UJI ASUMSI KLASIK

Oleh:
Dr. Suliyanto, SE,MM

http://management-unsoed.ac.id

Uji Asumsi Klasik

Download

Materi
Uji

Asumsi Klasik
Normalitas
Multikolinieritas
Uji Asumsi Klasik
Heteroskedastisitas
Linieritas
Outokorelasi
2

UJI ASUMSI KLASIK

1.
2.
3.
4.
5.

Uji Normalitas
Uji Non-Multikolinieritas
Uji Non-Heteroskedastisitas
Uji Linieritas
Uji Non-Otokorelasi (time series)

Yang Dimaksud dengan Kurva

Normal

Distribusi normal merupakan suatu

kurve berbentuk lonceng.
Penyebab data tidak normal, karena
terdapat nilai ekstrim dalam data seri
yang diambil.
Nilai ektrim adalah nilai yang terlalu
rendah atau terlalu tinggi.

Penyebab Munculnya Nilai

Ekstrim
1. Kesalahan dalam pengambilan unit sampel.
Cara mengatasi: Mengganti unit sampel.
2. Kesalahan dalam menginput data.
Cara mengatasi: Memperbaiki input data yang
salah.
3. Data memang aneh dibanding lainnya.
Cara mengatasi: Tambah ukuran sampel atau
dengan membuang data yang aneh tersebut.

Kapan Data Dikatakan Normal

Ekstrim Rendah

-2,58

Ektrim Tinggi

2,58

Pada =0,01

Ekstrim Rendah

-1,96

Ektrim Tinggi

1,96

Pada =0,05
6

Berikut ini manakah data yang

Ekstrim

Ekstrim
Rendah

Ektrim
Tinggi

-2,58

2,58

xi x 50.000 63.333

0439

31.734

UJI NORMALITAS
PENGERTIAN UJI NORMALITAS
Uji
normalitas di maksudkan untuk
mengetahui
apakah
residual
terstandarisasi yang diteliti berdistribusi
normal atau tidak.
PENYEBAB TIDAK NORMAL
Disebabkan karena terdapat nilai ektrim
dalam data yang kita ambil.
8

Uji Normalitas
CARA MENDITEKSI:
1. Dengan gambar:
Jika kurva regression residual
terstandarisasi
membentuk gambar
lonceng.
2. Dengan angka:

Uji Liliefors
Chi Kuadrat (X2)
Uji dengan kertas peluang normal
Uji dengan Kolmogornov Smirnov
9

Uji Normalitas

Uji normalitas dapat dilakukan secara:

Univariate
Dilakukan dengan menguji normalitas pada
semua variabel yang akan dianalisis.
Multivariate
Dilakukan dengan menguji normalitas pada nilai
residual yang telah distandarisasi.

10

Contoh Kasus

Berikut ini adalah data time series,

Berdasarkan data tersebut ujilah

apakah data tersebut Normal secara
Multivariate.

11

Manual Liliefors

Buat persamaan regresinya

Mencari nilai Prediksinya
Cari nilai residualnya
Stadarisasi nilai residualnya
Urutkan nilai residual terstandarisasi dari yang
terkecil sampai yang terbesar.
Mencari nila Zr relatif komulatif.
Mencari nila Zt teoritis berdasarkan tabel Z
Mengihitung selisih nilai Zr dengan Zt atau (Zr-Zt-1)
dan diberi simbol Li hitung
Bandingkan nilai Li hitung dengan tabel Liliefors.
Jika Lihitung > L tabel maka data berdistribusi
normal demikian juga sebaliknya.
12

Pengujian Manual

=2,553-1,092X1+1,961X2

Ypred

=2,553-1,092(2) +1,961(3) = 6,252

Resid

= 5-6,252

Zresid

= (-1,2520,002)/1,042 = -1,200

Zr

= (1/10) = 0,1, (2/10) = 0,2, dts

Tabel Z cum

= 1,20 ditabel Z = 0,885

Luas Z

= Karena < 0,5 maka Luas Z = 1-0,858 =0,142

Li

= Zt-Zr(t-1) = 0,142-0,10=0,042

13

Pengujian Normalitas Dengan SPSS

Memunculkan Nilai Residual Terstandarisasi
Buka file : Data_Regresi_1
Analyze Regression Linear...
Masukan variabel Y
pada kotak Dependent
X1, X2,
pada kotak Independent
Save: pada kotak Residual : klik Standardized Continue
(bertujuan untuk membuat variabel / kolom baru pada data yaitu
Zre_1 )
Abaikan pilihan yang lain OK
Uji Kolmogornov Smirnov
Buka file : Data Regresi_1

Analyze Non Parametrics Test 1 Sample K-S...

