Statistika
Multivariat
Analisis Error dalam Regresi Linear
Sederhana
05
Ekonomi dan Bisnis Akuntansi … Dr. Drs. Rachmat Hidayat, M. Pd.
Abstract Kompetensi
Materi Analisis Regresi Sederhana Mahasiswa diharapkan mampu
mencakup: memahami pengertian,
1. Pengertian Analisis Regresi konsekwensi, pendeteksian, serta
Sederhana.
pemecahan kasus: otokorelasi,
2. Model Regresi Sederhana.
3. Uji Signifikansi pada Analisis heteroskedastisitas, dan normalitas.
Regresi Sederhana.
4. Kasus yang Diselesaikan
dengan Analisis Regresi
Sederhana.
5. Interpretasi Analisis Regresi
Sederhana.
‘20 Statistika Multivariat Biro Akademik dan Pembelajaran
2 Dr. Drs. Rachmat Hidayat, M.P http://www.widyatama.ac.id
Pendahuluan
Pembahasan tentang analisis error (resudual) dalam regresi linear sederhana (Simple
Regression Analysis) difokuskan pada menguji sebagian atau seluruh asumsi yang mendasari
regresi linear sederhana. Pengujian error atau residual regresi ini sering disebut uji asumsi
klasik. Uji asumsi klasik yang akan dikaji adalah otokorelasi, heteroskedastisitas, dan
normalitas error.
Pada modul kali ini kita akan membahas apa yang dimaksud dengan: otokorelasi,
heteroskedastisitas, dan normalitas dan apa konsekwensi yang harus diterima jika kasus
otokorelasi, heteroskedastisitas, dan normalitas error terjadi dalam model yang kita ajukan.
Selain itu, kita juga akan mendiskusikan pengertian, konsekwensi, pendeteksian, serta
pemecahan kasus: otokorelasi, heteroskedastisitas, dan normalitas.
Uji OtoKorelasi
Otokorelasi (Autocorrlation) adalah suatu korelasi antara nilai variabel pada periode t
dengan periode sebelumnya. Misalnya pada variabel bebas x data ke-i berkorelasi dengan
data ke (i-1) atau (i-2). Apabila terjadi otokorelasi, maka ada problem otokorelasi. Otokorelasi
sering terjadi pada data time series (runtut waktu) sedang pada data cross section jarang
terjadi. Model regresi yang baik adalah model yang bebas dari otokorelasi. Model regresi
klasik mengasumsikan bahwa otokorelasi tidak terjadi, secara statistik artinya kovariansi
antara error ke-i dengan error ke-j sama dengan nol.
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi
antara error periode t dengan periode sebelumnya, misalnya periode (t – 1), t-2, dan
seterusnya. Salah satu cara memeriksa otokorelasi adalah dengan metode Durbin-Watson.
Statistik uji yang digunakan adalah uji d (Durbuin-Watson)
𝑛
(𝑒𝑖 − 𝑒𝑖−1 )2
𝑑=∑
∑𝑛1 𝑒𝑖2
2
Konsekwensi Otokorelasi
Dengan adanya otokorelasi maka variansi akan membesar. Dampak dari membesarnya
variansi adalah: (1) pengujian parameter (β) regresi dengan statistik uji t menjadi tidak valid,
(2) selang kepercayaan (perkiraan selang) untukparameter regresi cenderung melebar.
Deteksi Otokorelasi
Deteksi otokorelasi dapat dengan metode grafik atau secara format, yaitu metode statistik
berikut: (1) Metode Durbin Watson (DW), (2) Metode Breusch-Godfrey, (3) LM test (uji
Lagrane), (4) Uji statistics Q: Box-Pierce dan Ljung Box dan, (4) Run Test.
Model Summaryb
Adjusted R Std. Error of Durbin-
Model R R Square Square the Estimate Watson
1 .850a .723 .680 1.81853 1.580
a. Predictors: (Constant), X2, X1
a. Dependent Variable: Y
1. Menentukan Hipotesis
H0: ρ = 0 (tidak ada autokorelasi)
H1: ρ ≠ 0 (ada autokorelasi)
2. Menentukan nilai α dengan nilai d tabel dL (n=16, k =2) = 0,98, dU (n=16, k=1) = 1,54
Hasil d > dU maka tidak ada otokorelasi
K = banyak variabel indenden = 2.
