Asumsi Klasik

Asumsi Klasik (Pengujian Asumsi OLS) Dalam

Model regresi
Cara mendeteksi asumsi-asumsi OLS
(1) Uji asumsi berkaitan dengan masalah adanya
hubungan antar variabel independent di dalam
regresi berganda (multikolinieritas)
(2) Uji adanya variabel gangguan yang tidak
konstant (heteroskedastisitas)
(3) Uji adanya hubungan variabel gangguan antara
satu obsevasi dengan observasi yang lain
(autokorelasi)
 MULTIKOLINEARITAS DALAM
REGRESI LINEAR

Jika suatu model mempunyai beberapa variable, dan

sebagian dari variable diantara mereka akan menjelaskan
hubungan linier secara pasti, maka hal ini dikenal
sebagai multikolinierity.

Hubungan yang erat antara variabel independen akan

berdampak pada bias pendugaan parameter dan semakin
tingginya nilai standart error yang dihasilkan dalam
analisis. Kemungkinan paling jelas dari hal ini adalah
besarnya peluang untuk ditolaknya hipotesis alternatif
berkenaan dengan pendugaan parameter.
Retno Fitrianti 3
 Permasalahan dalam
Model Regresi Linier Berganda
1. Multikolinieritas
Multikolinieritas terjadi bila paling tidak salah satu var.
bebas berkorelasi dgn var. bebas lainnya.
Multikolinieritas sempurna terjadi bila tdpt hubungan
linear antar variabel bebas.
Jika antarvariabel independent X's terjadi multikolinearitas
sempurna, maka koefisien regresi variabel X tidak dapat
ditentukan dan nilai standar error menjadi tak terhingga.
Jika multikolinearitas antarvariabel X's tidak sempurna tetapi
tinggi, maka koefisien regresi X dapat ditentukan, tetapi memiliki
nilai standard error tinggi yang berarti nilai koefisien regresi tidak
dapat diestimasi dengan tepat

Retno Fitrianti 4
Penyebab Terjadinya Multikolinearitas
• Metode pengumpulan data yang digunakan yaitu sampling pada kisaran
nilai tertentudari variabel independent dalam populasi.
• Adanya constraint pada model atau populasi yang dijadikan sampel.
Misalkan pad regresi pengaruh income (X1) dan ukuran rumah (X2)
terhadap konsumsi listrik (Y). Disini terdapat kendala pada populasi yaitu
keluarga dengan income tinggi umumnyamemiliki ukuran rumah yang lebih
besar dibandingkan keluarga dengan income rendah.
• Spesifikasi model, misalkan dengan menambahkan variabel polynomial
dalam modelregresi ketika kisaran variabel X kecil. Selain itu, model dengan
interaksi antarvariabelindependen (X1*X2) juga dapat menyebabkan
multikolinearitas.
• Overdetermined model, hal ini terjadi ketika model regresi memiliki jumlah
variabelindependent yang lebih besar dari pada jumlah observasi.

Retno Fitrianti 5
 Permasalahan dalam
Model Regresi Linier Berganda

Akibatnya ?

 Jika tdpt Multikolinieritas sempurna, parameter

tidak dapat diduga dgn metode OLS.
 Nilai varians besar  standar error besar  selang
kepercayaan lebar.
 Uji-t tidak signifikan
 Tanda (sign) parameter bisa berlawanan.
 R2 tinggi, tp banyak variabel yang tidak signifikan

Retno Fitrianti 6
 Multikolinieritas
Cara mendeteksi ?
 Regresikan setiap variabel bebas Xi dgn variabel
bebas lainnya yg ada dalam persamaan (auxiliary
regression). Jika uji F menunjukkan hasil yang
signifikan berarti terdapat kolinearitas antara
variabel Xi dengan variabel bebas lainnya.
 Cek korelasi antar variabel bebas  matrik
korelasi.
Cara mengatasi ?
 Gunakan informasi a priori, berdasarkan keyakinan
atau hasil penelitian terdahulu.
 Lakukan regresi elementer, kemudian tambahkan
satu per satu variabel yg diduga relevan
mempengaruhi var terikat.
 Menggabungkan data cross-section dan time series
 Mengeluarkan salah satu variabel yang kolinier.
 Mentransformasikan variabel.
 Mencara data tambahan atau data baru
Retno Fitrianti 7
Permasalahan dalam
Model Regresi Linier Berganda
2. Heteroskedastisitas
• Heteroskedastisitas adalah kebalikan dari homoskedastisitas, yaitu
keadaan dimana terjadinya ketidaksamaan varian dari error untuk
semua pengamatan setiap variabel bebas pada model regresi.

• Sebaliknya, pengertian homoskedastisitas adalah keadaan dimana

adanya kesamaan varian dari error untuk semua pengamatan
setiap variabel bebas pada model regresi.

