Masukkan data (Lihat Masukkan data menggunakan gretl)
Klik Menu Model → Ordinary Square
Maka akan muncul kotak dialog sebagai betrikut:

Pada depednent variable : select variable ‘y’
Pada regressors : select variable ‘x1’ dan ‘x2’
OK
Akan muncul hasils ebagai berikut:
Model 1: OLS, using observations 1-16
Dependent variable: y
Coefficient
|
Std. Error
|
t-ratio
|
p-value
|
||
const
|
37,65
|
2,9961
|
12,5663
|
<0,00001
|
***
|
x1
|
4,425
|
0,30112
|
14,6952
|
<0,00001
|
***
|
x2
|
4,375
|
0,673324
|
6,4976
|
0,00002
|
***
|
Mean dependent var
|
81,75000
|
S.D. dependent var
|
11,45135
|
|
Sum squared resid
|
94,30000
|
S.E. of regression
|
2,693297
|
|
R-squared
|
0,952059
|
Adjusted R-squared
|
0,944683
|
|
F(2, 13)
|
129,0832
|
P-value(F)
|
2,66e-09
|
|
Log-likelihood
|
-36,89416
|
Akaike criterion
|
79,78831
|
|
Schwarz criterion
|
82,10608
|
Hannan-Quinn
|
79,90700
|
Uji Simultan
Terlihat
bahwa nilai p-value (uji F) nya <0.5 maka dapat disimpulakn secara
bersama-sama variabel x1 dan x2 mempengaruhi variabel y secara
signifikan
Uji partial
Terlihat bahwa nilai p-value x1 dan x2 (uji T) <0.5 berarti secara parsial baik variabel x1 dan x2 mempengaruhi y.
Koefisien Determinasi
Terlihat
bahwa nilai R-adjusted 94,5 persen berarti keragaman y dapat dijelaskan
oleh x1 dan x2 sebesar 94,5 persen sisanya oleh variabel lain di luar
model
Intrepetasi Model
Pada
tabel dapat kita lihat bahwa kedua variabel bebas berpengaruh
signifikan terhadap variabel tak bebas. Pembacaannya adalah sebagai
berikut:
- Setiap
kenaikan 1 satuan variabel x1 maka akan menaikkan nilai variabel y
sebesar 4,425 satuan dengan asumsi variabel lain bernilai tetap
- Setiap
kenaikan 1 satuan variabel x2 maka akan menaikkan nilai variabel y
sebesar 4,375 satuan dengan asumsi variabel lain bernilai tetap
Uji Normalitas
Menu Test → Normality of Residual
Frequency distribution for uhat1, obs 1-16
number of bins = 7, mean = 3,55271e-015, sd = 2,6933
interval midpt frequency rel. cum.
< -3,6833 -4,4000 1 6,25% 6,25% **
-3,6833 - -2,2500 -2,9667 2 12,50% 18,75% ****
-2,2500 - -0,81667 -1,5333 4 25,00% 43,75% *********
-0,81667 - 0,61667 -0,10000 3 18,75% 62,50% ******
0,61667 - 2,0500 1,3333 2 12,50% 75,00% ****
2,0500 - 3,4833 2,7667 3 18,75% 93,75% ******
>= 3,4833 4,2000 1 6,25% 100,00% **
Test for null hypothesis of normal distribution:
Chi-square(2) = 0,209 with p-value 0,90094
karena nilai p.value =0.209>alpha 0.05, maka modelnya bebas dari asumsi normalitas
Uji Heterokedastisitas
Menu Test → heteroskedasticity → White’s Test
White's test for heteroskedasticity
OLS, using observations 1-16
Dependent variable: uhat^2
Omitted due to exact collinearity: sq_x2
coefficient std. error t-ratio p-value
--------------------------------------------------------
const 13,5675 24,6444 0,5505 0,5930
x1 -3,35750 6,14763 -0,5461 0,5959
x2 0,0587500 5,35195 0,01098 0,9914
sq_x1 0,324375 0,407137 0,7967 0,4425
X2_X3 -0,0887500 0,728308 -0,1219 0,9052
Unadjusted R-squared = 0,176396
Test statistic: TR^2 = 2,822337,
with p-value = P(Chi-square(4) > 2,822337) = 0,587983
karena nilai p.value =0.58 >alpha 0.05, maka modelnya bebas dari asumsi heretokedastisitas
Uji Multikolinearitas
Menu Test → Colinearity
Variance Inflation Factors
Minimum possible value = 1.0
Values > 10.0 may indicate a collinearity problem
x1 1,000
x2 1,000
VIF(j) = 1/(1 - R(j)^2), where R(j) is the multiple correlation coefficient
between variable j and the other independent variables
karena nilai VIF untuk kedua variabel < 5, maka modelnya bebas dari asumsi multikolinearitas
Uji Linearitas
Menu Test → Ramsey’s Reset → sqqare and cube →OK
Auxiliary regression for RESET specification test
OLS, using observations 1-16
Dependent variable: y
coefficient std. error t-ratio p-value
------------------------------------------------------------
const 6,46975 127,229 0,05085 0,9604
x1 0,168220 51,0350 0,003296 0,9974
x2 0,218127 50,2219 0,004343 0,9966
yhat^2 0,0213568 0,142289 0,1501 0,8834
yhat^3 -0,000124825 0,000579728 -0,2153 0,8335
Test statistic: F = 1,388093,
with p-value = P(F(2,11) > 1,38809) = 0,29
karena nilai p.value =0.29 >alpha 0.05, maka modelnya bebas dari asumsi linearitas
NB: dalam gretl apabila datanya cross section untuk uji autokorelasi tidak dilakukan.
bagaimana jika hasil dari uji normalitas, heterokedastisitas, multikolinieritas, dan autokorelasi semuanya bernilai 0,0000? (maksudnya p-value = 0,0000)??
BalasHapusbagaimana interpretasi yg tepat? dengan hasil 0,0000 itu apakah bisa diketahui terjadi atau tidaknya keempat uji yg saya sebutkan tadi?