Model ECM

 Apilkasi Model ECM

Dari tabel dibawah ini dapar kita peroleh model ekonometri untuk permintaan uang kartal dengan menggunakan model ECM.

Tabel 8.1

Data Uang Kartal, Pendapatan, Inflasi, Kurs dan Tingkat bunga

Tahun 1982 sd 2011

obs	UKAR	Y	INF	KURS	R
1982	2934	389786	9.69	692	9
1983	3333	455418	11.46	994	17.5
1984	3712	545832	8.76	1076	18.7
1985	4440	581441	4.31	1131	17.8
1986	5338	575950	8.83	1655	15.2
1987	5782	674074	8.9	1652	16.99
1988	6246	829290	5.47	1729	17.76
1989	7426	956817	5.97	1805	18.12
1990	9094	1097812	9.53	1901	18.12
1991	9346	1253970	9.52	1992	22.49
1992	11478	1408656	4.94	2062	18.62
1993	14431	1757969	9.77	2110	13.46
1994	18634	2004550	9.24	2200	11.87
1995	20807	2345879	8.64	2308	15.04
1996	22487	2706042	6.47	2383	16.69
1997	28424	3141036	9.01	4650	16.28
1998	41394	4940692	77.63	8025	21.84
1999	58353	5421910	2.01	7100	27.6
2000	72371	6145065	9.35	9595	16.15
2001	76342	6938205	12.55	10400	14.23
2002	80686	8645085	10.03	8940	15.95
2003	94542	9429500	5.06	8465	12.64
2004	109265	10506215	6.4	9290	8.21
2005	124316	12450736	17.11	9900	8.22
2006	151009	15028519	6.6	9020	11.63
2007	183419	17509564	6.59	9419	8.24
2008	209378	21666747	11.06	10950	10.43
2009	226006	24261805	2.78	9400	9.55
2010	260227	27028696	6.96	8991	7.88
2011	307760	30795098	3.79	9068	7.04

Memasukan data dalam program Eviews

Buka Eviews à pilih File à Workfile à pilih annual, isilah data awal tahun 1984 dan berakhir 2011. Kemudian pilih quick à empty group, pengisian dapat dilakukan dengan mengcopy data yang ada di excel.

Hasil Uji Stasionaritas Data

Sebelum melakukan regresi dengan uji ECM, yang perlu dilakukan terlebih dahulu adalah mengetahui apakah variabel yang digunakan telah stasioner atau tidak. Bila data tidak stasioner maka akan diperoleh regresi yang palsu (spurious), timbul fenomena autokorelasi dan juga  tidak dapat menggeneralisasi hasil regresi tersebut untuk waktu yang berbeda. Selain itu, apabila data yang akan digunakan telah stasioner, maka dapat menggunakan regresi OLS, namun jika belum stasioner, data tersebut perlu dilihat stasioneritasnya melalui uji derajat integrasi. Dan selanjutnya, data yang tidak stasioner pada tingkat level memiliki kemungkinan akan terkointegrasi sehingga perlu dilakukan uji kointegrasi. Kemudian jika data tersebut telah terkointegrasi, maka pengujian ECM dapat dilakukan.

Untuk mengetahui apakah data time series yang digunakan stasioner atau tidak stasioner, digunakan uji akar unit (unit roots test). Uji akar unit dilakukan dengan menggunakan metode Dicky Fuller (DF), dengan hipotesa sebagai berikut:

H0 : terdapat unit root (data tidak stasioner)

H1 : tidak terdapat unit root (data stasioner)

Hasil t statistik hasil estimasi pada metode akan dibandingkan dengan nilai kritis McKinnon ada titik kritis 1%, 5%, dan 10%. Jika nilai t-statistik lebih kecil dari nilai kritis McKinnon maka H0 diterima, artinya data terdapat unit root atau data tidak stasioner. Jika nilai t-statistik lebih besar dari nilai kritis McKinnon maka H0 ditolak, artinya data tidak terdapat unit root atau data stasioner.