d = 1.580 berada dalam interval du dan 4 – du
dU < d < 4 – dU berarti tidak ada auto korelasi
3. Kriteria penolkan H0:
Jika d < dL, tolak H0
Jika d > dU, H0 diterima
Jika dL < d < dU, hasil pengujian tidak dapat disimpulkan
𝑛
2
(𝑒𝑖 − 𝑒𝑖−1 )2
𝛿 =∑
(𝑛 − 1)
𝑖=2
𝑛
2
(𝑒𝑖 − 𝑒̅ )2
𝑆 =∑
𝑛
𝑖=1
𝛿2
=⋯
𝑆2
Daerah distribusi normalnya:
𝛿2 2𝑛
𝑅𝑎𝑡𝑎 − 𝑅𝑎𝑡𝑎 = 𝐸 [𝑆 2 ] = 𝑛−1 = ⋯
𝛿2 4𝑛2 (𝑛 − 2)
𝑆𝑖𝑚𝑝𝑎𝑛𝑔𝑎𝑛 𝐵𝑎𝑘𝑢 = √𝑉𝑎𝑟 [ 2 ] = √ =⋯
𝑆 (𝑛 + 1)(𝑛 − 1)3
Heteroskedastisitas
Konsekwensi Heteroskedastisitas
Sama halnya dengan konsekwensi dari otokorelasi, dengan terjadinya heteroskedastisitas
maka variansi akan membesar. Dampak dari membesarnya variansi adalah: (1) pengujian
parameter (β) regresi dengan statistik uji t menjadi tidak valid, (2) selang kepercayaan
(perkiraan selang) untukparameter regresi cenderung melebar. Dengan melebarnya selang
kepercayaan, maka hasil dugaan yangdiperoleh menjadi tidak dapat dipercaya.
Deteksi Heteroskedastisitas
Cara mendeteksi heteroskedastisitas dapat secara informal atau formal. Secara informal
deteksi heteroskedastisitas adalah dengan metode grafik. Dalam literatur ekonemetrik banyak
ditunjukkan grafik yang menunjukkan terjadi heteroskedastisitas. Grafik yang dimaksudkan
adalah grafik yang mengaitkan Y dan X, untuk regresi linear sederhana, sedangkan untuk
regresi berganda, grafik yang mengaitkan e2 dengan Y atau e2 dengan x.
Metode Glejser
1. Regresikan X terhadap Y
Analyze -> Regression -> Linear kemudian pilih Save dan beri ceklist Unstandardized
dalam Tab Resudual.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -7.765 4.197 -1.850 .087
X .602 .249 .556 2.414 .031
a. Dependent Variable: Absolut_e
Dari tabel Coefficients di atas tampak bahwa Sig. Variabel X = 0.031 lebih kecil daripada 0.05.
Ini berarti variabel X berpengaruh terhadap Absolut error. Oleh karena itu dapat disimpulkan
bahwa uji Glejser mengindikasikan adanya heteroskedastisitas dalam model
Normalitas Error
Normalitas Error
Tujuan menguji normalitas error adalah untuk mengetahui apakah error dalam model regresi
bersistribusi normal. Seperti diketahui bahawa uji t dan uji F mengasumsikan nilai error
bersditribusi normal. Jika asumsi ini tidak terpenuhi maka hasil uji statisdtik menjadi tidak valid
khususnya untuk ukuran sampel kecil. Kita perlu memperhatikan bahwa asumsi error
berdistribusi normal ini terutama untuk sampel yang berukuran kecil. Oleh karena itu kita dapat
mengabaikan uji normalitas error jika sampelnya besar.
Konsekwensi Error Tidak Normal
Deteksi Normalitas
Terdapat dua cara mendeteksi normalitas error yaitu dengan analisis grafik dan uji statistik.
Analisis grafik merupakan cara termudah namun sering menyesatkan terutama untuk sampel
yang kecil. Analisis grafik merupakan uji tidak formal sedangkan uji statisitik merupakan uji
formal. Uji normalitas error bertujuan untuk menguji apakah dalam model regresi linear, error
atau residual berdistribusi normal. Pengujian sacara statisitk untuk uji normalitas error yang
dibahas adalah uji Jarque Bera (JB) dan uji Komogorov-Smirnov.
Hasil analisis:
Statistics
Unstandardized Residual
N Valid 16
Missing 0
Skewness -.691
Std. Error of .564
Skewness
Kurtosis -.075
Std. Error of Kurtosis 1.091
Klik OK
Hasil Analisis:
Pada One-Sample Kolmogorov-Smirnov Test di atas, tamapak bahwa nilai Asymp. Sig. (2-
tailed), yaitu sebesar 0.200. Ini berarti Sig. (2-tailed) lebih besar dari 0,05 (α = 5%) sehingga
H0 ditolak. Artinya, residual persamaan regresi tidak berdistribusi normal
Daftar Pustaka
Black, K. (2019). Business Statistics: For Contemporary Decision Making. Tenth Edition.
Hoboken: Wiley