Sep221 (Compl) PDF

1
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
adalah error term,

-
> 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
tidak berkointegrasi, yakni, tiada vektor

kointegrasi. Dalam kes ini, tiada hubungan jangka panjang antara pembolehubah.
Mengikut amalan, ujian untuk menentukan bilangan persamaan kointegrasi boleh
dijalankan dengan 2 ujian ini iaitu ujian trace dan ujian Maximum Eigenvalue. Siri ujian
bermula dengan r = 0 dan dijalankan sehingga kali pertama hipotesis nol tidak dapat
ditolak. Pangkat kointegrasi diberi oleh nilai r sepadan. Hipotesis nol dalam ujian trace
ini adalah bilangan persamaan kointegrasi adalah lebih kurang sama dengan r dan
hipotesis alterbatif adalah alternative am. Manakala bagi ujian maximum eigenvalue,
ujian ini menguji hipotesis nol bahawa bilangan persamaan kointegrasi adalah r
menentang bilangan persamaan kointegrasi adalah r + 1.

14

3.4 Kaedah Engle-Granger
Metodologi Engle-Granger ini adalah untuk menguji pembolehubah-pembolehubah
supaya dapat menentukan peringkat integrasi menggunakan ujian ADF. Sekiranya
pembolehubah-pembolehubah berintegrasi peringkat yang sama, anggarkan hubungan
keseimbangan jangka panjang:

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
adalah pekali kelajuan pelarasan. Dan akhirnya membuat penilaian kecukupan

model. Khususnya, sama ada reja-reja persamaan-persamaan pembetulan ralat adalah
gangguan putih.

3.5 Korelasi
Dalam teori kebarangkalian dan statistik, korelasi, juga disebut koefisien korelasi, (r)
adalah nilai yang menunjukkan kekuatan dan arah hubungan linear antara dua
pembolehubah rawak (random variable). Nilai pekali korelasi berjulat dari -1 ke + 1,
iaitu . Apabila r = 1, maka korelasi positif sempurna. Apabila r = -1, maka
korelasi negative sempurna. Jika r = 0, maka tiada kolerasi linear.

15

3.6 Analisis Regresi
Regresi adalah satu kaedah statistik sudah biasa menghuraikan sifat hubungan antara
pembolehubah-pembolehubah - yakni, positif atau negatif, linear atau tak linear. Dalam
analisis regresi, pembolehubah-pembolehubah itu adalah diklasifikasikan sebagai
pembolehubah bebas, turut dikenali sebagai pembolehubah penjelas dan pembolehubah
bersandar, atau dengan kata lain, pembolehubah sambutan. Objektif-objektif untuk
menjalankan analisis regresi dalam konteks mengkaji hubungan antara pembolehubah-
pembolehubah itu adalah kerana mengikut:
Mendapatkan anggaran kuantitatif bagi hubungan ekonomi yang sebelumnya berbetuk
teoritis.
Meramalkan nilai satu pembolehubah bersandar berdasarkan nilai sekurang-kurangnya
satu pembolehubah tak bersandar.
Terdapat dua jenis model regresi iaitu model regresi linear mudah dan model regresi
linear berganda. Persamaan model regresi linear mudah menyatakan pembolehubah
bersandar Y adalah satu fungsi linear satu pembolehubah tak bersandar X dan sebutan
ralat rawak. Persamaan tersebut mewakili satu model regresi persamaan tunggal.

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,

, dan spesifikasi model

adalah betul
E(
) = 0
16

Pemnolehubah penjelas X tak stokastik, iaitu nilai X adalah tetap
Pembolehubah penjelas X tidak berkolerasi dengan sebutan ralat, iaitu
= 0.
Sebutan ralat
mempunyai varians malar bagi semua cerapan, iaitu
bagi semua I ( homoskedasitisiti atau tiada heteroskedastisiti)

(
) dan (
) tidak berkolerasi antara satu sama lain, iaitu
= 0 bagi
semua ij
Sebutan ralat
bertaburan normal dengan min sifar dan varian

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
dapat ditolak, kita boleh membuat kesimpulan ada sekurang-kurangnya

kesimpulan ada sekurang-kurangnya satu pembolehubah penjelas yang ada hubungan
linear yang bererti dengan pembolehubah bersandar Y dan memberi sumbangan yang
bererti kepada penyuaian model. F- statistik dijalankan mengikut formula berikut:

17

Ujian seterusnya adalah untuk menguji samada pekali tersebut adalah significant atau
tidak. Hipotesis yang digunakan adalah seperti berikut:

, 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:
adalah sebutan reja dalam regresi tambahan.

