PENGGUNAAN EVIEWS – UJI ASUMSI

KLASIK REGRESI LINEAR

Sebelumnya kita telah mengetahui bagaimana cara uji Asumsi Klasik Regresi Linear
Menggunakan SPSS. Seperti yang telah kita bahas sebelumnya, dalam model regresi,
uji Asumsi Klasik perlu dilakukan agar model regresi tidak “Bias”. Akan tetapi, tidak
semua uji asumsi klasik dilakukan. Seperti penelitian yang menggunakan data cross
section tidak wajib dilakukan uji autokorelasi. Sedangkan pada penelitian yang
menggunakan data time series tidak wajib dilakukan uji heteroskedastisitas.

Sekarang M Journal akan memberikan tutorial uji asumsi klasik menggunakan EViews.
Perlu sobat ketahui, uji asumsi klasik pada EViews sedikit berbeda dengan SPSS.
Perbedaannya terletak pada jenis uji yang digunakan. Selengkapnya, mari simak
tutorial di bawah ini.

TAHAP 1 – ESTIMASI MODEL REGRESI

Pastikan sobat telah mengestimasi model regresi seperti yang terlihat pada gambar di
bawah ini.

Jika sobat belum tahu bagaimana cara estimasi model regresi pada EViews, silahkan
baca tutorial kami disini.
TAHAP 2 – UJI ASUMSI KLASIK
Dalam EViews, uji asumsi klasik dilakukan satu per satu. Kembali kami ingatkan, “tidak
semua uji asumsi klasik wajib dilakukan”. Sehubungan tutorial ini menggunakan contoh
1 yaitu penelitian yang menggunakan data time series, maka uji heteroskedastisitas
tidak perlu dilakukan. Akan tetapi, kami tetap memberikan tutorial uji
heteroskedastisitas nya.

Salah satu cara uji asumsi klasik menggunakan EViews dapat dilakukan dalam
jendela Equation. Berikut langkah-langkah menampilkan jendela Equation.

1. Double click pada REG (estimasi model regresi).

2. Muncul jendela Equation dan dari jendela equation inilah semua uji asumsi
klasik akan kita lakukan.

UJI NORM ALIT AS

Dalam EViews, uji normalitas dapat dilakukan dengan uji Jerque-Bera (JB–test).
Langkah-langkah JB-test dapat dilihat pada gambar berikut:
Caranya pada jendela equation, klik View, Klik Residual Diagnostics, lalu
klik Histogram – Normality Test. Setelah itu, jendela equation akan otomatis berubah
menjadi output Histogram – Normality Test seperti gambar berikut:
1. Untuk mengambil keputusan, fokuslah pada Jerque-Bera dan Probability. Tips
nya begini, Penelitian Ekonomi dan Bisnis pada umumnya menggunakan α=0.05
(5%), jika probability< α, maka data tidak berdistribusi normal.
Jika probability > α, maka data berdistribusi normal. Pada tutorial kali ini, data
penelitian tidak berdistribusi normal, karena 0.0003778 < 0.05. Maka
H0 diterima, Ha
2. Hasil uji normalitas ini tidak akan tersimpan dalam workfile EViews, jadi sobat
harus menyimpannya secara manual dengan cara klik Freeze. Lalu akan
muncul jendela graphseperti gambar berikut ini.
 1. Untuk memberikan nama file klik Name;
2. Isi name to identify object sesuai yang kita inginkan (buat tanpa spasi);
3. Klik OK;
4. Muncul hasil uji normalitas pada workfile;
5. Untuk menutup jendela Graph, klik Close.

UJI HETEROSKED ASTISI T AS

Kembail kita fokus pada jendela Equation. Lakukan langkah-langkah berikut untuk uji
heteroskedastisitas:
1. Pada jendela equation, klik View;
2. Klik Residual Diagnostics;
3. Klik Heteroskedasticity Tests…;
4. Muncul jendela Heteroskedasticity Tests, pilih Test type. Eviews menyediakan
berbagai macam pilihan. Pada tutorial kali ini, kami menggunakan Uji Glejser,
maka pilih Glejser;
5. Terakhir, klik OK. Lalu jendela equation akan memperlihatkan output uji
heteroskedastisitas seperti berikut ini:
Tipsnya begini…

Untuk mengambil keputusan hasil uji heteroskedastisitas, fokus saja pada bagian F-
statistic danObs * R-squared yang telah kami beri tanda. Pengambilan kesimpulannya
adalah dengan membandingkan Prob. F atau Prob. Chi-Square dengan α. Kami berikan
contoh menggunakan Prob. Chi-Square. Jika Prob. Chi-Square < α, maka terjadi
gejala heteroskedastisitas, sebaliknya jika Prob. Chi-Square > α, maka tidak terjadi
gejala heteroskedastisitas (homoskedastisitas). Pada contoh 1 ini, dapat
disimpulkan Terima H0 atau tidak terjadi gejala heteroskedastisitas. Karena 0.8867 >
0.05.

Selanjutnya jika sobat ingin menyimpan hasil uji heteroskedastisitas, lakukan cara yang
sama pada saat menyimpan output uji normalitas. Yaitu klik Freeze lalu akan
muncul jendela Tableseperti gambar berikut:
Caranya sama saja dengan menyimpan output uji normalitas, yaitu:

1. Klik Name;
2. Beri nama file pada kolom name to identify objects;
3. Klik OK;
4. Muncul output uji heteroskedastisitas pada wordfile;
5. Klik Close untuk menutup jendela Table.

UJI AUTOKOREL ASI

Uji Autokorelasi pada EViews menggunakan Breusch-Godfrey LM Test. Langkah-
langkah pengujiannya seperti gambar berikut:
1. Pada jendela equation, klik View;
2. Klik Residual Diagnostics;
3. Klik Serial Correlation LM Test;
4. Muncul jendela lag spesification; biarkan lags to include bernilai default (2);
5. Klik OK, dan secara otomtasi jendela equation akan menampilkan output uji
autokorelasi seperti gambar berikut ini:
Seperti uji Heteroskedastisitas, pengambilan keputusan uji autokorelasi juga terfokus
pada Prob. F atau Prob. Chi-Square. Kami contohkan menggunakan Prob. Chi-Square.
Jika Prob. Chi-Square< α, maka terjadi gelaja autokorelasi. Sebaliknya jika Prob. Chi-
Square > α, maka tidak terjadi gejala autokorelasi. Pada contoh 1 ini, model
regresi mengalami gejala autokorelasi atau H0ditolak dan Ha diterima.

Untuk menyimpan output uji autokorelasi, lakukanlah cara yang sama seperti kita
menyimpan output uji normalitas dan heteroskedastisitas di atas.

UJI MULTIKOLINE ARIT AS

Uji multikolinearitas pada EViews hanya menggunakan Variance Inflation Factors.
Berikut langkah-langkah uji multikolinearitas pada EViews:
1. Pada jendela equation, klik View;
2. Klik Coefficient Diagnostics;
3. Klik Variance Inflation Factors dan secara otomatis jendela equation akan
menampilkan output uji multikolinearitas sebagai berikut:
Seperti biasa, kita harus fokus pada bagian yang telah kami lingkari. Setiap variabel
memiliki nilai Centered VIF. Tipsnya… jika nilai Centered VIF < 10 maka tidak terjadi
multikolinearitas. Sebaliknya jika nilai Centered VIF > 10, maka terjadi multikolinearitas.
Pada Contoh 1 ini, tidak terjadi multikolinearitas yang tinggi karena Centered
VIF seluruh variabel kecil dari 10 yaitu 1.005230 dan 1.005230.