Pengujian data dilakukan dengan menggunakan unit root test yang dikembangkan oleh Dickey-Fuller, atau yang lebih dikenal sebagai Augmented Dickey-Fuller Test (ADF) test. Terdapat 3 (tiga) buah model ADF test yang dapat digunakan untuk melakukan pengujian stasioneritas, yaitu :

1. Model tanpa intercept dan tanpa trend

2. Model yang menggunkan intercept saja

3. Model yang menggunakan intercept dan trend

Pengujian ini dilakukan untuk mengetahui pada derajat atau order diferensi keberapa data yang diteliti akan stasioner. Pengujian ini dilakukan pada uji akar unit, jika ternyata data tersebut tidak stasioner pada derajat pertama (Insukrindo,1992), pengujian dilakukan pada bentuk diferensi pertama. Pengujian berikut adalah pengujian stasioneritas dengan uji DF pada tingkat diferensi pertama.

Uji stationer untuk variable UKAR

Buka variable PDB dengan Klik Y à Openà view à  graph à ok

Langkah-langkah uji stasioner

Buka variable PDB dengan Klik PDB à Openà view à unit root test à  ok

Pilih Augmented Dickey-Fuller, pilih level pada Test For Unit root in dan pilih intercept pada include in test equation, lalu tekan ok diperoleh sebagai berikut :

Null Hypothesis: Y has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=7)
			t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic			11.58104	1.0000
Test critical values:	1% level		-3.679322
	5% level		-2.967767
	10% level		-2.622989
*MacKinnon (1996) one-sided p-values.

Karena data PDB tidak stasioner pada data level, maka ulangi langkah seperti diatas dengan memilih View, pilih unit root test, lalu pilih Augmented Dickey-Fuller, pilih 1^st difference pada Test For Unit root in dan pilih intercept pada include in test equation, lalu tekan ok diperoleh sebagai   berikut :

Null Hypothesis: D(Y) has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=7)
			t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic			0.118885	0.9613
Test critical values:	1% level		-3.699871
	5% level		-2.976263
	10% level		-2.627420
*MacKinnon (1996) one-sided p-values.

Karena data PDB tidak stasioner pada data 1^st difference, maka ulangi langkah seperti diatas dengan memilih View, Pilih Augmented Dickey-Fuller, pilih pada 2^nd difference Test For Unit root in dan pilih intercept pada include in test equation, lalu tekan ok diperoleh sebagai berikut :

Null Hypothesis: D(Y,2) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=7)
			t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic			-8.066354	0.0000
Test critical values:	1% level		-3.699871
	5% level		-2.976263
	10% level		-2.627420
*MacKinnon (1996) one-sided p-values.

Sekarang data PDB pada 2^nd Difference sudah stasioner karena t hitung statistic untuk ADF sudah < dari prob 0,01. Jika seluruh variable dilakukan uji akar unit, maka diperoleh table sebagai berikut :

Variabel	Uji Akar Unit
	Level		1st Difference		2nd Difference
	ADF	Prob	ADF	Prob	ADF	Prob
Y	11,58	1,000	0,627	0,98	-5,72	0,0001
Inf	-5,78	0,000	-6,63	0,000	-5,3637	0,0002
Kurs	-0,90	0,77	-5,14	0.0003	-8,137	0,000
r	-2,135	0,23	-3,219	0,0318	-3,503	0,0178
Ukar	1,875	0,99	2,84	1,000	-6,965	0,000

Uji Kointegrasi

Setelah mengetahui bahwa data tidak stasioner, maka langkah selanjutnya adalah melakukan identifikasi apakah data terkointegrasi. Untuk itu diperlukan uji kointegrasi. Uji kointegrasi digunakan untuk memberi indikasi awal bahwa model yang digunakan memiliki hubungan jangka panjang (cointegration relation).

Hasil uji kointegrasi didapatkan dengan membentuk residual yang diperoleh dengan cara meregresikan variabel independen terhadap variabel dependen secara OLS. Residual tersebut harus stasioner pada tingkat level untuk dapat dikatakan memiliki kointegrasi.