22

3.11 Ujian Chow
Ujian ini boleh menguji perubahan struktur atau kestabilan parameter-parameter
dalam model regresi. Ujian ini adalah berdasarkan ujian F dan dinamai ujian Chow.
Maka, kita perlu menganggarkan tiga persamaan regresi:
I. Persamaan regresi bagi seluruh tempoh yang dikaji( data bagi tempoh 1 dan 2
digemblengkan);
II. Persamaan regresi bagi tempoh 1 iaitu sebelum perubahan berstruktur itu berlaku;
III. Persamaan regresi bagi tempoh 2 iaitu selepas perubahan berstruktur itu berlaku.

Selepas itu, kita boleh menguji hipotesis bahawa sebahagian atau semua pekali
regresi adalah berbeza di antara tempoh 1 dan 2. Statistik Chow yang ditujukkan seperti
berikut
= 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
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)
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)


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)

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)


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

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)


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)

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)


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)

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=o (Untuk uji r=0 persamaan kointegrasi, yakni tiada kointegrasi)
: r

: r 1 (Untuk uji r = 1 persamaan kointegrasi)
: 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 = 0 (untuk uji r = 0 persamaan kointegrasi)
: 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
iii. LPRO mempengaruhi LPRI pada aras keertian 0.05 kerana aras keertian adalah
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
Date: 11/27/13 Time: 12:01
Sample: 1980 2012
Included observations: 33


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

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


t-statistic -0.560859 27 0.5795
F-statistic 0.314563 (1, 27) 0.5795
Chi-square 0.314563 1 0.5749



C(4) -1.862227 3.320309


Bagi pembolehubah PRO, nilai-p adalah lebih besar daripada nilai aras keertian yang
dikaji.
42

Jadual 4.9.3 : Keputusan bagi Ujian Wald

Wald Test:
Equation: Untitled


t-statistic 1.142960 27 0.2631
F-statistic 1.306357 (1, 27) 0.2631
Chi-square 1.306357 1 0.2531



C(5) 2.016527 1.764302


Bagi pembolehubah CAP, nilai-p adalah lebih besar daripada nilai aras keertian 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
Date: 11/27/13 Time: 13:22
Sample: 1980 2012


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


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
Date: 12/01/13 Time: 13:11
Sample: 1980 2012
Presample missing value lagged residuals set to zero.


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

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

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
Date: 12/01/13 Time: 13:17
Sample: 1980 2012


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

Adjusted R-squared -0.053337 S.D. dependent var 0.104265

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:
Date: 12/01/13 Time: 13:28
Sample: 1980 2012


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


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

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



Oleh sebab nilai-p = 0.0162 < aras keertian= 0.05, maka kita dapat tolak
yang
dan 2000 - 2011) adalah sama. Terdapat perubahan struktur, yakni parameter-parameter
fungsi keluaran negara kasar bagi kedua-dua tempoh tersebut adalah tidak stabil.




Oleh sebab nilai-p = 0.5532 > aras keertian = 0.05, maka kita tidak dapat tolak
yang
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




yang




yang
53

4.15 Ujian Dummy

Date: 12/01/13 Time: 13:58
Sample: 1980 2012


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

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

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

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

pada aras keertiaan, = 0.05. Maka ujian Lagrange

Multiplier (LM) akan digunakan untuk mengesan autokerelasi dan keputusannya adalah
tidak wujudnya autokorelasi. Selain itu, ujian Heterokesdatisiti, ujian RESET Ramsey,
56

ujian normaliti dan ujian CUSUM telah memberikan keputusan bahawa model regresi
terbatas merupakan model homokesdastisiti, data yang bertaburan normal dan parameter
yang stabil. Malah, Ujian CUSUM of Squares menunjukkan agak kurang stabil di lima
tahun. Model regresi terbatas menrupakan satu model yang baik untuk menganggarkan
harga minyak mentah dunia (PRI) dengan mengunakan pembolehubah-pembolehubah
tidak bersandar seperti Permintaan Minyak Mentah Non-OECD(LDEMN) dan Inventori
sedunia (LINV).
Kesimpulannya, kita masih dapat menggunakan LDEMN dan LINV. Oleh itu,
pihak yang berkenaan terutaman OPEC perlu memberi penumpuan terhadap
pembolehubah ini dan menjanakan cara-cara untuk mengatasi masalah harga minyak
mentah dunia.

