TUGAS EKONOMETRIKA

ANALISIS MULTIKOLINEARITAS,
HETEROSKEDASTISITAS, AUTOKORELASI

Oleh:

Dhea Elyza Walida NIM 081311833024

PROGRAM STUDI S1 STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS AIRLANGGA

Tahun 2015
 UJI ASUMSI KLASIK EKONOMETRIKA

1. NORMALITAS
Jenis data yang digunakan dalam uji normalitas ini diperoleh dari
laporan keuangan periode tahun 2004 sampai dengan 2009 pada
perusahaan farmasi yang go public di Bursa Efek Indonesia. Variabel-
variabel yang digunakan adalah sebagai berikut :
a. Laverage (𝑌) yaitu struktur modal dari perusahaan yang berupa
struktur modal asing yaitu hutang
b. Tangibility of Asset (𝑋1) menunjukkan suatu kekayaan yang biasanya
dapat dijadikan jaminan.
c. Firm Size (𝑋2) yang merupakan skala perusahaan yang dilihat dari
total aktivitas perusahaan pada akhir tahun.
d. Profitability (𝑋3) merupakan kemampuan perusahaan untuk
memperoleh laba.
e. Market to Book Value (𝑋4) untuk menemukan nilai perusahaan dengan
membandingkan nilai buku (biaya perolehan) suatu perusahaan
terhadap nilai pasarnya.

Data disajikan dalam Tabel 1 berikut:

Tabel 1. Data
Market to
Tangibility
No Laverage Firm Size Profitability Book
of Asset
Value
1 0.41 0.232 0.115 11.63 2.976
2 0.678 0.189 0.018 11.835 1.817
3 0.522 0.32 0.034 12.34 6.246
4 0.298 0.199 0.137 12.845 6.014
5 0.159 0.146 0.262 11.804 8.208
6 0.232 0.219 0.11 12.653 15.319
7 0.407 0.195 0.129 11.732 1.401
 Market to
Tangibility Firm
No Laverage Profitability Book
of Asset Size
Value
8 0.721 0.013 0.022 12.011 2.901
9 0.535 0.285 0.037 12.373 0.211
10 0.326 0.232 0.123 12.896 6.809
11 0.232 0.154 0.338 11.875 9.259
12 0.247 0.816 0.02 10.531 4.874
13 0.358 0.186 0.094 11.76 1.444
14 0.798 0.081 0.01 12.104 2.726
15 0.523 0.275 0.038 12.432 217.586
16 0.359 3.577 0.143 12.958 9.777
17 0.247 0.214 0.151 12.375 6.014
18 0.307 0.774 0.017 10.598 4.875
19 0.244 0.228 0.088 11.694 1.443
20 0.791 0.092 0.005 12.169 1.875
21 0.555 0.257 0.04 12.455 7.197
22 0.344 0.244 0.285 11.572 11.763
23 0.307 0.253 0.126 12.397 6.809
24 0.366 0.716 0.02 10.787 5.07
25 0.283 0.242 0.111 11.761 1.633
26 0.754 0.138 0.002 12.651 0.391
27 0.464 1.089 0.123 12.533 6.54
28 0.246 1.99 0.264 11.586 13.333
29 0.336 0.248 0.109 12.436 9.777
30 0.299 0.627 0.018 10.937 5.963
31 0.377 2.875 0.92 11.93 2.162
32 0.542 2.648 0.066 12.284 0.383
33 0.498 0.185 0.135 12.768 7.404
 Market to
Tangibility Firm
No Laverage Profitability Book
of Asset Size
Value
34 0.215 0.163 0.306 11.688 15.319
35 0.299 0.226 0.1 12.98 11.763
36 0.319 0.574 0.023 11.077 6.6
37 0.725 0.191 0.013 11.838 1.192
38 0.491 0.349 0.044 12.259 0.348
39 0.325 0.221 0.146 12.783 8.208
40 0.192 0.141 0.27 11.738 4.875
41 0.159 0.224 0.108 12.56 13.333
42 0.348 0.5408 0.037 11.12 7.596

1.1 Analisis Data

Untuk menganalisa apakah data telah mengikuti distribusi
normal dapat dilihat dari uji kolmogorov-smirnov pada gambar 1.1.