Regres UKAR = b0 + b1 PDB + b2 Inf + b3 SBI + b4 Kurs + et, diperoleh hasil sebagai berikut :

 

Dependent Variable: UKAR
Method: Least Squares
Date: 04/03/15   Time: 22:19
Sample: 1982 2011
Included observations: 30
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	891.0627	4027.003	0.221272	0.8267
Y	0.009342	0.000180	51.93855	0.0000
INF	-157.0529	67.88560	-2.313493	0.0292
R	-186.3110	225.6836	-0.825541	0.4169
KURS	1.284475	0.362397	3.544384	0.0016
R-squared	0.997778	Mean dependent var		72299.33
Adjusted R-squared	0.997423	S.D. dependent var		86865.26
S.E. of regression	4409.889	Akaike info criterion		19.77210
Sum squared resid	4.86E+08	Schwarz criterion		20.00563
Log likelihood	-291.5815	Hannan-Quinn criter.		19.84681
F-statistic	2806.783	Durbin-Watson stat		1.515940
Prob(F-statistic)	0.000000

Lalu ambil residual dengan mengklik Proc à make residual series à lalu beri nama ect.

Kemudian uji ect dengan view à unit root test à Pilih Augmented Dickey-Fuller, pilih level pada Test For Unit root in dan pilih intercept pada include in test equation, lalu tekan ok diperoleh sebagai berikut :

Null Hypothesis: ECT has a unit root
Exogenous: Constant
Lag Length: 5 (Automatic - based on SIC, maxlag=7)
			t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic			-2.191954	0.2140
Test critical values:	1% level		-3.737853
	5% level		-2.991878
	10% level		-2.635542
*MacKinnon (1996) one-sided p-values.

Residual tersebut harus stasioner pada tingkat level untuk dapat dikatakan memiliki kointegrasi. Setelah dilakukan pengujian DF untuk menguji residual yang dihasilkan, didapatkan bahwa residual tidak  stasioner pada data level yang terlihat dari nilai t-statistik yang tidak signifikan pada nilai kritis 5% (Prob 0.214). Dengan demikian dapat dikatakan bahwa data tersebut tidak terkointegrasi.

Hasil uji Kointegrasi

Variabel	T statistic	Prob
ect	-2,1919	0,2140

    

Agar data dapat terkointegrasi dalam jangka panjang, maka model  dibuat double log, data yang  di log adalah uang kartal, pdb dan kurs. Sedangkan inflasi dan sbi tidak  dilogkan karena sudah dalam bentuk prosentasi.

Variabel baru yang telah di log di uji stasionernya, diperoleh hasil sebagai berikut :

Variabel	Uji Akar Unit
	Level		1st Difference		2nd Difference
	ADF	Prob	ADF	Prob	ADF	Prob
logY	0,276	0,973	-5,484	0,00001	-6,109	0,0000
Inf	-5,78	0,000	-6,63	0,000	-5,3637	0,0002
logKurs	-1,815	0,36	-4,581	0,0011	-7,714	0,000
r	-2,135	0,23	-3,219	0,0318	-3,503	0,0178
logUkar	-0,2129	0,92	-4,757	0,0000	-5,452	0,0002

Hasil uji kointegrasi didapatkan dengan membentuk residual yang diperoleh dengan cara meregresikan variabel independen terhadap variabel dependen secara OLS. Residual tersebut harus stasioner pada tingkat level untuk dapat dikatakan memiliki kointegrasi.

