Modul Laboratorium Analisis Kuantitatif

9-1

PENYEMBUHAN ASUMSI
KLASIK
SUMBER : FILE KASUS 8.1.
Model regresi yang dihasilkan harus terhindar dari penyakit asumsi klasik. Jika terdapat asumsi
klasik maka harus dilakukan tindakan penyembuhan terhadap model yang dihasilkan. Yang perlu
diperhatikan adalah :
Pada umumnya tindakan penyembuhan akan memperbaiki kualitas dari model yang dihasilkan
atau dengan kata lain masalah penyakit akan teratasi. Namun yang perlu diperhatikan adalah
tidak ada jaminan bahwa penyakit yang terjadi SECARA OTOMATIS AKAN SEMBUH. Bisa
saja hanya kadar penyakitnya yang berkurang dan tidak sembuh total.
Dalam beberapa kasus bisa terjadi penyembuhan satu penyakit asumsi klasik akan
menimbulkan penyakit asumsi klasik lainnya.
Intuisi dari si peneliti sangat dibutuhkan untuk melakukan tindakan penyembuhan. Artinya jika
terdapat lebihd ari satu penyakit asumsi klasik maka harus dilakukan beberapa alternatif mana
dulu penyakit yagn akan disembuhkan. Semakin sering melakukan penelitian maka intusisi si
peneliti akan semakin baik untuk memperbaiki penyakit asumsi klasik yang terjadi.

1.

MULTIKOLINEARITAS
Pada model kasus 8.1 tidak terjadi pelanggaran asumsi klasik multikolinearitas, karena nilai
VIF untuk ketiga variabel (interest, IHK dan EER) kurang dari 10. Jika terjadi pelanggaran
asumsi klasik maka tindakah penyembuhan yang dapat dilakukan adalah :
a. Melakukan transformasi terhadap variabel misal dalam bentuk log atau ln (Kecuali untuk
variabel yang satuannya % tidak boleh dirubah dalam bentuk log atau ln)
b. Menambah jumlah observasi (jumlah data)
c. Membuang variabel yang paling mengandung multikolinearitas. Hati-hati dalam
membuang variabel karena variabel independen utama sekalipun mengandung
multikolinearitas tidak boleh dihilangkan.
Misalnya :
Untuk kasus fungsi permintaan, variabel harga tidak boleh dihilangkan sekalipun
terjadi multikolinearitas
Untuk kasus fungsi investasi, variabel suku bunga tidak boleh dihilangkan sekalipun
terjadi multikolinearitas.
Untuk kasus fungsi produksi, tenaga kerja tidak boleh dihilangkan sekalipun terjadi
multikolinearitas

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

2.

9-2

HETEROSKEDASTISITAS
Pada kasus 8.1. terjadi pelanggaran asumsi klasik heteroskedastisitas dimana ada 2 variabel
yang mengandung heteroskedastisitas yaitu variabel INTEREST DAN IHK.
Penyembuhan heteroskedastisitas dapat dilakukan dengan beberapa cara yaitu :

1) Merubah variabel dalam bentuk LOG atau LN. Dalam kasus ini karena
ada dua variabel yang satuannya sudah prosen (%), maka
transformasi dalam bentuk LOG hanya dilakukan untuk varaibel
BLUECIP dan EER. Dengan langkah-langkah sebagai berikut :

Pastikan data file kasus 8.1 sudah siap seperti ditunjukkan gambar berikut :

Gambar 9.1.

Untuk merubah variabel BLUECHIP dalam bentuk LOG dilakukan dengan langkahlangkah KLIK TRANSFORM, COMPUTE sehingga akan muncul gambar 9.2

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-3

Gambar 9.2.

Pada kotak dialog COMPUTE VARIABLE, pada kolom TARGET VARIABLE buat
variabel baru yang merupakan LOG dari BLUECHIP (ingat 8 huruf tanpa spasi)
misal LOGBLUE. Pada NUMERIC EXPRESSION cari fungsi LG10 pada
FUNCTION dan masukkan variabel BLUECHIP laku KLIK OK sehingga akan
diperoleh variabel LOGBLUE yang merupakan log dari variabel BLUECHIP seperti
ditunjukkan pada gambar berikut.