Retno Fitrianti 8
Permasalahan dalam
Model Regresi Linier Berganda
2. Heteroskedastisitas
Heteroskedastisitas terjadi bila varians i tidak konstan,
tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Yi = 0 + 1 X1i + i
Var(i ) bisa kemungkinan semakin besar atau semakin
kecil dengan semakin besarnya nilai X1i. Var(i ) = i2
Misal:
(1) Model Konsumsi = o + 1 Pendapatan + 
(2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman + 

Retno Fitrianti 9
• Tetapi kenyataannya sangat sulit untuk mendapatkan data dengan
varians yang konstan, sehingga sering terjadi pelanggaran dalam
asumsi ini yang disebut heteroskedastisitas.
• Heteroskedastisitas adalah kondisi dimana varians residual (error)
data tidak sama (tidak konstan) pada semua data amatan yang akan
diuji dengan menggunakan regresi linier.

Retno Fitrianti 10
Pada model (1), Var(i ) cenderung lebih besar dengan
semakin besarnya pendapatan.

C C = o + 1 Y

Pada model (2) Var(i ) cenderung lebih kecil dengan

semakin lama pegalaman dalam mengetik.

K = o - 1 P

Retno Fitrianti
P 11
 Akibat Heteroskedastisitas ?

• Karena Var(i ) tdk konstan, tapi ditentukan oleh X1i , maka:

 xi2 i2.
Var(b1) =. 2 2.
( xi )
• Besarnya Var(b1) menyebabkan nilai SE(b1) juga akan besar,
sehingga interval kepercayaan menjadi lebih besar dan pada
uji-t variabel menjadi tidak signifikan.
• Kesimpulan yang diambil dapat menyesatkan.

Hasil pendugaan tetap tak bias dan konsisten, akan

tetapi varians dr parameter dugaan tdk bisa minimum
shg dikatakan tidak efisien
 tidak memenuhi syarat BLUE
Retno Fitrianti 12
Konsekuensi Heteroskedastisitas
• Akibat tidak konstannya varians menyebabkan varians hasil estimasi
menjadi besar.
• Besarnya varians estimasi akan berpengaruh pada uji hipotesis yang
dilakukan (uji t dan uji F) karena kedua uji tersebut menggunakan
besaran varians estimasi. Akibatnya, kedua uji hipotesis tersebut
menjadi tidak akurat.
• Lebih besarnya varians estimasi akan mengakibatkan standard
error juga lebih besar sehingga interval kepercayaan menjadi lebar.
• Akibat dari beberapa dampak tersebut menyebabkan kesimpulan
yang diambil dari persamaan regresi yang dihasilkan dapat
menyesatkan.
Retno Fitrianti 13
Cara mendeteksi ?

 Metode Grafik
Buat diagram plot antara ui2 dan Ŷ. Heteros-
kedastisitas akan terdeteksi apabila sebaran
plot menunjukkan pola yang sistematis.

Metode ini memeriksa pola ( 𝑈𝑖2 ) residual terhadap

estimasi 𝑌𝑖 (𝑌𝑖 )

Retno Fitrianti 14
Cara mendeteksi ?
 Uji Park
Meregresikan ui2 dengan X1i dalam bentuk
persamaan log linear.
ln ui2 = o + 1 ln X1i + i
ui adlh error term pd regresi Yi = 0 + 1 X1i +
i
 Metode Goldfeld-Quant
Prinsipnya adlh membagi dua data X1i bdsrkan
urutan terkcil – terbesar dan meregresikan
masing2 untuk memperoleh nilai RSS.

Retno Fitrianti 15
 Langkah-langkah Metode Goldfeld-Quant:

 Urutkan data X1i berdasarkan urutan terkecil –

terbesar
 Abaikan bbrp pengamatan (c pengamatan) di sekitar
median.
 Regresikan pengamatan (N-c)/2 pertama dan kedua,
hitung RSS, sehingga didapatkan RSS1 dan RSS2.
 Hitung rasio kedua RSS ():
RSS2/df2
= ; df adalah derajat bebas (n-k-1)
RSS1/df1
 Lakukan uji F, bila  > F berarti terjadi heteroskedas-
tisitas.

Retno Fitrianti 16
Cara Mengatasi Heteroskedastisitas
• Metode Generalized Least Square (GLS)

Akan dilakukan estimasi transformed model dengan OLS dan

hasil estimasi akan BLUE, sedangkan model asli yang belum
ditransformasikan bila diestimasi dengan OLS, maka hasil
estimasinya tidak BLUE. Prosedur mengestimasi transformed
model dengan OLS ini disebut Generalized Least Square (GLS).

Retno Fitrianti 17
Cara Mengatasi Heteroskedastisitas
• Transformasi Logaritma
Tujuan dari transformasi ke dalam bentuk logaritma ini adalah
membuat perbedaan nilai varians menjadi lebih kecil.
Dengan mengecilkan nilai perbedaan inilah diharapkan data yang
heteroskedastis dapat menjadi homoskedastis.
Transformasi logaritma juga biasanya digunakan ketika kondisi data
tidak linier. Yang digunakan dalam transformasi logaritma adalah
logaritma natural.
Logaritma natural biasanya digunakan untuk data yang tidak
berdistribusi normal menjadi berdistribusi normal atau mendekati
distribusi normal.

Retno Fitrianti 18
Retno Fitrianti 19