UJI ASUMSI KLASIK
1.
Uji Multikoliniaritas
1.1.
Pengertian
Uji multikoliniaritas
adalah uji asumsi klasik untuk melihat apakah ada atau tidak hubungan
antarvariabel independen dalam suatu model regresi berganda. Karena apabila
hubungan antarvariabel independen itu tinggi, maka bisa jadi pengaruh salah
satu variabel independen tersebut mempunyai pngaruh yang lebih besar terhadap
variabel independen yang satunya daripada variabel dependen yang digunakan
dalam model regresi tersebut.
1.2.
Faktor-faktor Penyebab
a.
Menggunakan data time series, karena terdapat kemungkinan
regresor-regresor yang diikutsertakan memiliki kelembaman (trend) yang serupa, yaitu mereka yang sama-sama meningkat atau
menurun seiring berjalannya waktu.
b.
Metode yang kurang tepat
dalam pengumpulan data yang digunakan.
c.
Sampel penelitian terlalu
sedikit atau kecil.
d.
Terdapat batasan yang ada
pada model atau populasi yang diambil sampelnya.
e.
Kesalahan spesifikasi
model. Misalnya, menambahkan istilah polinomial pada model regresi, khususnya ketika jangkauan variabel X kecil.
f.
Model yang overdetermined. Dimana, variabel
penjelas lebih banyak daripada jumlah observasi.
1.3.
Cara Penyembuhan
a.
Menambah jumlah data dalam
observasi (n).
b. Menghilangkan salah satu variabel independen-nya.
c.
Transformasi data.
d. Menggabungkan data cross
section dan time series (pooling data).
e.
Gunakan model dengan
variabel independen yang mempunyai korelasi tinggi hanya semata-mata untuk
prediksi (jangan mencoba untuk mengintrepesentasikan koefisien regresinya).
f.
Gunakan metode analisis
yang lebih canggih seperti Bayesian
regression dalam kasus khusus untuk ridge
regression.
1.4.
Langkah-langkah Menguji
dengan E-views
a.
Sebuah data yang telah
dimasukkan ke dalam E-views dimana Y merupakan variabel dependen, X1 independen
1, dan X2 independen 2.
b. Klik Quick » Estimation Equation.
c.
Lalu ketik: log(Y) C
log(X1) log(X2)
d. Catat jumlah R2 hasil estimasi tersebut.
e.
Klik Quick » Estimation Equation.
f.
Ketik log(X1) C log(X2)
g.
Catat jumlah R2 hasil
estimasi tersebut.
h. Klik Quick » Estimation Equation.
i.
Ketik log(X2) C log(X1)
j.
Catat jumlah R2 hasil
estimasi tersebut.
k. Bandingkan nilai R2 hasil estimasi pertama dengan
hasil R2 estimasi kedua dan ketiga.
1.5.
Pengambilan Keputusan
a.
R2 estimasi I
(R2t). R2 astimasi II R2t1.
R2 estimasi II R2t2.
b. Bandingkan nilainya, apabila R2t > R2t1
dan R2t2. Maka, tidak ada multikolinieritas dalam
model regresi yang dipakai. Sebaliknya, apabila R2t <
R2t1 dan R2t2. Maka, ada
multikolinieritas dalam model regresi yang dipakai.
1.6.
Referensi:
a.
Gudjarati, Damodar. 1993. Dasar-dasar Ekonometrika. Jakarta:
Salemba Empat.
b. Ghozali, Imam. 2005. Aplikasi
Analisis Multivariate dengan Program IBM SPSS 19. Semarang: UNDIP Press.
c.
Sudjana. 2002. Metoda Statistika. Bandung: Tarsito
Bandung.
d. TIM Penyusun Jurusan EP. Panduan
Pratikum Aplikom. Unnes.
2.
Uji Normalitas
2.1.
Pengertian
Adalah uji asumsi klasik
untuk melihat apakah variabel pengganggu atau nilai residual yang ada dalam
sebuah model regresi memiliki distibusi normal atau tidak. Model regresi yang
baik (tidak bias) adalah model yang memiliki nilai residual berdistribusi
normal.
2.2.
Faktor-faktor Penyebab
a.
Data terlalu ekstrim,
karena terlalu banyak nilai-nilai ekstrim dalam satu set data akan menghasilkan
distribusi skewness (miring).
b.
Kemungkinan terdapat data
terlalu ekstrim tersebut dikarenakan kesalahan menentukan pengukuran, kesalahan
data entry, dan outlier.
c.
Tumpang tindih
dari dua atau lebih proses.
d.