Probability Plot of RESI1

Normal
99
Mean -3.09276E-16
StDev 0.1592
95 N 42
KS 0.137
90
P-Value 0.047
80
70
Percent

60
50
40
30
20

10

1
-0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
RESI1

Gambar 1.1 Normalitas Residual

Hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
 Daerah Kritis untuk pengujian ini adalah H0 ditolak jika p-value
< α(=5%). Karena p-value (=0,047)< α(=5%), maka H0 ditolak,
Residual tidak berdistribusi normal.

1.2 Tindakan Remidial

Tindakan remidial yang dapat dilakukan untuk mengatasi
masalah normalitas adalah dengan mentransformasi variabel respon
menjadi bentuk lain sehingga data dapat memenuhi asumsi
normalitas. Pada pengujian ini variabel respon di transformasi
menjadi bentuk ln, 𝑌 ∗ = ln⁡(𝑌). Setelah meregresikan kembali dan
dipatkan galat yang baru, selanjutnnya. Dengan metode yang sama
didapatkan hasil pengujian galat baru seperti gambar 1.2 berikut.

Probability Plot of RESI6

Normal
99
Mean 5.207475E-16
StDev 0.3838
95 N 42
KS 0.132
90
P-Value 0.066
80
70
Percent

60
50
40
30
20

10

1
-1.0 -0.5 0.0 0.5 1.0
RESI6

Gambar 1.2 Normalitas Residual Transformasi Logaritma

Berdasarkan Gambar 1.2, didapatkan p-value sebesar 0.066

yang telah melebihi 𝛼 = 0.05, maka terima 𝐻0 dan dapat
disimpulkan bahwa residual berdistribusi normal.
2. MULTIKOLINEARITAS
Jenis data yang digunakan dalam uji multikolinearitas ini diperoleh
dari skripsi Ana Ifadah Universitas Negeri Semarang tahun 2011.
Variabel-variabel yang digunakan adalah sebagai berikut :
a. 𝑌 : Data Jumlah Uang Beredar
b. 𝑋1 : Pengeluaran Pemerintah
c. 𝑋2 : Gross Domestic Product
d. 𝑋3 : Impor Barang

Data disajikan dalam Tabel 2 berikut:

Tabel 2. Data
Y X1 X2 X3
21469 585 75832 185
18385 412 62665 200
23417 766 86554 466
28661 971 93638 471
35885 1075 113718 575
42998 1304 134105 804
54704 1829 156851 1329
86470 2495 198597 1995
97105 2771 228450 2271
118053 3554 269884 3054
145303 3744 287976 3244
186514 4504 372221 4004
224368 4960 456381 4460
366534 5955 557659 5455
178120 2945 283782 2445
 2.1 Analisis Data
Untuk menganalisa apakah tedapat multikolinearitas pada
model regresi dapat dilihat dari output minitab hasil regresi dengan
melihat nilai VIF, jika VIF untuk tiap variabel prediktor memiliki
nilai lebih dari 10 maka dikatakan terjadi multikolinearitas.

Regression Analysis: jumlah uang versus pengeluaran ; gdp;

impor barang

The regression equation is

jumlah uang beredar = - 29776 - 62,7 pengeluaran pemerintah +
1,06 gdp
+ 27,7 impor barang

Predictor Coef SE Coef T P VIF

Constant -29776 28693 -1,04 0,322
pengeluaran pemerintah -62,67 63,17 -0,99 0,342 511,1
gdp 1,0632 0,2042 5,21 0,000 38,8
impor barang 27,65 67,70 0,41 0,691 556,5

S = 18152,4 R-Sq = 97,3% R-Sq(adj) = 96,6%

Analysis of Variance

Source DF SS MS F P
Regression 3 1,31142E+11 43714094833 132,66 0,000
Residual Error 11 3624605316 329509574
Total 14 1,34767E+11

Nilai VIF untuk pengeluaran pemerintah (𝑋1 ) adalah 511,1.

