Modul 1a Asumsi Klasik
Modul 1a Asumsi Klasik
STATISTIKA
MULTIVARIAT
Pokok Bahasan :
Asumsi Klasik
09
Fakultas Ekonomi dan Akuntansi S1 R. Roosaleh Laksono T.Y., ST, S.Si. ME
Bisnis (FEB)
Abstract Kompetensi
Agar penelitian yang kita buat bersifat Best Mahasiswa mampu ketepatan dalam
Linear Unbias dan Estimator (BLUE) maka menjelaskan definisi asumsi klasik dan
diperlukan tahap pengujian terhadap data yang ketepatan mengolah data dengan uji
digunakan dalam penelitian tersebut. asumsi klasik dengan bantuan software
Tahap pengujian tersebut yaitu dengan asumsi statistik SPSS.
klasik. Uji ini diperlukan untuk mengetahui ada
PERTEMUAN 9
ASUMSI KLASIK
9.1 PENDAHULUAN
Oleh karena data penelitian yang digunakan sering kali menggunakan data sampel dengan
pertimbangan biaya, waktu dan tenaga lebih efisien. Maka agar hasil penelitian yang dilakukan
dapat mengestimasi dari data populasi yang sebenarnya perlu dilakukan tahap pengujian
terhadap data penelitian tersebut. Statistik yang menggunakan data sampel untuk mengestimasi
data populasi yang sebenarnya inilah yang disebut dengan stattistik induktif
Agar penelitian yang kita buat bersifat Best Linear Unbias dan Estimator (BLUE) maka diperlukan
tahap pengujian terhadap data yang digunakan dalam penelitian tersebut. Analisa regresi
diperlukan dalam suatu penelitian agar model penelitian yang kita buat atau rancang berdasarkan
teori-teori yang diperoleh hubungan antar variabelnya dapat bersfat BLUE maka harus memenuhi
berbagai asumsi dan beberapa tahapan pengujian agar model (persamaan regresi) yang
digunakan dalam penelitian sebagai alat prediksi yang baik, valid dan akurat (bebas dari
kesalahan). Menurut Santoso (2005) dalam analisis regresi terdapat beberapa asumsi yang
dikenal dengan asumsi klasik yang harus dipenuhi sehingga persamaan regresi yang dihasilkan
akan valid jika digunakan untuk memprediksi (estimator).
Metode yang digunakan untuk menganalisa model regresi ini yaitu menggunakan metode
Ordinary Least Square (OLS), suatu metode untuk menghasilkan suatu estimasi persamaan
regresi berganda dengan menggunakan data sampel.
Selain itu pada metode OLS ini terdapat beberapa asumsi-asumsi utama (asumsi klasik) yang
mendasari model regresi. Uji ini diperlukan untuk mengetahui ada tidaknya masalah atau
penyimpangan asumsi klasik terhadap model penelitian yang dibuat, agar menghasilkan model
persamaan yang bersifat BLUE. Beberapa asumsi-asumsi utama (asumsi klasik) yaitu :
Model harus bersifat homoskedastisitas.
Nilai rata-rata kesalahan adalah nol, atau 𝐸(𝜇𝑖 𝐼𝑋𝑖 ) = 0.
Tidak bersifat mutikolinearitas yang sempurna antara variable bebas.
Tidak ada autokorelasi antar kesalahan (antar i dan j tidak ada korelasinya)
Pengujian model ini terlebih dahulu dilakukan pengujian atau evaluasi terhadap variable-variabel
yang akan digunakan. Kriteria yang digunakan untuk menguji atau mengevaluasi model adalah
dengan uji statistic dan kriteria uji ekonomitrik.
Multikolineritas yaitu suatu kondisi dimana apakah ada hubungan linear antar variable-
variabel bebas (independent variable) dalam model regresi berganda (multiple regression) dari
penelitian yang dibuat maka diperlukan Uji Multikolineritas (Multicolinearity Test) . Salah satu
gejala multikoliner ini ditunjukan oleh nilai R2 yang tinggi (melebihi 0,8 atau 80%) dan uji F yang
signifikan, akan tetapi variable bebas banyak yang tidak signifikan yang ditunjukan oleh uji parsial
t atau denga kata lain R2 yang tinggi akan tetapi sedikit rasio t yang signifikan. Model regresi yang
baik seharusnya tidak terjadi korelasi antar variabel independentnya atau tidak terjdi gejala
multikolinear. Sehingga dapat disimpulkan ciri dari multikolinear adalah :
• jika VIF dari suatu variabel melebihi 10 (VIF > 10) maka terjadi multikolinear, tetapi
jika VIF dari suatu variabel kurang 10 (VIF <= 10, 1-10) maka tidak terjadi
multikolinear
• jika Tolerance dari suatu variabel melebihi 0,1 (TOT >= 0,1) maka tidak terjadi
multikolinear, tetapi jika Tolerance dari suatu variabel kurang 0,1 (TOT < 0,1) maka
terjadi multikolinear
Multikolinearitas biasanya terjadi karena sebagian besar variabel yang digunakan saling
terkait dalam suatu model regresi
Multikolinearitas merupakan suatu kondisi adanya hubungan linier atau korelasi yang
tinggi diantara masing-masing variabel independen dalam sebuah model regresi
berganda
Misal ada sebuah penelitian yang meneliti tentang pengaruh nilai tukar (exchange rate)
dan Peumbuhan ekonomi (kedua variabel ini merupakan variabel independent) terhadap
nilai ekspor (variabel dependent). Berdasarkan kedua jenis variabel independen yang
digunakan yaitu nilai tukar (exchange rate) dan Peumbuhan ekonomi memiliki potensi
terjadinya multikolinearitas, hal tersebut disebabkan semakin menguatnya mata uang
suatu Negara maka ada kecenderungan pertumbuhan ekonomi juga semakin meningkat,
maka kedua variabel independent tersebut mungkin saja dapat saling berkolerasi terjadi
hubungan yang kuat.