Regres log(UKAR) = b0 + b1 log(Y) + b2 Inf + b3 r + b4 log(Kurs) + et, diperoleh hasil sebagai berikut :

Dependent Variable: LOG(UKAR)
Method: Least Squares
Date: 04/03/15   Time: 21:55
Sample: 1982 2011
Included observations: 30
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-5.322240	0.211023	-25.22116	0.0000
LOG(Y)	0.896995	0.035056	25.58713	0.0000
INF	-0.002952	0.000972	-3.037408	0.0055
R	-0.005600	0.003242	-1.727281	0.0965
LOG(KURS)	0.275027	0.050072	5.492584	0.0000
R-squared	0.998481	Mean dependent var		10.29007
Adjusted R-squared	0.998238	S.D. dependent var		1.497640
S.E. of regression	0.062870	Akaike info criterion		-2.544472
Sum squared resid	0.098817	Schwarz criterion		-2.310939
Log likelihood	43.16708	Hannan-Quinn criter.		-2.469763
F-statistic	4107.715	Durbin-Watson stat		1.321662
Prob(F-statistic)	0.000000

LOG(UKAR) = -5.32224012327 + 0.896994884716*LOG(Y) - 0.00295181202736*INF - 0.00559964439827*R + 0.275026908695*LOG(KURS)

Lalu ambil residual denga mengklik Proc à make residual series à lalu beri nama ECT,

Kemudian uji vt dengan view à unit root test à Pilih Augmented Dickey-Fuller, pilih level pada Test For Unit root in dan pilih intercept pada include in test equation, lalu tekan ok diperoleh sebagai berikut :

Null Hypothesis: ECT has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=7)
			t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic			-5.071646	0.0003
Test critical values:	1% level		-3.689194
	5% level		-2.971853
	10% level		-2.625121
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(ECT)
Method: Least Squares
Date: 04/03/15   Time: 21:57
Sample (adjusted): 1984 2011
Included observations: 28 after adjustments
Variable	Coefficient	Std. Error	t-Statistic	Prob.
ECT(-1)	-1.001558	0.197482	-5.071646	0.0000
D(ECT(-1))	0.515586	0.169832	3.035855	0.0055
C	-4.30E-05	0.009466	-0.004539	0.9964
R-squared	0.507343	Mean dependent var		0.002013
Adjusted R-squared	0.467931	S.D. dependent var		0.068590
S.E. of regression	0.050032	Akaike info criterion		-3.051359
Sum squared resid	0.062580	Schwarz criterion		-2.908622
Log likelihood	45.71902	Hannan-Quinn criter.		-3.007723
F-statistic	12.87263	Durbin-Watson stat		1.895556
Prob(F-statistic)	0.000143

Setelah dilakukan pengujian DF untuk menguji residual yang dihasilkan, didapatkan bahwa residual  stasioner pada data level yang terlihat dari nilai t-statistik yang signifikan pada nilai kritis 5% (Prob 0.0003). Dengan demikian dapat dikatakan bahwa data tersebut terkointegrasi.

Hasil uji Kointegrasi

Variabel	T statistic	Prob
ECT	-5,07	0,0003

Model ECM

Regres

D(log(Ukar)) = b0 + b1D(log(Y)) + b2D(inf) + b3D(r) + b4D(log(kurs)) + ECT(-1) + e

Diperoleh hasil :

Dependent Variable: D(LOG(UKAR))

Method: Least Squares
Date: 04/03/15   Time: 22:11
Sample (adjusted): 1983 2011
Included observations: 29 after adjustments
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.014240	0.035801	0.397763	0.6945
D(LOG(Y))	0.770081	0.212783	3.619097	0.0014
D(INF)	-0.003444	0.000892	-3.862451	0.0008
D(R)	-0.007700	0.003300	-2.333366	0.0287
D(LOG(KURS))	0.316416	0.071782	4.407996	0.0002
ECT(-1)	-0.691767	0.194177	-3.562555	0.0017
R-squared	0.585292	Mean dependent var		0.160447
Adjusted R-squared	0.495139	S.D. dependent var		0.081434
S.E. of regression	0.057862	Akaike info criterion		-2.679521
Sum squared resid	0.077004	Schwarz criterion		-2.396632
Log likelihood	44.85306	Hannan-Quinn criter.		-2.590924
F-statistic	6.492155	Durbin-Watson stat		1.618084
Prob(F-statistic)	0.000670

