UJI ASUMSI KLASIK MODEL REGRESI BERGANDA

A. UJI ASUMSI KLASIK MULTIKOLIERITAS

Uji asumsi klasik jenis ini diterapkan untuk analisis regresi berganda yang terdiri atas dua atau lebih variabel bebas/ independent variable (x1,x2,x3,x4,.xn), dimana akan diukur tingkat asosiasi (keeratan) hubungan/pengaruh antar variabel bebas tersebut melalui besaran koefisien korelasi (r). dikatakan terjadi multikolieritas, jika koefisien korelasi antar variabel bebas (x1 dan x2, x2 dan x3, x3 dan x4 dan seterusnya) lebih besar dari 0,60 (pendapat lain : 0,50 dan 0,90). Dikatakan tidak terjadi multikolieritas jika koefisien korelasi antar variabel bebas lebih kecil atau sama dengan 0,60 (r 0,60 ). Atau dalam menentukan ada tidaknya multikolieritas dapat digunakan cara lain yaitu dengan : 1. Nilai tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik (). 2. Nilai variance inflation factor (VIF) adalah faktor inflasi penyimpangan baku kuadrat. Nilai tolerance () dan variance inflation factor (VIF) dapat dicari dengan menggabungkan kedua nilai tersebut sebagai berikut : Besar nilai tolerance () : = 1/VIF Besar nilai variance inflation factor (VIF) : VIF = 1/ Variabel bebas mengalami multikolieritas jika : dihitung < dan VIF dihitung > VIF Variabel bebas tidak mengalami multikolieritas jika : hitung > dan VIF hitung < VIF Cara mengatasi multikolieritas: 1. Menghilangkan salah satu atau lebih variabel bebas yang mempunyai koefisien korelasi tinggi atau menyebabkan multikolieritas. 2. Jika tidak dihilangkan (n0.1 ) hanya digunakan untuk membantu memprediksi dan tidak untuk di interpretasikan. 3. Mengurangi hubungan linier antar variabel bebas dengan menggunakan logaritma natural (ln). 4. Menggunakan metode lain misalnya metode regresi Bayesian, dan metode regresi ridge. Langka pengujian : 1. Buka file data (atau sebelumnya buat dulu data mengenai satu variabel terikat dan dua atau lebih variabel bebas). 2. Klik menu statistic/analyze 3. Pilih submenu regression, klik linier. 4. Box dependent isikan : variabel terikatnya (Y = kepuasan kerja). 1

5. Box independent isikan : variabel bebasnya ( X1 = finansial, X2 = nonfinansial). 6. Klik method, pilih enter. 7. Klik tombol statistic, akan muncul linier regression statistic : Nonaktifkan : estimates dan model fit Aktifkan : covariance matrix dan collinieritas diagnotics. 8. Klik continue. 9. Klik ok (muncul output SPSS) Contoh soal : pengaruh variabel bebas (finansial = X1 dan non finansial = X2) terhadap variabel terikat (Kepuasan kerja =Y) denagn data berupa skor kuesioner sebagai berikut : Resp 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Finansial 4,5 4 3,4 3,4 4,1 2,6 3,8 3,2 4,4 4,3 4,7 3,2 3.4 1,0 3,5 3,7 2,4 2,6 3,4 3,9 Nonfinansial 2,5 4,5 3 3,5 1,6 2,4 4,3 3,4 2,6 2,6 3,5 4,3 3,2 2,3 3,7 4,4 4,3 4,6 3,5 2,5 Kepuasan 3 4,3 4,5 2,3 4,3 3,7 3 3,4 2,7 4,6 4,8 3,4 3 4 2,4 3 2 4 3,5 2,5 Resp 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 Finansial 4,3 2,2 2,3 3,4 4,2 4,5 3,6 4,6 3,2 1,6 3,2 4,8 3,6 4,5 3,6 3,4 4,3 4,6 2,3 4,3 Nonfinasial 3,9 3,6 4,5 4,3 2,7 4 4,7 3 4 3,4 2,5 4,3 4,6 3,3 3,4 2,6 2,7 3,5 4,5 4 Kepuasan 3,2 3,4 3,6 4,2 3,2 3,3 3,7 3,4 2,7 1,9 4,3 2 3 4,3 3,4 2,5 4,1 2 3,6 3,4