Kurangnya data
terdiskriminasi
e. Nilai-nilai dalam data banyak yang mendekati nol,
sehingga akan menyebabkan distribusi data akan miring (skewnes) akan ke kanan
atau ke kiri.
f. Data mengikuti distribusi yang berbeda, seperti
distribusi weilbull, log-normal, largest
extreme value, exponensial, poisson, dan binomial.
2.3. Cara Penyembuhan
a. Jika jumlah sampel besar, maka dapat menghilangkan nilai
outliner dari data.
b. Melakukan transformasi data.
c. Menggunakan alat analisis non-parametric.
d. Apabila Skewnes miring disebabkan karena banyak nilai dalam data
yang mendekati nol, maka transformasi seperti tenaga transformasi Box - Cox,
dapat membantu membuat data normal, dimana semua data dinaikkan, atau diubah,
dengan eksponen tertentu, ditunjukkan dengan nilai Lambda. Ketika melakukan
transformasi, semua data harus dilakukan perlakuan (diubah) yang sama.
2.4. Langkah-langkah Menguji dengan E-Views
a.
Sebuah data yang telah
dimasukkan ke dalam E-views dimana Y dependen, X1 independen 1, dan X2
independen 2.
b. Klik Quick » Estimation Equation.
c.
Lalu ketik: log(Y) C
log(X1) log(X2)
d. Dari hasil estimasinya, klik View
» Residual test » Histogram » Normality Test » OK.
e.
Catat Hasil Uji Jaque Bera
(J-B).
f.
Kemudian bandingkan dengan
X2 dengan derajat bebas (df) yang sesuai (ilmu soshum biasanya 5%).
2.5.
Pengambilan Keputusan
Bandingkan nilai Jaque Bera (J-B) hasil estimasi dengan nilai X2
tabel yang diperoleh. Apabila uji J-B < X2 tabel, maka tabel
berdistribusi normal. Atau sebaliknya, jika uji J-B > X2 tabel,
maka data berdistribusi tidak normal.
2.6.
Referensi:
a.
Gudjarati, Damodar. 1993. Dasar-dasar Ekonometrika. Jakarta:
Salemba Empat.
b.
Ghozali, Imam. 2005. Aplikasi Analisis Multivariate dengan
Program IBM SPSS 19. Semarang: UNDIP Press.
c.
TIM Penyusun Jurusan EP. Panduan Pratikum Aplikom. Unnes.
3. Uji Heteroskesdasitas
3.1.
Pengertian
Uji heteroskesdasitas
adalah uji asumsi klasik untuk melihat apakah model regresi yang dibuat
memiliki tingkat persebaran (varians) yang konstan atau tidak dari nilai
residual pengamatan satu ke pengamatan lainnya.
3.2.
Faktor-faktor Penyebab
a.
Sejalan proses belajar
(the error-learning models) manusia, kesalahan (error) perilaku makin mengecil
seiring berjalannya waktu. Dalam kasus ini, varians akan mengecil.
b.
Kesalahan teknik
pengumpulan data seperti metode pengumpulan sampel.
c.
Kesalahan spesifikasi
model, seperti:
·
Kesalahan spesifikasi
model yang dikarenakan menghilangkan variable penting dalam model.
·
Kesalahan tranformasi data
(mis. Rasio / first diff)
·
Kesalahan bentuk fungsi
(mis. Linier vs log-linier model).
Sedangkan menurut Kepeel dan Wicknes dalam http://avstatistik.blogspot.com ada tiga faktor penyebab adanya heterokesdasitas; pertama, penentuan taraf atau klasifikasi dari faktor (variabel
independent), misalnya jenis kelamin, varietas, mempunyai keragaman alami yang
unik dan berbeda; kedua, manipulasi faktor perlakuan yang menyebabkan suatu
objek (tanaman, peserta, dsb) mempunyai karakteristik atau perilaku yang
cenderung lebih sama atau berbeda dibandingkan dengan kontrol; ketiga,
keragaman dari respons (variabel dependent) berhubungan dengan ukuran sampel
yang kita ambil. Keragaman bisa menjadi serius apabila ukuran sampel tidak
seimbang (Keppel & Wickens, 2004).
3.3.
Cara Penyembuhan
a.
Melakukan transformasi
data, baik transformasi variabel dengan mode regresi biasa maupun model regresi
logaritma.
b. Dengan menggunakan aplikasi E-Views, yakni menggunakan metode White dan Newey-West yang merupakan metode koreksi stkitard error. Langkahnya adalah Klik Quick » Estimation Quation »
Option
lalu pilih Heterokesdasticity Consistent
Covariance » White atau Newey White.
