4,9/5 · 1.000+ ulasan · Mahasiswa dan profesional

Ekonometrika di Medan

Les privat ekonometrika di Medan, Deli Serdang, dan Binjai. Tutor mendampingi dari audit data, pemilihan model, sampai uji diagnostik di Stata, EViews, atau R, dengan datasetmu sendiri yang terbuka di layar. Mulai Rp211.425 per sesi 60 menit.

Hasil kerjanya

Keluaran yang kamu pegang setelah diagnostik ekonometrika rapi

  • Tabel regresi yang catatan bawahnya lengkap

    Jumlah pengamatan, kelas galat baku yang dipakai, dan uji diagnostik yang sudah dijalankan tercatat di bawah tabel, jadi pembaca tahu angkanya lahir dari pilihan yang disebutkan.

  • Berkas perintah yang bisa dijalankan ulang

    Seluruh langkah tersimpan sebagai perintah berurutan, sehingga spesifikasi lain yang diminta pembimbing dijalankan dengan mengubah satu baris saja.

  • Catatan arah H0 tiap uji yang kamu pakai

    Daftar pendek berisi nama uji, hipotesis nolnya, dan kesimpulan yang sah diambil darinya. Daftar inilah yang menahan kesimpulan terbalik saat penulisan dikejar waktu.

  • Alasan pemilihan penaksir yang bisa disebut ulang

    Kenapa fixed effects yang dipakai, kenapa kelas HAC yang dipilih, kenapa komponen musiman disertakan. Tiap pilihan punya satu kalimat alasan yang siap dipakai di bab metode.

  • Interpretasi ekonomis untuk tiap koefisien

    Besaran dan satuannya dibaca sebagai pernyataan tentang perilaku yang diteliti, termasuk efek marginal rata-rata pada model logit dan probit.

  • Daftar pemeriksaan sebelum naskah dikirim

    Satu halaman berisi hal yang diperiksa terakhir: konsistensi satuan, stabilitas hasil pada spesifikasi alternatif, dan kecocokan antara kalimat kesimpulan dengan angka di tabel.

Apa yang perlu diketahui soal Ekonometrika di Medan?

Les privat ekonometrika di Medan, Deli Serdang, dan Binjai. Tutor mendampingi dari audit data, pemilihan model, sampai uji diagnostik di Stata, EViews, atau R, dengan datasetmu sendiri yang terbuka di layar. Mulai Rp211.425 per sesi 60 menit.

Peserta yang biasanya ikut
Mahasiswa S1 sampai S2, praktisi data, dan pemula yang belum pernah menaksir model sendiri
Struktur data yang dibahas
Cross section, data panel, dan runtun waktu
Perangkat yang dibedah
Stata 19, EViews 14, dan R 4.6.1
Durasi per sesi
60, 90, atau 120 menit
Biaya per sesi
Mulai Rp211.425 per sesi 60 menit
Yang kamu siapkan sendiri
Laptop, datamu dalam bentuk yang bisa dibaca mesin, dan lisensi Stata atau EViews bila memakai keduanya
Format sesi
Satu tutor satu peserta, tanpa kelas gabungan
Wilayah kunjungan rumah
Kota Medan, Kabupaten Deli Serdang, dan Kota Binjai; di luar ketiganya sesi berjalan online
Bahasa pengantar
Indonesia, dengan istilah teknis dipertahankan seperti di dokumentasi perangkatnya
  • 4,9/5

    1.000+ ulasan
  • 500+

    tutor lolos kurasi
  • 1-on-1

    fokus tak terbagi
  • Fleksibel

    rumah · kafe · kampus · online
  • Garansi

    tukar tutor gampang
  • Assessment

    dipetakan sebelum mulai
Urutan diagnostik

Urutan diagnostik ekonometrika dan arah H0 di tiap tahap

Ekonometrika tidak punya ujian bersertifikat berjadwal. Halaman pelatihan resmi Stata memuat NetCourses, webinar, dan video tutorial tanpa satu kata sertifikat, dan pencarian pada 13 Oktober 2026 juga tidak menemukan program sertifikasi resmi EViews. Yang baku di sini urutan diagnostiknya beserta arah hipotesis nol tiap tahap, dan urutan itulah yang dibedah di sesi.

  1. Audit data sebelum model pertama

    Tanpa uji statistik
    Definisi variabel, satuan, periode, nilai yang hilang, dan nilai ekstrem diperiksa satu per satu. Tahap ini menentukan apakah angka berikutnya berarti.

    Strategi tutor

    Kamu menuliskan kamus variabel pendek, lalu memakainya sebagai rujukan tetap saat menulis bab metode.