Masukan variabel Standardized Residual pada kotak Test Variable
List
Abaikan pilihan yang lain (biarkan pada posisi defaultnya) OK

14

Memunculkan Nilai Residual

Terstandarisasi

Uji Komogornov Smirnov

15

Output Kolmogornov
Smirnov
One-Sample Kolmogorov-Smirnov Test

N
Normal Parameters a,b
Most Extreme
Differences

Mean
Std. Deviation
Absolute
Positive
Negative

Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
a. Test distribution is Normal.
b. Calculated from data.

Standardized
Residual
10
5.960465E-09
.8819171
.297
.257
-.297
.940
.340

Karena Nilai Sig. >

0,05 maka tidak
signifikan.
Tidak siginifikan
berarti data relatif
sama dengan ratarata sehingga
disebut normal.

16

Cara Mengatasi Data yang Tidak

Normal

Menambah jumlah data.

Melakukan transformasi data menjadi
Log atau LN atu bentuk lainnya.
Menghilangkan data yang dianggap
sebagai penyebab data tidak normal.
Dibiarkan saja tetapi kita harus
menggunakan alat analisis yang lain.

17

UJI MULTIKOLINIERITAS
PENGERTIAN
Uji multikolinieritas berarti terjadi korelasi
yang kuat (hampir sempurna) antar
variabel bebas.
Tepatnya
multikolinieritas
berkenaan
dengan terdapatnya lebih dari satu
hubungan linier pasti, dan istilah
kolinieritas
berkenaan
dengan
terdapatnya satu hubungan linier.

18

Uji Multikolinieritas
PENYEBAB
Karena sifat-sifat yang terkandung
dalam kebanyakan variabel ekonomi
berubah bersama-sama sepanjang
waktu.
Besaran-besaran ekonomi dipengaruhi
oleh faktor-faktor yang sama.

19

Uji Non-Multikolinieritas

Cara menditeksi:
1. Dengan melihat koefesien korelasi antar
variabel bebas:
Jika koefesien korelasi antar variabel
bebas
0,7 maka terjadi multikolinier.
2. Dengan melihat nilai VIF (Varian Infloating
Factor):
Jika nilai VIF 10 maka tidak terjadi
multikolinier.

20

Contoh KasusMultikolinieritas

Berikut ini adalah data time series,

Berdasarkan data tersebut ujilah

apakah data tersebut terjadi gejala
Multikolikolinier ?.

21

Pengujian Manual VIF

Hitung nilai korelasi antar varibel bebas (r)

Kuadratkan nilai korelasi antar variabel
bebas (r2).
Hitung nilai tolenrance (Tol) dengan rumus
(1-r2).
Hitung nilai VIF dengan rumus 1/TOL
Jika VIF < 10, maka tidak terjadi
multikolinier.

22

Pengujian Manual VIF

23

Pengujian Multikolinier Dengan SPSS

Buka file : Data_Regresi_1

Analyze Regression Linear...
Masukan variabel Y
pada kotak
Dependent
X1, X2,
pada kotak
Independent
Statistics: klik Colinier Diagnosis
Continue

24

Output:

Karena nilai VIF < 10 maka tidak terjadi otokorelasi

25

CARA MENGATASI MULTIKOLINIER

Memperbesar ukuran sampel

Memasukan persamaan tambahan ke
dalam model.
Menghubungkan data cross section dan
data time series.
Mengeluarkan suatu variabel dan bias
spesifikasi.
Transformasi variabel.

