 Model regresi yang dihasilkan harus terhindar dari

penyakit asumsi klasik.

 Jika terdapat asumsi klasik harus dilakukan
tindakan penyembuhan terhadap model yang
dihasilkan.
 Pada umumnya tindakan penyembuhan akan
memperbaiki kualitas dari model yang dihasilkan
atau dengan kata lain masalah penyakit akan
teratasi.
 Namun yang perlu diperhatikan tidak ada jaminan
bahwa penyakit yang terjadi SECARA OTOMATIS
AKAN SEMBUH. Bisa saja hanya kadar penyakitnya
yang berkurang dan tidak sembuh total.
 Dalam beberapa kasus bisa terjadi penyembuhan
satu penyakit asumsi klasik akan menimbulkan
penyakit asumsi klasik lainnya.
 Intuisi dari si peneliti sangat dibutuhkan untuk
melakukan tindakan penyembuhan. Artinya jika
terdapat lebih dari satu penyakit asumsi klasik
maka harus dilakukan beberapa alternatif
penyembuhan dan harus ditentukan penyakit mana
yang terlebih dahulu harus disembuhkan.
 Semakin sering melakukan penelitian maka intuisi
si peneliti akan semakin baik untuk memperbaiki
penyakit asumsi klasik yang terjadi
PENYEMBUHAN NORMALITAS
 Jika model regresi yang dihasilkan melanggar asumsi
normalitas, maka penyembuhan yang dapat dilakukan
adalah :
a. Menambah jumlah observasi (sampel size)
Semakin besar jumlah observasi maka distribusi sampel
akan semakin mendekati distribusi populasi sehingga
asumsi normalitas akan terpenuhi.
Penyembuhan normalitas dengan cara ini tentu saja akan
menimbulkan opportunity cost yang tinggi (baik waktu,
tenaga maupun biaya)
b. Mentransformasi model dalam bentuk non linier seperti
LOG atau LN (Transform – Compute-ketik
logsales(Lg10(sales)) begitu juga harga,income dan
adverts

UNTUK KASUS 6.1. MODEL YANG DIHASILKAN TIDAK

PENYEMBUHAN MULTIKOLINEARITAS
 Jika model regresi yang dihasilkan melanggar asumsi
multikolinearitas, maka konsekuensinya :
a. Koefisien regresi yang dihasilkan nilainya KECIL
sehingga pengaruh dari variabel independen
terhadap dependen akan kecil
b. Standard error dari koefisien regresi akan besar
sehingga nilai t-statistiknya akan kecil dan secara
statistik pengaruh dari variabel independen tidak
akan signifikan terhadap variabel dependennya
Pada kasus 6.1. Terjadi MULTIKOLINEARITAS untuk
variabel HARGA DAN ADVERTISING
(Di Tabel Coefisient nya tidak lebih dari 10)
 Jika model regresi yang dihasilkan melanggar asumsi
multikolinearitas, maka penyembuhan dilakukan dengan
cara
a. Membuang variabel yang mengandung
MULTIKOLINEARITAS. (Cat. Pastikan bahwa secara
konseptual antara variabel independen tidak terjadi
hubungan langsung. Jika ada hubungan langsung
maka VARIABEL yang mengandung multikolinearitas
harus DI DELETE. Tetapi jika secara konseptual
tidak ada hubungan langsung sebisa mungkin
hindari mendelete variabel yang mengandung
multikolinearitas).
b. Transformasi model dalam bentuk non linier seperti
dalam bentuk LOG atau LN
Untuk kasus 6.1. terdapat MULTIKOLINARITAS untu
variabel HARGA DAN ADVERTISING
Jika model regresi yang dihasilkan melanggar asumsi
normalitas, maka konsekuensinya :
a. Koefisien regresi yang dihasilkan nilainya KECIL
sehingga pengaruh dari variabel independen
terhadap dependen akan kecil
b. Standard error dari koefisien regresi akan besar
sehingga nilai t-statistiknya akan kecil dan secara
statistik pengaruh dari variabel independen tidak
akan signifikan terhadap variabel dependennya
Pada kasus 6.1. Terjadi MULTIKOLINEARITAS untuk
variabel HARGA dan ADVERTISING
Tindakan Penyembuhan MULTIKOLINEARITAS (Pilih
yg Biasa jangan Log)
1. Jika penyembuhan dilakukan dengan cara
mentransformasi model dalam bentuk LOG diperoleh
hasil sbb :] (Analize, Nonparametric Test, Sample K-S)
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 1.663 1.847 .900 .381
LOGHARGA -1.525 .599 -.276 -2.544 .022 .037 26.669
LOGINCOM .728 .373 .312 1.954 .068 .017 57.815
LOGADVER .827 .143 .437 5.802 .000 .078 12.790
a. Dependent Variable: LOGSALES