Regression
Variables Entered/Removed Model 1 Variables Entered Motivasi nonfinansial, Motivasi finansial a.
a

b Method

Variables Removed . Enter

All requested variables entered.

b. Dependent Variable: kepuasan kerja

Coefficientsa Collinearity Statistics Model 1 Motivasi finansial Motivasi nonfinansial a. Dependent Variable: kepuasan kerja Tolerance .980 .980 VIF 1.021 1.021

Coefficient Correlationsa Motivasi Model 1 Correlations Motivasi nonfinansial motivasifinansial Covariances Motivasi nonfinansial Motivasi finansial a. Dependent Variable: kepuasan kerja nonfinansial 1.000 .142 .025 .003 Motivasi finansial .142 1.000 .003 .023

Collinearity Diagnosticsa Variance Proportions Motivasi Model 1 Dimension 1 2 3 Eigenvalue 2.927 .058 .015 Condition Index 1.000 7.056 14.003 (Constant) .00 .00 1.00 Motivasi finansial .01 .46 .54 nonfinansial .01 .40 .59

a. Dependent Variable: kepuasan kerja

End Block Number 1 All Requested variables entered

Analisis Output: 1) Menggunakan besaran koefisien korelasi antar variabel bebas Dari output di atas terlihat koefissien korelasi antar variabel bebas sebesar 0,142 jauh dibawah 0,60 disimpulkan antar variabel bebas tidak terjadi multikolinieritas. 2) Menggunakan besaran tolerance () dan variance inflation factor (VIF) jika menggunakan alpha/ tolerance =10% atau 0,10 maka VIF = 10. Dari output besar VIF hitung (VIF finansial =1,021 dan VIF nonfinansial = 1,021) < VIF = 10 dan semua tolerance variabel bebas (0,980 = 98%) di atas 10%, dapat disimpulkan bahwa antar variabel bebas tidak terjadi multikolinieritas. 3

B. UJI ASUMSI KLASIK HETEROSKEDASTISITAS

Dalam persamaan regresi berganda perlu juga di uji mengenai sama atau tidak varians dari residual dari observasi yang satu dengan observasi yang lain. Jika resudualnya mempunyai varians yang sama disebut juga hemoskedastisitas dan jika variansnya tidak sama/ berbeda disebut juga heteroskedastisitas. Persamaan regresi yang baik jika tidak terjadi heteroskedastisitas. Misalkan : Nilai statistik dari 5 mahasiswa kelas A yaitu 70,69,71,73,70 cenderung lebih seragam/ tidak bervariasi karena selisihnya kecil, kejadian ini disebut homoskedastisitas. Nilai statistik dari 5 mahasiswa kelas B yaitu 30,90,60,80,40 cenderung tidak seragam/ sangat bervariasi karena selisihnya besar, kejadian ini disebut hoteroskedastisitas. Analisis uji asumsi hoteroskedastisitas hasil output melalui grafik scatterplot antara Z prediction (ZPRED) yang merupakan variabel bebas (sumbu X = Y hasil prediksi) dan nilai residualnya (SRESID) merupakan variabel terikat (sumbu Y + Y prediksi Y riil). Homoskedastisitas terjadi jika pada scatterplot titik-titik hasil pengolahan data antara ZPRED dan SRESID menyebar dibawah maupun diatas titik origin (angka 0) pada sumbu Y dan tidak mempunyai pola yang teratur. Heteroskedastisitas terjadi jika pada scatterplot titik-titiknya mempunyai pola yang teratur baik menyempit maupun bergelombang-gelombang. Langkah pengujian : 1. 3. Buka file data yang mau di uji Pilih submenu regression, klik linier, muncul dialog linier regression 2. Klik analyze/statistic 4. Box dependent isikan : variabel terikatnya (Y) 5. Box independent isikan : variabel bebasnya (X1, X2, X3,.Xn) 6. Klik plots, muncul linier regression plots dan isikan: Variabel SRESID disumbu Y Variabel ZPRED disumbu X

