INDEPENDEN KUALITATIF
Harga, produksi, deviden, profit, penjualan, inflasi,
GNP adalah beberapa contoh variabel yang
datanya bersifat kuantitatif.
Jenis kelamin, warna kulit, tingkat pendidikan,
status perkawinan, kepemilikan mobil dalam data
cross section berarti kita membahas variabel
kualitatif. Variabel kualitatif mempengaruhi pelaku
ekonomi.
Y = 0 + 1 D + 2 X + e 1 > 0; 2 > 0
R2 = 0,9510 F = 164,711
5
Hasil regresi di atas menunjukkan bahwa semua variabel
independen signifikan secara statistik dengan uji t (satu
ujung) = 0,05 df 17 = 1,740. Jika kita gunakan output
komputer pada kolom Sig untuk semua variabel independen
hasilnya 0,00 lebih kecil dari 0,05 yang berarti signifikan. Uji
variabel secara keseluruhan (simultan) melalui uji F diperoleh
Sig 0,000 juga sigfikan. Artinya jenis kelamin berpengaruh
terhadap pengeluaran mahasiswa dimana wanita lebih besar
35,058 ribu Rp. Perbedaan pengeluaran keduanya dapat
ditulis dalam persamaan sebagai berikut:
6
PENGUJIAN ASUMSI OLS
1. MULTIKOLINERITAS
(MULTICOLLINEARITY)
2. HETEROSKEDASTISITAS
3. AUTOKORELASI
7
PENGUJIAN ASUMSI KLASIK /OLS
1. MULTIKOLINERITAS (MULTICOLLINEARITY)
MULTICOLLINEARITY adalah situasi adanya
korelasi variabel- variabel diantara satu dengan
lainnya. Dalam hal ini kita sebut variabel-
variabel bebas ini tidak ortogonal.
Variabel-variabel bebas yang bersifat ortogonal
adalah variabel bebas yang nilai korelasi
diantara sesamanya sama dengan nol
8
MULTIKOLINERITAS
10
Y Y
X1 X2 X1 X2
1) No Collinearity
2) Low Collinearity
Y Y
Y
X1 X2
X2 X2 X3
X1
14
Perbaikan dengan adanya Multikolinieritas
1. Menghilangkan variabel independen
Metode yang sederhana, adalah menghilangkan
salah satu variabel independen yang mempunyai
hubungan linear kuat. Misalnya dalam kasus
hubungan antara konsumsi, pendapatan dan
kekayaan.
2. Transformasi Variabel
Transformasi variabel, kita tulis kembali persamaan
Y 0 1 X 1t 2 X 2 et (2.1)
Persamaan ini merupakan pelaku konsumsi periode t
Sedangkan pelaku konsumsi sebelumnya t -1
Yt 1 0 1 X 1t 1 2 X 2t 1 et 1 (2.2)
15
Jika kita kurangkan persamaan (2.1) dengan (2.2)
Yt Yt 1 (1 X 1t 1 X 1t 1 ) ( 2 X 2t 2 X 2t 1 ) (et et 1 )
3. Penambahan Data
16
HETEROSKEDASTISITAS
Heteroskedastisitas adalah apabila kesalahan atau
residual yang diamati tidak memiliki varians yang
konstan. Residual adalah faktor-faktor lain yang
terlibat akan tetapi tidak termuat dalam model karena
residual ini merupakan variabel yang tidak diketahui,
maka diasumsikan bahwa nilai residual bersifat acak.
Metode OLS baik regresi sederhana maupun
berganda mengasumsikan bahwa residual (ei)
mempunyai rata-rata nol atau E(ei) = 0, mempunyai
varians yang konstan atau Var(ei) = 2 dan residu
tidak saling berhubungan antara satu observasi
dengan observasi lainnya atau Cov (ei, ej) = 0,
sehingga menghasilkan OLS yang BLUE. 17
HETEROSKEDASTISITAS
Masalah heteroskedastisitas sering muncul dalam data cross
section. Data cross section menunjukkan obyek yang berbeda
dan waktu yang berbeda pula. Obyek satu dengan yang
lainnya tidak ada saling keterkaitan, begitu pula dalam hal
waktu. Sedangkan data time series, antara observasi satu
dengan yang lainnya saling mempunyai kaitan.
Untuk menghilangkan heteroskedastis dalam model regresi
yaitu melakukan transformasi dalam bentuk regresi dengan
dengan cara membagi model regresi dengan salah satu
variabel bebas yang digunakan dalam model tersebut serta
dengan melakukan transformasi log. Uji ini dapat dilakukan
dengan melihat scaterplot antara nilai prediksi variabel terikat
dengan residualnya. Jika ada titik yang jelas serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y maka
terjadi heteroskedastis.
18
HETEROSKEDASTISITAS
Konsekuensi Heteroskedastisitas
1. Estimator metode kuadrat terkecil (OLS) masih linear
dan konsisten.
2. Estimator metode kuadrat terkecil masih tidak bias
(unbiased).
