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:
 Hubungan variabel dependen dan independen linier.
 Varian dari populasi adalah konstan atau homokedastik.
 Tidak ada autokorelasi dalam gangguan.
 Tidak ada multikolinearitas di antara variabel
independen.
 Distribusi data secara normal.
Uji Asumsi Linearitas
 Digunakan untuk menguji apakah hubungan
antara VD dan VI merupakan hubungan linier.
 Jika merupakan hubungan linear, VD berubah
secara proporsional dengan perubahan VI.
 Perubahan VD diukur berdasarkan koefisien
regresi.
 Misalnya, model empiris yang dikembangkan
adalah sbb:
 UL = a + b1DS1+ e
Langkah-langkah
Buka file Hatco.sav.
Pilih menu Analyze, Compare Means, Means.
Masukkan X9 ke isian Dependent List,
sedangkan X1 dimasukkan ke isian Independent
List.
Klik menu Option dan aktifkan Test for
linearity.
Klik OK untuk menjalankan SPSS.
Keputusan:
 Pada baris Linearity:
 Ho: Model regresi tidak linear
 H1: Model regresi linear

 Pada baris Deviation from linearity

 Ho: Tidak ada deviasi linear
 H1: Ada deviasi linear
Output SPSS
F Sig.
UL * DS Between Groups
(Combined) 2,640 ,000

Linearity 79,788 ,000

Deviation from ,925 ,603

Linearity

• Karena nilai Sig linearity < 0,05, H1 diterima. Jadi, model regresi linear.
• Karena nilai Sig deviation from linearity > 0,05, H0 diterima. Jadi, tidak ada
deviasi linear pada model regresi.
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.
Contoh:
Seorang peneliti ingin menguji apakah dalam model regresi
yang dikembangkan terjadi heterokedastisitas. Model yang
dikembangkan adalah: UL = a + b1DS1+ b2PL2+ b3PF3 + e
Langkah-langkah:
Buka file Hatco.sav.
 Pilih menu Analyze, Regression, Linear.
Untuk keseragaman, lakukan pengisian kolom-kolom berikut
ini.
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.
Simpulan:
 Dari grafik scatterplots terlihat bahwa
titik-titik menyebar secara acak sehingga
dapat disimpulkan tidak terjadi
heterokedastisitas.
 Model regresi layak dipakai untuk
memprediksi UL berdasarkan input dari
DS, PL, dan PF.
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;
Jika Sig. > 0,05, terjadi homoskedastisitas
Hasil Uji Park
Coefficientsa

Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 2,361 1,253 1,885 ,062
X2 ,117 ,147 ,092 ,797 ,427
X3 -,250 ,127 -,219 -1,968 ,052
X4 -,242 ,138 -,178 -1,749 ,083
a. Dependent Variable: LNRESID
 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.
Uji Autokorelasi (cont’d)
Contoh:
Seorang peneliti ingin menguji apakah dalam model
regresi yang dikembangkan terdapat problem
autokorelasi.
Langkah-langkah:
Buka file Hatco.
Pilih menu Analyze, Regression, Linear.
Untuk keseragaman, lakukan pengisian kolom-kolom
berikut ini.
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.
Tabel Model Summary
Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson
1 .757 a .574 .565 5.930 1.920
a. Predictors: (Constant), Price level, Delivery speed
b. Dependent Variable: Usage level
Interpretasi Angka D-W
 Angka D-W sebesar 1,920. Artinya, model regresi
di atas tidak memiliki masalah autokorelasi.
 Karena tidak terdapat problem autokorelasi,
model regresi layak untuk dipakai.
 Jika terdapat problem autokorelasi, dapat diatasi
dengan cara:
 Melakukan transformasi data.
 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.
Contoh:
Seorang peneliti ingin menguji apakah dalam
model regresi yang dikembangkan terjadi problem
multikolinieritas.
Langkah-langkah:
Buka file Hatco.sav.
Pilih menu Analyze, Regression, Linear.
Untuk keseragaman, lakukan pengisian kolom-
kolom berikut ini.
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 variabel independen harus
lemah (< 0,9).
 Coefficientsa
Collinearity Statistics
Model Tolerance VIF
1 Delivery speed .878 1.139
Price level .878 1.139
a. Dependent Variable: Usage level

Coefficient Correlationsa
Delivery
Model Price level speed
1 Correlation Price level 1.000 .350
s
Delivery .350 1.000
speed
Covariances Price level .283 .090
Delivery .090 .232
speed
a. Dependent Variable: Usage level
Interpretasi hasil SPSS
 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.
Remedial
 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:
 Menghitung rasio skweness dan kurtosis.
 Uji Kolmogorov-Smirnov dan Shapiro-Wilk.
 Membuat Q-Q plot dan Detrended Normal Q-Q plot.
Transformasi Data
 Bentuk transformasi data yang tidak terdistribusi
normal dapat ditentukan berdasarkan bentuk grafik
histogram.
Bentuk Grafik Histogram Bentuk Transformasi
Moderate (+) skewness SQRT (x) atau akar kuadrat
Substansial (+) skewness LG10 (x) atau LN
Severe (+) skewness dgn bentuk L 1/x atau inverse
Moderate (-) skewness SQRT (k-x)
Substansial (-) skewness LG10 (k-x)
Severe (-) skewness dgn bantuk J 1/(k-x)

 Keterangan: k adalah nilai maksimum data mentah x