Cara Mengatasi Regresi Spurious (Palsu) pada Analisis Time Series di EViews
Cara Mengatasi Regresi Spurious (Palsu) pada Analisis Time Series di EViews menjadi solusi metodologis penting ketika estimasi statistik menunjukkan indikasi hubungan kausalitas yang sangat kuat secara semu padahal antarvariabel tidak saling berhubungan secara riil. Masalah regresi palsu ini umumnya terdeteksi saat hasil estimasi Ordinary Least Squares menghasilkan koefisien determinasi yang sangat tinggi di atas 0,90 serta t-statistik variabel independen yang sangat signifikan, tetapi nilai statistik Durbin-Watson berada pada level yang sangat rendah. Kondisi angka Durbin-Watson yang jauh lebih kecil daripada nilai koefisien determinasi merupakan sinyal utama bahwa model regresi runtut waktu yang diestimasi mengalami kegagalan struktural akibat penggunaan data non-stasioner.
Gejala operasional dari regresi spurious timbul karena variabel-variabel runtut waktu memiliki kecenderungan tren tren acak yang searah secara kebetulan sepanjang rentang waktu pengamatan. Peneliti sering kali terkecoh oleh nilai probabilitas t-hitung yang sangat signifikan, padahal tingginya angka statistik tersebut disebabkan oleh terdistorsinya nilai standar eror ke tingkat yang sangat kecil secara tidak wajar. Jika dibiarkan tanpa perbaikan, estimasi OLS pada data non-stasioner akan menghasilkan kesimpulan inferensi statistik yang keliru, pelanggaran berat pada asumsi Gauss-Markov, serta keputusan kebijakan yang sama sekali tidak sahih secara empiris.
Landasan teoretis regresi spurious pertama kali dipublikasikan secara mendalam oleh Yule (1926) yang menunjukkan bahwa korelasi antarvariabel runtut waktu yang tidak stasioner dapat menghasilkan koefisien korelasi yang sangat tinggi meskipun kedua variabel tersebut secara logis tidak memiliki keterkaitan sama sekali. Pengembangan metodologis modern mengenai fenomena ini kemudian diteliti secara mendalam oleh Granger dan Newbold (1974) melalui eksperimen simulasi Monte Carlo.
Granger dan Newbold (1974) merumuskan aturan praktis empiris bahwa apabila nilai koefisien determinasi melebihi nilai statistik Durbin-Watson dari hasil regresi OLS runtut waktu, maka model tersebut dapat dipastikan terjangkit masalah regresi palsu. Bagi pembaca yang ingin mempelajari konsep dasar stasioneritas dan pengujian persamaannya secara komprehensif, pembahasan lengkap mengenai dasar teori uji stasioneritas time series dapat dipelajari pada domain utama statistikian.com.
Menurut Gujarati dan Porter (2009), regresi spurious terjadi karena sifat non-stasioneritas pada data runtut waktu menyebabkan ragam residual menjadi tidak konstan dan bergantung pada fungsi waktu. Pelanggaran asumsi stasioneritas sisaan ini merusak struktur matriks varians-kovarians dari penaksir OLS, sehingga uji t-statistik dan uji F-statistik tidak lagi mengikuti distribusi t-Student dan F-Snedecor yang standar.
Phillips (1986) secara sistematis membuktikan secara matematis bahwa pada kasus regresi palsu, distribusi t-statistik tidak akan menguncup ke suatu nilai konstan seiring bertambahnya sampel pengamatan. Sebaliknya, nilai t-statistik akan terus membesar menuju tak terhingga, yang menyebabkan peneliti hampir selalu menolak hipotesis nol dan menganggap variabel independen memiliki pengaruh yang signifikan secara statistik.
Engle dan Granger (1987) melengkapi kerangka teoretis ini dengan memperkenalkan teori kointegrasi. Dua atau lebih variabel runtut waktu yang tidak stasioner pada level dapat diregresikan dalam tingkat level tanpa mengalami masalah regresi spurious jika dan hanya jika kombinasi linier dari variabel-variabel tersebut menghasilkan residual yang stasioner pada tingkat level.
Untuk melakukan identifikasi dan perbaikan teknis mandiri di EViews, langkah pertama yang harus dilakukan adalah melakukan pengujian akar unit pada setiap variabel penelitian. Buka jendela seri variabel di EViews, pilih menu View, klik Unit Root Test, lalu pilih metode pengujian Augmented Dickey-Fuller atau Phillips-Perron pada tingkat Level.