57

Bab 6 - Bibliografi
Organization of Petroluem Exporting Countries. (2012). Retrieved from World Oil Outlook:
http://www.opec.org/opec_web/static_files_project/media/downloads/publications/W
OO2012.pdf
BP (Petroleum industry company). (2013, June). Retrieved from BP Statistical Review of World
Energy : http://www.bp.com/content/dam/bp/pdf/statistical-
review/statistical_review_of_world_energy_2013.pdf
Encyclopaedia Britannica. (2013). Retrieved from Crude Oil:
http://www.britannica.com/EBchecked/topic/144618/crude-oil
US Energy Information Administration. (2013, November). Retrieved from Short-term Energy
Outlook(STEO): http://www.eia.gov/totalenergy/data/monthly/pdf/mer.pdf

58

Appendix
Appendix 1
PRI DEMO DEMN INV PRO CAP
1980 36.83 41026.72 20329.42 683.3755 62958.89 79119.75
1981 35.93 38906.51 20543.93 696.4713 59547.06 78078.22
1982 32.97 37093.1 20757.74 725.5746 57312.43 76237.53
1983 29.55 36665.17 20954.24 737.3218 56615.34 73834.21
1984 28.78 37647.31 21247.74 774.4487 57695.56 72956.76
1985 27.56 37485.27 21748.14 802.5595 57459.15 72788.96
1986 14.43 38681.98 22346.45 907.6737 60434.94 72481.27
1987 18.43504 39336.48 22970.5 938.8821 60744.78 73112.6
1988 14.92384 40677.99 23435.36 1026.706 63110.62 73138.85
1989 18.22611 41289.23 24191.55 1027.27 64002.44 73696.51
1990 23.72582 41713.44 24968.21 1027.507 65384.62 74460.79
1991 20.00339 41908.69 24907.91 1032.733 65204.04 74114.14
1992 19.32084 42934.3 24885.07 1039.298 65716.21 74030.71
1993 16.97163 43250.2 24220.63 1041.424 65977.84 74502
1994 15.81732 44511.5 24479.43 1055.643 67072.91 75748.39
1995 17.01668 45141.42 25116.21 1065.889 67990.35 76020.57
1996 20.66849 46319.56 25398.23 1088.731 69844.59 76872.44
1997 19.09259 47171.3 26655.6 1107.37 72100.85 78710.9
1998 12.71566 47340.25 27044.08 1092.871 73456.97 79779.74
1999 17.97008 48281.27 27798.46 1237.904 72292.8 82266.02
2000 28.49545 48318.07 28527.61 1258.104 74955.33 82262.5
2001 24.44389 48338.12 29235.46 1266.799 75204.03 83264.71
2002 25.02326 48321.66 30148.82 1321.508 74948.48 83998.33
2003 28.8307 48914.95 31170.17 1334.133 77567.85 84228.34
2004 38.265 49686.77 33308.98 1340.036 80968.22 85071.55
2005 54.52109 50064.13 34164.07 1352.284 82014.28 85891.98
2006 65.14406 49879.54 35258.63 1363.814 82482.11 87244.89
2007 72.38908 49681.52 36893.36 1397.485 82284.69 88450.67
2008 97.25597 48069.65 37982.67 1468.126 82932.27 89259.05
2009 61.67126 46042.29 39021.36 1510.099 81260.7 90817.02
2010 79.49553 46459.87 41372.84 1616.675 83271.69 91782.06
2011 111.2556 46117.28 42762.03 1654.133 84209.82 92175.83
2012 111.6697 45586.84 44187.06 1668.929 86152.2 92530.86