Jika terjadi gejala multikolinearitas yang tinggi, standard error koefisien regresi akan semakin be-
sar dan mengakibatkan confidence interval untuk pendugaan parameter semakin lebar. Denga
n demikian terbuka kemungkinan terjadinya kekeliruan yaitu menerima hipotesis yang
salah. Uji multikolinearitas dapat dilaksanakan dengan jalan menggunakan Variance Inflation
Dengan cara transformasi data (misalnya dengan logaritma natural atau dengan
ekponensial)
Coefficientsa
Gejala Heteroscedasticity adalah gejala adanya situasi dimana nilai varian dari residual atau
error terms atau disturbance (ui) tidak konstan (non constant). Sebaliknya Gejala varian residual
yang sama dari satu pengamatan yang lain disebut dengan homokesatisitas.
Situasi heteroskedastisitas pada suatu model regresi akan menyebabkan penaksiran koefisien
koefisien regresi menjadi tidak efisien. Hasil taksiran akan menjadi kurang dari semestinya, akan
terjadi melebihi semestinya.
Untuk menguji adanya gejala heteroskedastisitas dalam varian error term suatu model regresi
dapat dilakukan dengan beberapa metode pengujian, yaitu dengan uji :
a) White’ Heteroscedasticity Test
b) Glejser test.
c) Park test
d) Bruesch-Pegan Godfrey test
e) Correlation Spearman test
H0 : Homoscedasticity
Var ui X i E ui X i 2
2
H1 : Heteroscedasticity Var ui X i i 2 2 X i
9.4 AUTOCORRELATION
Pengujian terhadap gejala autokorelasi lebih mudah ditimbulkan terhadap data yang bersifat
runtut waktu (time series), karena data masa sekarang dipengaruhi oleh masa yang lalu atau
sebelumnya :
•Gujarati (2007:112) uji autokorelasi merupakan adanya korelasi di antara anggota observasi
yang diurut menurut waktu (seperti deret berkala) atau ruang (seperti data lintas sektoral)
Bentuk autocorrelation atau disebut juga serial correlation didefinisikan sebagai korelasi antar
anggota dari rangkaian pengamatan yang dipengaruhi waktu (time) seperti dalam data runtun
waktu (data time series). (Gujarati, 2009). Secara symbol dapat ditulis sebagai berikut :
Cov(ui,u│xi,xj) = E(uiuj) = 0 dimana i ≠ j
Sehingga pengaruh dari autokorelasi diatas akan menyebabkan model regresi (estimator)
penelitian menjadi tidak baik (not best) tetapi hanya LUE tidak BLUE.
Untuk dapat mendeteksi adanya autokorelasi dalam situasi tertentu, ada beberapa pengujian
autokorelasi, antara lain adalah :
a) Metode Grafik
b) Uji Breusch-Godfrey
c) Uji Durbin Watson.
Terdapat beberapa pengujian untuk uji autokorelasi ini yang dapat dilakukan, salah satunya
yaitu dengan menggunakan uji Durbin-Watson (DW). Rumus persamaan dari DW itu sendiri
adalah sebagai berikut :
∑𝑛 ̂𝑡−1 )2
̂𝑡 −𝑢
𝑡=1(𝑢
𝐷𝑊 = ∑𝑛 ̂
𝑢 2 …...…… 9.3
𝑡=1 𝑡
Atau dalam rumus pendekatan yang sederhana dapat ditulis sebagai berikut :
∑𝒖
̂𝒕𝒖
̂ 𝒕−𝟏
𝒅 ≈ 𝟐 (𝟏 − ∑𝒖̂ 𝟐𝒕
) …..…………….…… 9.4
Batas nilai dari “d” itu sendiri adalah 0 ≤ d ≤ 4
Jika Autokorelasi ini kita abaikan maka akan timbul masalah sebagai berikut :
Koefisien estimasi atau estimator masih tetap tidak bias (unbiased). Akan tetapi tidak tepat
atau tidak teliti (uncorrect).
Keterangan:
d = Nilai Durbin-Watson
dL = Batas bawah DW
dU = Batas atas DW
Jika d < dL
Tolak H0 (reject H0)
Atau d > 4 - dL
Jika du < d < 4 - du ==> Terima H0 (not reject H0)
Jika dL d du
Tidak meyakinkan atau
Atau 4 - du d 4 - dL Tidak dapat diputuskan
Statistics lalu pilih Durbin-Watson pada kolom Residuals. Akan muncul seperti gambar dibawah
ini :
Dari hasil output didapatkan nilai statistik uji Durbin-Watson sebesar 1.915, nilai ini akan
dibandingkan dengan nilai tabel signifikansi 5% dengan (n=30) dan jumlah variabel independen
(K=3) yang menghasilkan nilai dL = 1.284 dan dU = 1.567. Karena nilai DW terletak antara dU
dan (4-dU) = 1.567 < 1.915 < 2.433 maka dapat disimpulkan bahwa tidak terdapat autokorelasi
antara semua variabel bebas (X) dengan variabel terikat (Y).
REFERENSI :
[1]. DR. rer.nat. Dedi Rosadi, MSc.,2012, Ekonometrika & Analisis Runtun Waktu Terapan, CV
Andi Offset.
[2]. Gujarati, Damodar N., 2009, Basic Econometrics, McGraw-Hill International Edition.
[3]. Sigit Nugroho, 2008, Statistika Multivariat Terapan, UNIB Press
[4]. Wing Wahyu, 2009, Analisis Ekonometrika dan Statistika, UPP STIM YKPN.