3. Tetapi, estimator metode kuadrat terkecil tidak
mempunyai varian yang minimum lagi (no longer
best).
19
CARA MENDETEKSI HETEROSKEDASTISITAS
1. Metode Grafik
Dengan cara melihat grafik scatterplot antara standardized
predicted value (ZPRED) dengan studentized residual
(SRESID). Ada tidaknya pola tertentu pada grafik
scatterplot antara SRESID dan ZPRED dimana sumbu Y
adalah Y yang telah diprediksi dan sumbu X adalah
residual (Y prediksi - Y sesungguhnya). Dasar pengambilan
keputusan:
a. Jika ada pola tertentu, seperti titik-titik yang ada
membentuk suatu pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit), maka
terjadi heteroskedastisitas.
b. Jika tidak ada pola yang jelas, seperti titik-titik menyebar
di atas dan di bawah angka 0 pada sumbu Y, maka tidak
20
terjadi heteroskedastisitas.
HETEROSKEDASTISITAS
7.50
5.00
2.50
residual
0.00
-2.50
-5.00
-7.50
40.00 Observed
Linear
30.00
20.00
10.00
0.00
22
Deteksi Heteroskedastisitas
23
2. Uji Park
24
3. Uji Glesjer
6. Uji Goldfied-Quant
1. Urutkan pasangan data X dan Y berdasarkan nilai X
2. Ambil k buah dara yang ada dtengah sehingga data
terbagi menjadi dua kelompok yaitu kelompok data
pertama sebanyak (n-k)/2 data dan kelompok kedua (n-
k)/2 data .
3. Masing-masing kelompok diregresi Y terhadap X sehingga
terdapat residu, Hiting rasio kedua residu
4. Hasilnya bandingkan dengan F tabel, jika nilai h hitung < F
tabel, maka tidak terjadi masalah heteroskedastisitas. 26
AUTOKORELASI
Asumsi klasik yang ketiga adalah tidak adanya
korelasi antar residual satu observasi dengan
observasi yang lain yang disebut autokorelasi.
Untuk mengetahui adanya autokorelasi dalam
model regresi dilakukan melalui pengujian terhadap
nilai uji Durbin-Watson dengan berbagai kriteria.
Uji autokorelasi digunakan untuk melihat apakah
ada hubungan linier antara error serangkaian
observasi yang diurutkan menurut waktu (data time
series). Uji autokorelasi perlu dilakukan apabila
data yang dianalisis merupakan data time series
(Gujarati, 2012).
27
CARA MENDETEKSI
1. Metode Grafik
Metode grafik merupakan metode yang paling sederhana
untuk mendeteksi autokorelasi. Sekaligus merupakan
langkah awal untuk mendeteksi autokorelasi. Sesuai dengan
definisinya, metode ini membandingkan antara residual
dengan variabel X. Selain itu, dengan membandingkan
antara rasidual ke-t dengan residual ke-(t-1).
b. Dependent Variable: Y
Model Summaryb
b. Dependent Variable: Y 32
Coefficientsa
Standard
ized
Unstandardized Coefficie
Coefficients nts Correlations
Std. Zero-
Model B Error Beta t Sig. order Partial Part
1 (Cons
tant) -20.560 2.682 -7.667 .000
X1
1.400 .863 .238 1.622 .149 .977 .523 .059
X2
2.320 .446 .763 5.205 .001 .994 .891 .191
a. Dependent
Variable: Y
33
Correlations
X1 X2
X1 Pearson 1.000 .968**
Correlation
Sig. (2-tailed) .000
N 10.000 10
X2 Pearson .968** 1.000
Correlation
Sig. (2-tailed) .000
N 10 10.000
34
Jawab No. 2
Coefficientsa
Standardiz
ed
Unstandardized Coefficient
Coefficients s Correlations
Zero-
Model B Std. Error Beta t Sig. order Partial Part
1 (Const
ant) 23.113 2.511 9.206 .000
PEND
APT .548 .146 .607 3.766 .004 .991 .782 .131
IKLAN
1.224 .501 .394 2.444 .037 .986 .632 .085
a. Dependent Variable: HASIL PENJ
35
Model Summary
36
TUGAS 3
TUGAS KELOMPOK
SATU KELOMPOK TERDIRI 2 ORANG
2 KELOMPOK MULTIKOLINIER
2 KELOMPOK HETEROSKEDASTISITAS
2 KELOMPOK OTOKORELASI
Tugas diketik minimal 9 halaman, dengan huruf Times New
Roman font 12 spasi 1,5. Dikumpulkan tanggal 30 Mei
2017 via email rusdarti @gmail.com paling lambat jam
18.00.
37
SISTEMATIKA
A. PENDAHULUAN
B. PENGERTIAN
C. CARA MENDETEKSI
D. SOLUSI (PERBAIKAN.. DENGAN
BERBAGAI CARA/TEORI. )
E. PEMBAHASAN
F. SIMPULAN
PUSTAKA/RUJUKAN wajib dicantumkan.
38