Professional Documents
Culture Documents
Sep221 (Compl) PDF
Sep221 (Compl) PDF
Penghargaan
Saya ingin mengucapkan ribuan terima kasih kepada Dr. Che Nomee Che Sab kerana
beliau telah memberikan tunjuk ajar kepada saya sepanjang saya menyiapkan projek ini.
Selain itu, saya juga amat menghargai jasa Dr. Nomee kerana beliau telah memberikan
bimbingan dan nasihat yang amat berguna kepada saya. Beliau juga telah membantu dan
memberi sokongan yang sepenuhnya dari semasa ke semasa apabila saya menghadapi
masalah untuk menyiapkan projek ini. Saya berasa projek ini amat menarik dan mencabar
kerana didikan beliau yang berefektif itu.
2
Abstrak
Minyak mentah merupakan sesuatu semulajadi, produk petroleum bertapis terdiri
daripada deposit hidrokarbon. Minyak mentah boleh diperhalusi untuk menghasilkan
produk yang boleh digunakan seperti minyak petrol, diesel dan pelbagai bentuk
petrokimia. Harga minyak mentah dunia sering dijejaskan oleh faktor permintaan dan
penawaran minyak mentah sedunia, inventori sedunia, dan kapasiti loji penapisan. Kajian
ini menerangkan bagaimana faktor-faktor di atas berkait dengan harga minyak mentah
dunia sedunia.
Berdasarkan model ekonomi ini, model ekonometrik dapat dibentuk dan analisis-analisis
data telah dijalankan dengan berpandukan kaedah kuasa dua kecil biasa (KDTB) dengan
perisian E-View, dan pelbagai ujian telah dijalankan seperti Ujian F, Pendekatan Nilai-p,
Ujian Durbin-Watson, Ujian Wald dan Ujian Residual ke atas model tidak terbatas serta
model terbitan untuk menentukan kesignifikan atau keertian setiap pembolehubah yang
terdapat dalam pelbagai model ini.
3
BAB 1: PENGENALAN
1.1 Latar belakang
Minyak mentah merupakan sesuatu semulajadi, produk petroleum bertapis terdiri
daripada deposit hidrokarbon. Minyak mentah boleh diperhalusi untuk menghasilkan
produk yang boleh digunakan seperti minyak petrol, diesel dan pelbagai bentuk
petrokimia. Industri minyak mentah merangkumi proses eksplorasi, ekstraksi,
pengilangan dan transportasi.
Di Amerika Syarikat, amalan lazim bagi industri petroleum ini adalah untuk mengukur
kapasiti dengan menggunakan sistem ukuran Inggeris. Atas sebab ini, minyak mentah di
Amerika Syarikat diukur dalam barrel, setiap barrel mengandungi 42 gelen minyak.
Harga minyak mentah dunia adalah sangat tidak menentu. Banyak faktor yang
menjejaskan harga minyak mentah dunia. Antaranya ialah permintaan OECD
(Organisation for Economic Co-operation and Development ) dan bukan OECD,
pengeluaran minyak mentah, inventori sedunia dan kapasiti logi penapisan. Kesemua
perkara yang berlaku di negara masing-masing akan menjejaskan faktor-faktor yang di
atas dan seterusnya menjejaskan harga minyak mentah dunia. Oleh itu, projek ini ada
untuk melihat hubungkait faktor pembolehubah ini dengan harga minyak mentah dunia.
Projek ini akan membantu negara dan pihak berkaitan terutamanya OPEC dalam
menangani isu harga minyak mentah dunia.
Harga minyak mentah dunia dalam projek ini dikira dalam USD manakala
pembolehubah lain seperti permintaan OECD dan bukan OECD, pengeluaran minyak
mentah, inventori sedunia dan kapasiti logi penapisan dikira dalam barrel setiap hari.
4
1.2 Objektif
Kajian ini dijalankan bertujuan untuk mengenalpasti faktor-faktor yang mempengaruhi
harga minyak mentah dunia. Melalui kajian ini, kita boleh mendapati dan memahami
bagaimana faktor-faktor atau pembolehubah tidak bersandar ini mempengaruhi harga
minyak mentah dunia.
5
1.3 Model ekonometrik
Terdapat beberapa faktor yang boleh diambil kira untuk mempengaruhi harga minyak
mentah dunia. Terdapat model ekonomi dalam kajian ini diberikan oleh:
PRI = f (DEMO, DEMN, INV, PRO, CAP)
Di mana PRI= Harga minyak mentah dunia (USD), DEMO = Permintaan minyak mentah
OECD (Ribu Barrels Harian), DEMN = Permintaan Minyak Mentah Non-OECD (Ribu
Barrels Harian), INV = Inventori sedunia(Ribu Barrels Harian), PRO=Pengeluaran
minyak mentah sedunia(Ribu Barrels Harian), CAP=Kapasiti Loji Penapisan(Ribu
Barrels Harian)
Bagi model ekonometrik:
PRI =
(DEMO) +
(DEMN) +
(INV) +
(PRO) +
(CAP) +
Di mana
> 0
Angka bebas akan menjadi satu angka yang sentiasa berpositif dengan andaian faktor lain
adalah tetap. Kenyataan ini adalah justifikasi kerana ia secara literal mustahil untuk
mempunyai angka sifar bagi harga minyak mentah dunia (PRI). Oleh itu, parameter ini
akan sentiasa mengadakan hubungan yang positif dengan PRI dengan mengandaikan
yang lain adalah tetap.
-
> 0
Apabila OECD meningkatkan permintaan minyak mentah, harga minyak mentah dunia
akan meningkat.
6
-
> 0
Apabila non-OECD meningkatkan permintaan minyak mentah, harga minyak mentah
dunia akan meningkat.
-
< 0
Invetori meningkat bermaksud penawaran minyak mentah terlalu banyak dan permintaan
minyak mentah menurun. Lebihan bekalan penawaran ini mengakibatkan harga minyak
mentah dunia akan menurun.
-
< 0
Apabila Pengeluaran minyak mentah sedunia meningkat, maka ia mempunyai hubungan
negatif dengan harga minyak mentah dunia
-
< 0
Apabila Kapasiti Loji Penapisan meningkat, maka ia akan memberi hubungan negatif
dengan harga minyak mentah dunia.
1.4 Data
Data yang dikumpulkan adalah dari tahun 1980 hingga 2012 di mana mempunyai saiz
sampel sebanyak 32. Data ini diperoleh daripada BP Statistical Review of World Energy
June 2013.
7
BAB 2: Sorotan Karya
Ramalan harga minyak mentah dunia adalah sangat tidak menentu. Banyak faktor yang
menjejaskan harga minyak mentah dunia. Antaranya ialah permintaan
OECD(Organisation for Economic Co-operation and Development ) dan bukan OECD,
pengeluaran minyak mentah, inventori sedunia dan kapasiti logi penapisan.
Berdasarkan penyelidikan OPEC (Organization of the Petroleum Exporting Countries),
peningkatan permintaan minyak mentah sejak 1980 diakibatkan daripada penggunaan
pengangkutan pengangkutan terutamanya jalan raya, tetapi juga penerbangan, jalan air
dalaman dan laut antarabangsa. Di peringkat global, pengangkutan dijangka terus
menguasai pertumbuhan sepanjang tempoh yang diunjurkan.
Berbeza dengan OECD, negara-negara membangun juga melihat peningkatan dalam
penggunaan minyak dalam sektor petrokimia lain, kediaman, komersial, pertanian,
kegunaan industri lain. Walau bagaimanapun, semua rantau akan melihat jumlah yang
kecil minyak yang masih lagi digunakan untuk penurunan penjanaan elektrik pada masa
hadapan.
8
Secara keseluruhan, permintaan minyak mentah jangka ini berada dalam keadaan tidak
stabil. International Maritime Organization(IMO) telah menetap peraturan mengenai
kecekapan kapal terhadap penggunaan minyak mentah, ia menurun permintaan minyak
mentah. Selain itu, pembangunan dalam teknologi dalam pengangkutan juga
mengurangkan permintaan minyak mentah. Penurunan dalam permintaan juga berlaku
jika berlakunya krisis terutamanya krisis yang dialami di Negara Europe. Manakala
permintaan meningkat kerana kadar pertumbuhan ekonomi yang lebih tinggi untuk India
dan China.
Pengeluaran minyak mentah mengalami ketidak-stabilan. Ia terus menjejaskan inventori
minyak mentah sedunia. Logi penapisan yang baru akan dibina di Asia terutama di China
dan India. Manakala, terdapat banyak banyak loji penapisan ditutup terutama di kawasan
Europe. Menurut laporan OPEC, pengeluaran minyak mentah turun pada tahun 2012
kerana penutupan loji penapisan lebih daripada pembinaan loji penapisan,
Walaubagaimanupun, selepas tahun 2013, jika tidak terdapat loji penapisan yang
menutup (selain daripada loji yang dirancang), pengeluaran minyak mentah akan
meningkat. Penutupan loji penapisan pada 2011 dan 2012 terutamanya di kawasan OECD
menurunkan inventori sedunia menurun. Walaubagaimanapun, jika tidak terdapat loji
penapisan yang menutup (selain daripada loji yang dirancang), inventori sedunia akan
balik ke paras 5 milion barrel sehari iaitu paras selamat.