Gambar 9.3.

Lakukan langkah yang sama untuk variabel EER sehingga akan dihasilkan 2 variabel
baru yaitu LOGBLUE DAN LOGEER seperti ditunjukkan pada gambar berikut :

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-4

Gambar 9.4.

Lakukan regresi ulang termasuk pengujian asumsi klasiknya dengan model yang
diajukan adalah
LOGBLUE = f (INTEREST, IHK, LOGEER)
Dan dihasilkan output sebagai berikut :

Regression
Variables Entered/Removedb
Model
1

Variables
Entered
LOGEER,
INTERES
a
T, IHK

Variables
Removed

Method
.

Enter

a. All requested variables entered.

b. Dependent Variable: LOGBLUE
Model Summaryb
Model
1

R
.957a

R Square
.916

Adjusted
R Square
.912

Std. Error of
the Estimate
.06005145

Durbin-W
atson
.409

a. Predictors: (Constant), LOGEER, INTEREST, IHK

b. Dependent Variable: LOGBLUE

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-5

ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
2.212
.202
2.414

df
3
56
59

Mean Square
.737
.004

F
204.443

Sig.
.000a

a. Predictors: (Constant), LOGEER, INTEREST, IHK

b. Dependent Variable: LOGBLUE
Coefficientsa

Model
1

(Constant)
INTEREST
IHK
LOGEER

Unstandardized
Coefficients
B
Std. Error
-3.135
1.249
-1.29E-02
.003
1.018E-02
.001
1.099
.325

Standardized
Coefficients
Beta
-.206
.763
.154

t
-2.510
-4.756
16.507
3.380

Sig.
.015
.000
.000
.001

Collinearity Statistics
Tolerance
VIF
.795
.699
.720

a. Dependent Variable: LOGBLUE

Collinearity Diagnosticsa

Model
1

Dimension
1
2
3
4

Eigenvalue
3.905
8.773E-02
7.619E-03
1.896E-05

Condition
Index
1.000
6.671
22.637
453.803

(Constant)
.00
.00
.00
1.00

Variance Proportions
INTEREST
IHK
.00
.00
.65
.02
.29
.83
.06
.14

LOGEER
.00
.00
.00
1.00

a. Dependent Variable: LOGBLUE

Regression pengujian heteroskedastisitas setelah perbaikan

dengan merubah dalam bentuk log

Fakultas Ekonomi Universitas Trisakti, 2007

1.258
1.431
1.388

Modul Laboratorium Analisis Kuantitatif

9-6

Variables Entered/Removedb
Model
1

Variables
Entered
LOGEER,
INTERES
a
T, IHK

Variables
Removed

Method
.

Enter

a. All requested variables entered.

b. Dependent Variable: ABSRES2
Coefficientsa

Model
1

(Constant)
INTEREST
IHK
LOGEER

Unstandardized
Coefficients
B
Std. Error
-.190
.693
5.027E-03
.002
-4.54E-04
.000
6.108E-02
.180

Standardized
Coefficients
Beta
.431
-.182
.046

t
-.274
3.345
-1.327
.338

Sig.
.785
.001
.190
.736

a. Dependent Variable: ABSRES2

PERTANYAAN :
Lakukan pengujian asumsi klasik yang baru, dan bagaimana
KESIMPULANNYA. APAKAH MODEL YANG BARU TERHINDAR DARI
MASALAH HETEROSKEDASTISITAS

2) Membagi dengan variabel yang mengandung heteroskedastisitas yang

dalam hal ini adalah variabel INTEREST karena hateroskedastisitasnya
paling parah.
Pembentukan variabel baru dilakukan dengan formulasi :
BLUE2 = BLUECHIP/INTEREST
ININTERS = 1/INTEREST
(khusus untuk variabel INTEREST yang paling mengandung heteroskedastisitas dilakukan
INVERS DARI INTEREST)
IHK2 = IHK/INTEREST
EER2 = EER/INTEREST

