Software Eviews

 Pengenalan EViews

     EViews (Econometric Views) adalah perangkat lunak statistik yang dikembangkan khusus untuk analisis data time series, ekonometrika, dan peramalan (forecasting), banyak digunakan dalam penelitian ekonomi, keuangan, dan bisnis. Fungsi utama EViews antara lain: melakukan analisis regresi dan ekonometrika, mengolah data time series, cross section, maupun panel data, melakukan uji asumsi klasik, melakukan peramalan (forecasting), serta menghasilkan output statistik dan grafik yang mendalam untuk kebutuhan riset ekonomi dan keuangan.

Mengenal Antarmuka (Interface) EViews

EViews memiliki beberapa komponen utama:

• Command Window: area di bagian atas untuk mengetik perintah (command) secara langsung sebagai alternatif dari menu
• Workfile Window: jendela utama yang menyimpan seluruh objek dalam satu proyek kerja (data, persamaan, grafik, dll)
• Object Window: jendela yang muncul saat membuka objek tertentu seperti series, equation, atau graph
• Status Line: baris di bagian bawah yang menampilkan informasi status pengerjaan

Istilah penting yang perlu dipahami:

• Workfile: file kerja utama EViews yang menyimpan semua data dan objek analisis, mirip seperti "workbook" pada Excel
• Series: satu set data variabel (mirip satu kolom data)
• Group: kumpulan beberapa series yang digabungkan untuk dianalisis bersama
• Equation: objek yang menyimpan hasil estimasi model regresi
• Range: rentang periode waktu yang digunakan dalam workfile (misalnya tahunan3. Membuat dan Mengelola Workfile

Membuat workfile baru:

1. File → New → Workfile, kemudian tentukan struktur data:
2. Unstructured/Undated → data tanpa struktur waktu (cross section biasa)
3. Dated - regular frequency → data time series dengan frekuensi tetap (tahunan, kuartalan, bulanan, harian)
4. Balanced Panel → data panel dengan struktur individu dan waktu
5. Setelah struktur dipilih, tentukan juga rentang periode awal dan akhir data (start date dan end date).

Mengimpor data:

File → Import → Import from File, mendukung format seperti Excel (.xlsx), CSV, teks, dan format statistik lainnya. Saat impor dari Excel, EViews akan meminta konfirmasi struktur data, nama variabel, dan rentang sel yang diimpor.

Menyimpan workfile:

Gunakan File → Save As, workfile disimpan dengan ekstensi .wf1.

Input dan Manajemen Data

Membuat series baru:

Quick → Generate Series (Genr), atau ketik langsung di Command Window dengan sintaks: series y = x1 + x2

Melihat dan mengedit data:

Double klik pada objek series untuk membuka spreadsheet data, klik tombol Edit +/- untuk mengaktifkan mode edit manual.

Transformasi data yang umum digunakan:

• Logaritma natural: log(x)
• First difference: d(x)
• Lag variabel: x(-1) untuk lag satu periode sebelumnya
• Growth rate: dlog(x) untuk menghitung persentase perubahan

Menggabungkan series menjadi Group:

Pilih beberapa series sambil menekan tombol Ctrl, klik kanan → Open → as Group, berguna untuk melihat data b

Analisis Statistik Deskriptif

1. Untuk menampilkan statistik deskriptif suatu series, buka series tersebut lalu pilih View → Descriptive Statistics & Tests → Histogram and Stats.
2. Output yang ditampilkan biasanya mencakup: Mean, Median, Maximum, Minimum, Std. Dev, Skewness, Kurtosis, serta uji Jarque-Bera untuk menguji normalitas data.
3. Untuk melihat hubungan antar variabel, gunakan Group → View → Correlation untuk menampilkan matriks korelasi antar series.

Uji Stasioneritas (Unit Root Test)

Sangat penting dalam analisis time series untuk memastikan data stasioner sebelum dianalisis lebih lanjut.

1. Caranya: buka series → View → Unit Root Test, kemudian pilih metode uji:
2. Augmented Dickey-Fuller (ADF) → uji stasioneritas yang paling umum digunakan
3. Phillips-Perron (PP) → alternatif uji stasioneritas yang lebih robust terhadap autokorelasi dan heteroskedastisitas
4. Kwiatkowski-Phillips-Schmidt-Shin (KPSS) → uji dengan hipotesis nol data stasioner (kebalikan dari ADF)

Jika data tidak stasioner pada level, biasanya dilakukan differencing (d(x)) dan uji ulang pada tingkat first difference atau second difference.

Estimasi Model Regresi

Membuat persamaan regresi:

Quick → Estimate Equation, kemudian masukkan spesifikasi model dengan format: y c x1 x2 x3

Artinya: variabel dependen y diregresikan terhadap konstanta (c) dan variabel independen x1, x2, x3.