Selain itu, menurut data OPEC, minyak mentah Negara Kanada mengalami penurunan
dalam pengeluaran minyak mentah. Penurunan di Pantai Timur daratan tidak dapat
diimbangi dengan pertumbuhan bekalan sederhana dari daratan barat Kanada. Di Negara
China, pengeluaran juga diturunkan. Walaupun China ingin membina logi di Weizhou
9
dan Chunxiao, ia tidak dapat mengimbangi keturunan pengeluaran di Daqing, Shengli
and Liaohe.Penurunan pengeluaran di Negara UK juga menjejaskan harga minyak
mentah dunia. Kesusahan dalam mengekalkan penawaran minyak mentah mengakibatkan
kekurangan pelaburan dan menurunkan pengeluaran di UK.
Sebaliknya, di Negara Azerbaijan, penawaran minyak mentah ditingkatkan kerana
perkembangan logi yang berterusan di di Azeri Chirag Guneshli fields. Di Negara
Kazakhstan pula, penawaran minyak mentah ditingkatkan kerana perkembangan di
Tengiz, Kashagan, Akote and Karachaganak.
10
BAB 3: METADOLOGI
Data yang digunakan oldalam kajian ini diperolehi daripada data sekunder yang
dikeluarkan oleh British Petrol - BP Statistical Review of World Energy June 2013. Data
siri masa yang dikumpulkan adalah meliputi tempoh 1980 hingga 2012.
Model kajian pula dibentuk berdasarkan kajian-kajian yang lepas supaya untuk mengkaji
hubungan antara harga minyak mentah dunia dengan pembolehubah-pembolehubah tak
bersandar yang lain. Harga minyak mentah dunia merupakan pembolehubah bersandar
manakala faktor-faktor lain yang menentukan harga minyak mentah dunia adalah sebagai
pembolehubah-pembolehubah tidak bersandar. Oleh kerana objektif kajian ialah untuk
melihat faktor-faktor penentu yang mempengaruhi harga minyak mentah dunia sedunia,
maka satu fungsi umum boleh ditulis seperti berikut:
Harga minyak mentah dunia, PRI = f (Permintaan minyak mentah OECD, Permintaan
Minyak Mentah Non-OECD, Inventori sedunia, Pengeluaran minyak mentah sedunia,
Kapasiti Loji Penapisan) ---- (1)
Maka dengan itu, fungsi (1) boleh ditulis dalam bentuk model ekonometrik yang ditulis
seperti:
PRI =
(DEMO) +
(DEMN) +
(INV) +
(PRO) +
(CAP) +
dimana DEMO, DEMN, INV, PRO, CAP, dan masing-masing merujuk kepada
Permintaan minyak mentah OECD, Permintaan Minyak Mentah Non-OECD, Permintaan
Minyak Mentah Non-OECD, Inventori sedunia, Pengeluaran minyak mentah sedunia,
dan Kapasiti Loji Penapisan, serta ralat rawak. Manakala
adalah parameter cerun regresi.
11
3.1 Statistik Deskriptif
Statistik deskriptif adalah digunakan untuk menghuraikan ciri-ciri variable seperti
demografi responden dan sebagainya. Ia digunakan untuk membuat kesimpulan
mengenai data numerikal. Ia tidak boleh dibuat generalisasi daripada sampel kajian
kepada populasi. Penyebaran yang paling dekat dengan min adalah penting kerana ia
adalah lebih konsisten dan tertumpu pada min. Sisihan piawai sampel diberikan seperti
berikut: min, median, varians, sisihan piawai, kepencongan, kurtosis dan sebagainya.
Sisihan piawai populasi
Sisihan piawai sample
12
3.2 Ujian punca unit - Ujian ADF (Augmented Dickey Fuller)
Sebelum menguji kewujudan kointegrasi antara semua pembolehubah makro yang
diuji, terlebih dahulu dijalankan ujian punca unit yang menggunakan ujian Augmented
Dickey-Fuller (ADF). Untuk mengambarkan kegunaan ujian Dickey-Fuller, peringkat I(1)
merupakan persamaan pertama yang menggambarkan
Nilai statistik t yang diperolehi daripada ujian ini nanti akan dibandingkan dengan nilai
genting yang diberikan oleh Mackinnon (1991). Ujian punca unit diperlukan untuk
memastikan kesemua pembolehubah bebas tidak pegun pada peringkat I(2) yang
mengundang kepada keputusan yang palsu. Menurut Fosu & Magnus (2006), sekiranya
pembolehubah yang diuji pegun pada pada I(2), kiraan F statistik yang terhasil adalah
tidak sah kerana kaedah ujian batasan berdasarkan andaian bahawa pembolehubah pegun
pada aras I(0) atau I(1). Jadual yang akan dibincangkan akan menunjukkan hasil
keputusan ujian punca unit yang dijalankan ke atas data siri masa bagi semua
pembolehubah berkenaan melalui ujian ADF. Ujian yang dilakukan mengambil kira ujian
yang memasukkan pembolehubah pintasan dan tren.
13
3.3 Tatacara Johansen-Juselius
Metodologi Johansen-Juselius digunakan untuk menguji kointegrasi dalam model
multivariate. Dengan sama ada tiada kointegrasi langsung atau wujud satu, dua atau
sampai k-1 vektor kointegrasi yang bebas secara linear. Dalam kes wujud k 2 vektor
kointegrasi, kita tidak boleh menggunakan tatacara persamaan tunggal yang
membenarkan selebih-lebihnya satu hubungan kointegrasi. Kita tidak lagi ada hubungan
kointegrasi yang unik dalam kes k 2 hubungan kointegrasi. Pangkat (rank) matrik
pekali (II) adalah sama dengan bilangan vector kointegrasi bebas. Jika pangkat II, r(II) =0
ini bermaksud bahawa pembolehubah dalam
Uji kointegrasi (sebagai contoh, menggunakan ujian CRADF atau CRDW). Anggarkan
model pembetulan ralat. Jika pembolehubah berkointegrasi, reja-reja dari persamaan
keseimbangan boleh digunakan untuk menganggarkan ECM. Terdapat satu contoh ECM
yang adalah satu Vector Autoregression (VAR) perbezaan pertama. Pekali-pekali
di mana i= 1, 2, , n
Persamaan tersebut adalah satu model linear sebab jika kita plotkan persamaan ini kita
akan dapat satu garis lurus dan bukan satu keluk.
Andaian-andaian Model Regresi Linear Mudah:
Model regresi adalah linear dalam pekali-pekali,
) = 0
16
Pemnolehubah penjelas X tak stokastik, iaitu nilai X adalah tetap
Pembolehubah penjelas X tidak berkolerasi dengan sebutan ralat, iaitu
= 0.
Sebutan ralat
) dan (
= 0 bagi
semua ij
Sebutan ralat
Manakala bagi model regresi mudah ini diperluaskan dengan memasukkan beberapa
pembolehubah tak bersandar atau peregresi (k 2), model regresi ini dinamai model
regresi berganda atau berbilang.
Untuk menilai sama model regresi yang disuaikan sesuai atau tidak secara
keseluruhannya, kita perlu menjalankan ujian hipotesis berdasarkan statistic ujian F.
, for = 1, 2, 3, 4, 5
sekurang-kurangnya satu
, for = 1, 2, 3, 4, 5
Sekiranya
, bagi
Or
Or
, bagi
Ujian t statistic yang dugunakan adalah seperti berikut:
18
3.7 Ujian Durbin-Watson
Durbin-Watson (DW) ujian adalah satu daripada ujian-ujian paling biasa itu untuk
korelasi bersiri peringkat pertama. Statistik Durbin-Watson dengan julat itu dari 0 hingga
4 boleh dikira menggunakan formula seperti berikut:
Pengujian hipotesis untuk ujian statistik ini boleh ditulis seperti berikut:
H0: p=0
H1: p>0 (for positive autocorrelation) 0
Atau p<0 (for negative autocorrelation) 0
Apabila is 0 , d bersamaan dengan 2. Apabila ujian d Durbin Watson menghampiran
dengan 2 maka tiada wujud autokolerasi. Manakala apabila = 1 maka terdapat
autokolerasi positif sempurna, kita jangkakan
. Apabila , iaitu
wujud kes autokolerasi negative sempurna, kita jangkakan
.
19
3.8 Ujian Wald Pekali Terbatas
Ujian Wald kira statistik ujian itu dengan menganggarkan regresi tidak terbatas tanpa
mengenakan pekali sekatan ditentukan oleh hipotesis nol. Statistik Wald mengukur
bagaimana hampir anggaran-anggaran tidak terbatas itu sedar memuaskan sekatan di bawah
hipotesis nol. Jika sekatan adalah sebenarnya benar, ketika anggaran-anggaran tidak terbatas
itu harus datang hampir memuaskan sekatan. Hipotesis untuk pekali-pekali sendi menguji
boleh dirumuskan seperti berikut:
H0:
H1: Sekurang-kurangnya satu bukan sifar, j = 1, 2,, k.