Contoh : membuat variabel BLUE2 adalah sbb :

Pastikan file kasus 8.1 sudah siap seperti ditunjukkan pada gambar berikut :

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-7

Gambar 9.5.
KLIK TRANSFORM, COMPUTE, OK sehingga akan muncul gambar 9.6. Jika masih ada
formulasi lama KLIK RESET.
Pada TARGET VARIABLE KLIK BLUE 2
Pada NUMERIC EXPRESSION formulasikan
BLUECHIP/INTEREST lalu OK sehingga akan terbentuk variabel BLUE2. Lakukan untuk
semua variabel kecuali untuk INTEREST formulasinya seperti diatas 1/INTEREST.
Lengkapnya varaibel baru dapat dilihat pada gambar 9..7

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-8

Gambar 9.6.

Gambar 9.7.

Lakukan regresi ulang termasuk pengujian asumsi klasiknya dengan model yang
diajukan adalah

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-9

BLUE2 = f (ININTER, IHK2, EER2)

Dan dihasilkan output sebagai berikut :

Regression
Variables Entered/Removedb
Model
1

Variables
Entered
EER2,
IHK2,
a
INIINTER

Variables
Removed

Method
.

Enter

a. All requested variables entered.

b. Dependent Variable: BLUE2
Model Summaryb
Model
1

R
.983a

R Square
.967

Adjusted
R Square
.965

Std. Error of
the Estimate
2.54448169

Durbin-W
atson
.448

a. Predictors: (Constant), EER2, IHK2, INIINTER

b. Dependent Variable: BLUE2
ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
10586.591
362.566
10949.157

df
3
56
59

Mean Square
3528.864
6.474

F
545.050

Sig.
.000a

a. Predictors: (Constant), EER2, IHK2, INIINTER

b. Dependent Variable: BLUE2
Coefficientsa

Model
1

(Constant)
INIINTER
IHK2
EER2

Unstandardized
Coefficients
B
Std. Error
-4.823
1.206
-453.327
54.260
5.197
.234
9.435E-03
.006

Standardized
Coefficients
Beta
-1.215
1.864
.228

t
-4.000
-8.355
22.200
1.471

Sig.
.000
.000
.000
.147

Collinearity Statistics
Tolerance
VIF
.028
.084
.025

a. Dependent Variable: BLUE2

Fakultas Ekonomi Universitas Trisakti, 2007

35.781
11.929
40.637

Modul Laboratorium Analisis Kuantitatif

9-10

a
Collinearity Diagnostics

Model
1

Dimension
1
2
3
4

Condition
Index
1.000
7.028
25.001
52.519

Eigenvalue
3.913
7.922E-02
6.260E-03
1.419E-03

(Constant)
.00
.70
.03
.26

Variance Proportions
INIINTER
IHK2
.00
.00
.00
.01
.08
.97
.92
.02

EER2
.00
.00
.07
.93

a. Dependent Variable: BLUE2

Regression PENGUJIAN HETEROSKEDASTISITAS SETELAH PERBAIKAN

DENGAN MEMBAGI VARIABEL YANG PALING MENGANDUNG
HETEROSKEDASTISITAS
Variables Entered/Removedb
Model
1

Variables
Entered
EER2,
IHK2,
a
INIINTER

Variables
Removed

Method
.