  2. Stasioneritas, bila datanya runtun waktu

    H0: seri mengandung akar unit
    EViews menyediakan ADF, DFGLS, PP, KPSS, ERS, dan NP. Lima di antaranya berangkat dari akar unit, sedangkan KPSS membalik H0 menjadi stasioneritas.

    Strategi tutor

    Regresor eksogen dipilih sadar, antara tanpa regresor, konstanta, atau konstanta beserta tren linear. Di R, panjang lag ur.df dinaikkan tangan karena defaultnya tetap.

  3. Pemilihan model panel

    H0 Hausman: efek acak tidak berkorelasi dengan variabel penjelas
    Fixed effects dibandingkan dengan random effects, lalu hasilnya dibaca sebagai implikasi kebijakan, tidak berhenti pada angka statistiknya.

    Strategi tutor

    Di Stata, fixed effects ditaksir dan disimpan lebih dulu sebelum perintah hausman dijalankan dengan penaksir konsisten di depan. Di EViews, random effects yang ditaksir lebih dulu lewat Correlated Random Effects.

  4. Uji LM efek acak

    H0: varians komponen efek acak sama dengan nol
    Keluarga uji ini punya varian bernama orang, dan daftarnya berbeda antar perangkat: EViews memuat lima entri, sedangkan plmtest di R memuat empat.

    Strategi tutor

    Jenis uji disebut eksplisit, sebab plmtest berjalan dengan honda sebagai default sementara xttest0 di Stata memakai bentuk Breusch-Pagan.

  5. Heteroskedastisitas

    H0: galat homoskedastik
    Regresi bantu dijalankan atas residu, dan bentuk residunya yang membedakan BPG, Harvey, serta Glejser. Uji White bisa disertai cross terms atau tanpa cross terms.

    Strategi tutor

    Versi uji yang dipakai dicatat berikut derajat kebebasannya, lalu dipasangkan dengan keputusan galat baku supaya kesimpulannya konsisten.

  6. Autokorelasi

    H0: tidak ada korelasi serial sampai orde p
    Statistik Obs*R-squared pada LM Breusch-Godfrey adalah hasil kali jumlah pengamatan dengan R kuadrat regresi bantunya, dengan nilai prasampel residu diset nol.

    Strategi tutor

    Orde p disebut, hasilnya diperiksa pada beberapa orde, dan Durbin-Watson tidak dipakai sebagai penentu tunggal.

  7. Normalitas galat

    H0: galat normal, chi kuadrat dengan 2 df
    Jarque-Bera dibaca lewat Histogram-Normality di EViews. Pada sampel besar, pilihan ujinya menyempit karena batas teknis perangkatnya.

    Strategi tutor

    Shapiro-Wilk di R menolak berjalan di luar rentang 3 sampai 5000 pengamatan, jadi pada panel besar Jarque-Bera yang dipakai.

  8. Inferensi sesudah diagnostik

    Tanpa H0 tersendiri
    Keputusan diambil dari seluruh tahap di atas: kelas galat baku, perlu atau tidaknya pemodelan varians, dan bentuk penyajian koefisien.

    Strategi tutor

    Galat baku robust dipasang, atau heteroskedastisitasnya dimodelkan lewat WLS, lalu kelas yang dipakai ditulis di catatan tabel beserta alasannya.

Buat siapa

Cocok masuk sekarang kalau datasetmu sudah di tangan dan modelnya belum ditaksir

Cocok masuk sekarang

  • Datamu sudah terkumpul dan kamu perlu memilih antara cross section, data panel, atau runtun waktu
  • Keluaran regresi sudah ada, tetapi arah hipotesis nol tiap uji diagnostik masih kabur
  • Model yang sama memulangkan angka berbeda di Stata dan di R, dan kamu perlu tahu default mana yang menyebabkannya
  • Koefisien logit sudah keluar dan kamu perlu menuliskannya sebagai odds ratio beserta efek marginal rata-rata
  • Revisi pembimbing menyentuh spesifikasi model, jadi kamu perlu menguji alternatifnya dengan cepat

Sebaiknya menunggu, atau mulai dari yang lain

  • Pertanyaan risetnya belum dirumuskan dan datanya belum ada; rumuskan pertanyaannya dulu, sebab pemilihan variabel mengikuti pertanyaan itu
  • Sebaran, varians, dan uji hipotesis belum pernah kamu pelajari; statistika dasar lebih dulu akan membuat sesi ekonometrika jauh lebih hemat
  • Yang kamu butuhkan merapikan dan membersihkan data berukuran besar; pekerjaan itu lebih dekat ke kelas olah data daripada ke pemodelan
Peta ujinya

Peta bahasan ekonometrika dan titik rawan di tiap ujinya

Delapan bahasan di bawah disusun mengikuti urutan kerja nyata, dari spesifikasi sampai penyajian. Kolom titik rawan memuat hal yang paling sering membuat naskah dikembalikan, dan sebagian di antaranya lahir dari perbedaan default antar perangkat.