26

UJI NON-HETEROSKEDASTISITAS
PENGERTIAN
Uji heteroskedastisitas berarti adanya varian dalam
model yang tidak sama (konstan).
PENYEBAB
Variabel
yang digunakan untuk memprediksi
memiliki nilai yang sangat beragam, sehingga
menghasilkan nilai residu yang tidak konstan.

27

Uji Heteroskedastisitas
CARA MENDITEKSI:
1. Dengan Uji Park
Yaitu dengan meregresikan variabel bebas
terhadap nilai log-linier kuadrat.
2. Dengan Uji Glejser
Yaitu dengan meregresikan variabel bebas
terhadap nilai residual mutlaknya.
3. Dengan Uji Korelasi Rank Spearman
Mengkorelasikan nilai residual dengan variabel
bebas dengan menggunakan Rank-spearman.

28

Contoh Kasus Heteroskedastisitas

Berikut ini adalah data time series,

Berdasarkan data tersebut ujilah

apakah data tersebut apakah terjadi
gejala Heteroskedastisitas ?

29

Langkah-Langkah Metode Glejser

Regresikan variabel bebas (X) terhadap variabel

tergantung (Y).
Hitung nilai prediksinya
Hitung nilai residualnya
Multakan nilai residualnya
Regresikan variabel bebas terhadap nilai mutlak
residualnya.
Jika signifikan berarti terjadi gejala
heteroskedastisitas dan sebaliknya jika tidak
signifikan berarti tidak terjadi gejala
heteroskedastisitas.

30

31

Hasil Nilai Regresi Variabel Bebas

terhadap Nilai Mutlak Residualnya

X1 tidak signifikan karena p-value > 0,05 sehingga X 1 tidak

terjadi gejala heteroskedastisitas.
X2 signifikan karena p-value < 0,05 sehingga X 2 terjadi
gejala heteroskedastisitas.

32

Pengujian Heteroskedastisitas
Dengan SPSS
Memunculkan Nilai Residual

Buka file : Data_Regresi_1

Analyze Regression Linear...

Masukan variabel Y
pada kotak Dependent
X1, X2,
pada kotak Independent

Save: pada kotak Residual : klik unstandardized Continue

(bertujuan untuk membuat variabel / kolom baru pada data yaitu res_1 )

Abaikan pilihan yang lain OK

Mutlakan Nilai Residualnya

Buka file : Data Regresi_1

Tranform Compute

Pada Target Variabel diisi dengan ABRES

Pada Numeric Expresion diisi dengan ABS(RES_1)

Abaikan pilihan yang lain OK

Meregresikan variabel bebas terhadap Nilai Mutlak Residual

Buka file : Data_Regresi_1

Analyze Regression Linear...

Masukan variabel ABRES

pada kotak Dependent
X1, X2,
pada kotak Independent

Abaikan pilihan yang lain OK

33

Prose Memunculkan Nilai Residual dan

Memutlakannya

Memunculkan Nilai Residual

Memutlakan Nilai Residual

34

Meregresikan variabel bebas terhadap

Nilai Mutlak Residual

X1 tidak signifikan karena p-value > 0,05 sehingga X1 tidak terjadi gejala
heteroskedastisitas.
X2 signifikan karena p-value < 0,05 sehingga X2 terjadi gejala
heteroskedastisitas.
35

Cara Mengatasi Heteroskedastisitas

Tambah jumlah pengamatan.

Tranformasikan data ke bentuk LN
atau Log atau bentuk laiannya.

36

UJI NON-AUTOKORELASI
PENGERTIAN
Uji ini dilakukan untuk mengetahui apakah ada
korelasi antara anggota serangkaian data
observasi yang diuraikan menurut waktu (time
series) atau ruang (cross section).

37

Uji Otokorelasi
PENYEBAB:
Adanya kelembaman waktu
Adanya bias spesifikasi model
Manipulasi data

38

Uji Otokorelasi
Uji Durbin Watson
Uji Lagrange Multiplier
Uji Breusch-Godfrey

39

Contoh Kasus Otokorelasi

Berikut ini adalah data time series,

Berdasarkan data tersebut ujilah

apakah data tersebut apakah terjadi
gejala otokorelasi ?