59

LCAP LDEMN LDEMO LPRI LPRO LINV
1980 11.27872 9.919824 10.62198 3.606313 11.05024 6.527045
1981 11.26547 9.930321 10.56892 3.581573 10.99452 6.546027
1982 11.24161 9.940674 10.52119 3.495598 10.95627 6.586964
1983 11.20958 9.950097 10.50958 3.386084 10.94404 6.603024
1984 11.19762 9.964006 10.53602 3.359681 10.96294 6.652151
1985 11.19532 9.987283 10.5317 3.316365 10.95883 6.687806
1986 11.19108 10.01442 10.56313 2.669309 11.00932 6.810885
1987 11.19976 10.04197 10.57991 2.914253 11.01444 6.84469
1988 11.20011 10.062 10.61344 2.70296 11.05264 6.934111
1989 11.20771 10.09376 10.62836 2.902855 11.06668 6.93466
1990 11.21803 10.12536 10.63858 3.166564 11.08804 6.93489
1991 11.21336 10.12294 10.64325 2.995902 11.08528 6.939964
1992 11.21224 10.12202 10.66743 2.961184 11.0931 6.946301
1993 11.21858 10.09496 10.67476 2.831543 11.09707 6.948344
1994 11.23517 10.10559 10.7035 2.761105 11.11354 6.961905
1995 11.23876 10.13127 10.71756 2.834194 11.12712 6.971564
1996 11.2499 10.14243 10.74332 3.02861 11.15403 6.992768
1997 11.27354 10.19075 10.76154 2.9493 11.18582 7.009743
1998 11.28702 10.20522 10.76512 2.542834 11.20446 6.996563
1999 11.31771 10.23274 10.7848 2.888708 11.18848 7.121175
2000 11.31767 10.25863 10.78556 3.349744 11.22465 7.137361
2001 11.32978 10.28314 10.78598 3.19638 11.22796 7.144248
2002 11.33855 10.3139 10.78564 3.219806 11.22456 7.186529
2003 11.34129 10.34722 10.79784 3.361441 11.25891 7.196037
2004 11.35125 10.41358 10.81349 3.644536 11.30181 7.200452
2005 11.36085 10.43893 10.82106 3.998588 11.31465 7.20955
2006 11.37647 10.47047 10.81737 4.176601 11.32034 7.218041
2007 11.3902 10.51579 10.81339 4.282055 11.31794 7.242429
2008 11.3993 10.54489 10.78041 4.577346 11.32578 7.291742
2009 11.4166 10.57186 10.73732 4.121818 11.30542 7.319931
2010 11.42717 10.63038 10.74634 4.375701 11.32986 7.388127
2011 11.43145 10.66341 10.73894 4.71183 11.34107 7.411032
2012 11.4353 10.69619 10.72737 4.715545 11.36387 7.419938
60

Appendix 2: Ujian Punca Unit
LPRI - Level-Intercept:

Null Hypothesis: LPRI has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.957110
10% level -2.617434


Dependent Variable: D(LPRI)
Date: 11/24/13 Time: 15:32


LPRI(-1) -0.012429 0.078049 -0.159252 0.8745
C 0.076578 0.267084 0.286719 0.7763


61

LPRI Level - Trend and intercept

Exogenous: Constant, Linear Trend

t-Statistic Prob.*

5% level -3.557759
10% level -3.212361


Date: 11/24/13 Time: 15:35


LPRI(-1) -0.141426 0.087485 -1.616565 0.1168
C 0.277914 0.257391 1.079732 0.2892
@TREND("1980") 0.014162 0.005512 2.569385 0.0156

Log likelihood 2.407561 Hannan-Quinn criter. 0.082576

62

LPRI Level None

Exogenous: None

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.736298 0.8687
5% level -1.951687
10% level -1.610579


Date: 11/24/13 Time: 15:37


LPRI(-1) 0.009623 0.013069 0.736298 0.4671

R-squared -0.001893 Mean dependent var 0.034664

63

LPRI - 1
ST
Difference - Intercept

Null Hypothesis: D(LPRI) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.963972
10% level -2.621007


Dependent Variable: D(LPRI,2)
Date: 11/24/13 Time: 15:39


D(LPRI(-1)) -1.216745 0.282451 -4.307813 0.0002
D(LPRI(-1),2) 0.123338 0.194682 0.633534 0.5317
C 0.047347 0.049504 0.956428 0.3473


64

LPRI - 1
ST
Difference - Trend and intercept


t-Statistic Prob.*

5% level -3.568379
10% level -3.218382


Date: 11/24/13 Time: 15:44


D(LPRI(-1)) -1.613428 0.293569 -5.495900 0.0000
D(LPRI(-1),2) 0.311798 0.188619 1.653054 0.1103
C -0.216748 0.107355 -2.018983 0.0539
@TREND("1980") 0.015816 0.005849 2.704046 0.0119

Log likelihood 2.391662 Hannan-Quinn criter. 0.166990

65

LPRI - 1
ST
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952066
10% level -1.610400


Date: 11/24/13 Time: 15:45


D(LPRI(-1)) -1.058524 0.182234 -5.808591 0.0000


66

LPRI 2
nd
Difference Intercept

Null Hypothesis: D(LPRI,2) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.967767
10% level -2.622989


Date: 11/24/13 Time: 15:46


D(LPRI(-1),2) -2.250738 0.298328 -7.544497 0.0000
D(LPRI(-1),3) 0.503344 0.172644 2.915500 0.0072
C 0.019619 0.056965 0.344404 0.7333