D(LOG(UKAR)) = 0.0142403085826 + 0.77008142025*D(LOG(Y)) - 0.00344401470841*D(INF) - 0.00769980177819*D(R) + 0.316415842616*D(LOG(KURS)) - 0.691767117162*ECT(-1)

menunjukkan bahwa nilai koefisien ECT pada model tersebut signifikan dan bertanda negatif untuk estimasi Uang Kartal (UKAR). Hasil estimasi ECM di atas memperlihatkan bahwa dalam jangka pendek maupun jangka panjang variabel yang digunakan dalam kajian ini berpengaruh secara signifikan terhadap Jumlah Uang Kartal. Dengan nilai R² sebesar sekitar 0,495 atau 49,5% dapat dikatakan bahwa jenis variabel bebas yang dimasukkan dalam model sudah cukup baik, sebab hanya sekitar 50% keragaman variabel terikat yang dipengaruhi oleh variabel bebas di luar model.

Hasil estimasi di atas menggambarkan bahwa dalam jangka pendek perubahan inflasi dan tingkat bunga pinjaman mempunyai pengaruh yang negatif terhadap Permintaan uang kartal, ceteris paribus. Demikian pula halnya dengan pendapatan domestik bruto (Y) yang memiliki pengaruh yang signifikan dan positif terhadap Permintaan uang kartal.

Akhirnya berdasarkan persamaan jangka pendek tersebut dengan menggunakan metode ECM menghasilkan koefisien ECT. Koefisien ini mengukur respon regressand setiap periode yang menyimpang dari keseimbangan. Menurut Widarjono (2007) koefisien koreksi ketidakseimbangan ECT dalam bentuk nilai absolut menjelaskan seberapa cepat waktu diperlukan untuk mendapatkan nilai keseimbangan. Nilai koefisien ECT sebesar 0,6917 mempunyai makna bahwa perbedaan antara permintaan uang kartal dengan nilai keseimbangannya sebesar 0,6917 yang akan disesuaikan dalam waktu 1 tahun.

8.4. Hasil Uji Asumsi Klasik

Pengujian ini dilakukan untuk mengetahui ada tidaknya penyimpangan asumsi klasik dari hasil penelitian dalam persamaan regresi yang meliputi uji multikolinieritas, uji heteroskedastisitas dan uji autokorelasi.

1.     Multikolinieritas

Multikolinieritas adalah adanya hubungan linier antara variabel independen di dalam model regresi. Untuk menguji ada atau tidaknya multikolinieritas pada model, peneliti menggunakan metode parsial antar variabel independen. Rule of thumb dari metode ini adalah jika koefisien korelasi cukup tinggi di atas 0,85 maka  duga ada multikolinieritas dalam model. Sebaliknya jika koefisien korelasi relatif rendah maka  duga model tidak mengandung unsur multikolinieritas (Ajija at al, 2011).

Berdasarkan pengujian dengan metode korelasi parsial antar variabel independen diperoleh bahwa terdapat masalah multikolinieritas dalam model. Hal itu dikarenakan nilai matrik korelasi (correlation matrix)  lebih dari 0,85.

	INF	LOG(KURS)	R	LOG(UKAR)	LOG(Y)
INF	1.000000	0.144871	0.223323	0.015206	0.025376
LOG(KURS)	0.144871	1.000000	-0.363119	0.958604	0.949578
R	0.223323	-0.363119	1.000000	-0.521107	-0.525009
LOG(UKAR)	0.015206	0.958604	-0.521107	1.000000	0.998249
LOG(Y)	0.025376	0.949578	-0.525009	0.998249	1.000000

2.     Heteroskedastisitas

Heteroskedastisitas merupakan masalah regresi yang faktor gangguan tidak memiliki varian yang sama atau variannya tidak konstan. Hal ini akan memunculkan berbagai permasalahan yaitu penaksir OLS yang bias, varian dari koefisien OLS akan salah. Dalam penelitian ini akan menggunakan metode dengan uji Breusch-Pagan untuk mendeteksi ada tidaknya heteroskedastisitas dalam model regresi.