Enter

a. All requested variables entered.

b. Dependent Variable: ABSRES3
Coefficientsa

Model
1

(Constant)
INIINTER
IHK2
EER2

Unstandardized
Coefficients
B
Std. Error
2.763
.692
-77.439
31.137
.259
.134
4.867E-03
.004

Standardized
Coefficients
Beta
-1.850
.827
1.048

t
3.993
-2.487
1.925
1.322

Sig.
.000
.016
.059
.191

a. Dependent Variable: ABSRES3

PERTANYAAN :
Lakukan pengujian asumsi klasik yang baru, dan bagaimana KESIMPULANNYA.
APAKAH
MODEL
YANG
BARU
TERHINDAR
DARI
MASALAH
HETEROSKEDASTISITAS

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-11

BANDINGKAN DENGAN HASIL PERBAIKAN PADA CARA PERTAMA (1) . MANA

CARA YANG LEBIH BAIK UNTUK MENGATASI HETEROSKEDASTISITAS

3. AUTOKORELASI
Pada kasus 8.1 terjadi autokorelasi sehingga penyembuhan dilakukan dengan langkahlangkah sebagai berikut :
Pastikan data file kasus 8.1 (YANG AWAL) sudah siap seperti ditunjukkan gambar berikut :

Gambar 9.8.
Cari koefisien autokorelasi (rho) dengan cara meregresikan
RESID DENGAN LAGRESID TANPA KONSTANTA atau secara formulasi dinyatakan
dengan :
RESID = LAGRESID
Dimana = koefisien autokorelasi
Untuk membuat LAGRESID dilakukan dengan langkah :
PADA GAMBAR 9.8 KLIK TRANSFORM, COMPUTE sehingga akan muncul gambar 9.9

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-12

Gambar 9.9.
Pada TARGET VARIABLE KETIK LAGRES
Pada NUMERIC EXPRESSION
o Pada function cari fungsi LAG dan pindahkan ke NUMERIC EXPERESSION, lalu
masukkan variable RESID (res_1) ke kolom NUMERIC EXPRESSION. Lalu OK
sehingga akan terbentuk variable baru yaitu LAGRES seperti ditunjukkan pada
gambar 9.10 (variable LAGRES datanya akan berkurang 1)

Gambar 9.10.
o

Lakukan regresi dengan fungs

RESID f(LAGRES) tanpa konstanta dan yang dikeluarkan hanya ESTIMATE nya
saja dengan langkah-langkah
KLIK ANALYZE,REGRESSION, LINEAR sehingga akan muncul gambar beriikut ini
Pada DEPENDENT masukkan res_1

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-13

Pada INDEPENDENT masukkan lagres

Gambar 9.11.

Pada STATISTICS cukup dipilih ESTIMATE

Gambar 9.12.
PADA OPTION hilangkah pilihan INCLUDE CONSTANT IN EQUATION (Gambar
9.13)

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-14

Gambar 9.13.
Dengan KLIK OK akan diperoleh hasil regresi sbb :

Regression
b,c
Variables Entered/Removed

Model
1

Variables
Entered
LAGRESa

Variables
Removed
.

Method
Enter

a. All requested variables entered.

b. Dependent Variable: Unstandardized Residual
c. Linear Regression through the Origin

Coefficientsa,b

Model
1

LAGRES

Unstandardized
Coefficients
B
Std. Error
.844
.082

Standardized
Coefficients
Beta
.806

t
10.352

Sig.
.000

a. Dependent Variable: Unstandardized Residual

b. Linear Regression through the Origin

KOEFISIEN AUTOKORELASI 0.844

TRANSFORMASIKAN SEMUA VARIABEL DENGAN FORMULASI SBB :

BLUE3 = BLUE- (0.844*LAG(BLUECHIP))

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-15

INTERES3 = INTEREST (0.844*LAG(INTEREST))

IHK3 = IHK-(0.844*LAG(IHK))
EER3 = EER-(0.844*LAG(EER))
Menamakan variable baru misal BLUE3 dapat disesuaikand engan keinginan peneliti
dalam menamakan variable, yang tidak boleh hdala KESALAHAN DALAM NUMERIC
EXPRESSION
CONTOH UNTUK MEMBUAT BLUE3. Pada kertas verja 8.1 KLIK TRANSFORM,
COMPUTE sehingga akan muncul gambar 9.14

Gambar 9.14.

