 14 12 10 8 6 4 2 0-3 -2-1 0 1 2 Series: Standardized Residuals Sample 1996 2010 Observations 60 Mean 1.94e-16 Median 0.042919 Maximum 2.257703 Minimum -2.940502 Std. Dev. 0.989052 Skewness -0.365875 Kurtosis 3.666698 Jarque-Bera 2.449863 Probability 0.293778