R-squared 0.806126 Mean dependent var -0.010651

67

LPRI 2
nd
Difference Trend and intercept

t-Statistic Prob.*

5% level -3.574244
10% level -3.221728


Date: 11/24/13 Time: 15:47


D(LPRI(-1),2) -2.251354 0.304728 -7.388076 0.0000
D(LPRI(-1),3) 0.503653 0.176276 2.857187 0.0085
C 0.015218 0.137585 0.110606 0.9128
@TREND("1980") 0.000245 0.006941 0.035290 0.9721


68

LPRI 2
nd
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952910
10% level -1.610011


Date: 11/24/13 Time: 15:49


D(LPRI(-1),2) -2.244237 0.292831 -7.663937 0.0000
D(LPRI(-1),3) 0.500320 0.169583 2.950292 0.0065


69

LDEMO Level Intercept

Null Hypothesis: LDEMO has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.960411
10% level -2.619160


Dependent Variable: D(LDEMO)
Date: 11/24/13 Time: 15:50


LDEMO(-1) -0.054312 0.029608 -1.834393 0.0772
D(LDEMO(-1)) 0.497799 0.135050 3.686039 0.0010
C 0.584157 0.316654 1.844776 0.0757


70

LDEMO Level Trend and intercept


t-Statistic Prob.*

5% level -3.557759
10% level -3.212361


Date: 11/24/13 Time: 15:51


LDEMO(-1) -0.050304 0.086139 -0.583988 0.5637
C 0.537340 0.907679 0.591994 0.5584
@TREND("1980") 0.000236 0.000925 0.254704 0.8007


71

LDEMO Level None
Exogenous: None

t-Statistic Prob.*

5% level -1.952066
10% level -1.610400


Date: 11/24/13 Time: 15:51


LDEMO(-1) 0.000305 0.000291 1.048357 0.3031
D(LDEMO(-1)) 0.476746 0.140031 3.404563 0.0020


72

LDEMO 1
st

Null Hypothesis: D(LDEMO) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.960411
10% level -2.619160


Dependent Variable: D(LDEMO,2)
Date: 11/24/13 Time: 16:02


D(LDEMO(-1)) -0.523532 0.139927 -3.741467 0.0008
C 0.003314 0.003110 1.065698 0.2954


73

LDEMO 1
st


t-Statistic Prob.*

5% level -3.562882
10% level -3.215267


Date: 11/24/13 Time: 16:03


D(LDEMO(-1)) -0.539206 0.136259 -3.957214 0.0005
C 0.012746 0.006457 1.973853 0.0583
@TREND("1980") -0.000551 0.000334 -1.652640 0.1096


74

LDEMO 1
st
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952066
10% level -1.610400


Date: 11/24/13 Time: 16:04


D(LDEMO(-1)) -0.498214 0.138207 -3.604840 0.0011


75

LDEMO 2
nd

Null Hypothesis: D(LDEMO,2) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.963972
10% level -2.621007


Date: 11/24/13 Time: 16:05


D(LDEMO(-1),2) -1.355090 0.176787 -7.665109 0.0000
C 0.001746 0.003617 0.482736 0.6330


76

LDEMO 2
nd


t-Statistic Prob.*

5% level -3.612199
10% level -3.243079


Date: 11/24/13 Time: 16:06


D(LDEMO(-1),2) -5.078426 1.146534 -4.429372 0.0005
D(LDEMO(-1),3) 3.327446 1.034121 3.217656 0.0058
D(LDEMO(-2),3) 2.660642 0.881763 3.017411 0.0087
D(LDEMO(-3),3) 2.132165 0.739944 2.881522 0.0114
D(LDEMO(-4),3) 1.307931 0.533204 2.452964 0.0269
D(LDEMO(-5),3) 0.542888 0.364299 1.490225 0.1569
D(LDEMO(-6),3) 0.212538 0.200143 1.061931 0.3051
C 0.017752 0.012855 1.380919 0.1875
@TREND("1980") -0.001098 0.000621 -1.768883 0.0972


77

LDEMO 2
nd
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952473
10% level -1.610211


Date: 11/24/13 Time: 16:07


D(LDEMO(-1),2) -1.348741 0.173950 -7.753614 0.0000


78

LDEMN Level Intercept

Null Hypothesis: LDEMN has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.957110
10% level -2.617434


Dependent Variable: D(LDEMN)
Date: 11/24/13 Time: 16:10


LDEMN(-1) 0.039714 0.012763 3.111691 0.0041
C -0.381356 0.130382 -2.924917 0.0065


79

LDEMN Level Trend and intercept


t-Statistic Prob.*

5% level -3.557759
10% level -3.212361


Date: 11/24/13 Time: 16:11


LDEMN(-1) -0.011055 0.056173 -0.196802 0.8454
C 0.117062 0.552651 0.211818 0.8337
@TREND("1980") 0.001219 0.001313 0.928191 0.3610