  • Regresi OLS dan asumsi klasik

    Fondasi

    Spesifikasi model, pembacaan koefisien, dan arti konsistensi penaksir pada keluaran perangkat.

    Titik rawan

    Istilah asumsi klasik dan sifat BLUE tidak muncul sebagai daftar bernomor baku di dokumentasi Stata, EViews, maupun R. Penomorannya konvensi buku ajar, jadi nomor yang kamu sebut wajib mengikuti edisi buku yang benar-benar kamu pegang.

    Cara kami mendampingi

    Tutor mulai dari hal yang bisa ditunjuk di layar, lalu penomoran asumsinya disamakan dengan buku yang dipakai pembimbingmu supaya istilah di naskah dan di kelas sejalan.

  • Heteroskedastisitas dan tiga nama ujinya

    Diagnostik

    Breusch-Pagan-Godfrey, Harvey, dan Glejser di EViews; estat hettest dan estat imtest di Stata; bptest di R.

    Titik rawan

    Ketiganya berbeda di variabel terikat regresi bantunya: BPG memakai residu kuadrat, Harvey memakai logaritma residu kuadrat, Glejser memakai nilai absolut residu. Baris Obs*R-squared pada BPG di EViews adalah statistik Koenker, bptest di R memakai versi studentized Koenker sebagai default, sementara default estat hettest masih memuat asumsi galat normal.

    Cara kami mendampingi

    Satu data dijalankan di dua perangkat sampai kamu bisa menunjuk sendiri versi mana yang sedang dilaporkan, lalu versi itu yang ditulis di catatan tabel.

  • Galat baku robust dan kelasnya

    Inferensi

    Kelas HC0 sampai HC5, opsi vce(robust), vce(hc2), vce(hc3), serta kovarians HAC Newey-West.

    Titik rawan

    Default Stata dan default R berbeda kelas, dan laporan yang hanya menyebut kata robust menyembunyikan selisih itu. Opsi hc2 memakai residu dibagi satu kurang leverage, hc3 membagi dengan kuadratnya, sedangkan HC tanpa angka di R setara HC0 yaitu bentuk White.

    Cara kami mendampingi

    Kelas yang dipakai dipilih sadar, ditulis di catatan tabel, lalu dibandingkan dengan galat baku konvensional supaya besar perubahannya terlihat.

  • Autokorelasi dan batas Durbin-Watson

    Dinamika

    Serial Correlation LM Breusch-Godfrey, pembacaan Obs*R-squared, dan pemilihan orde p.

    Titik rawan

    Durbin-Watson hanya menguji galat AR(1) dan tidak berlaku bila model memuat dependen terlag; dokumentasi EViews sendiri menganjurkan LM Breusch-Godfrey di atasnya. Di R, bgtest berjalan dengan order sama dengan satu sebagai default, jadi ordenya wajib dinaikkan tangan.

    Cara kami mendampingi

    Orde p ditentukan dari frekuensi data dan dugaan dinamikanya, lalu hasilnya dibandingkan pada beberapa orde supaya kesimpulan tidak bergantung pada satu angka.

  • Multikolinearitas, VIF, dan GVIF

    Diagnostik

    Perintah estat vif beserta kolom kebalikan VIF, dan car::vif untuk model bersuku kategori.

    Titik rawan

    Ambang VIF bersifat aturan praktis dengan dua syarat sekaligus, dan VIF terpusat tidak sah untuk model tanpa konstanta. Keluaran car::vif berubah bentuk begitu ada suku berderajat kebebasan lebih dari satu: yang keluar GVIF beserta df dan kolom pembandingnya.

    Cara kami mendampingi

    Kolom mana yang dibaca ditunjuk langsung di keluaran, dan model tanpa konstanta dijalankan dengan estat vif beropsi uncentered.

  • Logit, probit, dan efek marginal

    Pilihan diskret

    Perbedaan fungsi distribusi kumulatif, opsi or pada logit, perintah logistic, dan margins dydx.

    Titik rawan

    Koefisien mentah logit dan probit tidak sebanding langsung karena skala CDF-nya berbeda: logit memakai logistik kumulatif, probit memakai normal standar. Satu model juga bisa memulangkan dua angka efek, sebab margins dydx memberi efek marginal rata-rata sementara tambahan atmeans memberi efek pada rata-rata kovariat.

