Uji Autokorelasi

dan
Multikolinieritas
Lidya Jufriyanti

SA601

1821068
Topik yang Dibahas
Uji Autokorelasi
1. Definisi
2. Dasar Pengambilan Keputusan
dalam Uji Autokorelasi Durbin
Watson
3. Contoh Kasus Pengujian
Autokorelasi dengan SPSS Uji Multikolinearitas
1. Definisi
2. Dasar Pengambilan Keputusan
dalam Uji Multikolinea
ritas dengan VIF dan
Tolerance
3. Contoh Kasus Pengujian
Multikolinearitas dengan SPSS
 01.
Definisi Auto Korelasi
Definisi Uji
Autokorelasi
Uji autokorelasi merupakan bagian dari uji
asumsi klasik (normalitas, multikolinearitas,
linearitas, dan heteroskedastisitas) dalam
analisis regresi linear sederhana dan berganda.
Uji autokorelasi bertujuan untuk menguji apakah
dalam model regresi linear terdapat korelasi
antara kesalahan penganggu pada periode t
dengan kesalahan penganggu pada periode t-1
(sebelumnya). Jika terjadi korelasi, maka
dinamakan ada problem autokorelasi.

Uji autokorelasi hanya dipakai untuk data time

series bukan data cross section. Karena
autokorelasi muncul saat ada observasi yang
berurutan sepanjang waktu dan berkaitan satu
sama lain.
Model regresi yang baik adalah regresi yang bebas dari gejala autokorelasi. Ada beberapa
cara yang dapat digunakan untuk mendeteksi ada atau tidaknya gejala autokrelasi seperti:
1. Uji Darbin Watson (DW Test)
Digunakan untuk autokorelasi tingkat satu dan mensyaratkan adanya intercept (konstanta)
dalam model regresi dan tidak ada variabel lagi diantara variabel independen.
2. Uji Lagrange Multiplier (LM Test)
Mempunyai tujuan untuk menentukan apakah data fit dengan menggunakan model common
effect atau dengan model random effect. Pengujian ini adalah untuk menentukan metode
estimasi terbaik regresi data panel.
3. Uji Breucsh Godfrey
Digunakan untuk menilai validitas beberapa asumsi permodelan yang melekat dalam
menerapkan model regresi pada seri data yang diamati.
4. Uji Run Test
Digunakan untuk menguji pada satu kasus sampel dengan data bertingkat dari nilai variabel
yang acak.
 02.
Dasar Pengambilan Keputusan
dalam Uji Autokorelasi Durbin
Watson
 Dasar Pengambilan
Keputusan dalam Uji
Autokorelasi Durbin
Watson
Uji autokorelasi dilakukan melalui uji durbin watson dengan cara
membandingkan nilai durbin watson hitung (d) dengan nilai durbin
watson (tabel), yaitu batas bawah (dL) dan batas atas (du). Penjabaran
pengujiannya adalah sebagai berikut: (Bustami, 2014) (Priyatno, 2012)
(Sugiyono, 2010)
1. Jika 0 < d < dL, maka terjadi namanya autokorelasi positif.
2. Jika dL < d < du, maka tidak dapat dipastikan terjadi autokorelasi
atau tidak.
3. Jika d-dL < d < 4, maka terjadi yang namanya autokorelasi negatif.
4. Jika 4-du < d < d-dL, maka tidak dapat dipastikan terjadi
autokorelasi atau tidak.
5. Jika du < d < 4-du, maka tidak terjadi autokorelasi positif ataupun
negatif.
03
Uji Autokorelasi dengan SPSS
“Pengaruh ROA, ROE, dan EPS
Terhadap Harga Saham PT Unilever
Indonesia, Tbk (Periode 2007-2014)
oleh Sitti Suhariana Buchari tahun
2015 dari Universitas Islam Negeri
(UIN) Makassar
1. Siapkan data yang ingin diuji, buka program SPSS. Klik Variabel View. Lalu, di bagian Name tulis X1, X2, X3, dan
Y. pada variabel Decimals ubah X3 dan Y menjadi angka 0 (karena datanya bukan desimal). Lalu pada baian Label,
tuliskan ROA, ROE, EPS, dan Harga Saham. Lalu, di variabel Measure ubah menjadi Scale. Lalu, variabel lainnya
abaikan saja. Lalu, klik, Data View dan masukkan semua data yang ingin diuji.
2. Lalu, klik Analyze → 𝑅𝑒𝑔𝑟𝑒𝑠𝑠𝑖𝑜𝑛 → 𝐿𝑖𝑛𝑒𝑎𝑟
3. Akan muncul kotak dialog dengan nama “Linear Regression”, maka masukkan variabel harga saham (Y) ke kolom
dependent dan variabel ROA (X1), ROE (X2), dan EPS (X3) ke kolom independent (s), lalu klik statistics.
4. Lalu, akan muncul kotak dengan nama “Linear Regression Statistics”. Pada bagian ini berilah tanda centang (√)
pada Durbin-Watson. Abaikan centangan yang lain. Lalu, klik Continue dan OK. Hasil output pun akan keluar.
Dari tabel hasil perhitungan di
samping dapat dilihat bahwa nilai
DW sebesar 2,492. Dapat
disimpulkan tidak terdapat
autokorelasi karena nilai Durbin
Watson berada antara 1,764 <
DW > 2.236. Dengan demikian,
asumsi non autokorelasi
terpenuhi.
 01.
Definisi
Multikolinearitas
Uji Multikolinearitas
Uji multikolinearitas adalah uji yang dilakukan untuk memastikan
apakah di dalam sebuah model regresi ada interkorelasi atau
kolinearitas antar variabel bebas. Interkorelasi adalah
hubungan yang kuat antara satu variabel bebas atau variabel
prediktor dengan variabel prediktor lainnya di dalam sebuah
model regresi. Interkorelasi itu dapat dilihat dengan nilai
koefisien korelasi antara variabel bebas, nilai VIF dan Tolerance,
nilai Eigenvalue dan Condition Index, serta nilai standar error
koefisien beta atau koefisien regresi parsial. Pada regresi yang
baik seharusnya tidak terjadi korelasi yang sempurna atau
mendekati sempurna diantara variabel bebas. (Duwi Priyatno,
2012)
 02.
Dasar Pengambilan Keputusan
dalam Uji Multikolinearitas
dengan Nilai VIF dan Tolerance
 Dasar Pengambilan Keputusan
dalam Uji Multikolinearitas
dengan nilai VIF dan Tolerance
Pedoman keputusan berdasarkan nilai Tolerance:
1. Jika nilai Tolerance lebih besar dari 0,10 maka artinya tidak terjadi
multikolinearitas dalam model regresi.
2. Jika nilai Tolerance lebih kecil dari 0,10 maka artinya terjadi
multikolinearitas dalam model regresi.
Pedoman keputusan berdasarkan nilai VIF (Variance Inflation Fcator):
1. Jika nilai VIF < 10, maka artinya tidak terjadi multikolinearitas dalam
model regresi.
2. Jika nilai VIF > 10, maka artinya terjadi multikolinearitas dalam model
regresi.