40

Langkah-Langkah Uji Durbin-Watson

1. Regresikan variabel bebas (X) terhadap
variabel tergantung (Y).
2. Hitung nilai prediksinya.
3. Hitung nilai residualnya.
4. Kuadratkan nilai residualnya.
5. Lag-kan satu nilai residualnya.
6. Kurangkan nilai residual dengan Lag-kan
satu nilai residualnya.
7. Masuk hasil perhitungan diatas masukan
kedalam rumus Durbin-Watson
41

Perhitungan Manual Durbin Matson

= Y-Ypred

= 5-6,252=-1,252

e2

et-1

= e mundur 1peiode

e-et-1

= 0,879-(-1,252) = 2,131

(e-et-1)2 = 2,131

= -1,2522= 1,568

= 4,541

(e e
DW
e

t 1
2

)2

33,104
3,386
9,777
42

Kriteria Pengujian
1,641

Tanpa
Kesimpulan

Tanpa
Kesimpulan

Otokorelas
i+

Tidak ada

dL

0,697

dU
1,641

Otokorelas
2
4 dU
i
2,359

Otokorelas
i

4 dL

3,303
3,386

Tabel Durbin Watson

dk =k,n
K=2 dan n=10
dL
= 0,697
dU
= 1,641
4-dU = 2,359
4-dL = 3,303

43

Pengujian Otokorleasi Dengan SPSS

Memunculkan Nilai Residual
Buka file : Data_Regresi_1
Analyze Regression Linear...
Masukan variabel Y
pada kotak Dependent
X1, X2,
pada kotak Independent
Klik Statistics:
Pada Residual pilih Durbin Watson
Klik Continue
Abaikan pilihan yang lain OK

44

Proses Analisi Surbin Watson dengan

SPSS

45

Output Uji Durbin Watson

46

Jika diketahui Junmlah Variabel bebas

3, pengamatan 20, dan diperoleh nilai
durbin watson sebesar 2,354.
Ujilah apakah terjadi gejala
outokorelasi ?
Gunakan gambar untuk menguji !

47

UJI LINIERITAS

Uji ini dilakukan untuk mengetahui model yang digunakan

apakah menggunakan model linier atau tidak.
Cara menditeksi:
1. Dengan kurva:
Model dikatakan linier jika plot antara nilai residual
terstandarisasi dengan nilai prediksi terstandarisasi tidak
membentuk pola tertentu (acak).
2. Dengan uji MWD
Cara
mengetahui linieritas dengan menggunakan
gambar
dianggap masing kurang obyektif sehingga masih
dibutuhkan alat analisis Mac Kinnon White
Davidson
(MWD)

48

Langkah Analsis MWD

Regresikan variabel bebas terhadap variabel

tergantung dengan regresi linier dan tentukan
Ypred1
Tranformasikan semua variabel ke dalam bentuk
Ln, dan kemudian regresikan Ln variabel bebas
terhadap Ln variabel tergantung dan tentukan
Ypred2.
Tentukan Z1= (Ln Ypred1 - Ypred2.).
Regresikan variabel bebas dan Z1 terhadap Y, jika
Z1 sigifikan maka tidak linier.
Tentukan Z2 = (antilogPred2-YPred1)
Regresikan variabel bebas dan Z2 terhadap Y, jika
Z2 sigifikan maka linier.
49

Pengujian Linieritas Dengan SPSS

Memunculkan Nilai Residual

Buka file : Data Regresi_1

Analyze Regression Linear...

Reset..

Masukan variabel Y pada kotak Dependent

X1, X2, pada kotak Independent(s)

Plots : pada Y : diisi : ZRESID

X : diisi : ZPRED Continue.

OK

50

Proses Uji Linieritas dengan SPSS

Scatterplot
Dependent Variable: Y
Regression Standardized Residual

1,0

,5

0,0

-,5

-1,0

-1,5
-3

-2

-1

Regression Standardized Predicted Value

Karena plot regresi standardiz residual dengan regresi

standardiz prediksi membentuk pola yang acak maka
menggunakan persamaan regresi Linier.
51

Bagiamana Kalau tidak Linier ?

Jika hasil tidak linier tinggal ganti

dengan persamaan non linier.

52