Ujian statistik bagi hipotesis di atas adalah :
20
3.9 Korelasi Bersiri Ujian LM
Ujian ini adalah satu alternatif untuk Q-statistics untuk korelasi bersiri ujian.
Ujian itu menjadi kepunyaan kelas asimptot (sampel besar) ujian-ujian tahu sebagai
pendarab Lagrange (LM) ujian. Berbeza statistik Durbin-Watson untuk AR(1) kesilapan-
kesilapan, ujian LM mungkin digunakan bagi menguji untuk peringkat lebih tinggi
kesilapan-kesilapan ARMA, dan adalah boleh digunakan sama ada atau bukan terdapat
ketinggalan pembolehubah-pembolehubah bersandar. Oleh itu, kami mencadangkan
penggunaannya apabila anda dikhuatiri dengan kemungkinan bahawa kesilapan-kesilapan
anda mempamerkan autokorelasi. Hipotesis nol ujian LM adalah yang di sana adalah
tidak korelasi bersiri sehingga perintah kelewatan p, di mana p adalah satu integer telah
ditentukan. Spesifikasi jeneral suatu model dengan syarat-syarat ralat autoregresif adalah
seperti berikut:
Hipotesis nol dan alternative akan diuji seperti berikut:
Sekurang-kurangnya satu
adalah , .
21
3.10 Ujian White Skedastisiti
Hal Ini merupakan satu ujian untuk heteroskedasticity dalam baki daripada satu
regresi kuasa dua terkecil (White, 1980). Anggaran-anggaran kuasa dua terkecil biasa
adalah konsisten dalam kehadiran heteroskedasticity, tetapi konvensional mengira
kesalahan lazim adalah tidak lagi sahih. Jika bukti heteroskedasticity didapati, sama ada
kesalahan lazim teguh pilihan untuk membetulkan kesalahan lazim (melihat HAC) atau
model heteroskedasticity memperoleh anggaran-anggaran lebih efisien menggunakan
kuasa dua terkecil berat harus dipilih. Ujian White adalah satu ujian hipotesis nol tidak
heteroskedastisiti pada heteroskedastisiti sesetengah bentuk umum tidak dikenali.
EViews melaporkan dua statistik ujian daripada regresi ujian. F-statistic adalah untuk
meninggalkan ujian pembolehubah untuk kepentingan sendi semua produk silang, tidak
termasuk pemalar. Ia ditujukan untuk perbandingan.
Ujian statistik bagi ujian white adalah:
= Hasil tambah kuasa dua reja dalam model terbatas/ tergembleng(iaitu model yang
dianggarkan menggunakan cerapan-cerapan bagi seluruh tempoh)
= Hasil tambah kuasa dua reja bagi model yang dianggarkan menggunakan cerapan-
cerapan dalam tempoh pertama sahaja.
= Hasil tambah kuasa dua reja bagi model yang dianggarkan menggunakan cerapan-
cerapan dalam tempoh kedua sahaja.
23
3.12 Multikolinearan
Peluang-peluang bagi kewujudan multikolinearan adalah lebih besar dalam suatu
model dengan beberapa pembolehubah dan oleh itu interpretasi keputusan itu bagi saya
sangat sukar. Multikolinearan mungkin mengakibatkan keremehan kebanyakan daripada
pekali-pekali itu, manakala seorang yang layak dengan seorang daripada mereka sahaja
mungkin menghasilkan satu pekali penting. Multikolinearan boleh juga dikesan dengan
mengira Variance Inflation Factor (VIF) dengan menggunakan formula:
di mana R2j adalah tidak tersusun pekali penentuan. Untuk VIF lebih besar daripada 10,
terdapat satu petunjuk yang multikolinearan wujud. Mempersembahkan ujian t untuk
pembolehubah-pembolehubah individu memberitahu kami terus di mana pembolehubah
adalah bebas.
24
BAB 4: KEPUTUSAN DAN PERBINCANGAN
4.1 Statistik Deskriptif
Jadual 4.1.1: Keputusan Bagi Statistik Deskriptif
LPRI LDEMO LDEMN LINV LPRO LCAP
Mean 3.412919 10.69469 10.22806 7.009576 11.15769 11.28991
Median 3.316365 10.72737 10.14243 6.992768 11.15403 11.27354
Maximum 4.715545 10.82106 10.69619 7.419938 11.36387 11.4353
Minimum 2.542834 10.50958 9.919824 6.527045 10.94404 11.19108
Std. Dev. 0.626941 0.099331 0.231595 0.253668 0.132996 0.081363
Skewness 0.734898 -0.45898 0.544946 -0.29786 -0.03742 0.421976
Kurtosis 2.420079 1.865719 2.14219 2.259251 1.691488 1.787563
Jarque-Bera 3.432835 2.927693 2.645089 1.242419 2.361982 3.000605
Probability 0.179709 0.231345 0.266456 0.537294 0.306974 0.223063
Sum 112.6263 352.9248 337.526 231.316 368.2037 372.5672
Sum Sq. Dev. 12.57778 0.315732 1.716363 2.059111 0.566016 0.211839
Observations 33 33 33 33 33 33
Dari Jadual 4.1.1, ia boleh dilihat dengan jelas bahawa dari tahun 1980 hingga 2012,
Pekali kurtosis adalah kurang daripada 3, ini menunjukkan bahawa pengagihan adalah
platyckurtic. Nilai-p statistik Jarque-Bera adalah lebih daripada aras keertian bagi =
0.05 dan ia menunjukkan bahawa biasanya pengagihan akan diedarkan.
25
4.2 Ujian Punca Unit Menggunakan Ujian ADF
Jadual 4.2.1 Keputusan Ujian Punca Unit
Peringkat Pembolehubah Intercept
Trend and
Intercept
None
Level
LPRI -1.426338 -1.616565 0.736298
LDEMO -1.834393 -0.583988 1.048357
LDEMN 3.111691 -0.196802 7.955475
LINV -1.110935 -2.091612 4.72489
LPRO 0.485766 -5.287013* 2.457962
LCAP 1.551347 -5.050211 2.202328
1
st
Difference
LPRI -4.307813* -5.4959* -5.808591*
LDEMO -3.741467* -3.957214** -3.60484*
LDEMN -3.621481** -4.421713* -0.867751
LINV -5.5176* -5.53572* -3.551857*
LPRO -5.230898* -4.936626* -4.138342*
LCAP -2.819783*** -3.212263 1.979978**
2
nd
Difference
LPRI -7.544497* -7.388076* -7.663937*
LDEMO -7.665109* -4.429372* -7.753614*
LDEMN -8.829279* -8.674992* -8.96115*
LINV -5.819176* -5.691967* -5.933042*
LPRO -4.27694* -4.145613** -4.409275*
LCAP -8.621095* -8.821745* -8.685629*
* Signifikasi pada aras 1% **Signifikasi pada aras 5% ***Signifikasi pada aras 10%
26
Pembolehubah tak bersandar seperti Harga minyak mentah dunia (PRI), Permintaan
minyak mentah OECD (DEMO), Permintaan minyak mentah Non-OECD (DEMN),
Inventori sedunia (INV), Pengeluaran minyak mentah sedunia(PRO) dan Kapasiti Loji
Penapisan(CAP) telah digunakan dalam ujian ini untuk menguji kepegunan. Keputusan di
Jadual 4.2.1 atas menunjukkan bahawa kesemuaan pembolehubah tak bersandar tidak
pegun dan signifikan dalam paras I(0) (level). Sebaliknya, kebanyakkan pembolehubah
tak bersandar adalah pegun dan signifikan dalam ujian paras perbezaan pertama I(1) (1
st
difference). Dan semua, pembolehubah tak bersandar adalah pegun dan signifikan dalam
ujian paras perbezaan kedua I(2) (2
nd
difference).
Dalam ujian kepegunan perbezaan pertama (1
st
difference), DEMN tidak pegun dalam
ujian persamaan pintasan dan signifikasi pada aras 5% iaitu. -3.621481 < -2.971853.
DEMO juga tidak pegun dalam ujian persamaan pintasan dan signifikasi pada aras 5%
iaitu. -3.957214 < -3.562882.
Kesimpulannya, kebanyakan pembolehubah-pembolehubah tak bersandar adalah
pegun dan signfikasi pada aras 5% di paras perbezaan satu I(1) dan paras perbezaan
kedua I(2). Oleh itu, pembolehubah-pembolehubah tak bersandar ini adalah signifikasi
dalam pengujian pembolehubah bersandar iaitu harga minyak mentah dunia sedunia.
Data jadual di atas boleh diambil daripada Appendix 2.