Apabila nilai probabilitas statistik ADF atau PP lebih besar dari tingkat signifikansi 0,05, maka variabel dinyatakan mengandung akar unit atau tidak stasioner pada tingkat level. Langkah kedua adalah mengulang pengujian akar unit pada tingkat beda pertama (First Difference) untuk memastikan derajat integrasi data.
Jika seluruh variabel telah terbukti stasioner pada tingkat beda pertama atau terintegrasi pada orde I(1), langkah ketiga adalah menjalankan pengujian kointegrasi untuk mendeteksi keberadaan hubungan keseimbangan jangka panjang antarvariabel penelitian.
Untuk model dua variabel, peneliti dapat menggunakan metode Engle-Granger Two-Step Cointegration Test atau Cointegrating Regression Durbin-Watson Test. Sedangkan untuk model multivariabel, pengujian wajib menggunakan metode Johansen Cointegration Test melalui menu View, kemudian memilih Cointegration Test, dan mengklik Johansen System Cointegration Test.
Jika hasil uji kointegrasi menunjukkan bahwa variabel-variabel saling terkointegrasi (hipotesis nol tidak ada kointegrasi ditolak), maka hubungan jangka panjang antarvariabel terbukti ada dan sah. Dalam kondisi terkointegrasi, regresi dalam bentuk level tidak dikategorikan sebagai regresi spurious.
Pada kondisi data saling terkointegrasi, langkah perbaikan teknis yang tepat adalah mengestimasi model keseimbangan dengan pendekatan Error Correction Model untuk data tunggal atau Vector Error Correction Model untuk sistem persamaan multivariabel di EViews.
Sebaliknya, apabila hasil pengujian kointegrasi membuktikan bahwa tidak terdapat kointegrasi antarvariabel (p-value > 0,05), maka estimasi regresi OLS dalam bentuk level tidak boleh digunakan karena pasti menghasilkan regresi spurious.
Langkah perbaikan teknis ketika data tidak terkointegrasi adalah mengubah spesifikasi model regresi OLS dari bentuk level menjadi bentuk beda pertama. Di EViews, masukkan persamaan regresi menggunakan operator diferensiasi, seperti menuliskan d(Y) c d(X1) d(X2) pada kotak estimasi persamaan.
Proses diferensiasi pertama berhasil menghilangkan komponen tren acak pada variabel runtut waktu, sehingga nilai standar eror kembali valid dan estimasi koefisien mencerminkan pengaruh hubungan jangka pendek yang stabil.
Sebagai opsi solusi alternatif, jika non-stasioneritas disebabkan oleh kecenderungan tren deterministik, peneliti dapat menambahkan variabel tren waktu (time trend) ke dalam persamaan regresi OLS untuk mengeliminasi komponen tren linier.
Peneliti juga dapat menerapkan estimasi Autoregressive Distributed Lag jika variabel-variabel penelitian memiliki orde integrasi yang campuran antara stasioner pada level I(0) dan stasioner pada beda pertama I(1).
Setelah perbaikan spesifikasi model dilakukan, evaluasi statistik Durbin-Watson akan menunjukkan peningkatan nilai mendekati dua, yang mengonfirmasi bahwa masalah autokorelasi ekstrem dan regresi spurious telah berhasil diatasi secara sempurna.
Contoh Tabel/Diagram Output Analisis Regresi Spurious dan Perbaikannya
Berdasarkan gambar perbandingan output EViews di atas, pembacaan hasil analisis diawali dengan mengevaluasi kondisi Panel A. Nilai koefisien determinasi R-squared pada Panel A adalah sebesar 0,9412 dengan t-statistik sebesar 27,85700 dan nilai statistik Durbin-Watson sebesar 0,3120. Karena nilai Durbin-Watson (0,3120) jauh lebih kecil daripada R-squared (0,9412), Panel A terbukti mengalami regresi spurious secara nyata.
Proses pembacaan dilanjutkan pada Panel B yang menampilkan hasil estimasi model perbaikan beda pertama. Pada Panel B, nilai koefisien D(X) turun ke angka realistis yaitu 0,214500 dengan t-statistik sebesar 2,612667 dan probabilitas sebesar 0,0112 yang signifikan pada taraf lima persen.