3.4.
Langkah-langkah Pengujian
dengan E-Views
Menggunakan fasilitas Uji White. Ada
dua versi; no cross term dan cross term.
a.
Sebuah data yang telah
dimasukkan ke dalam E-views dimana Y dependen, X1 independen 1, dan X2
independen 2.
b. Klik Quick » Estimation Equation.
c.
log(Y) C log(X1) log(X2
d. Klik View/ residual test.
e.
Pilih heteroskesdesitasticyti Test» White.
f.
Pada bagian bingkai, klik include white cross term. » OK.
g.
Hampir sama dengan langkah
nomor 5 tetapi include white cross term-nya
tidak dipilih.
h. Kemudian tentukan df X2 hitung pada no cross term dan cross term. Dengan cara mengkalikan R2 masing-masing (cross term dan no cross term) dengan jumlah data.
i.
Cari X2 -tabel
untuk no cross term dan cross term.
j.
Kemudian Bandingkan antara
X2 tabel dan X2 hitung.
3.5.
Pengambilan Keputusan
Apabila X2-tabel
> X2 hitung, maka hipotesis yang mengatakan adanya
heteroskesdasitas dalam model ditolak. Sebalinya, jika X2 tabel <
X2 hitung, maka hipotesis yang menyatakan bahwa model regresi bebas
dari masalah heteroskesdasitas ditolak.
3.6.
Referensi:
a.
Gudjarati, Damodar. 1993.Dasar-dasar Ekonometrika.Jakarta:
Salemba Empat.
b. Ghozali, Imam. 2005. Aplikasi
Analisis Multivariate dengan Program IBM SPSS 19. Semarang: UNDIP Press.
c.
TIM Penyusun Jurusan EP. Panduan Pratikum Aplikom. Unnes.
d. http://avstatistik.blogspot.com/2012/12/one-way-anova-analysis-of-variance.html
4.
Uji Autokorelasi
4.1.
Pengertian
Uji autokorelasi adalah
uji asumsi klasik untuk melihat apakah ada korelasi antara residual pengamatan
satu dengan pengamatan lain dimana pengamatan tersebut dilakukan menurut
rentetan waktu (time series). Jika
ada korelasi antara pengganggu pada periode t dengan periode t-1 (sebelumnya)
berarti ada problem korelasi.
4.2.
Faktor-faktor Penyebab
a.
Kesalahan dalam
pembentukan model (pure autocorrelation).
b. Adanya kesalahan spesifikasi dimana tidak memasukkan variabel
yang penting (pure autocorrelation).
c.
Manipulasi data.
d. Menggunakan data yang tidak empiris.
e.
Terjadi pada data time series, dimana residual tidak bebas
dari satu observasi ke observasi lainnya.
4.3.
Cara Penyembuhan
Jika regresi yang telah
dibuat memiliki autokorelasi, maka ada beberapa opsi penyelesaiannya antara
lain:
a.
Tentukan apakah
autokorelasi yang terjadi pure
autocorrelation atau bukan karena kesalahan spesifikasi model regresi
dimana ada variabel penting yang tidak dimasukkan ke dalam model atau dapat
juga karena bentuk fungsi persamaan regresi tidak benar.
b. Jika yang terjadi adalah pure
autocorrelation, maka solusi autokorelasi adalah dengan mentransformasi
model awal menjadi model difference.
c.
Jika tidak terjadi pure autocorrelation, semisal karena
adanya kesalahan dalam mengentri data, manipulasi data, dan data yang diteliti
tidak empiris, maka diteliti terlebih dahulu, jangan manipulasi data, dan cari
variabel yang lebih penting mempengaruhi variabel dependen, bisa jadi variabel
pengganggu (residual) adalah variabel yang lebih penting pengaruhnya terhadap
variabel dependen.
4.4.
Langkah-langkah Pengujian
dalam E-views
Apabila menggunakan
metode Lagrange Multi-player:
a.
Sebuah data yang telah
dimasukkan ke dalam E-views dimana Y dependen, X1 independen 1, dan X2
independen 2.
b. Klik Quick » Estimate Equation
c.
Ketik log(Y) C log(X1)
log(X2)
d. Untuk menentukan apakah ada atau tidak autokorelasi serta arah
autokorelasi yang terjadi dapat mencatat nilai Durbin Watson (DW) pada hasil
estimasi tersebut.
e.
Dari hasil estimasinya,
Klik View » Residual Test » Serial Correlation LM Test
f.
Akan muncul kotak dialog Lag Spesification.
g.