27
4.3 Reja-reja
Jadual 4.3.1 Keputusan bagi reja-reja
Null Hypothesis: RESID01 has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=7)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.766326 0.0005
Test critical values: 1% level -2.641672
5% level -1.952066
10% level -1.610400
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RESID01)
Method: Least Squares
Date: 12/08/13 Time: 21:02
Sample (adjusted): 1982 2012
Included observations: 31 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RESID01(-1) -0.635446 0.168718 -3.766326 0.0007
R-squared 0.320252 Mean dependent var 0.000661
Adjusted R-squared 0.320252 S.D. dependent var 0.019742
S.E. of regression 0.016277 Akaike info criterion -5.366435
Sum squared resid 0.007948 Schwarz criterion -5.320178
Log likelihood 84.17975 Hannan-Quinn criter. -5.351357
Durbin-Watson stat 2.172899
Dalam jadual di atas, ia menunjukkan bahawa nilai-p adalah lebih kurang daripada aras-
kesemua aras keyakinan. Dengan ini, ia mewujudkan kointegrasi dalam jangka panjang.
28
4.4 Tatacara Johansen-Juselius
Jadual 4.4.1 Keputusan Kointegrasi Model Multivariat
Date: 11/25/13 Time: 00:12
Sample (adjusted): 1982 2012
Included observations: 31 after adjustments
Trend assumption: No deterministic trend (restricted constant)
Series: LPRI LDEMO LDEMN LINV LPRO LCAP
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.816137 162.0251 103.8473 0.0000
At most 1 * 0.698655 109.5245 76.97277 0.0000
At most 2 * 0.597729 72.34006 54.07904 0.0005
At most 3 * 0.418919 44.11055 35.19275 0.0042
At most 4 * 0.368452 27.28174 20.26184 0.0046
At most 5 * 0.343265 13.03473 9.164546 0.0088
Trace test indicates 6 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.816137 52.50058 40.95680 0.0017
At most 1 * 0.698655 37.18447 34.80587 0.0255
At most 2 0.597729 28.22951 28.58808 0.0555
At most 3 0.418919 16.82881 22.29962 0.2434
At most 4 0.368452 14.24701 15.89210 0.0890
At most 5 * 0.343265 13.03473 9.164546 0.0088
Max-eigenvalue test indicates 2 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
LPRI LDEMO LDEMN LINV LPRO LCAP C
7.169597 -16.75559 -58.53248 22.65663 20.75503 34.29866 -23.74169
2.775409 -63.65153 -64.92230 15.44397 130.9336 -9.113180 -131.3268
2.584425 10.99241 -11.24452 14.93897 -36.59420 16.18994 107.7959
-3.354478 -69.25076 -24.27596 -5.009301 94.36659 8.000166 -108.2317
-3.171784 19.53266 49.80722 -34.88798 -37.71277 22.14119 -291.8537
1.430014 15.89776 16.39884 -11.34840 21.85474 -80.84961 404.5746
Unrestricted Adjustment Coefficients (alpha):
D(LPRI) -0.107126 0.125009 -0.021554 0.006086 0.017657 -0.072811
D(LDEMO) -0.003820 -0.009130 -0.003553 0.000467 -0.004298 -0.003275
D(LDEMN) 0.004867 -0.001857 -0.005983 -0.003865 -0.000206 -0.007285
D(LINV) 0.000393 -0.019277 -0.012803 0.001401 0.009714 -0.002046
D(LPRO) -0.002804 -0.009265 0.000750 -0.005187 -0.003795 -0.004414
29
D(LCAP) -0.000960 -0.000386 -0.004220 -0.002280 0.000820 9.24E-05
1 Cointegrating Equation(s): Log likelihood 489.1642
Normalized cointegrating coefficients (standard error in parentheses)
LPRI LDEMO LDEMN LINV LPRO LCAP C
1.000000 -2.337034 -8.163984 3.160099 2.894868 4.783904 -3.311440
(1.55484) (1.06362) (0.41753) (2.49974) (1.26791) (7.13063)
Adjustment coefficients (standard error in parentheses)
D(LPRI) -0.768050
(0.30031)
D(LDEMO) -0.027388
(0.02198)
D(LDEMN) 0.034897
(0.02362)
D(LINV) 0.002817
(0.04808)
D(LPRO) -0.020100
(0.02473)
D(LCAP) -0.006886
(0.00976)
2 Cointegrating Equation(s): Log likelihood 507.7564
Normalized cointegrating coefficients (standard error in parentheses)
LPRI LDEMO LDEMN LINV LPRO LCAP C
1.000000 0.000000 -6.436150 2.887276 -2.129499 5.699272 1.681738
(0.48745) (0.43479) (1.00677) (1.50186) (8.28935)
0.000000 1.000000 0.739328 -0.116739 -2.149890 0.391679 2.136545
(0.07413) (0.06612) (0.15310) (0.22838) (1.26053)
Adjustment coefficients (standard error in parentheses)
D(LPRI) -0.421099 -6.162043
(0.25538) (2.18637)
D(LDEMO) -0.052727 0.645123
(0.01872) (0.16026)
D(LDEMN) 0.029744 0.036624
(0.02516) (0.21542)
D(LINV) -0.050685 1.220446
(0.04174) (0.35737)
D(LPRO) -0.045815 0.636716
(0.02218) (0.18991)
D(LCAP) -0.007956 0.040633
(0.01045) (0.08944)
3 Cointegrating Equation(s): Log likelihood 521.8711
Normalized cointegrating coefficients (standard error in parentheses)
LPRI LDEMO LDEMN LINV LPRO LCAP C
1.000000 0.000000 0.000000 -17.70700 15.40376 12.38728 -186.3031
(7.97759) (26.5651) (36.2668) (203.091)
0.000000 1.000000 0.000000 2.248949 -4.163955 -0.376580 23.73058
(0.89276) (2.97285) (4.05857) (22.7276)
0.000000 0.000000 1.000000 -3.199781 2.724184 1.039132 -29.20766
(1.22375) (4.07504) (5.56327) (31.1539)
30
Adjustment coefficients (standard error in parentheses)
D(LPRI) -0.476803 -6.398972 -1.603151
(0.26705) (2.19712) (2.90176)
D(LDEMO) -0.061910 0.606063 0.856269
(0.01885) (0.15510) (0.20484)
D(LDEMN) 0.014281 -0.029146 -0.097081
(0.02463) (0.20263) (0.26761)
D(LINV) -0.083773 1.079711 1.372490
(0.03860) (0.31759) (0.41944)
D(LPRO) -0.043876 0.644962 0.757178
(0.02337) (0.19227) (0.25394)
D(LCAP) -0.018861 -0.005750 0.128693
(0.00852) (0.07013) (0.09263)
4 Cointegrating Equation(s): Log likelihood 530.2856
Normalized cointegrating coefficients (standard error in parentheses)
LPRI LDEMO LDEMN LINV LPRO LCAP C
1.000000 0.000000 0.000000 0.000000 -83.37892 75.53168 74.48631
(22.6103) (35.1380) (167.000)
0.000000 1.000000 0.000000 0.000000 8.382339 -8.396491 -9.392039
(2.71741) (4.22305) (20.0708)
0.000000 0.000000 1.000000 0.000000 -15.12656 12.44978 17.91887
(3.97480) (6.17712) (29.3579)
0.000000 0.000000 0.000000 1.000000 -5.578737 3.566071 14.72805
(1.68147) (2.61313) (12.4194)
Adjustment coefficients (standard error in parentheses)
D(LPRI) -0.497219 -6.820449 -1.750900 -0.848960
(0.28878) (3.16414) (3.00768) (1.04049)
D(LDEMO) -0.063475 0.573745 0.844940 -0.282968
(0.02038) (0.22334) (0.21229) (0.07344)
D(LDEMN) 0.027245 0.238491 -0.003260 0.011580
(0.02574) (0.28199) (0.26805) (0.09273)
D(LINV) -0.088474 0.982674 1.338473 -0.487097
(0.04170) (0.45687) (0.43428) (0.15024)
D(LPRO) -0.026478 1.004142 0.883089 -0.169422
(0.02352) (0.25771) (0.24497) (0.08474)
D(LCAP) -0.011214 0.152121 0.184035 -0.079331
(0.00827) (0.09063) (0.08615) (0.02980)
5 Cointegrating Equation(s): Log likelihood 537.4091
Normalized cointegrating coefficients (standard error in parentheses)
LPRI LDEMO LDEMN LINV LPRO LCAP C
1.000000 0.000000 0.000000 0.000000 0.000000 12.72847 -150.6657
(10.1274) (113.846)
0.000000 1.000000 0.000000 0.000000 0.000000 -2.082691 13.24319
(1.08923) (12.2444)
0.000000 0.000000 1.000000 0.000000 0.000000 1.056056 -22.92808
(2.05883) (23.1440)
0.000000 0.000000 0.000000 1.000000 0.000000 -0.635982 -0.336482
(1.19173) (13.3966)
0.000000 0.000000 0.000000 0.000000 1.000000 -0.753227 -2.700347
(0.18983) (2.13398)
Adjustment coefficients (standard error in parentheses)
D(LPRI) -0.553224 -6.475558 -0.871448 -1.464982 14.84163
(0.30521) (3.20931) (3.40452) (1.53993) (5.59225)
D(LDEMO) -0.049842 0.489785 0.630848 -0.133005 -0.938486
31
(0.02007) (0.21101) (0.22384) (0.10125) (0.36768)
D(LDEMN) 0.027898 0.234472 -0.013509 0.018758 -0.280069
(0.02736) (0.28772) (0.30522) (0.13806) (0.50136)
D(LINV) -0.119284 1.172409 1.822287 -0.825990 -2.281480
(0.04029) (0.42365) (0.44942) (0.20328) (0.73821)
D(LPRO) -0.014441 0.930015 0.694069 -0.037021 -1.645084
(0.02394) (0.25174) (0.26706) (0.12080) (0.43867)
D(LCAP) -0.013815 0.168137 0.224876 -0.107938 -0.162054
(0.00865) (0.09101) (0.09654) (0.04367) (0.15858)
Mengikut jadual di atas untuk menguji hipotesis nol dan alternative bagi ujian trace
adalah seperti berikut
: r
: r
: r
: r
: r
Mengikut ujian trace, statistik trace adalah lebih besar daripada nilai kritikal 0.05 ataupun
nilai-p adalah lebih kecil daripada aras keertian 0.05. Dengan ini, hipotesis nol ditolak.