Berdasarkan hasil pengolahan data pada jangka pendek diperoleh bahwa nilai Obs* R-squared atau hitung adalah 0,7271 lebih besar dari α = 5 %. Maka dapat disimpulkan bahwa dalam model tidak terdapat masalah heteroskedastisitas dalam model ECM.

Heteroskedasticity Test: White
F-statistic	0.480797	Prob. F(20,8)		0.9119
Obs*R-squared	15.83011	Prob. Chi-Square(20)		0.7271
Scaled explained SS	7.663611	Prob. Chi-Square(20)		0.9939

3.     Autokorelasi

Autokorelasi menunjukkan adanya korelasi antara anggota serangkaian observasi. Jika model mempunyai korelasi, parameter yang diestimasi menjadi bias dan variasinya tidak lagi minimum dan model menjadi tidak efisien. Dalam penelitian ini, untuk mengetahui ada tidaknya autokorelasi dalam model digunakan uji Lagrange Multiplier (LM). Prosedur pengujian LM adalah jika nilai Obs*R-Squared lebih kecil dari nilai tabel maka model dapat dikatakan tidak mengandung autokorelasi. Selain itu juga dapat dilihat dari nilai probabilitas chisquares ( ), jika nilai probabilitas lebih besar dari nilai α yang dipilih maka berarti tidak ada masalah autokorelasi.

Uji autokorelasi dengan menggunakan metode LM diperlukan lag atau kelambanan. Lag yang dipakai dalam penelitian ini ditentukan dengan metode trial error perbandingan nilai absolut kriteria Akaike dan Schwarz yang nilainya paling kecil. Dalam penelitian ini, peneliti memilih nilai dari kriteria Akaike sebagai acuan utama untuk memudahkan dalam analisis. Dalam estimasi jangka pendek pada lag pertama nilai Akaike yang diperoleh adalah sebesar 1,16, Sehingga berdasarkan metode tersebut diperoleh nilai kriteria Akaike terkecil adalah pada lag pertama.

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	8.279369	Prob. F(1,22)		0.0087
Obs*R-squared	7.929548	Prob. Chi-Square(1)		0.0049
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/11/15   Time: 20:23
Sample: 1983 2011
Included observations: 29
Presample missing value lagged residuals set to zero.
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.007033	0.031298	0.224714	0.8243
D(INF)	0.001440	0.000924	1.557536	0.1336
D(LOG(Y))	-0.033816	0.185822	-0.181980	0.8573
D(R)	0.000882	0.002892	0.304921	0.7633
D(LOG(KURS))	-0.013811	0.062745	-0.220115	0.8278
ECT(-1)	-1.148484	0.433536	-2.649106	0.0147
RESID(-1)	1.520260	0.528347	2.877389	0.0087
R-squared	0.273433	Mean dependent var		2.13E-17
Adjusted R-squared	0.075278	S.D. dependent var		0.052442
S.E. of regression	0.050429	Akaike info criterion		-2.929980
Sum squared resid	0.055949	Schwarz criterion		-2.599943
Log likelihood	49.48471	Hannan-Quinn criter.		-2.826616
F-statistic	1.379895	Durbin-Watson stat		2.115137
Prob(F-statistic)	0.266368

Berdasarkan hasil perhitungan uji LM dalam jangka pendek diketahui nilai Akaike terkecil pada lag pertama diperoleh nilai Obs*R-squared sebesar 1,46. Dalam hal ini ρ-value Obs*R-square 0,005 atau 0,5 lebih kecil dari α = 5% maka disimpulkan bahwa terdapat autokorelasi dalam model ECM.

2.     Normalitas

Uji normalitas ini digunakan untuk mengetahui apakah residual berdistribusi normal atau tidak. Untuk menguji apakah distribusi data normal atau tidak dapat dilakukan dengan menggunkan uji Jarque-Berra (uji J-B).

Berdasarkan uji normalitas dapat diketahui bahwa ρ-value sebesar 0,4637 > α = 10%. Maka, dapat disimpulkan bahwa data yang digunakan dalam model ECM berdistribusi normal.

