Kelima asumsi tersebut ada dari referensi yang saya baca, tetapi ada juga asumsi yang menurut

saya penting tetapi tidak semua referensi menggunakannya. Misalkan asumsi regresi klasik. Kenapa penting? Seperti yang kita ketahui, analisis jalur ini perluasan dari analisis regresi berganda. Jadi asumsi regresi klasik harusnya dipenuhi. Saya akan membahasnya satu-persatu.

Non Multikolinearitas, dalam jalur diusahakan kecil korelasi antara variabel eksogen. Hal ini akan berpengaruh terhadap ujinya nanti. Dengan nilai multikolinearitas yang tinggi, maka uji F dan uji t-student yang digunakan dalam uji hipotesis tidak layak lagi untuk digunakan. Bisa saja uji F nya tolak H0 (signifikan), yang artinya minimal ada satu variabel eksogen yang signifikan berpengaruh terhadap variabel endogen. Nyatanya dengan adanya multikolinearitas, uji tstudentnya semua variabel eksogen terhadap variabel endogen tidak tolak H0 (tidak signifikan), artinya tidak ada variabel eksogen yang berpengaruh terhadap variabel endogen. Selain itu, perbedaan tanda antara koefisien jalur dengan korelasi bisa saja terjadi karena multikolinearitas yang tinggi. Untuk mendeteksi adanya multikolinearitas bisa dilihat dari VIF (VIF>5 artinya adanya multikolinearitas) dan bisa juga dilihat dari koefisien determinasi yang sangat tinggi / mendekati sempurna. Pengujian multikolinearitas ini dilakukan setiap persamaan strukturalnya karena uji F dan uji t-studentnya dilihat per persamaan strukturalnya.

Non-autokorelasi, diusahakan korelasi antara erorrnya tidak ada. Ini akan berdampak terhadap penduga yang dihasilkan. Penduga yang akan dihasilkan tidak memenuhi syarat BEST lagi dari syarat penduga yang baik, BLUE. Varians dari estimator akan underestimate sehingga uji F dan uji t-student nya akan sulit dipastikan kevalidannya (sulit dipercaya). Autokorelasi bisa dideteksi dengan uji durbi-watson. Sama seperti multikolinearitas, autokorelasi juga diujikan per persamaan strukturalnya.

Homoskedastisitas, dalam analisis jalur diusahakan variansnya sama dari error nya. Dampak dari heteroskedastisitas adalah varians minimum sulit untuk ditetapkan sehingga syarat penduga yang baik dari BLUE, yaitu BEST tidak bisa dipenuhi dan akan berdampak terhadap uji F dan t-studentnya. Cara mendeteksi nya dengan scatter plot atau uji park. Pengujian homoskedastisitas dilakukan per persamaan struktural.

Normalitas, untuk mendapatkan penduga/estimatornya harus memenuhi syarat normalitas, jadi jika syarat ini tidak terpenuhi maka penduganya tidak bisa didapatkan. Selain itu, untuk uji hipotesis simultan dan parsialnya, menggunakan uji F dan t-student yang berasal dari keluarga distribusi normal. Jadi agar uji hipotesisnya layak untuk digunakan maka normalitas harus dipenuhi. Pengujiannya juga dilakukan per persamaan strukturalnya.

Jika dilihat secara keseluruhan, uji asumsi klasik ini mempunyai pengaruh terhadap penduga dan uji hipotesisnya. Dalam analisis jalur, penduga nya itu merupakan koefisien jalur atau Beta () dalam tabel anova dan untuk menguji jalur yang signifikan (pengaruh yang signifikan) menggunakan uji F dan t-student, sehingga menurut saya asumsi regresi klasik sangat penting untuk pengujian menggunakan analisis jalur. Asumsi-asumsi ini saya kaitkan antara analisis jalur dengan dasardasar dalam analisis regresi sehingga penjelasan diatas merupakan penjelasan secara statistik. Jadi untuk penelitian yang menggunakan analisis jalur, sebaiknya mencari referensi dan literatur sebanyak-banyaknya mengenai asumsi-asumsi yang dibutuhkan dalam analisis jalur agar mempunyai dasar yang kuat secara teori dan statistik.