Hendrocahyo 12 - Uji Asumsi Klasik
Hendrocahyo 12 - Uji Asumsi Klasik
2-F KBN
C. Autokorelasi
Autokorelasi (atau otokorelasi) menunjukkan korelasi di antara anggota
serangkaian observasi yang diurutkan menurut waktu atau ruang. Untuk mendeteksi
adanya autokorelasi dapat dilakukan dengan melakukan uji LM (metode Bruesch
Godfrey). Metode ini didasarkan pada nilai F dan Obs R-Squared, di mana jika nilai
probabilitas dari Obs R-Squared melebihi tingkat kepercayaan, maka H0 diterima. Artinya,
tidak ada masalah autokorelasi9.
Dari data yang ada probabilitas dari Obs R-Squared = 0.000, ini menunjukkan
probabilitas dari Obs R-Squared tidak melebihi tingkat kepercayaan (baik alpha= 0.10,
alpha = 0.05 atau alpha=0.01 10 ) , sehingga data yang ada tidak mengindikasikan
autokorelasi.
D. Normalitas
Uji normalitas hanya digunakan jika jumlah observasi adalah kurang dari 30,untuk
mengetahui apakah error term mendekati distribusi normal. Jika jumlah observasi lebih
dari 30, maka tidak perlu dilakukan uji normalitas. Sebab, distribusi sampling error term
telah mendekati normal. Uji normalitas dapat ditempuh dengan Uji Jarque-Berra (JB
test)11.
Untuk data ini jumlah observasi telah melebihi 30, yaitu 36 sehingga tidak perlu
dilakukan lagi uji normalitas. Tetapi jika diperlukan bisa kita bandingkan antara
probabilitas dengan tingkat kepercayaan dari hasi Jarque-Berra Test. Probabilitas 0.52666,
tingkat kepercayaan 0.10 12, Probabilitas lebih besar dari tingkat kepercayaan, maka data
terdistribusi normal dengan tingkat keyakinan 90% 13.
11
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 42
12
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 42
13
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 42
Coefficient
Std. Error
t-Statistic
Prob.
IPI
NPL
ROA
SWBI
C
0.039768
5.510744
6.875533
0.144085
67.94157
0.099560
1.292505
2.988131
0.404396
10.42922
0.399435
4.263616
2.300948
0.356296
6.514539
0.6923
0.0002
0.0283
0.7240
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.615686
0.566097
4.315112
577.2259
-101.0267
12.41581
0.000004
LDR
96.78528
6.550823
5.890370
6.110303
5.967132
0.491538
IPI
0.444496060
255252
NPL
0.694372579
1605234
ROA
0.485385272
6390262
LDR
IPI
0.444496060
255252
0.295506138
3295997
0.641331879
0811195
NPL
0.694372579
1605234
0.295506138
3295997
0.187024795
7394671
ROA
0.485385272
6390262
0.641331879
0811195
0.187024795
7394671
SWBI
0.269217569
2330362
0.222806318
0936064
0.435525775
7484573
0.066620031
35135542
SWBI
0.269217569
2330362
0.222806318
0936064
0.435525775
7484573
0.066620031
35135542
1
110
100
10
90
5
80
0
70
-5
-10
-15
03M01
03M07
04M01
Residual
04M07
05M01
Actual
05M07
Fitted
1.502477
18.01485
14.34231
Prob. F(14,21)
Prob. Chi-Square(14)
Prob. Chi-Square(14)
0.1939
0.2061
0.4245
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/03/14 Time: 06:24
Sample: 2003M01 2005M12
Included observations: 36
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
IPI
IPI^2
IPI*NPL
IPI*ROA
IPI*SWBI
NPL
NPL^2
NPL*ROA
NPL*SWBI
ROA
ROA^2
ROA*SWBI
SWBI
SWBI^2
21.11495
1.112917
-0.028612
-0.544503
3.543363
0.722949
206.9972
-11.81415
24.65452
-16.34949
-509.8270
-3.715096
1.070934
-53.55785
1.854314
668.0857
10.81837
0.053726
1.835165
2.637672
0.486095
165.7390
16.30869
49.56418
8.331797
286.1033
48.09497
17.99739
42.89246
1.406929
0.031605
0.102873
-0.532548
-0.296705
1.343368
1.487259
1.248935
-0.724408
0.497426
-1.962300
-1.781968
-0.077245
0.059505
-1.248654
1.317987
0.9751
0.9190
0.5999
0.7696
0.1935
0.1518
0.2254
0.4768
0.6241
0.0631
0.0892
0.9392
0.9531
0.2255
0.2017
R-squared
Adjusted R-squared
S.E. of regression
0.500412
0.167354
21.74407
16.03405
23.82926
9.290896
9928.892
-152.2361
1.502477
0.193922
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
9.950695
9.521183
2.219410
19.48699
20.64118
Prob. F(2,29)
Prob. Chi-Square(2)
0.0000
0.0000
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 07/03/14 Time: 06:26
Sample: 2003M01 2005M12
Included observations: 36
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
IPI
NPL
ROA
SWBI
C
RESID(-1)
RESID(-2)
-0.000764
-0.315435
-0.769137
0.030256
1.472799
0.909108
-0.206899
0.067749
0.898357
2.028045
0.273513
7.238443
0.187187
0.195751
-0.011273
-0.351125
-0.379250
0.110620
0.203469
4.856677
-1.056950
0.9911
0.7280
0.7073
0.9127
0.8402
0.0000
0.2993
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.573366
0.485097
2.914081
246.2641
-85.69373
6.495663
0.000200
4.65E-15
4.061055
5.149652
5.457558
5.257119
1.825785
12
Series: Residuals
Sample 2003M01 2005M12
Observations 36
10
0
-10
-5
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
4.65e-15
0.777897
7.984056
-10.50586
4.061055
-0.459178
3.147336
Jarque-Bera
Probability
1.297627
0.522666