Muhammad Fadhillah Fikri Rais

17/413986/TP/11928

1. ASUMSI ANALISIS REGRESI

Asumsi-Asumsi Klasik

Agar koefisien regresi merupakan penaksir tak bias linear terbaik (Best Linear Unbias Estimation atau
disingkat BLUE), model regresi harus memenuhi beberapa asumsi berikut:

 Varian dari populasi adalah konstan atau homokedastik.

 Tidak ada autokorelasi dalam gangguan.
 Tidak ada multikolinearitas di antara variabel independen.
 Distribusi data secara normal.
 Jika variable bebas lebih dari satu, maka antara variable bebas tidak ada hubungan linier yang
nyata.

2. UJI YANG DIGUNAKAN UNTUK MEMASTIKAN ASUMSI

Uji Asumsi Homoskedastisitas

 Dalam sebuah model regresi, varians dari residual dari satu pengamatan ke pengamatan yang
lain harus tetap (homokedastisitas).
 Jika varians dari residual dari satu pengamatan ke pengamatan yang lain berbeda, terjadi
heterokedastisitas.
 Model regresi yang baik adalah tidak terjadi heterokedastisitas.
 Data crossection cenderung menyebabkan terjadinya heterokedastisitas.

Dasar pengambilan keputusan

 Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit), telah terjadi heteroskedastisitas.
 Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada
sumbu Y, tidak terjadi heteroskedastisitas.
 Jika terjadi heterokedastisitas, perlu dilakukan transformasi data.

Uji Heteroskedastisitas: Uji Park

Langkah-langkah:
1. Dapatkan variabel residual dari regresi utama.
2. Kuadratkan nilai residual tersebut dengan menu Transform dan Compute.
3. Kemudian, hitung logaritma dari nilai residual yang dikuadrat di atas dengan menu Transform
dan Compute.
4. Regresikan ln residual sebagai VD dan variabel X2, X3, dan X4 sebagai VI sehingga persamaannya
menjadi:
Ln Ui2 = b0 + b1 X1 + b2 X3 + b3 X4
Keputusan:
Jika Sig. < 0,05, terjadi heteroskedastisitas;
 Muhammad Fadhillah Fikri Rais
17/413986/TP/11928

Jika Sig. > 0,05, terjadi homoskedastisitas

Uji Autokorelasi

 Pengujian ini bertujuan untuk mengetahui apakah dalam sebuah model regresi linier ada
korelasi antara kesalahan pengganggu (error) pada periode t dengan periode t-1.
 Jika terjadi korelasi, dinamakan ada problem autokorelasi.
 Model regresi yang baik adalah regresi yang bebas autokorelasi.
 Problem autokorelasi mayoritas terjadi pada regresi yang data time series, atau berdasarkan
waktu berkala, seperti bulanan dan tahunan.

Deteksi adanya Autokorelasi

Untuk mendeteksi terjadinya autokorelasi, lihat besaran angka Durbin-Watson.
Kriteria:
 Angka D-W < -2, berarti ada autokorelasi negatif.
 Angka D-W terletak di antara -2 dan 2, berarti bebas autokorelasi.
 Angka D-W > 2, berarti ada autokorelasi positif.

Interpretasi Angka D-W

Jika tidak terdapat problem autokorelasi, model regresi layak untuk dipakai.
Jika terdapat problem autokorelasi, dapat diatasi dengan cara:
1. Melakukan transformasi data.
2. Menambah data observasi.

Uji Multikolinieritas

 Pengujian ini bertujuan untuk mengetahui apakah pada model regresi ditemukan adanya
korelasi antar variabel independen.
 Jika terjadi korelasi (>0,9), dinamakan terdapat problem multikol.
 Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.

Deteksi adanya Multikolinieritas

1. Besaran angka VIF (Variance Inflation Factor) dan Tolerance.

Pedoman:
Mempunyai nilai VIF >10.
Mempunyai nilai Tolerance <0,10.

2. Besaran korelasi antar variabel independen.

Pedoman:
Koefisien korelasi antar 2ndepend 2ndependent harus lemah (< 0,9).

Interpretasi hasil SPSS

 Muhammad Fadhillah Fikri Rais
17/413986/TP/11928

 Misal angka VIF 1,139 dan angka Tolerance 0,878.

 Dapat disimpulkan model regresi tersebut tidak terdapat problem multikolinieritas.
 Koefisien korelasi 0,35 <0,5.
 Dapat disimpulkan model regresi tersebut tidak terdapat problem multikolinieritas.

Jika terjadi problem multikolinieritas, solusinya adalah:

 Dengan mengeluarkan salah satu variabel independen dalam model yang mempunyai korelasi
yang tinggi dari model regresi.
 Transformasi variabel dalam bentuk log n atau bentuk lainnya.
 Gunakan metode regresi lainnya, misalnya Bayesian Regresion.

Uji Normalitas

 Pengujian ini dilakukan untuk mengetahui apakah dalam model regresi data variabel dependen
dan independen berdistribusi normal.
 Model regresi yang baik adalah distribusi data normal.
 Cara pengujian normalitas data dapat dilakukan menggunakan beberapa cara, antara lain:
o Menghitung rasio skweness dan kurtosis.
o Uji Kolmogorov-Smirnov dan Shapiro-Wilk.
o Membuat Q-Q plot dan Detrended Normal Q-Q plot.