Tugas:
1. Buatlah rangkuman dari pembahasan di atas!
2. Cobalah untuk menyimpulkan maksud dari uraian bab ini!
3. Jawablah pertanyaan-pertanyaan di bawah ini:
a. Coba jelaskan apa yang dimaksud dengan asumsi klasik!
b. Sebutkan apa saja asumsi-asumsi yang ditetapkan!
c. Coba jelaskan mengapa tidak semua asumsi perlu lakukan pengujian!
d. Jelaskan apa yang dimaksud dengan autokorelasi!
e. Jelaskan kenapa autokorelasi timbul!
f. Bagaimana cara mendeteksi masalah autokorelasi?
g. Apa konsekuensi dari adanya masalah autokorelasi dalam model?
h. Jelaskan apa yang dimaksud dengan heteroskedastisitas!
i. Jelaskan kenapa heteroskedastisitas timbul!
j. Bagaimana cara mendeteksi masalah heteroskedastisitas?
k. Apa konsekuensi dari adanya masalah heteroskedastisitas dalam model?
l. Jelaskan apa yang dimaksud dengan multikolinearitas!
m. Jelaskan kenapa multikolinearitas timbul!
n. Bagaimana cara mendeteksi masalah multikolinearitas?
o. Apa konsekuensi dari adanya masalah multikolinearitas dalam model?
p. Jelaskan apa yang dimaksud dengan normalitas!
q. Jelaskan kenapa normalitas timbul!
r. Bagaimana cara mendeteksi masalah normalitas?
s. Apa konsekuensi dari adanya masalah normalitas dalam model?
t. Bagaimana cara menangani jika data ternyata tidak normal?
Jawab:
1. Dalam memenuhi asumsi pada regresi linear sederhana maupun regresi linear
berganda perlu memenuhi asumsi yang mengandung arti bahwa formula atau rumus
regresi diturunkan dari suatu asumsi tertentu. Artinya tidak semua data dapat
diperlakukan dengan regeresi, jika data yang diregresi tidak memenuhi asumsi yang
telah disebutkan maka regresi yang diterapkan akan mengalami estimasi bias.Apabila
regresi memenuhi asumsi-asumsi regresi maka nilai estimasi akan bersifat BLUE
(Best, Linear, Unbiased, Estimator ).
Hasil regresi dikatakan Best apabila garis regresi yang dihasilkan guna
melakukan estimasi atau peramalan dari sebaran data, menghasilkan error yang
terkecil. Error adalah perbedaan antara nilai observasi dan nilai yang diramalakan
oleh garis regresi. Jika garis regresi telah Best dan disertai kondisi tidak bias
(unbiased), maka estimator regresi akan efisien.
Linear dalam model artinya digunakan dalam analisi regresi telah sesuai
dengan kaidah model OLS yang variabel-variabel penduganya hanya berpangkat satu.
Linear dalam parameter menjelaskan bahwa parameter yang dihasilkan merupakan
fungsi linear dari sampel.
Unbiased suatu estimator dikatakan unbiased jika nilai harapan dari nilia
estimator b sama dengan nilai yang benar dari b. Artinya nilai rata-rata b = b. Bila
tidak sama, maka selisihnya itu disebut dengan bias.
Estimator yang efisien dapat ditemukan apabila ketiga kondisi diatas telah
tercapai, karena sifat estimator merupakan konklusi. Meskipun nilai t sudah signifikan
ataupun tidak signifikan, keduanya tidak dapat memberi informasi yang
sesungguhnya.
Uji Autokorelasi
Akibat autokorelasi
Nilai parameter estimator (b1, b2,.....bn) model regresi tetap linear dan tidak
bias dalam memprediksi B (parameter sebenarnya). Nilai variance tidak minimum dan
standard error akan bias. Akibatnya adalah nilai t hitung akan menjadi bias, karena
nilai t diperoleh dari hasil bagi Sb terhadap b (t = b/sb).
Pengujian Autokorelasi :
Dimana :
Lag 1 dan Lag 2 variabel Y dimasukkan dalam model ini bertujuan untuk
mengetahui pada lag berapa problem autokorelasi muncul. Lag 1 menunjukkan
adanya kesenjangan waktu 1 periode, sedang lag 2 menunjukkan kesenjangan waktu 2
periode. Periodenya tergantung pada jenis data apakah data harian, bulanan, tahunan.
Untuk mengetahui pada lag berapa autokorelai muncul, dapat dilhat dari
signifikan tidaknya variabel lag tersebut. Ukuran yang digunakan adalah nilai t
masing-masing variabel lag yang dibandingkan dengan t tabel.
Uji Normalitas
1. Menggunakan metode numerik yang membandingkan nilai statistik, yaitu anatar nilai
median dengan nilai mean. Data dikatakan normal jika perbandingan anatara mean
dan median menghasilkan nilai yang kurang lebih sama.
