Anda di halaman 1dari 5

EKONOMETRIKA

Contoh Kasus :
“Analisis regresi linier berganda”

Salah satu analisis yang paling banyak digunakan dalam penelitian adalah
regresi linier berganda. yaitu suatu analisis regresi yang mengujikan adanya
pengaruh dua atau lebih varibel variabel bebas/ variabel indepen / (variabel x)
terhadap satu variabel dependen (Y).

Kenapa model regresi lionier lebih banyak dipakai? ada beberapa alasan, salah
satu satu model linier merupakan model yang model yang paling model dipahami
dibanding teori model nonlinier. selain itu model linier merupakan dasar dari
asumsi data normal. namun ternyata pembentukan model linier berganda tidak
sesederhana model regresi linier sederhana yang hanya melibatkan satu variabel x
kepada satu variabel y. salah satu kendala besar dalam membentuk model regresi
linier berganda adalah adanya 4 asumsi klasik yang harus dipenuhi. secara
sederhana, asumsi di sini dapat diartikan sebagai syarat bahwa model regresi yang
terbentuk merupakan model yang benar dan bisa dipakai secara tepat. bila ada satu
asumsi yang belum lolos alias terkena masalah maka model regresi yang dibuat
dapat dikatakn belum bisa mengestimasi pengaruh variabel independen terhadap
variabel terikat secara tepat.

Asumsi pertama yang pertama adalah, normalitas residual. kesalahan yang
biasa terjadi adalah banyak peneliti mengira normalitas yang dimaksud adalah
normalitas data, padahal dalam regresi linier normalitas yang dimaksud adalah
normalitas residual. setelah menyadari kesalahannya akhirnya peneliti semakin
bingung karena untuk menampilkan nilai residual regresi yang dibuat masih
bingung...apalagi sampai menguji normalitas. dan paling parahnya setelah bisa
menguji normalitas residual , ternyata hasilnya tidak normal. apa yang harus
dilakukan agar bisa lolos normalitas?

menurut saya teknik uji heterokedastisitas yang paling sederhana adalah uji Glejser. Jika distribusi data normal. semakin banyak variabel nbebas x maka semakin sulit model regresi yang tersebut bebas asumsi klasik. namun yang paling berat adalah bila ternyata terdapat kasus autokorelasi namun terlalu kuat. secara teoritis.yaitu berbentuk observasi deret waktu. yaitu adanya kondisi dimana terdapat korelasi atau hubungan antar pengamatan (observasi). multikolinieritas. Pengujian normalitas data menggunakan uji kolmogorov-smirnov one sampel test dengan rumus: . maka analisis data dan pengujian hipotesis digunakan statistik parametrik. Pengujian asumsi normalitas untuk menguji data variabel bebas (X) dan variabel terikat (Y) pada persamaan regresi yang dihasilkan. bila terjadi kasus multikolinieritas maka direkomendasikan agar variabel yang multikolinieritas harus dibuang dari model. UJI ASUMSI KLASIK ( Normalitas. pengujian kasus multikolinieritas dapat digunakan nilai VIF. Untuk data-data tertentu asumsi autokorelasi bisa disingkirkan dari kewajiban uji.. Solusi apa yang bisa dilakukan untuk data yang tidak lolos asumsi klasik? secara logika. Uji Asumsi Kalsik Normalitas. namun tidak semua data bisa dilakukan tranformasi seperti data dengan nilai negatif. yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. masalahnya bagaimana bila varaibel yang harus dibuang tersebut adalah variabel yang sangat penting yang tidak mungkin dibuang dari model? Asumsi regresi berganda ketiga adalah autokorelasi. Multikolinearitas dan Heteroskedastisitas) Pengujian Asumsi Klasik Model Regresi Berganda 1. walaupun sederhana.Asumsi regresi kedua. sehingga bila ada hubungan linier antara variabel x1 terhadap x2 maka dapat dipastikan model regresi bergandanya akan bias dan tidak bisa digunakan. multikolinieritas sederhananya adalah menghindari hubungan linier antara variabel independen. Autokorelasi. apa solusinya? Terakhir adalah asumsi heterokedastisitas. namun masalah ini akan membingungkan ketika terjadi kasus multikolinieritas . apakah berdistribusi normal atau berdistribusi tidak normal. bila hasil uji Glejser menunjuka bahwa varian resiudal tidak seragam maka solusi yang bisa dilakukan adalah transformasi seperti transformasi log / ln.

