3. Pengertian autokorelasi
Autokorelasi adalah terjadi korelasi antara observasi ke-i dengan observasi ke-i-1.
Contohnya yaitu: misalkan sampel ke-20, nilainya dipengaruhi oleh sampel ke-19.
Sampel ke-19, nilainya dipengaruhi oleh sampel ke-18, dan seterusnya. Coba kita
perhatikan pada contoh tersebut, yaitu ada nilai selisih antara nilai observasi ke-18
dengan ke-19, nilai observasi ke-19 dengan ke-20, dan seterusnya.
Cara perhitungan secara manual perihal asumsi autokorelasi bukanlah dihitung pada
semua variabel, melainkan cukup pada residualnya saja.
Jika dL < dw < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.
Jika dL < (4 dw) < dU maka pengujian tidak meyakinkan atau tidak dapat
disimpulkan.
Nilai DL pada K =4 dan t = 128 berdasarkan tabel Durbin Watson adalah sebesar:
1,66379 sedangkan nilai DU sebesar 1,75960. Untuk mengetahui nilai DU dan DL
secara lengkap, silahkan anda baca artikel kami yang berjudul: Tabel Durbin Watson
dan Cara Membaca.
Begitulah cara membaca nilai Durbin Watson setelah anda melakukan uji autokorelasi
dengan SPSS menggunakan metode Durbin Watson test. Semoga bermanfaat.
Terima kasih.
Referensi 2
Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu variabel
(Nachrowi djalal dan Hardius usman:2006). Korelasi ini terjadi antar waktu
atau individu. Umumnya kasus autokorelasi banyak terjadi pada data time
series, artinya kondisi sekarang dipengaruhi waktu lalu. Oleh karena itu,
dalam analisis data time series, masalah autokorelasi menjadi pusat
perhatian.
Gambaran mudahnya pada kasus yang lagi ramai sekarang ini tentang
Penetapan Upah Minimum provinsi (UPM) jakarta. Terus, hubungannya apa?.
UPM ini selalu dipengaruhi berdasarkan UPM sebelumnya. Sehingga, dalam
penetuan UPM selalu memperhatikan UPM sebelumnya. Dapat dibayangkan,
bagaimana jika UPM tidak terkait dengan waktu sebelumnya. Para buruh akan
mengalami ketidakpastian pada keuangannya sehingga akan menganggu
urusan keluarga. Jauh banget ya. Jadi, autokorelasi sangat berguna pada
kehidupan sehari-hari.
A. Penyebab autokorelasi
1. Kesalahan model (linier non linier)
2. Penggunaan Lag (inertia) data observasi pada periode sebelumnya dan periode
sekarang, kemungkinan besar akan saling ketergantungan (interdependence)
3. fenomena cobweb Munculnya fenomena sarang laba-laba terutama terjadi pada
penawaran komoditi sektor pertanian Misalnya, panen komoditi permulaan tahun
dipengaruhi oleh harga yang terjadi pada tahun sebelumnya ui tidak lagi bersifat
acak (random), tetapi mengikuti suatu pola yaitu sarang laba-laba.
4. Tidak memasukkan variabel yang penting
5. Manipulasi data