80

LDEMN Level None

Exogenous: None

t-Statistic Prob.*

5% level -1.951687
10% level -1.610579


Date: 11/24/13 Time: 16:11


LDEMN(-1) 0.002392 0.000301 7.955475 0.0000


81

LDEMN 1
st

Null Hypothesis: D(LDEMN) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.960411
10% level -2.619160


Dependent Variable: D(LDEMN,2)
Date: 11/24/13 Time: 22:50


D(LDEMN(-1)) -0.616446 0.170219 -3.621481 0.0011
C 0.015505 0.005060 3.064206 0.0047


82

LDEMN 1
st


t-Statistic Prob.*

5% level -3.562882
10% level -3.215267


Date: 11/24/13 Time: 22:54


D(LDEMN(-1)) -0.825575 0.186709 -4.421713 0.0001
C 0.006938 0.006174 1.123798 0.2706
@TREND("1980") 0.000799 0.000367 2.179777 0.0378


83

LDEMN 1
st
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952473
10% level -1.610211


Date: 11/24/13 Time: 22:55


D(LDEMN(-1)) -0.099992 0.115231 -0.867751 0.3929
D(LDEMN(-1),2) -0.415170 0.176118 -2.357338 0.0256


84

LDEMN 2
nd

Null Hypothesis: D(LDEMN,2) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.963972
10% level -2.621007


Date: 11/24/13 Time: 22:57


D(LDEMN(-1),2) -1.471488 0.166660 -8.829279 0.0000
C 0.001102 0.003288 0.335008 0.7401


85

LDEMN 2
nd


t-Statistic Prob.*

5% level -3.568379
10% level -3.218382


Date: 11/24/13 Time: 22:57


D(LDEMN(-1),2) -1.471830 0.169663 -8.674992 0.0000
C 0.002113 0.007548 0.279903 0.7817
@TREND("1980") -5.78E-05 0.000386 -0.149454 0.8823


86

LDEMN 2
nd
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952473
10% level -1.610211


Date: 11/24/13 Time: 22:58


D(LDEMN(-1),2) -1.469363 0.163970 -8.961150 0.0000


87

LINV Level Intercept

Null Hypothesis: LINV has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.957110
10% level -2.617434


Dependent Variable: D(LINV)
Date: 11/24/13 Time: 23:24


LINV(-1) -0.026527 0.023878 -1.110935 0.2754
C 0.213504 0.167168 1.277182 0.2113


88

LINV Level Trend and Intercept


t-Statistic Prob.*

5% level -3.557759
10% level -3.212361


Date: 11/24/13 Time: 23:25


LINV(-1) -0.222875 0.106557 -2.091612 0.0453
C 1.500091 0.700502 2.141450 0.0408
@TREND("1980") 0.005286 0.002801 1.886832 0.0692


89

LINV Level None

Exogenous: None

t-Statistic Prob.*

5% level -1.951687
10% level -1.610579


Date: 11/24/13 Time: 23:26


LINV(-1) 0.003951 0.000836 4.724890 0.0000

R-squared -0.012711 Mean dependent var 0.027903

90

LINV 1
st

Null Hypothesis: D(LINV) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.960411
10% level -2.619160


Dependent Variable: D(LINV,2)
Date: 11/24/13 Time: 23:26


D(LINV(-1)) -1.028645 0.186430 -5.517600 0.0000
C 0.029008 0.008093 3.584480 0.0012


91

LINV 1
st
Difference Trend and Intercept


t-Statistic Prob.*

5% level -3.562882
10% level -3.215267


Date: 11/24/13 Time: 23:27


D(LINV(-1)) -1.043421 0.188489 -5.535720 0.0000
C 0.038834 0.014709 2.640067 0.0134
@TREND("1980") -0.000553 0.000690 -0.802154 0.4292


92

LINV 1
st
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952066
10% level -1.610400


Date: 11/24/13 Time: 23:27


D(LINV(-1)) -0.589652 0.166012 -3.551857 0.0013


93

LINV 2
nd

Null Hypothesis: D(LINV,2) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.967767
10% level -2.622989


Date: 11/24/13 Time: 23:27


D(LINV(-1),2) -2.050952 0.352447 -5.819176 0.0000
D(LINV(-1),3) 0.266838 0.195793 1.362855 0.1846
C -0.000281 0.007197 -0.039109 0.9691