2. Menggunakan formula Jarque Bera (JB test) dengan rumus sebagai berikut :
2 3 2
JB = n [ 6 + ]
24
Dimana:
S = Skewness (kemencengan) distribusi data
K = Kurtosis (keruncingan)
Standar deviasi digunakan untuk menentukan rentang deviasi dan posisi simetris
data.
Dalam pengujian normalitas mempunyai dua kemungkinan, yaitu data berdistribusi
normal atau tidak normal. Apabila data telah berdistribusi normal maka tidak ada
masalah, karena uji t dan uji F dapat dilakukan (Kuncoro, 2001 110). Apabila data
tidak normal, maka diperlukan upaya untuk mengatasi seperti : memotong data yang
out liers, memperbesar sampel, atau melakukan transformasi data. Jika data
cenderung menceng ke kiri disebut positif skewness, dan jika cenderung ke kanan
disebut negatif skewness.
Uji Heteroskedastisitas
Heteroskedastisitas muncul apabila kesalahan atau residual dari model yang
diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya
(Kuncoro, 2001:112). Masalah heteroskedastisitas lebih sering muncul dalam data
cross section dari pada data time series (Kuncoro, 2001:112; Setiaji, 2004:17 ).
Konsekuensi Heteroskedasitas
Uji Multikolinieritas
Multikolinieritas adalah suatu keadaan dimana terjadi korelasi linear yang
perfect atau eskak diantara variabel penjelas yang dimasukkan ke dalam model.
Tingkat kekuatan hubungan antar variabel penjelas dapat ditrikotomikan lemah, tidak
berkolinear, dan sempurna.
Konsekuensi Multikolinieritas
Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan
dalam suatu penelitian, karena apabila belum terbebas dari masalah multikolinearitas
akan menyebabkan nilai koefisien regresi (b) masing-masing variabel bebas dan nilai
standar error-nya (Sb) cenderung bias, dalam arti tidak dapat ditentukan kepastian
nilainya, sehingga akan berpengaruh pula terhadap nilai t (Setiaji, 2004: 26).
Pendeteksian Multikolinieritas
Cara mendeteksi ada tidaknya multikolinieritas dengan menghitung nilai korelasi
antar variabel dengan menggunakan Spearmans Rho Correlation dapat dilakukan
apabila data dengan skala ordinal (Kuncoro, 2001: 114). Sementara untuk data
interval atau nominal dapat dilakukan dengan Pearson Correlation. Selain itu metode
ini lebih mudah dan lebih sederhana tetapi tetap memenuhi syarat untuk dilakukan.
Pengujian multikolinearitas menggunakan angka korelasi dimaksudkan untuk
menentukan ada tidaknya multikolinearitas. Apabila angka korelasi lebih kecil dari
0,8 maka dapat dikatakan telah terbebas dari masalah multikolinearitas.
1. Uji asumsi klasik digunakan untuk memenuhi asumsi formula atau rumus regresi
yang diturunkan dari suatu asumsi tertentu. Regresi yang memenuhi asumsi-
asumsi regresi akan bersifat BLUE yaitu singkatan dari Blue, Linear, Unbiased,
dan Estimator. Untuk menghasilkan hasil regresi yang BLUE (Best, Linear,
Unbiased, Estimator) maka perlu adanya pengujian yang diperlukan, yaitu dengan
uji autokorelasi, uji normalitas, uji heteroskedasitas dan uji multikolinearitas.
2. a) Asumsi klasik adalah suatu syarat yang harus ada atau dipenuhi dalam regresi
linear sederhana atau regresi linear berganda dengan menghasilkan nilai parameter
yang memenuhi asumsi tidak ada autokorelasi, tidak ada multikolinearitas, dan
tidak ada heteroskedasitas sehingga menghasilkan hasil regresi yang BLUE (best,
linear, unbiased, estimator).
c) Karena asumsi-asumsi tersebut telah memenuhi asumsi regresi dan nilai yang
diperoleh telah bersifat BLUE (Best, Linear, Unbiased, Estimator).
r) Beberapa cara dapat dilakukan untuk melakukan uji normalitas antara lain :
1. Menggunakan metode numerik yang membandingkan nilai statistik, yaitu
antara nilai median dengan nilai mean. Data dikatakan normal jika perbandingan
anatara mean dan median menghasilkan nilai yang kurang lebih sama.
2. Menggunakan formula Jarque Bera (JB test) dengan rumus sebagai berikut :
2 3 2
JB = n [ 6 + ]
24
Dimana:
S = Skewness (kemencengan) distribusi data
K = Kurtosis (keruncingan)
Skewness dapat dicari dengan formula sebagai berikut:
Kurtosis dapat dicari dengan formula sebagai berikut:
t) Apabila data tidak normal, maka diperlukan upaya untuk mengatasi seperti :
memotong data yang out liers, memperbesar sampel, atau melakukan transformasi
data.