    Cara kami mendampingi

    Angka yang dilaporkan dipilih lebih dulu beserta alasannya, lalu kalimat interpretasinya ditulis dengan satuan yang jelas. Di R, link probit disebut eksplisit karena glm keluarga binomial berjalan dengan logit sebagai default.

  • Data panel, fixed effects, dan random effects

    Panel

    Enam penaksir xtreg, pilihan model plm, uji Hausman, serta keluarga uji LM efek acak.

    Titik rawan

    Defaultnya terbalik antar perangkat: plm berjalan dengan within yaitu fixed effects, sedangkan xtreg berjalan dengan random effects. Urutan kerja Hausman juga terbalik, sebab Stata menaksir dan menyimpan fixed effects lebih dulu sementara EViews menuntut random effects ditaksir lebih dulu. Nama Breusch-Pagan pun dipakai dua kali, untuk uji heteroskedastisitas dan untuk uji LM efek acak, dan yang kedua hanya sah sesudah xtreg beropsi re.

    Cara kami mendampingi

    Perintahnya selalu menyebut modelnya secara eksplisit, dan tiap keluaran disimpan dengan nama supaya urutan argumen Hausman tidak tertukar. Batas EViews ikut dicatat: random effects dua arah hanya untuk panel seimbang.

  • Akar unit, kointegrasi, dan ARIMA

    Runtun waktu

    ADF, DFGLS, PP, KPSS, ERS, dan NP di EViews; dfuller di Stata; ur.df serta ur.kpss di R; statistik trace dan maximum eigenvalue Johansen; pemilihan orde VAR lewat varsoc.

    Titik rawan

    Nilai kritis Dickey-Fuller dibaca dari simulasi MacKinnon, dan panjang lag di ur.df tetap satu selama selectlags dibiarkan pada Fixed. Default auto.arima memilih lewat AICc dengan uji KPSS untuk orde diferensi dan pencarian stepwise, sehingga orde yang keluar bisa berbeda dari pemodelan Box-Jenkins tangan.

    Cara kami mendampingi

    Uji akar unit dijalankan dengan regresor eksogen yang disebut, panjang lag dipilih sadar, dan hasil auto.arima selalu dibandingkan dengan satu kandidat yang kamu rancang sendiri. Pemilihan orde VAR dibaca dari FPE, AIC, BIC, dan HQIC sekaligus.

Bandingkan

Apa yang berubah saat ekonometrika dipegang satu tutor penuh?

Aspek yang dibandingkan Les Ekonometrika Privat Edubisa Di tempat pilihan Anda, Medan Kursus Ekonometrika Kelompok Belajar Ekonometrika Sendiri
Perhatian tutor saat belajar ekonometrika Tercurah ke satu siswa Terpecah ke satu kelasSendirian saja
Materi ekonometrika disesuaikan level siswa Disusun dari hasil tes awal Satu materi untuk satu kelasDitebak sendiri
Latihan praktik ekonometrika terarah Dipilih dari kelemahan Anda SeragamBerburu sendiri
Kemajuan dicek di tiap sesi Dicatat tiap akhir sesi SesekaliTidak tercatat
Fokus ke bagian ekonometrika yang paling sulit Waktu sesi penuh untuk bagian itu Mengekor tempo kelasSekuat disiplin sendiri
Belajar ekonometrika di rumah Anda, Medan Pengajar datang ke alamat Anda Anda yang datang ke lokasiDi rumah, tanpa pendamping
Yang jadi andalan

Keunggulan les Ekonometrika Edubisa

  • Sesi berjalan di atas datasetmu sendiri

    Variabel, satuan, periode, dan nilai yang hilang dibedah sampai definisi tiap kolom jelas, sebelum model pertama ditaksir.

  • Arah H0 dibaca sebelum p-value

    Tiap uji punya hipotesis nolnya sendiri. Di uji panel Hadri arahnya berlawanan dengan Levin-Lin-Chu, dan membaca arahnya lebih dulu menahan kesimpulan yang terbalik.

  • Default tiga perangkat dibandingkan di tempat

    Paket plm berjalan dengan within, perintah xtreg berjalan dengan random effects. Permintaan jalankan panel tanpa menyebut model memulangkan dua taksiran berbeda, dan sesi memperlihatkannya di layar.

  • Keluaran diterjemahkan ke kalimat bab hasil

    Koefisien logit diubah menjadi odds ratio dan efek marginal rata-rata, lalu ditulis sebagai kalimat yang bisa dipertahankan saat ditanya penguji.