Oleh itu, terdapat wujudnya kointegrasi jangka panjang.
32
Ujian Maximum Eigenvalue
: r = 1
Mengikut ujian maximum eigenvalue, statistik Max-Eigen adalah lebih besar daripada
nilai kritikal 0.05 ataupun nilai-p adalah lebih kecil daripada aras keertian 0.05. Dengan
ini, hipotesis nol ditolak. Oleh itu, terdapat wujudnya kointegrasi jangka panjang.
Sebagai kesimpulannya, ujian trace menunjukkan bahawa terdapat 6 persamaan
kointegrasi pada aras keertian 0.05 manakala ujian Max-eigen menunjukkan bahawa
terdapat 2 persamaan kointegrasi pada aras keertian 0.05.
Terdapatnya kointegrasi model multivariate iaitu seperti berikut:
LPRI = 3.311440 + 2.337034 LDEMO + 8.163984 LDEMN 3.160099 LINV
(7.13063) (1.55484) (1.06362) (0.41753)
[-0.7161] [2.8845] [-3.6241] [-0.9656]
2.894868 LPRO 4.783904 LCAP
(2.49974) (1.26791)
[1.8925] [-5.6792]
Petunjuk
( ) Ralat Piawai
[ ] Nilai statistik t
33
Mengikut ujian johansen nilai statistik t bagi pintasan adalah -0.7161. Nilai ini
menunjukkan tidak signifikan kerana nilai statistik t adalah lebih besar daripada nilai
genting iaitu -2.015 yang diperolehi daripada buku sifir. Maka, hipotesis nol tidak dapat
ditolak.
Mengikut ujian johansen nilai statistik t bagi LDEMO adalah 2.8845. Nilai ini
menunjukkan signifikan kerana nilai statistik t adalah lebih besar daripada nilai genting
iaitu 2.015 yang diperolehi daripada buku sifir. Maka hipotesis nol akan ditolak.
Mengikut ujian johansen nilai statistik t bagi LDEMN adalah -3.6241. Nilai ini
menunjukkan signifikan kerana nilai statistik t adalah lebih kecil daripada nilai genting
iaitu -2.015 yang diperolehi daripada buku sifir. Maka hipotesis nol akan ditolak.
Mengikut ujian johansen nilai statistik t bagi LINV adalah -0.9656. Nilai ini
menunjukkan tidak signifikan kerana nilai statistik t adalah lebih besar daripada nilai
genting iaitu -2.015 yang diperolehi daripada buku sifir. Maka, hipotesis nol tidak
ditolakkan.
Mengikut ujian johansen nilai statistik t bagi LPRO adalah 1.8925. Nilai ini menunjukkan
tidak signifikan kerana nilai statistik t adalah lebih kecil daripada nilai genting iaitu 2.015
yang diperolehi daripada buku sifir. Maka, hipotesis nol sama dengan kosong akan tidak
ditolak.
Mengikut ujian johansen nilai statistik t bagi LCAP adalah -5.6792. Nilai ini
menunjukkan signifikan kerana nilai statistik t adalah lebih kecil daripada nilai genting
iaitu -2.015 yang diperolehi daripada buku sifir. Maka, hipotesis nol sama dengan kosong
akan ditolak.
34
4.5 Kaedah Engle Granger
Jadual 4.5.1 Keputusan bagi Kaedah Engle-Granger
Pairwise Granger Causality Tests
Date: 11/25/13 Time: 00:40
Sample: 1980 2012
Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
LDEMO does not Granger Cause LPRI 31 3.99629 0.0307
LPRI does not Granger Cause LDEMO 3.18706 0.0578
LDEMN does not Granger Cause LPRI 31 5.31800 0.0116
LPRI does not Granger Cause LDEMN 0.56558 0.5749
LINV does not Granger Cause LPRI 31 4.61034 0.0193
LPRI does not Granger Cause LINV 1.93703 0.1644
LPRO does not Granger Cause LPRI 31 4.38327 0.0229
LPRI does not Granger Cause LPRO 0.95193 0.3990
LCAP does not Granger Cause LPRI 31 7.05462 0.0036
LPRI does not Granger Cause LCAP 0.79138 0.4638
LDEMN does not Granger Cause LDEMO 31 0.92588 0.4089
LDEMO does not Granger Cause LDEMN 0.07588 0.9271
LINV does not Granger Cause LDEMO 31 1.66813 0.2082
LDEMO does not Granger Cause LINV 0.96784 0.3932
LPRO does not Granger Cause LDEMO 31 0.50007 0.6122
LDEMO does not Granger Cause LPRO 2.60811 0.0928
LCAP does not Granger Cause LDEMO 31 1.20534 0.3158
LDEMO does not Granger Cause LCAP 6.64611 0.0047
LINV does not Granger Cause LDEMN 31 0.41193 0.6666
LDEMN does not Granger Cause LINV 1.52827 0.2358
LPRO does not Granger Cause LDEMN 31 0.15568 0.8566
LDEMN does not Granger Cause LPRO 0.51032 0.6062
LCAP does not Granger Cause LDEMN 31 0.96628 0.3937
LDEMN does not Granger Cause LCAP 4.85662 0.0161
LPRO does not Granger Cause LINV 31 0.64575 0.5325
LINV does not Granger Cause LPRO 5.61608 0.0094
LCAP does not Granger Cause LINV 31 1.71662 0.1994
LINV does not Granger Cause LCAP 6.46182 0.0053
LCAP does not Granger Cause LPRO 31 1.37669 0.2702
LPRO does not Granger Cause LCAP 17.4206 2.E-05
35
i. LDEMO mempengaruhi LPRI pada aras keertian 0.05 kerana aras keertian adalah
lebih besar daripada nilai-p iaitu 0.05 > 0.0307
ii. LDEMN mempengaruhi LPRI pada aras keertian 0.05 kerana aras keertian adalah
lebih besar daripada nilai-p iaitu 0.05 > 0.0116
iii. LPRO mempengaruhi LPRI pada aras keertian 0.05 kerana aras keertian adalah
lebih besar daripada nilai-p iaitu 0.05 > 0.0229
iv. LCAP mempengaruhi LPRI pada aras keertian 0.05 kerana aras keertian adalah
lebih besar daripada nilai-p iaitu 0.05> 0.0036
v. LDEMO mempengaruhi LCAP pada aras keertian 0.05 kerana aras keertian
adalah lebih besar daripada nilai-p iaitu 0.05> 0.0047
vi. LINV mempengaruhi LCAP pada aras keertian 0.05 kerana aras keertian adalah
lebih besar daripada nilai-p iaitu 0.05> 0.0053
36
4.6 Histogram-Ujian Normaliti
Gambahrajah 1: Histogram - Ujian Normaliti
0
1
2
3
4
5
6
7
8
-0.02 -0.01 0.00 0.01 0.02
Series: RESID
Sample 1980 2012
Observations 29
Mean 0.001815
Median 0.001747
Maximum 0.020293
Minimum -0.021781
Std. Dev. 0.009437
Skewness -0.181996
Kurtosis 2.972882
Jarque-Bera 0.160981
Probability 0.922664
Dalam kajian statistik, ujian normaliti digunakan untuk menentukan sama ada
satu set data dimodelkan dengan taburan normal atau tidak, atau untuk mengira
bagaimana pembolehubah rawak asas adalah tertabur secara normal.
Satu pendekatan formal kepada ujian normaliti adalah untuk membandingkan satu
histogram data sampel untuk lengkung kebarangkalian normal.
