TUTORIAL KE-4

ASUMSI-ASUMSI REGRESI OLS

(Ordinary Least Square)
METODE KUADRAT TERKECIL
Kompetensi Khusus

Mahasiswa diharapkan dapat:

Menjelaskan asumsi-asumsi regresi OLS
Menjelaskan dampak pelanggaran asumsi-asumsi regresi OLS
KRITERIA STATISTIK YANG BAIK
1. Tidak Berbias
Dalam pengambilan sampel yang berulang-ulang menghasilkan
rata-rata yang sama dengan rata-rata populasi
2. Efisien
Kesalahan baku (simpangan baku/standar deviasi) dari sampel-
sampel yang diambil secara acak kecil
2. Konsisten
Peluang untuk memperoleh perbedaan antara statistik dan
parameter sebesar berapapun akan mendekati nol jika individu
sampel diperbanyak

Pendugaan nilai koefisien regresi dengan OLS ditujukan untuk

mencapai kondisi statistik yang baik
Asumsi-asumsi harus dipenuhi
ASUMSI-ASUMSI YANG MENDASARI OLS

Asumsi terkait error

Asumsi terkait variabel bebas X
ASUMSI TERKAIT ERROR ( )
1. Nilai harapan dari setiap error adalah 0
E i 0

Akibat pelanggaran E 0
i
: Nilai a menjadi bias

2. Ragam/varian i 2 sama untuk semua error (Homokedastisitas)

Pelanggaran asumsi Homokedastisitas disebut heterokedastisitas

Akibat pelanggaran : Penduga OLS yang diperoleh
i i
2

tidak lagi efisien, baik untuk

sampel berukuran kecil
maupun besar
Kasus heteroskedatisitas biasanya terjadi secara alami pada
variabel-variabel ekonomi, seperti: kasus rumah tangga dengan
pendapatan yang berbeda, namun terkadang memiliki pengeluaran
yang hampir sama.
ASUMSI TERKAIT ERROR ( )

3.
Tidak ada autokorelasi/ hubungan antar error i j 0 untuk i j

Akibat pelanggaran i j 0 : Penduga OLS tidak efisien

Penyebab terjadinya kasus autokorelasi :

1. Terdapat variabel bebas yang penting tetapi tidak
dimasukkan ke dalam model regresi
2. Pola hubungan antara X dan Y tidak linear (kuadratik, kubik,
atau nonlinear) ketika digambarkan dalam scatterplot
3. Data pengamatan yang diambil merupakan data yang dicatat
menurut waktu tertentu (data time series), seperti: perjam,
harian, mingguan, bulanan, triwulan, kuartal, dan tahunan
4. Adanya manipulasi data yang menyebabkan residual data
terbentuk secara sistematik
5. Transformasi data yang tidak sesuai
ASUMSI TERKAIT ERROR ( )
4. Error menyebar normal dengan rata-rata 0 dan ragam/varian 2
i N 0, 2

Penyebab terjadinya kasus non-Normalitas :

Terdapat error yang ekstrim (outliers)
Kondisi alami dari data yang pada dasarnya tidak
berdistribusi Normal tetapi berdistribusi lain seperti
binormal, multinormal, eksponensial, gamma, dan
lain-lain.

Akibat pelanggaran normalitas : penduga OLS tetap menghasilkan

penduga koefisien regresi yang
linier, tidak berbias, dan terbaik
ASUMSI TERKAIT VARIABEL BEBAS X
1. Variabel bebas X konstan dalam pengambilan sampel terulang dan
bebas terhadap error
Akibat pelanggaran asumsi : penduga akan bias dan tidak konsisten

2. Variabel bebas X dengan variabel bebas X lainnya saling bebas

(Asumsi non-Multikolinieritas) : Hanya berlaku utnuk regresi linier
berganda
Akibat pelanggaran asumsi non-Multikolinieritas :
1. Penduga interval koefisien regresi sangat lebar
2. Ragam/varian parameter regresi tidak stabil
3. Tidak dapat dipisahkan pengaruh secara individu dari tiap
variabel bebas terhadap variabel terikat

Penyebab terjadinya kasus Multikolinieritas adalah terdapat

korelasi atau hubungan linear yang kuat diantara beberapa
variabel bebas yang dimasukkan kedalam model regresi.
 LIHAT TES FORMATIF 1
UJI ASUMSI KLASIK
1. ASUMSI NORMALITAS SEBARAN X, Y, DAN ERROR

Distribusi normal diperlukan untuk penggunaan uji F dan t (jika

tidak normal, uji F dan t tidak valid)
Beberapa diagnostik untuk normalitas
1. Metode grafik (histogram, Normal Prpbability Plot, skewness)
2. Dilakukan pengujian dengan metode formal, yaitu uji Kolmogorov-
Smirnov, uji Anderson-Darling, uji Shapiro-Wilk, dengan hipotesis
yaitu:
H0 : Error berdistribusi normal
Ha : Error tidak berdistribusi normal

Penanganan pelanggaran asumsi normalitas yaitu:

1. Menghapus data error yang memiliki nilai outliers
2. Melakukan transformasi variabel terhadap variabel respon (y) dan
variabel prediktor (X). Transformasi yang digunakan adalah
transformasi ln, akar kuadrat, dan Box-Cox.
3. Menggunakan regresi boostrap.
2. ASUMSI NON-AUTOKORELASI

Cara mendeteksi autokorelasi : Menggunakan statistik Durbin-

watson / DW. Nilai DW yang diperoleh dipetakan menjadi :
1. Daerah I 0 DW dL autokorelasi positif
2. Daerah II dL DW dU tanpa keputusan
3. Daerah III dU DW 4-dU tidak ada autokorelasi (baik
autokorelasi positif maupun negatif)
4. Daerah IV 4-dU DW 4-dL tanpa keputusan
5. Daerah V 4-dL DW 4 autokorelasi negatif
3. ASUMSI NON-MULTIKOLINIERITAS
 Penangan pelanggaran asumsi non-multikolinieritas
1. Menghapus 1 atau lebih variabel bebas X yang berkorelasi tinggi
2. Menggunakan model yang mempunyai variabel bebas yang
berkorelasi tinggi hanya untuk prediksi
3. Menggunakan korelasi sederhana antara dependent-inddependet
variable
4. Menggunakan regresi bayes, ridge regression, principal component
regression
4. ASUMSI KEHOMOGENAN RAGAM

Tercakup dalam normalitas

5. ASUMSI LINIERITAS

Deteksi : menggunakan nilai deviation from linearity dari uji F.

Jika nilai deviation from linearity tidak signifikan (sig > 0,05) : hubungan
antara variabel bebas X dengan variabel terikat Y adalah linier.
CONTOH ANALISIS SPSS DI MODUL 5