  • Tiap langkah tersimpan sebagai perintah

    Pekerjaan dicatat sebagai baris perintah berurutan, jadi permintaan spesifikasi alternatif dijalankan ulang tanpa mengingat urutan menu yang pernah ditekan.

  • Pemilihan uji dikembalikan ke struktur data

    Cross section, panel, atau runtun waktu menentukan uji mana yang sah. Stasioneritas diperiksa sebelum ARIMA atau VAR dirancang.

Angka penilaiannya
  • 4,9/5

    penilaian 1.000+ peserta dan alumni
  • tutor terverifikasi

    500+

  • siswa didampingi

    2.000+

  • fokus ke satu siswa

    1-on-1

Tutor Terverifikasi

Pilih tutor Ekonometrika Anda

Setiap tutor lolos seleksi, wawancara, dan uji materi sebelum mengajar di Medan.

  • Grace D., Matematika · USU — tutor les ekonometrika Medan Edubisa

    Grace D.

    Matematika · USU
  • Nabilah F. — tutor les ekonometrika Medan Edubisa

    Nabilah F.

  • Kenjo D., Matematika · UNIMED — tutor les ekonometrika Medan Edubisa

    Kenjo D.

    Matematika · UNIMED
  • Tina A. — tutor les ekonometrika Medan Edubisa

    Tina A.

Apa yang kamu kerjakan di sesi les ekonometrika di Medan?

Sesi les ekonometrika di Medan berjalan di depan satu layar, dan yang terbuka di layar itu datasetmu sendiri.

Tutor datang ke rumah di Kota Medan, Kabupaten Deli Serdang, atau Kota Binjai, lalu pekerjaan dimulai dari bagian yang paling sering dilewati, yaitu definisi tiap kolom. Satuan, periode pengamatan, dan nilai yang hilang diperiksa lebih dulu, sebab taksiran yang rapi di atas data yang kabur tetap kabur.

Sesudah datanya jelas, model pertama ditaksir. Tutor menunjukkan letak tiap angka di keluaran perangkat: koefisien, galat baku, statistik uji, dan derajat kebebasannya. Kamu diminta membaca ulang satu baris keluaran dengan kalimatmu sendiri, sebab kalimat itulah yang nanti masuk ke bab hasil dan yang akan ditanya saat seminar. Pertanyaan paling berguna di bagian ini biasanya sederhana: angka ini menjawab pertanyaan riset yang mana.

Satu sesi juga selalu menyisakan catatan perintah. Setiap langkah ditulis sebagai baris yang bisa dijalankan ulang, jadi ketika pembimbing meminta spesifikasi lain, kamu menjalankan ulang berkas itu dengan satu baris yang diubah.

Dari pertanyaan riset ke spesifikasi model: cross section, panel, atau runtun waktu

Pertanyaan riset yang kabur membuat pemilihan variabel ikut kabur, jadi pekerjaan pertama mempersempitnya sampai satu hubungan benar-benar bisa diuji.

Sesudah itu struktur data yang menentukan jalannya: cross section, data panel, atau runtun waktu. Ketiganya menuntut penaksir yang berbeda, dan memutuskannya di awal menghemat putaran revisi yang panjang.

Pada data panel, pilihan pertamanya fixed effects atau random effects, dan yang menengahi keduanya uji Hausman. Pada runtun waktu, stasioneritas diperiksa sebelum ARIMA atau VAR dirancang, sebab regresi di atas seri nonstasioner memulangkan hubungan yang tampak kuat tanpa dasar. Pada cross section, OLS jadi titik awal dan diagnostiknya yang menentukan apakah inferensinya sah.

Tutor menuliskan rantai putusan itu bersamamu: pertanyaan, struktur data, penaksir, diagnostik, lalu bentuk penyajian. Rantai itu yang membuat bab metode bisa dipertahankan, sebab tiap langkahnya punya alasan yang bisa disebut ulang di depan penguji.

Sorotan utama

Tiga perangkat ekonometrika dengan tiga default yang berbeda

  • Stata 19

    Perintah dan pascaestimasinya ringkas: regress lalu estat hettest, estat vif, atau vce(robust). Penaksir panel xtreg menawarkan enam pilihan, dan random effects GLS yang jadi defaultnya. Lisensinya ditanggung peserta.

  • EViews 14

    Kerjanya lewat jendela dan menu: Residual Diagnostics untuk heteroskedastisitas dan korelasi serial, Unit Root Test dengan enam uji, serta Hausman yang menuntut random effects ditaksir lebih dulu. Lisensinya ditanggung peserta.

