Pengertian Ekonometrika

Istilah ekonometrika pertama kali diperkenalkan tahun 1926 oleh seorang pakar ekonomi dan statistika bangsa Norwegia bernama Ragner Frisch. Kata ekonometrika terdiri dari dua kata yang berasal dari bahasa Yunani yang jika diterjemahkan kedalam bahasa Inggris menjadi economy dan measure. Kata economy berarti kegiatan manusia untuk mencukupi kebutuhannya melalui usaha pengorbanan sumber daya yang efisien dan seefektif mungkin untuk mendapatkan tujuan seoptimal mungkin, sedangkan kata measure berarti pengukuran. Dengan demikian maka ekonometrika berarti suatu pengukuran atas kegiatan-kegiatan ekonomi.

Beberapa pakar mendefinisikan ekonometrika sebagai berikut:

1. Ekonometrika dapat di definisikan sebagai ilmu social yang menggunakan alat berupa teori ekonomi, matematika, dan statistika inferensia untuk menganalisis kejadian-kejadian ekonomi (Goldberger, 1964)
2. Ekonometrika didefinisikan sebagai analisis kuantitatif dari fenomena ekonomi riil berdasarkan pada pengembangan teori dan observasi yang dihubungkan dengan metode inferensi (Samuelson, 1954)
3. Ilmu ekonometrik adalah aplikasi dari teori metode statistikdan matematika untuk menganalisis data-data ekonomi dengan satu tujuan untuk memberikan kandungan dan verifikasi pada teori ekonomi (Maddala, 1992)
4. Sebagai suatu ilmu yang mengkombinasikan teori ekonomi dan statistika ekonomi dengan tujuan menyelidiki dukungan empiris dari skema yang dibangun oleh teori ekonomi dengan memanfaatkan ilmu ekonomi, matematika dan statistika, ekonometrika membuat hokum-hukum ekonomi teoritis tertentu menjadi nyata (Sumodiningrat, 1994)

Berdasarkan definisi tersebut dapat disimpulkan bahwa ekonometrika merupakan ilmu tentang pengukuran aktivitas ekonomi dengan menggunakan berbagai bidang ilmu yang terdiri dari ekonomi, matematika ekonomi, statistika ekonomi, dengan tujuan untuk melakukan analisis fenomena ekonomi. Karena ekonometrika merupakan kombinasi dari berbagai bidang ilmu maka pemahaman akan ilmu-ilmu yang berkaitan dengan ekonometrika menjadi sebuah keharusan untuk dapat melakukan pengukuran ekonomi.

Uji Asumsi Klasik

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak dapat dipergunakan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.

Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan market model, atau market adjusted model. Perhitungan nilai return yang diharapkan dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.

Setidaknya ada lima uji asumsi klasik, yaitu uji multikolinearitas, uji heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung pada data yang ada. Sebagai contoh, dilakukan analisis terhadap semua uji asumsi klasik, lalu dilihat mana yang tidak memenuhi persyaratan. Kemudian dilakukan perbaikan pada uji tersebut, dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain.

1. Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya. Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masing-masing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel penelitian.

Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam kelas siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar berada pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak normal, atau sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka kelas tersebut tidak normal atau merupakan kelas unggulan. Pengamatan data yang normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah. Demikian juga nilai rata-rata, modus dan median relatif dekat.

Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik.

Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba dengan metode lain yang mungkin memberikan justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan beberapa langkah yaitu: melakukan transformasi data, melakukan trimming data outliers atau menambah data observasi. Transformasi dapat dilakukan ke dalam bentuk Logaritma natural, akar kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah atau menyebar ke samping kanan dan kiri.

2. Uji Multikolinearitas
Uji multikolinearitas adalah

Asumsi Autokorelasi

Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada bulan Februari akan rendah.

Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.

Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi berkurang 1.

Apa saja yang menjadi penyebab terjadinya autokorelasi ??