7. Klik continue 8. Klik OK, muncul output SPSS Contoh soal : sama dengan diatas

Residuals Statisticsa Minimum Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cook's Distance Centered Leverage Value a. Dependent Variable: kepuasan kerja 3.0411 -1.3935 3.1314 -1.586 .12659 .35559 3.5870 1.4015 1.778 1.847 1.5123 1.912 6.965 .236 .179 .20961 3.3379 .0000 .000 .001 .0021 -.002 1.950 .031 .050 .05211 .14664 .76763 .974 1.017 .83732 1.033 1.512 .045 .039 Maximum 3.6474 2.336 Mean 3.3400 .000 Std. Deviation .13157 1.000 N 40 40

40

40 40 40 40 40 40 40 40 40

-1.768
-1.886

-1.6274 -1.957 .031 .000 .001

Analisis hasil output SPSS (gambar scatterplot) diatas didaptkan titik-titik dibawah dan diatass sumbu Y, dan tidak mempunyai pola yang teratur, jadi kesimpulannya variabel bebas di ats tidak terjadi heteroskedastisitas tatu bersifat homoskedastisitas.

C. UJI ASUMSI KLASIK NORMALITAS

Selain uji asumsi klasik multikolinieritas dan heteroskedastisitas, uji asumsi klasik yang lain adalah uji normalitas, dimana akan menguji data variabel bebas (X) dan data variabel terikat (Y) pada persamaan regresi yang dihasilkan. Berdistribusi normal atau berdistribusi tidak normal. Persamaan regresi dikatakan baik jika mempunyai data variabel bebas dan data variabel terikat berdistribusi mendekati normal atau normal sama sekali. Uji asumsi klasik normalitas dalam diktat ini ada dua cara yang dibahas yaitu:

1.

Cara Statistik

Dalam menguji data variabel bebas dan data variabel terikatberdistribusi normal atau tidak pada cara statistic ini melalui nilai kemiringan kurva (skewness = 3) atau nilai keruncingan kurva (kurtosis = 4) diperbandingkan dengan nilai Z table Rumus nilai Z untuk kemiringan kurva (skewness) Z skewness = skewness / 6/N atau Z3 = 3/v6/N Rumus nilai Z untuk keruncingan kurva (kurtosis) Z kurtosisi = kurtosis / 24/N atau Z4 = 4/24/N Dimana N = banyak data Ketentuan analisis: a) Variabel (bebas atau terikat) berdistribusi normal jika Z hitung (Z3 atau Z4) < Z tabel Misal diketahui Z5% = 1,96 (Z tabel) lebih besar dari Z hitung atau dengan kata lain Z hitung lebih kecil dari Z tabel (1,96), dapat dituliskan Z hitung < 1,96 b) Variabel berdistribusi tidak normal jika Z hitung (Z3 atau Z4) > Z tabel. Misal nomor (a), dapat ditulis Z hitung >1,96 Adapun langkah pengujian asumsi klasik normalitas dapat dilakukan semi manual, maksudnya kita dalam mecari nilai skewness (3) dan nilai kurtosis (4) dari data variabel bebas (X) maupun data variabel terikat (Y)menghitung denga rumus yang ada dalam buku statiska deskriptif, baru setelah ketemu nilainy, kemudian dicari Z3 dan Z4 rumus diatas. Atau dapat pula melalui perhitungan computer program SPSS untuk mencari nilai skewness (3) dan nilai kurtosis (4) dengan langkah sebagai berikut: a. c. d. e. f. g. Buka file yang berisi variabel bebas dan variabel bebas terikat. Klik frequencies Kemudian masukkan data variabel (bebas atau terikat, hanya satu variabel dulu diolah) Klik tombol statistic, tandai pada skewness atau kurtosis Klik continue, kemudian tekan OK muncul output SPSS b. Klik menu statistic/analyze, pilih descriptive statistic