  • R 4.6.1

    Paketnya terpisah menurut tugasnya: lmtest untuk bptest dan bgtest, sandwich untuk galat baku robust, plm untuk panel, urca untuk akar unit dan kointegrasi. Unduhannya bebas biaya lisensi, dan tiap paket dipasang peserta di laptopnya sendiri.

Kenapa galat baku yang sama bisa berbeda angkanya di Stata dan R?

Satu model, satu data, dua perangkat, lalu galat bakunya berselisih.

Sebabnya duduk di default masing-masing. Di Stata, vce(robust) memakai koreksi sampel kecil N dibagi N dikurangi k, yaitu kelas HC1. Di R, vcovHC dari paket sandwich berjalan dengan HC3 mengikuti anjuran Long dan Ervin. Keduanya sah dan keduanya robust, dan angkanya tetap berbeda. Begitu selisih itu muncul, yang perlu ditulis di catatan tabel adalah kelas penaksir kovariansnya, misalnya HC1 atau HC3, supaya pembaca tahu angka itu lahir dari pilihan yang disadari.

EViews memecah kovarians robust jadi tiga kelas: HC untuk heteroskedastisitas, CR untuk klaster, dan HAC Newey-West untuk heteroskedastisitas sekaligus autokorelasi. Pilihannya duduk di tab Options pada dropdown Covariance method, dan nama White terkoreksi derajat kebebasan muncul di sana sebagai White-Hinkley. Padanan HAC di Stata perintah newey, dan orde lag maksimumnya wajib kamu sebut sendiri. Sesi dipakai untuk menentukan kelas mana yang cocok bagi datamu, lalu menuliskan pilihan itu di naskah.

Membaca arah H0 sebelum membaca p-value

Kekeliruan yang paling mahal di ekonometrika sering terjadi sebelum angka dihitung, yaitu ketika arah hipotesis nol dibaca terbalik.

Pada xtunitroot di Stata, kelompok Levin-Lin-Chu, Harris-Tzavalis, Breitung, Im-Pesaran-Shin, dan Fisher berangkat dari H0 semua panel mengandung akar unit, sedangkan Hadri berangkat dari H0 semua panel stasioner. Menolak H0 pada dua kelompok itu bermakna berlawanan, dan satu kalimat kesimpulan bisa terbalik hanya karena arahnya tidak diperiksa.

Pola yang sama berulang di luar panel. Lima dari enam uji akar unit di EViews berangkat dari akar unit, sementara KPSS membalik H0 menjadi stasioneritas. Pada kointegrasi persamaan tunggal, Engle-Granger dan Phillips-Ouliaris sama-sama menguji residu regresi statis dengan H0 tidak ada kointegrasi. Sebelum menuliskan adanya hubungan jangka panjang, yang dibaca adalah arah H0 sekaligus statistik mana yang ditampilkan perangkatnya: vecrank di Stata menampilkan trace dan menahan maximum eigenvalue sampai opsi max diminta, sedangkan ca.jo di R memulangkan eigen sebagai default.

Titik tekannya

Empat kekeliruan yang paling sering muncul di keluaran regresi

  • Menyimpulkan heteroskedastisitas dari uji White

    H0 uji White memuat tiga syarat sekaligus: galat homoskedastik, galat bebas dari regresor, dan spesifikasi linear yang benar. Gagalnya salah satu sudah cukup membuat statistiknya signifikan, jadi hasil signifikan belum menunjuk heteroskedastisitas secara khusus.

  • Menganggap OLS batal saat galatnya heteroskedastik

    Di bawah heteroskedastisitas, taksiran OLS tetap konsisten; yang batal galat baku konvensionalnya. Obatnya galat baku robust, atau memodelkan heteroskedastisitasnya lewat WLS. Gejala ARCH sendiri juga belum membatalkan inferensi kuadrat terkecil baku, yang hilang efisiensinya.

  • Membandingkan GVIF seperti membandingkan VIF

    Begitu ada satu blok dummy berderajat kebebasan lebih dari satu, car::vif memulangkan GVIF beserta df dan GVIF pangkat satu per dua df. Kolom terakhir itulah yang dibandingkan. Ambang VIF sendiri aturan praktis, dan syaratnya dua: VIF terbesar melewati sepuluh, sebagian memilih tiga puluh, dan rata-rata seluruh VIF jauh di atas satu.