Nilai VIF untuk GDP (𝑋2 ) adalah 38,8 dan nilai VIF dari impor
barang (𝑋3) adlah 556,5. Dalam hal ini nilai VIF melebihi 10 untuk
semua variabel prediktor, selain itu hasil pengujian secara simultan
menyatakan bahwa setidaknya ada salah satu variabel prediktor
berpengaruh terhadap respon karena p-value uji F (=0,000) <
α(=0,05). Tetapi pada pengujian secara parsial hanya ada satu
variabel yang berpengaryh terhadap respon padahal 𝑅 2 untuk
model regresi cukup tinggi yaitu 97,3% sehingga dapat dikatakan
terjadi masalah multikolinieritas pada model regresi.
 2.2 Tindakan Remidial
Tindakan remidial yang paling aman dilakukan untuk
mengatasi masalah multikolinearitas adalah:
1. Penambahan data baru
Oleh karena masalah multikolinieritas merupakan masalah
sampel, maka dengan menambah pengamatan untuk
variabel yang sama mungkin dapat mengurangi masalah
multikolinieritas.
2. Mengurangi multikolinieritas dengan regresi polinomial
Hal ini dapat mengurangi multikolinieritas karena definisi
multikolinieritas hanya mengacu pada hubungan linier
diantar variabel prediktor 𝑋.

3. HETEROSKEDASTISITAS
Jenis data yang digunakan dalam uji heteroskedastisitas ini
diperoleh dari sumber: Gujarati, 2007. Edisi 3, Jilid 2, hal. 111. Variabel-
variabel yang digunakan adalah sebagai berikut :
a. 𝑌 : Pendapatan
b. 𝑋 : Akses Kesehatan
Data disajikan dalam Tabel 3 berikut:
Tabel 3. Data
Pendapatan Akses Kesehatan
2046 8100
6860 7400
14826 1000
11760 1000
7944 1000
2960 1800
3288 9000
1560 4500
4820 6400
1456 7600
3240 7500
4620 8900
2920 5600
11924 1000
2940 2800
2440 6100
2560 9000
3920 8000
1094 6300
1038 8900
2480 8100
7794 1000
9940 9000
5220 8000
3840 6100
4956 9900
13408 1000
1974 1000
3954 8000
4200 3000
2520 4300
1472 9700
7440 3100
7800 7400
19182 9000
11076 1000
1078 7500
9800 8100
16624 1000
9898 1000
2036 8200
9532 1000
2366 1000
13410 1000
8840 4100
14784 1000
3600 8000
1500 3000
2300 4900
5842 1000
7840 8400
3300 7300
17714 1000
1322 1000
2920 6100
3060 4500
14280 1000
3600 5100
1124 6400
4720 4000
8040 8000
13730 1000
1860 1500
1056 3400
2700 2600
16192 1000
1660 4900
2328 7200
3420 5500
10490 1000
 19782 1000
8620 7000
1180 9100
6040 7200
3960 9300
2736 9400
2124 1000
1506 8000
14472 1000

3.1 Analisis Data

Untuk menganalisa apakah tedapat heteroskedastisitas pada
model regresi dilakukan dengan metode Uji Park. Model regresi
dikatakan terjadi heteroskedastisitas apabila ada variabel presiktor
yang berpengaruh terhadap galat, sebaliknya apabila tidak ada
variabel prediktor yang berpengaruh terhadap galat maka model
regresi tidak terjadi heteroskedastisitas (homoskedastisitas).
Output minitab untuk pengujian ini adalah sebagi berikut:

Regression Analysis: lnres2 versus lnak

The regression equation is

lnres2 = 23,1 - 0,940 lnak

Predictor Coef SE Coef T P

Constant 23,053 2,442 9,44 0,000
lnak -0,9396 0,2979 -3,15 0,002

S = 2,46984 R-Sq = 10,7% R-Sq(adj) = 9,6%

Analysis of Variance

Source DF SS MS F
P
Regression 1 60,700 60,700 9,95
0,002
Residual Error 83 506,307 6,100
Total 84 567,007

Dari output teersebut dapat dilihat bahwa p-value untuk

variabel angka kesehatan (ak) yang sudah ditransformasi menjadi
bentuk ln sebesar 0,002 < α(=0,05). Hal ini berarti variabel angka
kesehatan berpengaruh terhadap galat yang mengindikasikan
terjadinya heteroskedastisitas pada model regresi.

3.2 Tindakan Remidial

Tindakan remidial yang dapat dilakukan untuk mengatasi
masalah heteroskedastisitas adalah dengan menggunakan
transformasi log pada model regresi awal. Seringkali model ini
dapat mengurangi heteroskedastisitas, hal ini disebabkan
transformasi log memperkecil skala vaariabel yang diukur.
Keuntungan dengan menggunakan transformasi log adalah
koefisien regresi mengukur elastisitas dari 𝑌 terhadap 𝑋, yaitu
menunjukkanbesarnya presentase perubahan pada 𝑌untuk suatu
persentase perubahan pada 𝑋. Berikut ini adalah output minitab
yang membuktikan bahwa model transformasi log dapat membantu
menurangi heteroskedastisitas.