Jenis metode estimasi yang tersedia:

• Least Squares (LS/OLS) → metode regresi linear klasik
• Two-Stage Least Squares (TSLS) → untuk mengatasi masalah endogenitas dengan variabel instrumen
• Generalized Least Squares (GLS) → untuk data dengan masalah heteroskedastisitas atau autokorelasi
• Panel Least Squares → khusus untuk data panel (Fixed Effect atau Random Effect Model)
• ARCH/GARCH → untuk memodelkan volatilitas data time series keuangan

Model data panel:

Untuk data panel, EViews menyediakan pilihan:

1. Common Effect Model (Pooled OLS) → mengabaikan perbedaan individu dan waktu
2. Fixed Effect Model (FEM) → memperhitungkan perbedaan intercept antar individu
3. Random Effect Model (REM) → memperhitungkan perbedaan individu sebagai variabel gangguan acak

Pemilihan model panel biasanya menggunakan tiga uji berikut: Uji Chow (Common vs Fixed Effect), Uji Hausman (Fixed vs Random Effect), dan Uji Lagra

Uji Asumsi Klasik

Setelah model regresi terbentuk, perlu dilakukan uji asumsi klasik lewat menu View pada jendela equation:

1. Uji Normalitas Residual: View → Residual Diagnostics → Histogram-Normality Test, menggunakan uji Jarque-Bera
2. Uji Multikolinearitas: dilihat dari nilai korelasi antar variabel independen (Group → Correlation) atau menggunakan Variance Inflation Factor (VIF)
3. Uji Heteroskedastisitas: View → Residual Diagnostics → Heteroskedasticity Test, dengan pilihan metode seperti White Test, Breusch-Pagan-Godfrey, atau ARCH
4. Uji Autokorelasi: View → Residual Diagnostics → Serial Correlation LM Test (Breusch-Godfrey), atau dilihat dari nilai Durbin-Watson pada output regresi utama

Peramalan (Forecasting)

Setelah model regresi dianggap baik dan lolos uji asumsi, EViews dapat digunakan untuk melakukan peramalan lewat Forecast pada jendela equation.

Dua jenis metode forecast yang tersedia:

1. Dynamic Forecast → peramalan menggunakan nilai hasil prediksi sebelumnya sebagai input periode berikutnya
2. Static Forecast → peramalan menggunakan nilai aktual data pada setiap periode sebagai input

Hasil forecast dapat dievaluasi menggunakan indikator seperti Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Theil Inequality Coefficient untuk menilai seberapa akurat model d

Membaca Output Regresi EViews

Beberapa istilah penting dalam output estimasi regresi:

• Coefficient: nilai koefisien masing-masing variabel independen
• Std. Error: standar error dari koefisien, menunjukkan tingkat ketepatan estimasi
• t-Statistic: nilai uji t untuk menguji signifikansi masing-masing variabel secara parsial
• Prob.: nilai probabilitas (p-value); jika lebih kecil dari 0,05 maka variabel dianggap signifikan
• R-squared: menunjukkan seberapa besar variabel independen mampu menjelaskan variabel dependen
• Adjusted R-squared: versi R-squared yang telah disesuaikan dengan jumlah variabel dalam model
• F-statistic dan Prob(F-statistic): menguji signifikansi model regresi secara keseluruhan (simultan)
• Durbin-Watson stat: mengindikasikan ada tidaknya autokorelasi pada residual

Tips dan Praktik Terbaik

1. Pastikan uji stasioneritas dilakukan terlebih dahulu sebelum melakukan analisis regresi pada data time series
2. Gunakan Command Window untuk mempercepat pekerjaan berulang, karena perintah dapat disimpan dan dijalankan kembali dalam bentuk program (.prg)
3. Selalu lakukan uji asumsi klasik setelah estimasi regresi untuk memastikan hasil model valid dan tidak bias
4. Untuk data panel, lakukan ketiga uji pemilihan model (Chow, Hausman, LM) agar model yang dipilih benar-benar sesuai dengan karakteristik data
5. Simpan workfile secara berkala, terutama setelah membuat objek penting seperti equation atau forecast
6. Beri nama yang jelas pada setiap objek (series, equation, group) agar mudah ditelusuri kembali saat workfile 

Contoh Studi Kasus Sederhana

Kasus: menganalisis pengaruh inflasi terhadap tingkat suku bunga menggunakan data time series bulanan.

Langkah-langkahnya: pertama, buat workfile baru dengan struktur Dated - regular frequency (Monthly), lalu impor data inflasi dan suku bunga dari file Excel. Setelah itu, lakukan uji stasioneritas (ADF Test) pada kedua variabel untuk memastikan data stasioner.

Jika kedua data sudah stasioner, lanjutkan dengan Quick → Estimate Equation, masukkan spesifikasi model: suku_bunga c inflasi

Setelah hasil regresi keluar, periksa nilai Prob. pada variabel inflasi — jika kurang dari 0,05, maka disimpulkan inflasi berpengaruh signifikan terhadap tingkat suku bunga. Selanjutnya, lakukan uji asumsi klasik (normalitas, heteroskedastisitas, autokorelasi) untuk memastikan model regresi tersebut valid sebelum digunakan untuk interpretasi lebih lanjut atau peramalan.erisi banyak objekalam memprediksi.nge Multiplier/LM (Common vs Random Effect).ersama atau melakukan uji korelasi., bulanan, kuartalan).