contoh soal sama dengan diatas 7

Frequencies
Statistics Motivasi finansial N Valid Missing Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis 40 0 -.491 .374 .618 .733

motivasifinansial Cumulative Frequency Valid 1.6 1.9 2.2 2.3 2.4 2.6 3.2 3.4 3.5 3.6 3.7 3.8 3.9 4.0 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 Total 1 1 1 2 1 3 4 6 1 2 1 1 1 1 1 1 4 1 3 2 1 1 40 Percent 2.5 2.5 2.5 5.0 2.5 7.5 10.0 15.0 2.5 5.0 2.5 2.5 2.5 2.5 2.5 2.5 10.0 2.5 7.5 5.0 2.5 2.5 100.0 Valid Percent 2.5 2.5 2.5 5.0 2.5 7.5 10.0 15.0 2.5 5.0 2.5 2.5 2.5 2.5 2.5 2.5 10.0 2.5 7.5 5.0 2.5 2.5 100.0 Percent 2.5 5.0 7.5 12.5 15.0 22.5 32.5 47.5 50.0 55.0 57.5 60.0 62.5 65.0 67.5 70.0 80.0 82.5 90.0 95.0 97.5 100.0

Frequencies

Statistics motivasinonfinansial N Valid Missing Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis 40 0 -.290 .374 -.893 .733

motivasinonfinansial Frequency Valid 1.6 2.3 2.4 2.5 2.6 2.7 3.0 3.2 3.3 3.4 3.5 3.6 3.7 3.9 4.0 4.3 4.4 4.5 4.6 4.7 Total 1 1 1 3 3 2 2 1 1 3 4 1 1 1 3 5 1 3 2 1 40 Percent 2.5 2.5 2.5 7.5 7.5 5.0 5.0 2.5 2.5 7.5 10.0 2.5 2.5 2.5 7.5 12.5 2.5 7.5 5.0 2.5 100.0 Valid Percent 2.5 2.5 2.5 7.5 7.5 5.0 5.0 2.5 2.5 7.5 10.0 2.5 2.5 2.5 7.5 12.5 2.5 7.5 5.0 2.5 100.0 Cumulative Percent 2.5 5.0 7.5 15.0 22.5 27.5 32.5 35.0 37.5 45.0 55.0 57.5 60.0 62.5 70.0 82.5 85.0 92.5 97.5 100.0

Frequencies
10

Statistics kepuasankerja N Valid Missing Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis 40 0 -.119 .374 -.734 .733

kepuasankerja Frequency Valid 1.9 2.0 2.3 2.4 2.5 2.7 3.0 3.2 3.3 3.4 3.5 3.6 3.7 4.0 4.1 4.2 4.3 4.5 4.6 4.8 Total 1 3 1 1 2 2 5 2 1 6 1 2 2 2 1 1 4 1 1 1 40 Percent 2.5 7.5 2.5 2.5 5.0 5.0 12.5 5.0 2.5 15.0 2.5 5.0 5.0 5.0 2.5 2.5 10.0 2.5 2.5 2.5 100.0 Valid Percent 2.5 7.5 2.5 2.5 5.0 5.0 12.5 5.0 2.5 15.0 2.5 5.0 5.0 5.0 2.5 2.5 10.0 2.5 2.5 2.5 100.0 Cumulative Percent 2.5 10.0 12.5 15.0 20.0 25.0 37.5 42.5 45.0 60.0 62.5 67.5 72.5 77.5 80.0 82.5 92.5 95.0 97.5 100.0