yaitu dengan : . 2. Uji asumsi klasik ini digunakan untuk mengukur tingkat asosiasi (keeratan)hubungan/pengaruh antar variabel bebas tersebut melalui besaran koefisien korelasi (r). Jika terjadi autokorelasi maka perasamaan tersebut menjadi tidak baik atau tidak layak dipakai prediksi. i = 1.60).50 dan 0.397 dan DW > 2. disimpulkan bahwa data di atas terjadi autokorelasi negatif. Uji Asumsi Klasik Multikolinieritas.2. SN (X) = distribusi frekuensi komulatif yang diobservasi dari suatu sampel random dengan N observasi.Dimana: Fo (X) = fungsi distribusi komulatif yang ditentukan. Contoh bagian output: Dari hasil output di atas. Dengan cara lain untuk menentukan multikolinieritas.90). dengan ketentuan sebagai berikut: (a). maka.…N Adapun kriteria uji : jika probabilitas signifikan > 0. Tidak terjadi autokorelasi jika DW berada di antara -2 dan +2 atau -2 < DW +2.05 maka data berdistribusi normal.60 (r < 0. Ukuaran dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin-Watson (DW). (b). Dikatakan tidak terjadi multikolinieritas jika koefisien korelasi antar variabel bebas lebih kecil atau sama dengan 0.60 (pendapat lain: 0. 3. Terjadi autokorelasi positif jika DW di bawah -2 (DW < -2). Multikolinieritas terjadi jika koefisien korelasi antar variabel bebas lebih besar dari 0. Durbin-Watson test = 2. Uji Asumsi Klasik Autokorelasi Persamaan regresi yang baik adalah tidak memiliki masalah autokorelasi.

Nilai variance inflation factor (VIF) adalah faktor inflasi penyimpangan baku kuadarat.10 maka VIF = 10. B. sebagai berikut: ☑ Besar nilai tolerance (a): a = 1 / VIF ☑ Besar nilai variance inflation factor (VIF): VIF = 1 / a ~ Variabel bebas mengalami multikolinieritas jika a hitung VIF. Menggunakan besaran tolerance (a) dan variance inflation factor (VIF) jika menggunakan alpha/tolerance = 10% atau 0.021 < VIF = 10 dan semua tolerance variabel bebas 0. ~ Variabel bebas tidak mengalami multikolinieritas jika a hitung > a dan VIF hitung < VIF.142 jauh di bawah 0. Contoh bagian output: Analisis Output: A. Nilai tolerance (a) dan variance inflation factor (VIF) dapat dicari dengan.980 = 98% diatas 10%. terlihat koefisien korelasi antar variabel bebas sebesar 0. . dapat disimpulkan bahwa antara variabel bebas tidak terjadi multikolinieritas. Disimpulkan bahwa antara variabel bebas tidak terjadi multikolinieritas.1.60. Dari hasil output VIF hitung dari kedua variabel = 1. Melihat besaran koefisien korelasi antar variabel bebas. 2. Nilai tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik (a).

baik menyempit. Jika residual mempunyai varians yang sama. Homoskedastisitas terjadi jika titik-titik hasil pengolahan data antara ZPRED dan SRESID menyebar di bawah ataupun di atas titik origin (angka 0) pada sumbu Y dan tidak mempunyai pola yang tertentu. Analisis uji asumsi heteroskedastisitas hasil output SPSS melalui grafik scatterplot antara Z prediction (ZPRED) untuk variabel bebas (sumbu X=Y hasil prediksi) dan nilai residualnya (SRESID) merupakan variabel terikat (sumbu Y=Y prediksi – Y rill).4. dan jika varoansnya tidak sama disebut terjadi heteoskedastisitas. . melebar maupun bergelombang-gelombang. Uji Asumsi Klasik Heteroskedastisitas. Dalam persamaan regresi berganda perlu diuji mengenai sama atau tidak varians dari residual dari observasi yang satu dengan observasi lainnya. disebut homoskedastisitas. Heteroskedastisitas terjadi jika pada scatterplot titik-titiknya mempunyai pola yang teratur. Persamaan regresi yang baik jika tidak terjadi heteroskedastisitas.