Regression Analysis: lny versus lnak

The regression equation is

lny = 12,1 - 0,460 lnak

Predictor Coef SE Coef T P

Constant 12,1458 0,7443 16,32 0,000
lnak -0,46038 0,09079 -5,07 0,000

S = 0,752818 R-Sq = 23,7% R-Sq(adj) = 22,7%

Analysis of Variance

Source DF SS MS F P
Regression 1 14,572 14,572 25,71 0,000
Residual Error 83 47,039 0,567
Total 84 61,611

Regression Analysis: RESI3 versus lnak

The regression equation is

RESI3 = 0,000 - 0,0000 lnak

Predictor Coef SE Coef T P

Constant 0,0000 0,7443 0,00 1,000
 lnak -0,00000 0,09079 -0,00 1,000

Hasil output di atas menunjukkan bahwa p-value hasil

meregresikan galat dengan variabel prediktor sesuai metode Uji
Park untuk variabel prediktor (lnak) adalah sebesar 1,000. Berarti
lebih besar dari tingkat signifikansi α(=-0,05) sehingga diambil
kesimpulan bahwa pada model transformasi log sudah tidak terjadi
heteroskedastisitas pada model regresi.

4. AUTOKORELASI
Jenis data yang digunakan dalam uji autokorelasi ini adalah data
perbankan Jawa Timur (Bank Umum & BPR) yang diperoleh dari Bank
Indonesia. Variabel- variabel yang digunakan adalah sebagai berikut :
a. 𝑌 : Besarnya kredit yang disalurkan oleh bank
b. 𝑋1 : Dana Pihak Ketiga (Tabungan)
c. 𝑋2 : Dana Pihak Ketiga (Giro)
d. 𝑋3 : Dana Pihak Ketiga (Deposito)
Data disajikan dalam Tabel 4 berikut:
Tabel 4. Data
Kredit Giro Tabungan Deposito
194.496 39.490 111.372 98.798
192.233 41.056 110.534 98.432
195.441 41.338 110.678 99.569
198.846 44.819 111.493 100.508
201.924 44.731 113.001 99.950
207.482 45.468 114.574 101.354
216.646 46.301 117.827 103.321
219.635 45.988 119.010 103.468
223.200 43.910 122.425 103.970
230.421 48.934 124.602 105.526
234.730 46.978 127.054 108.437
239.014 48.696 129.376 107.076
246.508 49.856 136.071 111.188
243.947 47.301 134.845 112.884
 247.846 49.361 133.300 112.440
252.702 50.372 131.937 115.923
257.665 49.513 134.248 117.131
261.541 48.161 134.823 119.986
273.518 50.586 135.001 119.747
281.024 50.580 138.141 119.037
285.659 50.909 139.364 122.165
292.756 54.629 142.474 125.355
293.873 50.536 142.498 127.855
302.909 53.128 145.192 131.059
310.948 53.337 153.549 133.711
307.774 52.318 149.958 136.912
311.664 52.224 146.496 139.342
315.752 54.091 148.647 140.977
317.918 55.884 147.433 142.695
326.314 60.442 149.379 146.664
325.996 49.263 153.039 152.960
329.040 55.374 152.993 156.378
334.832 62.161 155.219 159.687
340.866 62.451 155.191 162.075
342.577 63.284 157.252 162.028
352.173 61.451 164.751 163.329
343.528 61.868 159.012 166.297
345.810 59.587 158.324 172.145
349.028 68.101 155.551 173.520
350.896 64.986 156.813 176.566
353.903 65.458 156.267 176.705
362.371 72.887 156.769 175.176
360.566 65.800 162.068 176.854

