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
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
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 :
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
R
.957a
R Square
.916
Adjusted
R Square
.912
Std. Error of
the Estimate
.06005145
Durbin-W
atson
.409
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
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
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
1.258
1.431
1.388
9-6
Variables Entered/Removedb
Model
1
Variables
Entered
LOGEER,
INTERES
a
T, IHK
Variables
Removed
Method
.
Enter
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
PERTANYAAN :
Lakukan pengujian asumsi klasik yang baru, dan bagaimana
KESIMPULANNYA. APAKAH MODEL YANG BARU TERHINDAR DARI
MASALAH HETEROSKEDASTISITAS
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
9-8
Gambar 9.6.
Gambar 9.7.
Lakukan regresi ulang termasuk pengujian asumsi klasiknya dengan model yang
diajukan adalah
9-9
Regression
Variables Entered/Removedb
Model
1
Variables
Entered
EER2,
IHK2,
a
INIINTER
Variables
Removed
Method
.
Enter
R
.983a
R Square
.967
Adjusted
R Square
.965
Std. Error of
the Estimate
2.54448169
Durbin-W
atson
.448
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
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
35.781
11.929
40.637
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
Variables
Entered
EER2,
IHK2,
a
INIINTER
Variables
Removed
Method
.
Enter
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
PERTANYAAN :
Lakukan pengujian asumsi klasik yang baru, dan bagaimana KESIMPULANNYA.
APAKAH
MODEL
YANG
BARU
TERHINDAR
DARI
MASALAH
HETEROSKEDASTISITAS
9-11
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
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
9-13
Gambar 9.11.
Gambar 9.12.
PADA OPTION hilangkah pilihan INCLUDE CONSTANT IN EQUATION (Gambar
9.13)
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
Coefficientsa,b
Model
1
LAGRES
Unstandardized
Coefficients
B
Std. Error
.844
.082
Standardized
Coefficients
Beta
.806
t
10.352
Sig.
.000
9-15
Gambar 9.14.
9-16
Gambar 9.15.
Regression
Variables Entered/Removedb
Model
1
Variables
Entered
EER3,
INTERES
a
3, IHK3
Variables
Removed
Method
.
Enter
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
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
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
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
1.034
1.042
1.048
9-18
Casewise Diagnosticsa
Case Number
54
Std. Residual
-3.883
BLUE3
14.47835
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
Variables
Entered
EER3,
INTERES
a
3, IHK3
Variables
Removed
Method
.
Enter
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
PERTANYAAN :
LAKUKAN PENGUJIAN ASUMSI KLASIK YANG TERBARU DAN
APA KESIMPULANNYA
Fakultas Ekonomi Universitas Trisakti, 2007