Saiz sampel yang digunakan ialah n = 33, aras keertiaan yang digunakan adalah
5%, dan nilai-p daripada gambahrajah di atas ialah 0.922664 (>0.05), ia bermakna
pembolehubah-pembolehubah yang digunakan adalah signifikan dan bertaburan normal.
Manakala bagi Skewness, ia adalah kurang daripada 0 iaitu -0.181996 maka ia adalah
berpencong ke kiri. Kurtosis menunjukkan ia adalah lebih daripada 0 iaitu 2.972882
maka ia adalah puncak lebih tajam daripada bentuk loceng.
37
4.7 Kolerasi
Jadual 4.7.1: Korelasi
LPRI LDEMO LDEMN LINV LPRO LCAP
LPRI 1.000000 0.320123 0.750593 0.532737 0.632304 0.821893
LDEMO 0.320123 1.000000 0.757189 0.835408 0.906864 0.734516
LDEMN 0.750593 0.757189 1.000000 0.951901 0.955160 0.928058
LINV 0.532737 0.835408 0.951901 1.000000 0.945402 0.820693
LPRO 0.632304 0.906864 0.955160 0.945402 1.000000 0.917029
LCAP 0.821893 0.734516 0.928058 0.820693 0.917029 1.000000
Jadual di atas yang menunjukkan hubungan di antara pembolehubah bersandar dan
pembolehubah tak bersandar. Kesemua pembolehubah tak bersandar adalah berhubungan
positif dengan pembolehubah bersandar.
Memandang pembolehubah tak bersandar di atas, LCAP mempunyai hubungan positif
yang paling signifikan dengan LPRI iaitu 0.821893. Manakala LDEMO mempunyai
hubungan positif yang tidak begitu signifikan dengan LPRI iaitu 0.320123.
Namun begitu, jadual 4.7.1 di atas juga menunjukkan hubungan yang signifikan di antara
pembolehubah-pembolehubah tak bersandar. Kita boleh mendapati bahawa hubungan di
antara LPRO dengan LINV adalah signifikan iaitu 0.945402 dan juga di antara LPRO
dan LDEMN iaitu 0.955160. Selain itu, hubungan di antara LPRO dengan LDEMO
adalah signifikan iaitu 0.906864 dan juga di antara LCAP dan LDEMN iaitu 0.928058. .
Hal ini bermakna telah berlakunya situasi multikolinearan.
Dengan beberapa pembolehubah menunjukkan hubungan yang berhampiran
multikolinear, ini mungkin menyebabkan ketidaksignifikasi pekali koefikasi. Ia juga
mungkin menyebabkan masalah dalam mentafsirkan pekali regresi separa apabila
masalah multikolinearan timbul.
38
4.8 Analisis Regresi
Analisis Regresi adalah teknik statistik untuk menganggarkan hubungan antara
pembolehubah-pembolehubah. Ia termasuk pelbagai teknik untuk pemodelan dan
menganalisis hubungan antara pembolehubah bersandar dengan beberapa pembolehubah
tidak bersandar. Dengan mengaplikasikan procedure OLS, terdapat satu model regresi
anggaran yang wujud seperti berikut:
P = -37.69895 + 0.009583(DEMO) + 6.543289 (DEMN) - 3.980846(INV)
-1.862227 (PRO) + 2.016527 (CAP)
= -37.69895
P =
= 42.41
P = USD 42.41 apabila
bersamaan dengan 0.
= 0.009583
P meningkat sebanyak 0.009583% apabila DEMO meningkat 1%.
= 6.543289
P meningkat sebanyak 6.543289% apabila DEMN meningkat 1%.
= - 3.980846
P menurun sebanyak 3.980846 % apabila INV meningkat 1%.
= - 1.862227
P menurun sebanyak 1.862227% apabila PRO meningkat 1%.
= 2.016527
P meningkat sebanyak 2.016527% apabila CAP meningkat 1%.
39
Jadual 4.8.1 Keputusan bagi Model Regresi
Dependent Variable: LPRI
Method: Least Squares
Date: 11/27/13 Time: 12:01
Sample: 1980 2012
Included observations: 33
Variable Coefficient Std. Error t-Statistic Prob.
LDEMO 0.009583 2.260586 0.004239 0.9966
LDEMN 6.543289 1.804044 3.627012 0.0012
LINV -3.980846 0.876429 -4.542122 0.0001
LPRO -1.862227 3.320309 -0.560859 0.5795
LCAP 2.016527 1.764302 1.142960 0.2631
C -37.69895 9.812924 -3.841765 0.0007
R-squared 0.921989 Mean dependent var 3.412919
Adjusted R-squared 0.907542 S.D. dependent var 0.626941
S.E. of regression 0.190633 Akaike info criterion -0.313963
Sum squared resid 0.981210 Schwarz criterion -0.041870
Log likelihood 11.18038 Hannan-Quinn criter. -0.222412
F-statistic 63.82064 Durbin-Watson stat 1.865354
Prob(F-statistic) 0.000000
Kita harus melihat kepada nilai R terlaras juga untuk memastikan kekukuhan sesebuah
regresi model. R yang semakin hampir dengan nilai 1 bemakna semakin kukuh
hubungan antara variasi pembolehubah bersandar dan pembolehubah tidak bersandar. Hal
ini demikian kerana nilai R akan bertambah apabila semakin banyak pembolehubah
tidak bersandar ditambahkan. Nilai R yang ditunjukkan dalam jadual atas menunjukkan
nilai yang agak besar iaitu 0.921989, ia bermakna pembolehubah-pembolehubah tak
bersandar yang dikaji mempunyai hubungan yang sangat signifikan dengan
pembolehubah bersandar. Nilai-p bagi statistik F menunjukkan kesignifikan dalam
seluruh model ini. Dalam model ini, nilai-p bagi statistik F ialah 0.0000 iaitu kurang
daripada aras keertian 5% ini bermakna hipotesis nol dapat ditolak.
40
4.9 Ujian Wald (Wald-Test)
Ujian Wald boleh digunakan untuk menguji nilai sebenar parameter berdasarkan
anggaran sampel apabila hubungan di dalam atau di antara data yang boleh diungkapkan
sebagai model statistik dengan parameter yang dianggarkan daripada sampel.
Jadual 4.9.1 Keputusan bagi Ujian Wald
Wald Test:
Equation: Untitled
Test Statistic Value df Probability
t-statistic 0.004239 27 0.9966
F-statistic 1.80E-05 (1, 27) 0.9966
Chi-square 1.80E-05 1 0.9966
Null Hypothesis: C(1)=0
Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(1) 0.009583 2.260586
Restrictions are linear in coefficients.
Bagi pembolehubah DEMO, nilai-p adalah lebih besar daripada nilai aras keertian yang
digunakan, iaitu 0.9966 > 0.05. Ia bermakna hipotesis nol: C(1)=0 diterima. Hal ini
membuktikan bahawa pembolehubah ini adalah tidak signifikan sebagai penentu yang
dikaji.
41
Jadual 4.9.2 Keputusan bagi Ujian Wald
Wald Test:
Equation: Untitled
Test Statistic Value df Probability
t-statistic -0.560859 27 0.5795
F-statistic 0.314563 (1, 27) 0.5795
Chi-square 0.314563 1 0.5749
Null Hypothesis: C(4)=0
Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(4) -1.862227 3.320309
Restrictions are linear in coefficients.
Bagi pembolehubah PRO, nilai-p adalah lebih besar daripada nilai aras keertian yang
digunakan, iaitu 0.5795 > 0.05. Ia bermakna hipotesis nol: C(2)=0 diterima. Hal ini
membuktikan bahawa pembolehubah ini adalah tidak signifikan sebagai penentu yang
dikaji.
42
Jadual 4.9.3 : Keputusan bagi Ujian Wald
Wald Test:
Equation: Untitled
Test Statistic Value df Probability
t-statistic 1.142960 27 0.2631
F-statistic 1.306357 (1, 27) 0.2631
Chi-square 1.306357 1 0.2531
Null Hypothesis: C(5)=0
Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(5) 2.016527 1.764302
Restrictions are linear in coefficients.
Bagi pembolehubah CAP, nilai-p adalah lebih besar daripada nilai aras keertian yang
digunakan, iaitu 0.2631 > 0.05. Ia bermakna hipotesis nol: C(3)=0 diterima. Hal ini
membuktikan bahawa pembolehubah ini adalah tidak signifikan sebagai penentu yang
dikaji.
Sebagai kesimpulan, ketiga-tiga ujian Wald ini akan digugurkan oleh kerana nilai-p
adalah lebih besar daripada aras keertian 0.05.
43
Ujian Autokorelasi atau kolerasi bersiri
4.10 Ujian Durbin Watson
Daripada perbincangan sebelumnya, ia dinyatakan bahawa pembolehubah-pembolehubah
LDEMO dan LPRO serta LCAP adalah disingkirkan selepas menjalankan Ujian Wald.