4.1 Analisis Data

Pada pengujian model regresi ini digunakan tingkat
signifikansi sebesar 5% dan jumlah pengamatan sebanyak 44
sampel, sehingga ketentuan penerimaan atau penolakan hipotesis
sebagai berikut:
A = d <1,372, Ho ditolak, ada autokorelasi positif.
B = 1,668 < d < 1,372, tanpa kesimpulan.
C= 1,668< d < (4 – 1,668), Ho diterima, tidak ada autokorelasi.
 D = (4 – 1,668) < d < (4 – 1,372), tanpa kesimpulan.
E = d > (4 – 1,372), Ho diterima, ada autokorelasi negatif.
Hasil pengujian autokorelasi yang dilakukan pada penelitian ini
dapat dilihat pada output minitab sebagai berikut:

Regression Analysis: ln kredit versus lntab; lngir; lndep

The regression equation is
ln kredit = - 5,12 + 1,14 lntab + 0,0926 lngir + 0,265 lndep
Durbin-Watson statistic = 0,546066

Berdasarkan hasil perhitungan Minitab di atas, dapat diketahui

bahwa nilai Durbin Watson pada Model regresi adalah sebesar
0,546066. Oleh karena 0,546066<1,372, maka hal ini berarti terjadi
autokerelasi positif pada model regresi yang digunakan dalam
penelitian ini.

4.2 Tindakan Remidial

Konsekuensi jika pada model regresi terjadi autokorelasi adalah
estimator OLS tidak efisien, sehingga perlu untuk memperbaiki
masalah. Salah satu cara untuk memperbaiki masalah autokorelasi
adalah dengan mentransformasi model regresi dengan metode beda
pertama sehingga diperoleh model:

𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝑣𝑡

Dengan:

𝑌 = 𝑌𝑡 − 𝜌̂𝑌𝑡−1
𝑋1 = 𝑋1𝑡 − 𝜌̂𝑋1,𝑡−1
𝑋2 = 𝑋2𝑡 − 𝜌̂𝑋2,𝑡−1
𝑋3 = 𝑋3𝑡 − 𝜌̂𝑋3,𝑡−1
𝑣𝑡 = 𝜀𝑡 − 𝜌̂𝜀𝑡−1
Langkah-langkah meregresikan dengan metode transformasi
beda pertama adalah:
 1. Regresikan galat yang diperoleh dari hasil regresi model
awal dengan galat pada lag 1 untuk mendapatkan 𝜌̂. Hasil
regresi dapat dilihat dari output Minitab sebagai berikut:

Regression Analysis: ut versus ut-1

The regression equation is
ut = 0,516 ut-1
Dari output di atas dapat diketahui bahwa nilai 𝜌̂⁡adalah sebesar
0,516
2. Lalu transformasi variabel respon dengan variabel prediktor
sesuai model pada metode beda pertama.
3. Regresikan kembali hasil transformasi. Hasil regresi dapat
dilihat dari output Minitab sebagai berikut:

Regression Analysis: yt-(pyt-1) versus x1t-(px1t-1); x2t-

(px2t-1); ...
The regression equation is
yt-(pyt-1) = - 5,13 + 1,17 x1t-(px1t-1) + 0,0348 x2t-(px2t-1)
+ 0,289 x3t-(px3t-1)

Predictor Coef SE Coef T P

Constant -5,1338 0,5144 -9,98 0,000
x1t-(px1t-1) 1,17336 0,08277 14,18 0,000
x2t-(px2t-1) 0,03483 0,08820 0,39 0,695
x3t-(px3t-1) 0,28871 0,07409 3,90 0,000

S = 0,0217103 R-Sq = 98,9% R-Sq(adj) = 98,8%

Analysis of Variance
Source DF SS MS F P
Regression 3 1,63 0,543 1151,47 0,000
 Residual Error 39 0,018 0,00047
Total 42 1,647

Agar model hasil transformasi dapat digunakan maka asumsi

bahwa galat harus berdistribusi normal harus dipenuhi, untuk
membuktikan hal itu maka dilakukan Uji Normalitas dengan Uji
Kolmogorov-Smirnov menggunakan minitab didapatkan hasil
sebagai berikut:

Probability Plot of res beda pertam

Normal
99
Mean 1,363251E-15
StDev 0,02092
95 N 43
KS 0,103
90
P-Value >0,150
80
70
Percent

60
50
40
30
20

10

1
-0,050 -0,025 0,000 0,025 0,050
res beda pertam

Dari gambar di atas dapat dikatakan bahwa galat memenuhi

asumsi normalitas karena diketahui nilai p-value untuk Uji
Normalitas sebesar 0.150 yang berarti lebih besar dari tingkat
signifikansi 0.05.