Pada target variabel KETIK : blue3

Pada numeric expression tulis : bluechip-(0.844*LAG(bluechip))
Laku KLIK OK sehingga akan diperoleh variabel blue3
Lakukan hal yang sama untuk variabel INTEREST3, IHK3, EER3
Sehingga diperoleh hasil gambar 9.15

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-16

Gambar 9.15.

LAKUKAN REGRESI TERBARU LENGKAP DENGAN PENGUJIAN ASUMSI KLASIK

UNTUK MODEL
BLUE3 = f (INTERES3, IHK3, EER3) sehingga diperoleh hasil sebagai berikut :

Regression
Variables Entered/Removedb
Model
1

Variables
Entered
EER3,
INTERES
a
3, IHK3

Variables
Removed

Method
.

Enter

a. All requested variables entered.

b. Dependent Variable: BLUE3

Fakultas Ekonomi Universitas Trisakti, 2007

Modul Laboratorium Analisis Kuantitatif

9-17

Model Summaryb
Model
1

R
.814a

R Square
.663

Adjusted
R Square
.645

Std. Error of
the Estimate
11.22194311

Durbin-W
atson
1.500

a. Predictors: (Constant), EER3, INTERES3, IHK3

b. Dependent Variable: BLUE3
ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
13622.955
6926.260
20549.215

df
3
55
58

Mean Square
4540.985
125.932

F
36.059

Sig.
.000a

a. Predictors: (Constant), EER3, INTERES3, IHK3

b. Dependent Variable: BLUE3
Coefficientsa

Model
1

(Constant)
INTERES3
IHK3
EER3

Unstandardized
Coefficients
B
Std. Error
-74.040
14.370
-1.085
1.372
.514
.050
-.009
.007

Standardized
Coefficients
Beta
-.063
.816
-.094

t
-5.152
-.791
10.204
-1.173

Sig.
.000
.432
.000
.246

Collinearity Statistics
Tolerance
VIF
.967
.959
.954

a. Dependent Variable: BLUE3

Collinearity Diagnosticsa

Model
1

Dimension
1
2
3
4

Eigenvalue
3.649
.327
.018
.007

Condition
Index
1.000
3.339
14.429
23.158

(Constant)
.00
.00
.02
.97

Variance Proportions
INTERES3
IHK3
.02
.00
.90
.00
.01
.31
.07
.69

EER3
.00
.01
.82
.17

a. Dependent Variable: BLUE3

Fakultas Ekonomi Universitas Trisakti, 2007

1.034
1.042
1.048

Modul Laboratorium Analisis Kuantitatif

9-18

Casewise Diagnosticsa
Case Number
54

Std. Residual
-3.883

BLUE3
14.47835

a. Dependent Variable: BLUE3

Residuals Statisticsa
Minimum
Predicted Value
9.7457132
Residual
-43.5712
Std. Predicted Value
-1.560
Std. Residual
-3.883

Maximum
63.39215
18.37653
1.940
1.638

Mean
33.65898
.0000000
.000
.000

Std. Deviation
15.32574730
10.92786725
1.000
.974

N
59
59
59
59

a. Dependent Variable: BLUE3

Regression pengujian heteroskedastisias setelah penyembuhan

autokorelasi
Variables Entered/Removedb
Model
1

Variables
Entered
EER3,
INTERES
a
3, IHK3

Variables
Removed

Method
.

Enter

a. All requested variables entered.

b. Dependent Variable: ABSRES3
Coefficientsa

Model
1

(Constant)
INTERES3
IHK3
EER3

Unstandardized
Coefficients
B
Std. Error
-10.508
8.764
.222
.837
.061
.031
.003
.005

Standardized
Coefficients
Beta
.035
.261
.100

t
-1.199
.265
1.983
.757

Sig.
.236
.792
.052
.452

a. Dependent Variable: ABSRES3

PERTANYAAN :
LAKUKAN PENGUJIAN ASUMSI KLASIK YANG TERBARU DAN
APA KESIMPULANNYA
Fakultas Ekonomi Universitas Trisakti, 2007