94

LINV 2
nd


t-Statistic Prob.*

5% level -3.574244
10% level -3.221728


Date: 11/24/13 Time: 23:28


D(LINV(-1),2) -2.047994 0.359804 -5.691967 0.0000
D(LINV(-1),3) 0.265136 0.199902 1.326329 0.1967
C 0.002089 0.017405 0.120020 0.9054
@TREND("1980") -0.000132 0.000878 -0.150183 0.8818


95

LINV 2
nd
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952910
10% level -1.610011


Date: 11/24/13 Time: 23:29


D(LINV(-1),2) -2.051321 0.345745 -5.933042 0.0000
D(LINV(-1),3) 0.267109 0.192018 1.391065 0.1756


96

LPRO Level Intercept

Null Hypothesis: LPRO has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.957110
10% level -2.617434


Dependent Variable: D(LPRO)
Date: 11/24/13 Time: 23:30


LPRO(-1) 0.015395 0.031691 0.485766 0.6307
C -0.161867 0.353420 -0.458003 0.6503


97

LPRO Level Trend and Intercept


t-Statistic Prob.*

5% level -3.557759
10% level -3.212361


Date: 11/24/13 Time: 23:30


LPRO(-1) -0.524770 0.099256 -5.287013 0.0000
C 5.735073 1.084773 5.286888 0.0000
@TREND("1980") 0.007671 0.001373 5.585845 0.0000


98

LPRO Level None

Exogenous: None

t-Statistic Prob.*

5% level -1.951687
10% level -1.610579


Date: 11/24/13 Time: 23:31


LPRO(-1) 0.000881 0.000358 2.457962 0.0198


99

LPRO 1
st

Null Hypothesis: D(LPRO) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.960411
10% level -2.619160


Dependent Variable: D(LPRO,2)
Date: 11/24/13 Time: 23:32


D(LPRO(-1)) -0.807844 0.154437 -5.230898 0.0000
C 0.010112 0.003764 2.686694 0.0118


100

LPRO 1
st


t-Statistic Prob.*

5% level -3.587527
10% level -3.229230


Date: 11/24/13 Time: 23:35


D(LPRO(-1)) -1.819628 0.368597 -4.936626 0.0001
D(LPRO(-1),2) 0.598334 0.304362 1.965863 0.0634
D(LPRO(-2),2) 0.563157 0.230033 2.448156 0.0237
D(LPRO(-3),2) 0.430866 0.187986 2.292005 0.0329
D(LPRO(-4),2) 0.368491 0.144334 2.553046 0.0190
C 0.028976 0.010652 2.720196 0.0132
@TREND("1980") -0.000223 0.000425 -0.525637 0.6049


101

LPRO 1
st
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952066
10% level -1.610400


Date: 11/24/13 Time: 23:35


D(LPRO(-1)) -0.648113 0.156612 -4.138342 0.0003


102

LPRO 2
nd

Null Hypothesis: D(LPRO,2) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.991878
10% level -2.635542


Date: 11/24/13 Time: 23:36


D(LPRO(-1),2) -4.278049 1.000259 -4.276940 0.0006
D(LPRO(-1),3) 2.496686 0.882979 2.827571 0.0121
D(LPRO(-2),3) 1.878076 0.706954 2.656574 0.0172
D(LPRO(-3),3) 1.533446 0.572106 2.680353 0.0164
D(LPRO(-4),3) 1.259530 0.440730 2.857827 0.0114
D(LPRO(-5),3) 0.637745 0.327418 1.947803 0.0692
D(LPRO(-6),3) 0.200116 0.176633 1.132947 0.2739
C 0.000153 0.003635 0.042116 0.9669


103

LPRO 2
nd


t-Statistic Prob.*

5% level -3.612199
10% level -3.243079


Date: 11/24/13 Time: 23:37


D(LPRO(-1),2) -4.652704 1.122320 -4.145613 0.0009
D(LPRO(-1),3) 2.841314 0.998579 2.845357 0.0123
D(LPRO(-2),3) 2.184966 0.818068 2.670885 0.0174
D(LPRO(-3),3) 1.793455 0.669430 2.679080 0.0172
D(LPRO(-4),3) 1.459346 0.515391 2.831532 0.0126
D(LPRO(-5),3) 0.768241 0.371849 2.066003 0.0566
D(LPRO(-6),3) 0.251294 0.190667 1.317973 0.2073
C 0.010099 0.013346 0.756715 0.4609
@TREND("1980") -0.000474 0.000611 -0.775327 0.4502


104

LPRO 2
nd
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.955681
10% level -1.608793