Maka, satu contoh baru terbatas dengan hanya pembolehubah-pembolehubah yang
bersignifikasi iaitu, LDEMN dan LINV adalah dianggarkan oleh prosedur OLS. Hasil
daripada spesifikasi persamaan dibentangkan dalam jadual berikut dan dianggarkan
diberi seperti berikut:
PRI = -37.69895 + 6.543289 (DEMN) - 3.980846(INV)
Jadual 4.10.1 Keputusan bagi Model Regresi Terbatas
Dependent Variable: LPRI
Method: Least Squares
Date: 11/27/13 Time: 13:22
Sample: 1980 2012
Included observations: 33
Variable Coefficient Std. Error t-Statistic Prob.
LDEMN 7.020549 0.469562 14.95127 0.0000
LINV -4.784712 0.428704 -11.16087 0.0000
C -34.85489 2.149665 -16.21410 0.0000
R-squared 0.915257 Mean dependent var 3.412919
Adjusted R-squared 0.909608 S.D. dependent var 0.626941
S.E. of regression 0.188492 Akaike info criterion -0.413015
Sum squared resid 1.065877 Schwarz criterion -0.276969
Log likelihood 9.814742 Hannan-Quinn criter. -0.367239
F-statistic 162.0061 Durbin-Watson stat 1.870917
Prob(F-statistic) 0.000000
44
Berdasarkan Jadual 4.10.1, Ujian Durbin-Watson wujud autokorelasi positif peringkat
pertama pada aras keertian 5%, hipotesis nol dibuktikan nol tidak dapat ditolak kerana
statistik Durbin-Watson = 1.870917 lebih besar daripada nilai kritikal , dL = 1.114 dan
nilai kritikal yang lebih tinggi, dU = 1.358 (iaitu 1.114 di mana k=2
dan saiz sampel=33. Ini menunjukkan bahawa hipotesis nol tidak dapat ditolak dan
autokorelasi tidak wujud. Residual analysis merupakan bahagian pertama sebelum
dijalankan dan meneruskan ke peringkat ujian hipotesis dijalankan dalam model yang
dianggarkan. Daripada keputusan yang diberikan dalam jadual analisis regresi, ujian F
yang dijalankan pada = 0.05 menyimpulkan bahawa model regresi keseluruhan adalah
penting. Ujian-t digunakan untuk signifikan bagi kepentingan individu dalam pekali
regresi separa menghasilkan kesimpulan bagi pembolehubah tak bersandar. Tahap yang
tinggi R-kuasa dua terlaras 0.909608 mencadangkan bahawa lebih dekat persamaan
regresi dianggarkan sesuai dengan data sampel. Begitu juga, nilai-p bagi semua
pembolehubah tak bersandar yang terbukti menjadi penting di tahap yang lebih tinggi
berbanding dengan model regresi tidak terbatas.
45
4.11 Ujian Korelasi bersiri LM
Jadual 4.11.1: Keputusan bagi Ujian Kolerasi Bersiri LM
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 2.485253 Prob. F(2,28) 0.1015
Obs*R-squared 4.974952 Prob. Chi-Square(2) 0.0831
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/01/13 Time: 13:11
Sample: 1980 2012
Included observations: 33
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
LDEMN 0.116891 0.460226 0.253985 0.8014
LINV -0.127978 0.422369 -0.302999 0.7641
C -0.300257 2.079345 -0.144400 0.8862
RESID(-1) 0.079404 0.177442 0.447495 0.6580
RESID(-2) -0.395090 0.179701 -2.198592 0.0363
R-squared 0.150756 Mean dependent var -4.74E-15
Adjusted R-squared 0.029436 S.D. dependent var 0.182507
S.E. of regression 0.179800 Akaike info criterion -0.455211
Sum squared resid 0.905189 Schwarz criterion -0.228468
Log likelihood 12.51099 Hannan-Quinn criter. -0.378919
F-statistic 1.242627 Durbin-Watson stat 1.913823
Prob(F-statistic) 0.315716
Dari the Jadual 4.11.1, nilai-p (kebarangkalian) bagi statistik-F adalah 0.1015 dan
kebarangkalian bagi Chi-square (2) at 0.0831 adalah lebih besar daripada aras keertian
pada aras 0.05. Data ini menunjukkan tidak signifikan dan autokorelasi tidak wujud.
46
4.12 Ujian White - Heteroskedastisiti
Jadual 4.12.1: Keputusan bagi Ujian White - Heteroskedastisiti
Heteroskedasticity Test: White
F-statistic 0.675925 Prob. F(5,27) 0.6453
Obs*R-squared 3.671134 Prob. Chi-Square(5) 0.5977
Scaled explained SS 15.32884 Prob. Chi-Square(5) 0.0090
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/01/13 Time: 13:17
Sample: 1980 2012
Included observations: 33
Variable Coefficient Std. Error t-Statistic Prob.
C -132.6327 122.9008 -1.079185 0.2901
LDEMN^2 -3.637903 7.747280 -0.469572 0.6424
LDEMN*LINV 5.460636 13.63432 0.400507 0.6919
LDEMN 36.87611 64.28179 0.573663 0.5709
LINV^2 -2.859884 5.568026 -0.513626 0.6117
LINV -16.38340 62.95411 -0.260243 0.7967
R-squared 0.111246 Mean dependent var 0.032299
Adjusted R-squared -0.053337 S.D. dependent var 0.104265
S.E. of regression 0.107009 Akaike info criterion -1.468839
Sum squared resid 0.309176 Schwarz criterion -1.196746
Log likelihood 30.23584 Hannan-Quinn criter. -1.377288
F-statistic 0.675925 Durbin-Watson stat 1.930864
Prob(F-statistic) 0.645311
Dari Jadual 4.12.1, kebarangkalian bagi F-statistik telah mendapatkan sebanyak 0.6453
dan kebarangkalian bagi Chi-square (9) pada 0.5977 kedua-duanya adalah lebih besar
daripada aras keertian yang diberikan daripada = 0.05. Ini menunjukkan bahawa
mereka adalah tidak penting dan dengan itu, heteroskedastisiti tidak wujud. Data ini
menunjukkan homoskedastisiti.
47
4.13 Ujian Ramsey RESET
Table 4.13.1: Keputusan bagi Ujian Ramsey RESET
Jadual 4.13.1 menunjukkan bahawa kedua-dua nilai-p adalah lebih besar daripada =
0.05. Ini membuktikan bahawa tidak signifikan dan tiada ralat spesifikasi.
Ramsey RESET Test
Equation: UNTITLED
Specification: LPRI LDEMN LINV C
Omitted Variables: Squares of fitted values
Value df Probability
t-statistic 0.917653 29 0.3664
F-statistic 0.842087 (1, 29) 0.3664
Likelihood ratio 0.944588 1 0.3311
F-test summary:
Sum of Sq. df
Mean
Squares
Test SSR 0.030077 1 0.030077
Restricted SSR 1.065877 30 0.035529
Unrestricted SSR 1.035800 29 0.035717
Unrestricted SSR 1.035800 29 0.035717
LR test summary:
Value df
Restricted LogL 9.814742 30
Unrestricted LogL 10.28704 29
Unrestricted Test Equation:
Dependent Variable: LPRI
Method: Least Squares
Date: 12/01/13 Time: 13:28
Sample: 1980 2012
Included observations: 33
Variable Coefficient Std. Error t-Statistic Prob.
LDEMN 1.283390 6.269696 0.204697 0.8392
LINV -0.954952 4.195508 -0.227613 0.8215
C -4.395895 33.26219 -0.132159 0.8958
FITTED^2 0.114699 0.124992 0.917653 0.3664
R-squared 0.917648 Mean dependent var 3.412919
Adjusted R-squared 0.909129 S.D. dependent var 0.626941
S.E. of regression 0.188990 Akaike info criterion -0.381032
Sum squared resid 1.035800 Schwarz criterion -0.199638
Log likelihood 10.28704 Hannan-Quinn criter. -0.319999
F-statistic 107.7162 Durbin-Watson stat 1.884926
Prob(F-statistic) 0.000000
48
4.14 Ujian CUSUM dan CUSUM of Square dan Ujian Chow
Gambarajah 4.14.1:Keputusan bagi Ujian CUSUM
-16
-12
-8
-4
0
4
8
12
16
84 86 88 90 92 94 96 98 00 02 04 06 08 10 12
CUSUM 5% Significance
Secara umum, CUSUM (jumlah terkumpul) dan CUSUM persegi (CUSUM
squared) ujian boleh digunakan untuk menguji sama ada pekali konstan dalam model.
Berdasarkan rajah di atas, dapat menunjukkan bahawa garis CUSUM yang
berwarna biru berada di dalam kawasan antara kedua-dua baris kritikal iaitu garisan 5
peratus signifikasi yang berwarna merah. Oleh itu, ia dapat dijelaskan bahawa parameter
bagi model ini adalah stabil dan tidak mempunyai masalah perubahan berstruktur.
