1.

Uji Multikolinieritas
Asumsi : Tidak terjadi hubungan yang kuat antar variable bebas yang digunakan dalam
persamaan regresi
Definisi : keadaan dimana terdapat hubungan linier sempurna diantara sebagian / seluruh
variabel penjelas / independen dalam model regresi
- Multikolinieritas sempurna : koefisien regresi dari variabel tidak dapat ditentukan dan
standar error tidak terhingga
- Multikolinieritas tidak sempurna : koefisien dapat ditentukan, tetapi memiliki standar error
yg besar sehingga koefisien2 tidak dapat diestimasi sg keakuratan yg tinggi
Penyebab :
- Metode pengumpulan data yg digunakan : sebaran nilai terbatas, batasan model/populasi pd
sampel
- Model yg “overdetermined” : model yg memiliki lebih banyak variabel independen daripada
jumlah observasinya
- Data dari variabel independen memiliki tren yg sama (data time series) = ketika tren sama2
naik
Muktikolinieritas masalah?
- Apabila tujuan untuk prediksi bukan suatu masalah karena semakin tinggi r-square (r2) maka
semakin baik karena semakin mendekati 1
- Multikolinieritas menjadi masalah jika inign menganalisis menemukan estimasi parameter
yang diandalkan = mengambil kebijakan
Contoh :
a. Variabel luas lahan dan pupuk sebagai factor input produksi = Bukan Multikol
b. Variable umur dan pengalaman petani = Multikol
Konsekuensi :
- Estimastor masih blur, tetapi estimator memiliki varians dan kovarians yg besar (standar
error besar) sehingga sulit mendapatkan estimasi yg akurat
- Interval kepercayaan cenderung sangat lebar, karena standar error yg besar
- Nilai t statistik menjadi tidak signifikan
- Nilai r2 tinggi, tetpai hanya sedikit variabel independen yang memiliki nilai t signifikan
Deteksi :
a. Nilai R2 tinggi, tetapi sedikit variabel independen memiliki nilai t statistik yg signifikan
b. Korelasi parsial antar variabel independen, jika >0.85 = multikolonieritas & sebaliknya
c. Regresi auxiliary
d. Deteksi klien
e. Nilai Varian Inflation Factor (VIF) = >10 multikol & tolerance = mendekati 1 multikol
Penyembuhan :
- Tanpa perbaikan
- Menghilangkan variabel independen yg berkorelasi tinggi, Transformasi variabel,
Penambahan variabel, Mengkombinasikan data cross section & time series

2. Uji Heteroskedestitsitas
Asumsi : variance atau ragamnya harus konstan (homoskedestisitas)
- Variance (s2) = ukuran seberapa persebaran data
- Standar deviasi (s) = sebaran data sampel & seberapa dekat titik data individeu ke rata2/mean
- Varians rendah mengindikasikan bahwa titik condong sangat dekat dg nilai rata2 (nilai
ekspektasi)
- Varians tinggi mengindikasikan bahwa titik data sangat tersebar dari nilai rat2 dari satu dg
lainnya
- Residual = selisih data ril dengan garis regresi (hasil estimasi/sampel)
- Sering terjadi pada data cross section
Penyebab :
- Variasi data yg besar antara individu & waktu | individu = gdp / waktu = waktu covid
- Kesalahan penginputan data
- Data yang menyimpang (outlier)
- Transformasi / fungsi yg salah = model non linier dipaksa linier
- Variabel yang digunakan dalam penelitian memiliki ragam yang sangat beragam sehingga
menghasilkan error term yang tidak konstan.
Dampak :
- Ketika terjadi heteroskedestisitas, varians akan bernilai besar, otomatis nilai standar error
juga besar, hali ini nilai t-stat kecil sehingga menyebabkan variabel independen (melalui t-
stat) menjadi tdk signifikan
- Pengambilan keputusan dalam keadaan heteros menyebabkan keputusan tdk valid
Deteksi :
a. Grafik, dengan cara memodelkan nilai error term (u) nya; (Informal)
b. Uji Goldfeld-Quand test, dengan cara membagi data dalam 2 kelompok (subset) dan
diregresikan secara terpisah;
c. Uji Glejser, dengan cara meregresikan variable bebas dengan nilai residual yang lainnya
dimutlakkan
d. Uji Park, white test dan uji lainnya
H0 : Homoskedestisitas
Ha : Heteroskedestisitas
Penyembuhan :
- Metode GLS karena dapat menjelaskan lebih tepat pengaruh variabel independen sesuai
bobotnya
- Gunakan Heteriscediesticity Consistent Covariance-White

3. Uji Autokorelasi
Definisi : korelasi antar galat (dengan dirinya sendiri) pada periode t dengan t-1
Asumsi : tidak ada korelasi antara residual pada periode t dengan residual periode sebelumnya (t-
1)
- Autokorelasi menunjukkan sifat residual yang tidak bebas dari periode t ke periode lainnya t-
1,t-2
- Uji Autokorelasi dilakukan pada data Time Series
Penyebab :
a. Pemilihan variable tidak tepat
b. Inertia / variable yang dipilih dalam kondisi penyesuaian akibat goncangan ekonomi
c. Specification bias / kesalahan spesifikasi model antara lain terjadi apabila terdapat omitted
variable (mengeluarkan variable yang seharusnya ada pada model) dan menggunakan bentuk
fungsional yang tidak tepat
d. Lagged response dari data yang digunakan = kebijakan pemerintah
e. Rekayasa data / interpolasi
Dampak :
a. Hasil estimator OLS tetap tidak biasa dan konsisten tetapi tidak BLUE karena varian residual
regresi menjadi tidak minimum pada estimator kelas linier
b. Varians residual cenderung mengestimasi nilai varians residual yg terlalu rendah dari yg
seharusnya, sehingga nilai uji t akan besar sehingga menimbulkan kesan signifikansi
(padahal mungkin tidak)
Deteksi :
Metode Informal :
a. Metode Grafis = ketika ada pola antara residual ke-t sampaai ke t-1
Metode Formal :
a. Statistic Durbin Watson DW
 Melakukan pengujian nilai DW statistic (d) / hasil eviews yang didapat dari DW tabel
 Tabel DW, batas atas (dL) dan batas bawah (dU)

b. Breusch – Godfrey Test

Pengobatan Autokorelasi :
- Menggunakan Generalized Least Square (GLS)
- Memberikan dummy variable
- Menambahkan variable lag = independen ke dependen // (yt – 1)