Date: 11/24/13 Time: 23:38


D(LPRO(-1),2) -4.276666 0.969925 -4.409275 0.0004
D(LPRO(-1),3) 2.495568 0.856276 2.914444 0.0097
D(LPRO(-2),3) 1.876682 0.685133 2.739152 0.0140
D(LPRO(-3),3) 1.531069 0.552348 2.771930 0.0131
D(LPRO(-4),3) 1.256626 0.422332 2.975450 0.0085
D(LPRO(-5),3) 0.635175 0.312093 2.035208 0.0577
D(LPRO(-6),3) 0.198896 0.169051 1.176544 0.2556


105

LCAP Level Intercept

Null Hypothesis: LCAP has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.957110
10% level -2.617434


Dependent Variable: D(LCAP)
Date: 11/24/13 Time: 23:40


LCAP(-1) 0.043983 0.028351 1.551347 0.1313
C -0.491468 0.319963 -1.536018 0.1350


106

LCAP Level Trend and Intercept


t-Statistic Prob.*

5% level -3.557759
10% level -3.212361


Date: 11/24/13 Time: 23:40


LCAP(-1) -0.186253 0.036880 -5.050211 0.0000
C 2.070841 0.411742 5.029458 0.0000
@TREND("1980") 0.002181 0.000308 7.085936 0.0000


107

LCAP Level None

Exogenous: None

t-Statistic Prob.*

5% level -1.951687
10% level -1.610579


Date: 11/24/13 Time: 23:40


LCAP(-1) 0.000436 0.000198 2.202328 0.0352


108

LCAP 1
st

Null Hypothesis: D(LCAP) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.960411
10% level -2.619160


Dependent Variable: D(LCAP,2)
Date: 11/24/13 Time: 23:41


D(LCAP(-1)) -0.392878 0.139329 -2.819783 0.0086
C 0.002487 0.001890 1.316258 0.1984


109

LCAP 1
st


t-Statistic Prob.*

5% level -3.562882
10% level -3.215267


Date: 11/24/13 Time: 23:41


D(LCAP(-1)) -0.566941 0.176493 -3.212263 0.0033
C -0.003220 0.004121 -0.781315 0.4412
@TREND("1980") 0.000386 0.000249 1.548812 0.1327


110

LCAP 1
st
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952473
10% level -1.610211


Date: 11/24/13 Time: 23:42


D(LCAP(-1)) -0.269773 0.136251 -1.979978 0.0576
D(LCAP(-1),2) -0.299781 0.169770 -1.765804 0.0883


111

LCAP 2
nd

Null Hypothesis: D(LCAP,2) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.963972
10% level -2.621007


Date: 11/24/13 Time: 23:42


D(LCAP(-1),2) -1.434507 0.166395 -8.621095 0.0000
C 0.001177 0.001812 0.649573 0.5213


112

LCAP 2
nd


t-Statistic Prob.*

5% level -3.568379
10% level -3.218382


Date: 11/24/13 Time: 23:42


D(LCAP(-1),2) -1.456942 0.165154 -8.821745 0.0000
C 0.005966 0.004058 1.470359 0.1530
@TREND("1980") -0.000273 0.000208 -1.314967 0.1996


113

LCAP 2
nd
Difference None

Exogenous: None

t-Statistic Prob.*

5% level -1.952473
10% level -1.610211


Date: 11/24/13 Time: 23:42


D(LCAP(-1),2) -1.428707 0.164491 -8.685629 0.0000


Sep221 (Compl) PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sep221 (Compl) PDF

Uploaded by

Copyright:

Available Formats

1

adalah error term,

tidak berkointegrasi, yakni, tiada vektor

adalah pekali kelajuan pelarasan. Dan akhirnya membuat penilaian kecukupan

, dan spesifikasi model

mempunyai varians malar bagi semua cerapan, iaitu

bagi semua I ( homoskedasitisiti atau tiada heteroskedastisiti)

) tidak berkolerasi antara satu sama lain, iaitu

bertaburan normal dengan min sifar dan varian

dapat ditolak, kita boleh membuat kesimpulan ada sekurang-kurangnya

adalah sebutan reja dalam regresi tambahan.

: r=o (Untuk uji r=0 persamaan kointegrasi, yakni tiada kointegrasi)

: r 1 (Untuk uji r = 1 persamaan kointegrasi)

: r 2 (Untuk uji r = 2 persamaan kointegrasi)

: r 3 (Untuk uji r = 3 persamaan kointegrasi)

: r 4 (Untuk uji r = 4 persamaan kointegrasi)

: r = 0 (untuk uji r = 0 persamaan kointegrasi)

pada aras keertiaan, = 0.05. Maka ujian Lagrange

You might also like