49
Gambarajah: 4.14.2 Ujian CUSUM of Square
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
84 86 88 90 92 94 96 98 00 02 04 06 08 10 12
CUSUM of Squares 5% Significance
Untuk mengenalpastikan perubahan struktur breakpoints, ujian CUSUM square
dijalankan. Berdasarkan rajah di atas, keputusan menunjukkan terdapat satu outliers
dalam model ini. Seperti Rajah di atas telah menunjukan garis CUSUM of Square bagi
garisan 5 peratus signifikasi terkeluar pada tahun 1992-1997. Hal ini bermaksud
parameter bagi model ini adalah kurang stabil dan mempunyai sedikit masalah perubahan
berstruktur.
50
Jadual 4.14.3 Keputusan untuk membuat Ujian Chow
Jadual 4.14.3.1 Ujian Chow Tahun 1993
Chow Breakpoint Test: 1993
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1980 2012
F-statistic 2.822956 Prob. F(3,27) 0.0576
Log likelihood ratio 9.003011 Prob. Chi-Square(3) 0.0293
Wald Statistic 8.468869 Prob. Chi-Square(3) 0.0373
Oleh sebab nilai-p = 0.0576 > aras keertian= 0.05, maka kita tidak dapat tolak
yang
menyatakan fungsi keluaran negara kasar bagi kedua-dua tempoh berkenaan (1982 - 1992
dan 1993 - 2011) adalah sama. Maka, terdapat tidak perubahan struktur, yakni parameter-
parameter fungsi harga minyak mentah dunia bagi kedua-dua tempoh tersebut adalah
stabil.
51
Jadual 4.14.3.2 Ujian Chow tahun 2000
Chow Breakpoint Test: 2000
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1980 2012
F-statistic 4.095030 Prob. F(3,27) 0.0162
Log likelihood ratio 12.37527 Prob. Chi-Square(3) 0.0062
Wald Statistic 12.28509 Prob. Chi-Square(3) 0.0065
Oleh sebab nilai-p = 0.0162 < aras keertian= 0.05, maka kita dapat tolak
yang
menyatakan fungsi keluaran negara kasar bagi kedua-dua tempoh berkenaan (1982 - 1999
dan 2000 - 2011) adalah sama. Terdapat perubahan struktur, yakni parameter-parameter
fungsi keluaran negara kasar bagi kedua-dua tempoh tersebut adalah tidak stabil.
Jadual 4.14.3.3 Ujian Chow Tahun 2002
Chow Breakpoint Test: 2002
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1980 2012
F-statistic 0.712180 Prob. F(3,27) 0.5532
Log likelihood ratio 2.513155 Prob. Chi-Square(3) 0.4729
Wald Statistic 2.136541 Prob. Chi-Square(3) 0.5446
Oleh sebab nilai-p = 0.5532 > aras keertian = 0.05, maka kita tidak dapat tolak
yang
menyatakan fungsi keluaran negara kasar bagi kedua-dua tempoh berkenaan (1982 - 2001
dan 2002 - 2011) adalah sama. Maka, tidak terdapat perubahan struktur, yakni parameter-
parameter fungsi keluaran negara kasar bagi kedua-dua tempoh tersebut adalah stabil.
52
Jadual 4.14.3.4 Ujian Chow Tahun 2003
Chow Breakpoint Test: 2003
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1980 2012
F-statistic 0.470809 Prob. F(3,27) 0.7051
Log likelihood ratio 1.682662 Prob. Chi-Square(3) 0.6408
Wald Statistic 1.412427 Prob. Chi-Square(3) 0.7026
Oleh sebab nilai-p = 0.7051 > aras keertian = 0.05, maka kita tidak dapat tolak
yang
menyatakan fungsi keluaran negara kasar bagi kedua-dua tempoh berkenaan (1982 - 2002
dan 2003 - 2011) adalah sama. Maka, tidak terdapat perubahan struktur, yakni parameter-
parameter fungsi keluaran negara kasar bagi kedua-dua tempoh tersebut adalah stabil.
Jadual 4.14.3.5 Ujian Chow Tahun 2008
Chow Breakpoint Test: 2008
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1980 2012
F-statistic 0.158378 Prob. F(3,27) 0.9234
Log likelihood ratio 0.575669 Prob. Chi-Square(3) 0.9020
Wald Statistic 0.475134 Prob. Chi-Square(3) 0.9243
Oleh sebab nilai-p = 0.9234 > aras keertian = 0.05, maka kita tidak dapat tolak
yang
menyatakan fungsi keluaran negara kasar bagi kedua-dua tempoh berkenaan (1982 - 2002
dan 2003 - 2011) adalah sama. Maka, tidak terdapat perubahan struktur, yakni parameter-
parameter fungsi keluaran negara kasar bagi kedua-dua tempoh tersebut adalah stabil.
53
4.15 Ujian Dummy
Dependent Variable: LPRI
Method: Least Squares
Date: 12/01/13 Time: 13:58
Sample: 1980 2012
Included observations: 33
Variable Coefficient Std. Error t-Statistic Prob.
LDEMN 0.939325 0.177735 5.284967 0.0000
LINV -0.541339 0.503823 -1.074465 0.2921
DUMMY 0.641254 0.456857 1.403622 0.1738
R-squared 0.482087 Mean dependent var 12.29990
Adjusted R-squared 0.443723 S.D. dependent var 0.835944
S.E. of regression 0.623480 Akaike info criterion 1.987641
Sum squared resid 10.49565 Schwarz criterion 2.127760
Log likelihood -26.81461 Hannan-Quinn criter. 2.032466
Durbin-Watson stat 0.164315
Oleh kerana nilai-p adalah 0.1738 > aras keertian 0.05 maka ia adalah menunjukkan
adalah tidak signifikan.
54
4.16 Multikolinearan
Jadual 4.15.1 Matrix Kolerasi
LPRI LDEMN LINV
LPRI 1.000000 0.750593 0.532737
LDEMN 0.750593 1.000000 0.951901
LINV 0.532737 0.951901 1.000000
Dari Marix Korelasi, ia telah menunjukkan bahawa LDEMN dengan LINV mempunyai
hubungan yang kuat iaitu 0.951901. Ujian kolinearan telah menjauhi bagi Inflasi Faktor
Perbezaan (VIF).
Jadual 4.15.2 Keputusan bagi Multikolinearan
Variance Inflation Factors
Date: 12/01/13 Time: 14:45
Sample: 1980 2012
Included observations: 33
Coefficient Uncentered Centered
Variable Variance VIF VIF
LDEMN 0.220489 21434.66 10.65147
LINV 0.183787 8398.045 10.65147
C 4.621061 4292.101 NA
VIF digunakan untuk menghitung faktor inflasi. Jika VIF melebihi 10, maka terdapat
masalah multikolinearan. LDEMN dan LINV adalah masing-masing bernilai 10.65147
dan 10.65147 iaitu lebih daripada 10, tetapi ia hanya melebihi 0.6 dan LDEMN dan
LINV tidak mengakibatkan masalah lain. Oleh itu, dapat disimpulkan bahawa tidak
wujud masalah multikolinear.
55
Bab 5 Kesimpulan
Bagi model tidak terbatas, terdapat bukti bahawa model ini mempunyai masalah
seperti pembolehubah-pembolehubah yang tidak signifikasi seperti Permintaan minyak
mentah OECD (DEMO), Pengeluaran minyak mentah sedunia (PRO) dan Kapasiti Loji
Penapisan (CAP) selepas menggunakan ujian Wald. Tambahan pula, autokorelasi tidak
wujud selepas menjalankan Ujian Durbin-Watson. Walaubagaimana pun, Ujian Kolerasi
bersiri (Serial Correlation LM Test) dijalankan untuk mengenalpasti bahawa autokorelasi
adalah tidak wujud. Walau bagaimanapun, pembolehubah-pembolehubah model 1 masih
boleh digunakan untuk menganggarkan Harga minyak mentah dunia. Hal ini demikian
kerana Ujian Normaliti dan Ujian Heterokesdatisiti menunjukkan model 1 merupakan
model yang bertaburan normal dan homokesdatisiti.
Bagi model regresi terbatas, hanya pembolehubah-pembolehubah tidak bersandar
yang bersignifikasi kepada harga minyak mentah dunia (PRI) dimasuk ke dalam model.
Manakala, pembolehubah-pembolehubah tak bersandar seperti DEMO, PRO dan CAP
telah dihapuskan daripada model regresi terbatas. Dalam model ini, beberapa ujian telah
dilakukan semula untuk menentukan kewujudan masalah seperti kolerasi bersiri,
heterokesdastisiti, signifikasi pembolehubah-pembolehubah tidak bersandar dalam model
ini, ralat spesifikasi dan kestabilan parameter. Ujian kolerasi bersiri dijalankan untuk
menentukan signifikasi korelasi bersiri wujud atau tidak.
Keputusan ujian korelasi bersiri menunjukan tiada keputusan kerana ujian Durbin
Watson adalah di antara