Indikator keberhasilan perbaikan terlihat jelas pada nilai statistik Durbin-Watson Panel B yang naik drastis menjadi 1,9842. Angka Durbin-Watson yang mendekati dua ini membuktikan bahwa residual model telah bebas dari autokorelasi positif ekstrem dan estimasi yang dihasilkan valid secara statistik.
Nilai koefisien determinasi R-squared pada Panel B yang terukur sebesar 0,2845 mencerminkan daya jelasi proporsional dari perubahan variabel independen terhadap perubahan variabel dependen jangka pendek tanpa adanya inflasi nilai semu.
Pembahasan ilmiah mengenai regresi spurious menekankan pentingnya pemahaman mengenai struktur deret waktu. Enders (2014) menjelaskan bahwa sebagian besar data agregat ekonomi, seperti produk domestik bruto, indeks harga konsumen, dan jumlah uang beredar, pada umumnya bersifat tidak stasioner dan mengandung kecenderungan tren stokastik.
Ketika dua variabel yang sama-sama mengandung tren stokastik diregresikan secara OLS, galat pemicu dari masing-masing variabel akan terakumulasi sepanjang waktu. Hamilton (1994) mengonfirmasi bahwa akumulasi galat ini menyebabkan sisaan regresi menjadi terintegrasi I(1), sehingga melanggar prinsip ragam konstan pada sampel acak.
Wooldridge (2016) menegaskan bahwa ketergabungan antara sifat non-stasioner data dan autokorelasi tinggi pada residual menyebabkan estimator OLS tidak lagi bersifat BLUE (Best Linear Unbiased Estimator). Sebaliknya, simpangan baku koefisien akan diremehkan (underestimated), sehingga rasio t-hitung menjadi terbias ke atas secara ekstrem.
Stock dan Watson (2015) menekankan bahwa transformasi beda pertama merupakan prosedur pengkondisian stasioneritas yang efektif untuk mengisolasi fluktuasi siklis jangka pendek dari tren jangka panjang yang tidak konstan.
Namun, Maddala dan Kim (1998) memberikan peringatan bahwa melakukan diferensiasi pertama pada data yang sebenarnya terkointegrasi dapat menyebabkan hilangnya informasi hubungan keseimbangan jangka panjang yang krusial. Oleh karena itu, pengujian kointegrasi wajib mendahului keputusan spesifikasi diferensiasi.
Penggunaan kerangka pemodelan kointegrasi dan spesifikasi beda pertama menjamin bahwa setiap hubungan antarvariabel yang diestimasi dalam EViews memiliki landasan teoretis dan keabsahan ekonometrika empiris yang dapat dipertanggungjawabkan.
Kesimpulan
Regresi spurious pada analisis runtut waktu di EViews ditandai oleh nilai koefisien determinasi yang sangat tinggi tetapi diiringi nilai Durbin-Watson yang sangat rendah akibat penggunaan data non-stasioner. Solusi teknis untuk mengatasi masalah ini adalah dengan melakukan uji akar unit Augmented Dickey-Fuller pada tingkat level dan beda pertama, dilanjutkan dengan uji kointegrasi. Jika variabel saling terkointegrasi, estimasi dilakukan menggunakan model Error Correction Model, sedangkan jika tidak terkointegrasi, regresi wajib diestimasi dalam bentuk beda pertama First Difference untuk menghasilkan koefisien yang konsisten, valid, dan bebas dari distorsi statistik.
Daftar Pustaka
- Enders, W. (2014). Applied Econometric Time Series (4th ed.). John Wiley & Sons.
- Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.
- Granger, C. W., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111-120.
- Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill.
- Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
- Maddala, G. S., & Kim, I. M. (1998). Unit Roots, Cointegration, and Structural Change. Cambridge University Press.
- Phillips, P. C. (1986). Understanding spurious regressions in econometrics. Journal of Econometrics, 33(3), 311-340.
- Stock, J. H., & Watson, M. W. (2015). Introduction to Econometrics (3rd ed.). Pearson.
- Wooldridge, J. M. (2016). Introductory Econometrics: A Modern Approach (6th ed.). Cengage Learning.
- Yule, G. U. (1926). Why do we sometimes get nonsense-correlations between Time-Series?--a study in sampling and the nature of time-series. Journal of the Royal Statistical Society, 89(1), 1-63.