  • Membaca statistik Dickey-Fuller di tabel t

    Di bawah H0 akar unit, statistik Dickey-Fuller tidak mengikuti distribusi t Student, jadi nilai kritis dan p-value-nya dibaca dari simulasi MacKinnon. Uji Dickey-Fuller sederhana juga hanya sah bila serinya memang AR(1); ADF menambahkan suku diferensi terlag sebagai koreksi.

Jadwal sesi ekonometrika saat tenggat riset makin dekat

Tenggat riset mengubah urutan belajar.

Peserta yang sidangnya dekat biasanya memilih sesi panjang, sebab satu putaran penuh dari pembersihan data sampai penulisan tabel menuntut waktu duduk yang lama; tarifnya Rp345.248 per sesi 120 menit. Yang ritmenya lebih longgar memakai sesi pendek dengan tarif Rp211.425 per sesi 60 menit untuk satu topik diagnostik per pertemuan. Pilihan tengah berada di tarif Rp268.778 per sesi 90 menit.

Jadwal sesi ekonometrika disusun dari tanggal yang sudah pasti di kalendermu, lalu dihitung mundur. Satu putaran diagnostik lengkap memuat tiga pekerjaan yang berbeda sifatnya: audit data, penaksiran beserta ujinya, lalu penulisan tabel dan narasinya. Pembagiannya ke dalam pertemuan diputuskan bersama saat pendaftaran, sesudah kamu menyebut hari dan jam yang bisa kamu jaga. Kalau revisi pembimbing datang di tengah jalan, urutannya diulang dari langkah yang tersentuh revisi itu, dan pertemuan berikutnya dipakai untuk itu. Angkanya disampaikan terbuka sebelum sesi pertama, mengikuti paket dan durasi yang kamu pilih sendiri.

Lisensi Stata atau EViews dan apa yang kamu siapkan sendiri

Perangkat lunaknya kamu yang menyiapkan, dan itu bagian dari rencana belajar sejak awal.

Stata dan EViews menuntut lisensi, jadi yang dipakai di sesi adalah lisensi yang sudah kamu pegang, termasuk lisensi kampus bila kamu memilikinya. R dan paketnya diunduh dari CRAN bebas biaya lisensi, dan untuk mayoritas pekerjaan ekonometrika isinya setara: lmtest, sandwich, plm, urca, forecast, serta marginaleffects menutup diagnostik, panel, akar unit, peramalan, dan efek marginal.

Letak fungsinya perlu diketahui lebih awal supaya waktu sesi tidak habis mencari: arima dan ar hidup di paket basis stats, 2SLS pindah dari AER ke ivreg, uji akar unit panel ada di plm, VAR di vars, sementara kointegrasi dibaca lewat urca atau tseries. Himpunan data buku ajar baku tersedia di paket wooldridge, AER, dan Ecdat, jadi latihan ulang bisa dijalankan tanpa menunggu data lapanganmu rampung.

Yang perlu kamu siapkan sendiri cuma dua: laptop yang sanggup menjalankan perangkat lunaknya, dan datamu dalam bentuk yang bisa dibaca mesin. Tutor menyebutkan format berkas yang paling aman beserta struktur kolom yang dibutuhkan sebelum sesi pertama, supaya pertemuan pertama tidak habis untuk memindahkan data dari satu format ke format lain.

Urutannya

Cara mendaftar les ekonometrika di Medan

  1. Ceritakan topik riset dan bentuk datamu

    Sebutkan pertanyaan riset, struktur data yang kamu pegang, dan perangkat yang dipakai kampusmu. Satu baris tentang tenggat sudah cukup untuk menakar kepadatan sesi.

  2. Pilih durasi sesi dan jadwal mingguannya

    Durasi 60, 90, atau 120 menit, dengan jumlah pertemuan per bulan yang kamu tentukan sendiri di formulir pendaftaran.

  3. Tetapkan tempat belajarnya

    Kunjungan rumah berlaku di Kota Medan, Kabupaten Deli Serdang, dan Kota Binjai. Di luar ketiganya sesi berjalan online, dengan layar yang sama-sama terbuka.

  4. Tutor dicocokkan setelah jadwalmu pasti

    Kriteria yang kamu sebut, misalnya pengalaman di data panel atau di satu perangkat tertentu, dipakai sebagai saringan. Penugasan berlangsung sesudah formulir masuk.

  5. Mulai sesi pertama dengan datasetmu

    Pertemuan pertama dipakai memetakan kebutuhan dan membereskan definisi variabel, lalu model pertama ditaksir di layar bersama tutor.

Semua keraguan soal les ekonometrika, dijawab satu-satu

Apakah Stata, EViews, dan R memulangkan angka yang sama untuk model yang sama?