Isi lag to include dengan
derajat bebas (df) berapa pun (< jumlah data).
h. Perhatikan X2 dengan df yang telah ditentukan tadi
pada Obs*R-squared sebagai X2-hitung. Kemudian, tentukan X2-tabel
dengan df yang sama.
i.
Untuk menentukan arah
autokorelasi, maka dapat menentukan DW up
(DU) dan DW low (DL)
yang terdapat di tabel dengan memperhatikan jumlah sampel (n) dan jumlah
variabel (k).
4.5.
Pengambilan Keputusan
Jika X2 tabel
> X2 hitung, maka persamaan regresi lolos dari autokorelasi, dan
sebalinya, apabila X2 tabel < X2 hitung, maka persamaan
regresi tidak lolos dalam autokorelasi.
Untuk menentukan arah
autokorelasi dapat dilakukan dengan melakukan metode Durbin Watson:
·
DW > DL;
berarti ada korelasi positif atau kecenderungannya ρ = 1.
·
DL ≤ DW ≤ DU;
tidak dapat diambil keputusan apa-apa.
·
DU < DW <
4 - DU; tidak berkorelasi poistif maupun negatif.
·
DW > 4 - DL;
berarti ada korelasi negatif.
4.6.
Referensi:
a.
Gudjarati, Damodar. 1993.Dasar-dasar Ekonometrika.Jakarta:
Salemba Empat.
b. Ghozali, Imam. 2005. Aplikasi
Analisis Multivariate dengan Program IBM SPSS 19. Semarang: UNDIP Press.
c.
TIM Penyusun Jurusan EP. Panduan Pratikum Aplikom. Unnes.
5.
Uji Liniaritas
5.1 Pengertian
Uji liniaritas adalah uji asumsi klasik untuk melihat apakah
model regresi yang dibuat memiliki hubungan linearitas signifikan atau tidak.
Dengan adanya uji liniaritas, maka akan diperoleh informasi apakah model yang
telah dibuat sebaiknya linear, kuadrat, atau kubik. Sementara itu, syarat dalam
metode Ordinary Least Square (OLS)
adalah adanya linearitas baik dalam parameter maupun dalam variabel. Oleh
karena itu, apabila model regresi yang dibuat tidak memiliki hubungan linear
secara signifikan, maka model yang telah diestimasi tesebut bias (punya
penyakit).
5.2. Faktor Penyebab
a. Kekeliruan eksperimen atau galat eksperimen.
b. Biasanya terjadi pada data nominal atau ordinal.
c. Jumlah anggota populasi/sampel kecil.
d. Grafik perpencaran data tidak lurus/tidak berbentuk linear.
e. Distribusi data tidak normal.
5.3. Cara Mengobati
a. Apabila model diketahui bahwa persamaan yang digunakan non-linear,
tidak ada yang salah. Hanya saja, apabila diestimasi dengan metode Ordinary Least Square (OLS), maka regresi tersebut menjadi
bias. Oleh karena itu, jangan
menggunakan metode Ordinary Least Square.
b. Karena data tidak cocok untuk persamaan regresi linear, maka gunakan
model regresi non-linear, seperti; model parabola kuadratik, model parabola
kubik, dan lain sebagainya.
c. Jangan menggunakan data nominal atau ordinal, karena data nominal
atau ordinal merujuk pada statistik non-parametrik yang merupakan persamaan
non-linear.
5.4. Langkah-langkah Pengujian Menggunakan Eviews
Uji Ramsey Reset.
a.
Sebuah data yang telah
dimasukkan ke dalam E-views dimana Y dependen, X1 independen 1, dan X2
independen 2.
b. Klik Quick » Estimation Equation.
c.
Ketik log(Y) C log(X1)
log(X2).
d. Dari hasil estimasinya, klik View
» stability test » Ramsey RESET Test.
e.
Muncul kotak dialog Reset
Spesification, maka pada Number of
fitted terms tertulis angka satu, tekan OK.
5.5. Pengambil Keputusan
Jika jika uji
signifikansi yang terlihat dalam prob. F lebih kecil dari taraf nyata 5%
(0,05), maka dalam model regresi tersebut memiliki hubungan linear yang
signifikan.
5.6. Referensi:
a.
TIM Penyusun Jurusan EP
Unnes. Panduan Praktikum Aplikom. EP
Unnes
b. Ghozali, Imam. 2005. Aplikasi
Analisis Multivariate dengan Program IBM SPSS 19. Semarang: UNDIP Press.
c.
Sudjana. 2002. Metoda Statistika. Bandung: Tarsito
Bandung.
Tidak ada komentar:
Posting Komentar