3.     Linieritas

Uji linieritas yang digunakan dalam penelitian ini yaitu dengan menggunakan uji Ramsey Reset. Di mana, jika nilai F-hitung lebih besar dari nilai F-kritisnya pada α tertentu berarti signifikan, maka menerima hipotesis bahwa model kurang tepat. F-tabel jangka pendek dengan α = 10% (6,24) yaitu 2,04. Jangka panjang dengan α = 10% (5,25) yaitu 2,08.

Berdasarkan uji linieritas, diperoleh F-hitung sebesar 1,44, maka dapat disimpulkan bahwa model yang digunakan adalah tepat (karena prob F statistic 0,5565 > 0,05)

Ramsey RESET Test
Equation: UNTITLED
Specification: D(LOG(UKAR)) C D(INF) D(LOG(Y)) D(R) D(LOG(KURS))
ECT(-1)
Omitted Variables: Squares of fitted values
		Value		df		Probability
t-statistic		0.597136		22		0.5565
F-statistic		0.356572		(1, 22)		0.5565
Likelihood ratio		0.466258		1		0.4947

DAFTAR PUSTAKA

Agus Widarjono, Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis, Edisi Kedua, Cetakan Kesatu, Penerbit Ekonisia Fakultas Ekonomi UII Yogyakarta 2007.

Baltagi, Bagi (2005). Econometric Analysis of Panel Data, Third Edition. John Wiley & Sons.

Budiyuwono, Nugroho, Pengantar Statistik Ekonomi & Perusahaan, Jilid 2, Edisi Pertama, UPP AMP YKPN, Yogyakarta, 1996.

Barrow, Mike. Statistics of Economics: Accounting and Business Studies. 3^rd edition. Upper Saddle River, NJ: Prentice-Hall, 2001

Catur Sugiyanto. 1994. Ekonometrika Terapan. BPFE, Yogyakarta

Gujarati, Damodar N. 1995. Basic Econometrics. Third Edition.Mc. Graw-Hill, Singapore.

Insukindro (1996), “Pendekatan Masa Depan Dalam Penyusunan Model Ekonometrika: Forward-Looking Model dan Pendekatan Kointegrasi”, Jurnal Ekonomi dan Industri, PAU Studi Ekonomi, UGM, Edisi Kedua, Maret 1-6

Insukindro (1998a), “Sindrum R² Dalam Analisis Regresi Linier Runtun Waktu”, Jurnal Ekonomi dan Bisnis Indonesia, Vol. 13, No. 41 1-11.

Insukindro (1998b), “Pendekatan Stok Penyangga Permintaan Uang: Tinjauan Teoritik dan Sebuah Studi Empirik di Indonesia”, Ekonomi dan Keuangan Indonesia, Vol XLVI. No. 4: 451-471.

Insukindro (1999), “Pemilihan Model Ekonomi Empirik Dengan Pendekatan Koreksi Kesalahan”, Jurnal Ekonomi dan Bisnis Indonesia, Vol. 14, No. 1: 1-8.

Insukindro dan Aliman (1999), “Pemilihan dan Bentuk Fungsi Model Empiris: Studi Kasus Permintaan Uang Kartil Riil di Indonesia”, Jurnal Ekonomi dan Bisnis Indonesia. Vol. 13, No. 4: 49-61.

Johnston, J. and J. Dinardo (1997), Econometric Methods, McGrow-Hill

Koutsoyiannis, A (1977). Theory of Econometric An Introductory Exposition of Econometric Methods 2^nd Edition, Macmillan Publishers LTD.

Maddala, G.S (1992). Introduction to Econometric, 2^nd Edition, Mac-Millan Publishing Company, New York.

Nachrowi, D.N. dan H. Usman (2002). Penggunaan Teknik Ekonometrika. Jakarta: PT Raja Grafindo Persada.

Sritua Arif.1993. Metodologi Penelitian Ekonomi. BPFE, Yogyakarta.

Thomas, R.L. 1998. Modern Econometrics : An Intoduction. Addison-Wesley. Harlow, England.