Catatan: kedua dasar pengambilan keputusan dalam uji

multikolinearitas di atas akan menghasilkan kesimpulan yang sama
(tidak akan bertentangan).
03
Uji multikolinearitas dengan SPSS
“Pengaruh ROA, ROE, dan EPS
Terhadap Harga Saham PT Unilever
Indonesia, Tbk (Periode 2007-2014)
oleh Sitti Suhariana Buchari tahun
2015 dari Universitas Islam Negeri
(UIN) Makassar
1. Langkah pertama sama seperti dengan uji autokorelasi
2. Lalu, klik Analyze → 𝑅𝑒𝑔𝑟𝑒𝑠𝑠𝑖𝑜𝑛 → 𝐿𝑖𝑛𝑒𝑎𝑟
3. Akan muncul kotak dialog dengan nama “Linear Regression”, maka masukkan variabel harga saham (Y) ke kolom
dependent dan variabel ROA (X1), ROE (X2), dan EPS (X3) ke kolom independent (s), lalu klik statistics.
4. Lalu, akan muncul kotak dengan nama “Linear Regression Statistics”. Pada bagian ini berilah tanda centang (√)
pada Covariance Matrix dan Colinearity Diagnostics. Abaikan centangan yang lain. Lalu, klik Continue dan OK. Hasil
output pun akan keluar.
Berdasarkan tabel di atas, menunjukkan bahwa tidak ada satu variabel
bebas yang memiliki nilai tolerance kurang dari 0,10. Kondisi tersebut
berarti bahwa tidak ada korelasi antara variabel independen yang nilainya
lebih dari 95%.
Hasil perhitungan VIF juga menunjukkan kondisi yang sama, yaitu semua
variabel bebas (independen) memiliki nilai VIF di bawah 10. Nilai Variance
Inflation Factor (VIF) dari masing-masing variabel independen, yaitu
Return On Asset (ROA) sebesar 1.421, Return On Equity (ROE) sebesar
8.052, dan Earning Per Share (EPS) sebesar 8.535, sehingga dapat
disimpulkan bahwa seluruh variabel independen pada penelitian ini tidak
terdapat adanya indikasi gejala multikolinearitas.