Sering tidak, dan sebabnya default masing-masing. Galat baku robust di Stata memakai kelas HC1 sementara vcovHC di R memakai HC3. Pada panel, plm berjalan dengan within yaitu fixed effects sedangkan xtreg berjalan dengan random effects. Pada uji Breusch-Pagan, bptest di R memakai versi studentized Koenker sementara default estat hettest masih memuat asumsi galat normal. Sesi dipakai untuk menunjuk selisih itu di layar, lalu menuliskan versi yang kamu pakai di catatan tabel.

Bagaimana cara membaca arah hipotesis nol pada uji akar unit panel?

Dibaca per kelompok uji. Levin-Lin-Chu, Harris-Tzavalis, Breitung, Im-Pesaran-Shin, dan Fisher berangkat dari H0 semua panel mengandung akar unit, sedangkan Hadri berangkat dari H0 semua panel stasioner. Menolak H0 di dua kelompok itu bermakna berlawanan. Karena itu nama ujinya ditulis bersama arah H0-nya di catatan kerjamu, sebelum p-value dipakai menyusun kalimat kesimpulan.

Kenapa uji White yang signifikan belum membuktikan heteroskedastisitas?

Karena hipotesis nolnya memuat tiga syarat sekaligus: galat homoskedastik, galat bebas dari regresor, dan spesifikasi linear yang benar. Gagalnya salah satu sudah cukup membuat statistiknya signifikan, jadi hasil signifikan menunjuk ada yang keliru tanpa menyebut bagian mana. Di EViews, uji ini punya saklar Include cross terms; tanpa cross terms yang disertakan hanya kuadrat regresornya.

Apa bedanya dua uji yang sama-sama bernama Breusch-Pagan?

Keduanya uji yang berbeda dengan nama penulis yang sama. Yang satu uji heteroskedastisitas, dijalankan dengan estat hettest. Yang lain uji LM untuk efek acak pada panel, dijalankan dengan xttest0 dan hanya sah sesudah xtreg beropsi re. Penamaan ini ikut berbeda antar perangkat: plmtest di R berjalan dengan tipe honda sebagai default, jadi hasilnya tidak otomatis setara xttest0 sampai tipenya disebut tangan.

Kenapa car::vif memulangkan tiga kolom, dan angka mana yang dibandingkan?

Begitu model memuat suku berderajat kebebasan lebih dari satu, misalnya satu blok dummy kategori, keluarannya menjadi GVIF, df, dan GVIF pangkat satu per dua df. Kolom ketiga itulah yang dibandingkan dengan ambang, bukan GVIF mentahnya. Di Stata, estat vif menampilkan VIF beserta kebalikannya, dan untuk model tanpa konstanta opsi uncentered wajib dipakai.

Berapa lama sampai saya bisa menjalankan seluruh diagnostik sendiri?

Edubisa tidak memegang angka lama waktu yang bisa ditunjuk sumbernya, dan dokumentasi ketiga perangkat juga tidak membuat klaim sejenis. Yang bisa disebut urutan kerjanya: audit data, penaksiran, diagnostik, lalu penyajian. Kecepatanmu melewatinya bergantung pada kerapian data dan seberapa sering kamu mengulang prosedurnya di dataset yang sudah kamu kenal.

Apakah ada sertifikasi resmi ekonometrika yang bisa diikuti sesudah les?

Sampai pemeriksaan 13 Oktober 2026, tidak ditemukan. Halaman pelatihan resmi Stata memuat NetCourses, webinar, video tutorial, dan konferensi penggunanya tanpa menyebut sertifikat, dan program sertifikasi resmi EViews juga tidak ditemukan. Ekonometrika terdokumentasi sebagai mata kuliah dan sebagai perangkat lunak, jadi yang jadi bukti kemampuanmu naskah dan keluaran yang bisa kamu pertahankan.

Kalau serinya ternyata nonstasioner, apa yang dikerjakan selanjutnya?

Ada beberapa jalan, dan pilihannya disebut sadar. Diferensiasi dipakai bila yang dicari hubungan jangka pendek. Uji kointegrasi dipakai bila dugaanmu ada hubungan jangka panjang, dan di sini Engle-Granger serta Phillips-Ouliaris sama-sama berangkat dari H0 tidak ada kointegrasi. Untuk sistem, Johansen memberi dua statistik, trace dan maximum eigenvalue, yang tampil berbeda di Stata dan di R sehingga mana yang dilaporkan perlu disebut.

Rencana belajar ekonometrika-mu, rapikan bareng kami

Ceritakan targetmu, kami susun les ekonometrika Medan sesuai kebutuhanmu. Tanpa komitmen di awal.