ANALISIS:
11

Dari output hasil SPSS pengolahan di atas, kita temui nilai skewness dan nilai kurtosis. Dari sini kita secara manual menghitung Z hitung (Z3 dan Z4) sebagai berikut: Variabel Finansial: Z3 = = = 1,269, dan Z4= = = -0,798

Variable nonfinansial Z3 = = = -0,749, dan Z4= = = -1,154

Variable kepuasan Z3 = = = -0,749, dan Z4= = = -1,154

Misalkan kita gunakan alpha = 5%, didapat Z tabel = 1,96 dibandingkan dengan Z3 dan Z4 dari variabel financial, nonfinansial dan kepuasan kerja disimpulkan variabel diatas berdistribusi normal.

2.

Cara Grafik Histogram dan Normal Probability Plots Cara grafik histogram dalam menentukan suatu data berdistribusi normal atau tidak, cukup

membandingkan antara riil/nyata dengan garis kurva yang terbentuk, apakah mendekati normal atu memang normal sama sekali. Jika data riil membentuk garis kurva cenderungtidak simetri terhadap mean, maka dapat dikatakan data berdistribusi tidak normal dan sebaliknya. Cara grafik histogram lebih sesuai untuk data yang relative banyak, dan tidak cocok untuk banyak data yang sedikit, karena interpretasinya dapat menyesatkan. Cara normal probability plot lebih handal daripada cara grafik histogram, karena cara ini membandingkan data riil dengan data distribusi normal (otomatis oleh computer) secara kumulatif. Suatu data dikatakan berdistribusi normal jika garis riil mengikuti garis diagonal. Langkah pengujian cara grafik histogram dan normal probability plot sebagai berikut: a) Buka file data yang mau di uji. b) Klik menu statistic/analyze, pilih regression: linier c) Muncul dialog linier regression d) Box dependent isikan : variabel terikatnya (Y) e) Box independent isikan : variabel bebasnya (X) f) h) i) j) Klik plots, muncul linier regression plots Klik normal probability plots Klik continue,klik OK. Muncul output SPSS grafik histogram dan normal probability plots. 12 g) Klik histogram

Contoh soal sama dengan di atas

13

Dari hasil grafik histogram didapatkan garis kurva normal, berarti data yang diteliti di atas berdistribusi normal, demikian juga dari normal probability plots menunjukkan berdistribusi normal, karena garis (titik-titik) mengikuti garis diagonal.

D. UJI ASUMSI KLASSIK AUTOKORELASI

Persamaan regresi yang baik adalah yang tidak memiliki masalah autokorelasi, jika terjadi autokorelasi maka persamaan tersebut menjadi tidak baik/ tidak layak dipakai prediksi. Masalah autokorelasi baru timbul jika ada korelasi secara linier antara kesalahan pengganggu periode t (berada) dengan kesalahan penggangu periode t-1 (sebelumnya) Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi dengan uji DurbinWatson (DW) dengan ketentuan sebagai berikut : 1. Terjadi autokorelasi positif, jika nilai DW di bawah -2 (DW < -2) 2. Tidak terjadi autokorelasi, jika nilai DW di antara -2 dan +2 atau -2 DW +2 3. Terjadi autokorelasi negatif, jika nilai DW di atas +2 atau DW > +2

14

Langkah pengujian Durbin-Watson: a) Buka file data b) Klik menu statistic/analyze, pilih regression: pilih linier c) Box dependent isikan : variabel terikatnya (Y) d) Box independent isikan : variabel bebasnya (X) e) Case labels isikan : periode waktunya f) g) h) Klik tombol statistic Aktifkan Durbin-Watson Tekan continue,klik OK.

Contoh soal sama di atas.

Model Summary Model 1 a. b Durbin-Watson 2.397a. Predictors : (constant), motivasi nonfinansial, motivasi finansial

b. Dependent Variable: kepuasan kerja Analisis : Dari hasil olah di atas, ditemukan Durbin-Watson test = 2,397 dan DW > 2 disimpulkan data di atas terjadi autokorelasi negatif.

15