Hasil penyembuhan :
Model yang dihasilkan justru semakin memperburuk
kualitas model dimana dalam bentuk LOG justru
menyebabkan seluruh variabel mengandung
MULTIKOLINEARITAS (Normal jika lebih besar dari
0,05 dan lebih kecil dari keduanay) analize-linier-
2. Membuang variabel yang mengandung MULTIKOLINE
RITAS yaitu dalam hal ini ADVERTISING (variabel
HARGA walaupun paling besar nilain VIFnya tetapi
tidak boleh dihilangkan karena merupakan variabel
utama di dalam fungsi SALES (permintaan). Hasil
pengolahan ditunjukkan sbb : (Analyze-Regresion-
Linear), Dependen Sales, Sisanya Independen
Statistic: Estimates, Model Fit, Colinier, Durbin
Coefficientsa
Save - Un
Unstandardized Standardiz ed
Coeffic ients Coeffic ients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -10263.1 3388.979 -3.028 .008
HARGA 88.800 42.851 .244 2.072 .054 .107 9.323
INCOME 8.964 .869 1.215 10.313 .000 .107 9.323
a. Dependent Variable: SALES

Dari hasil pengolahan diatas, setelah variabel

ADVERTISING dihilangkan ternyata seluruh nilai VIF
dari setiap variabel independen < 10 sehingga dapat
disimpulkan bahwa Multikolinearitas terjadi pada model.
Transform, Comute, Buat Baru. ABS

PENYEMBUHAN AUTOKORELASI
 Jika
model regresi yang dihasilkan melanggar
asumsi autokorelasi, maka konsekuensinya :
Dengan adanya autokorelasi dengan dugaan
parameter OLS masih “UNBIASED” Dan
“CONSISTENT” tetapi standar error dari dugaan
parameter regresi adalah bias, sehingga
mengakibatkan uji statistik menjadi tidak tepat
dan interval kepercayaan menjadi bias (biased
confidence intervals).
Untuk kasus 6.1. Pada model yang dihasilkan
tidak terdapat AUTOKORELASI.
Jika terjadi AUTOKORELASI maka penyembuhan
dilakukan dengan cara : (Transform-Compute)
Buat lag resid-pilih lag-ketik unstandar residu
1. lalu analyze-regresion-linier(Depend Res 1,
Inde Lagresid) .:. Statistic Estimate saja. Lalu
buat sales 2.di transform-comute masukan
rumus dibawah
 Regresikan model persamaannya
SALES = f(HARGA, INCOME, ADVERTISING)
dan ambil RESIDUALNYA (Resid)
 Regresikan RESIDUAL dengan RESIDUAL
SEBELUMNYA tanpa konstanta
 Buat variabel baru dengan formulasi sbb :
SALES2 = SALES – (ρ - LAG(SALES))
PRICE2 = PRICE – (ρ – LAG(PRICE))
INCOME2 = INCOME – (ρ – LAG(INCOME))
ADVERT2 = ADVERTISING – (ρ – LAG(ADVERTISING)
P =0,008 hasil dari tabel
Buat regresi baru dengan formulasi
SALES2 = f (PRICE2, INCOME2, ADVERT2)
sebagai model setelah penyembuhan
autokorelasi
Analize-regresion-linier
Pilih dependent sales 2, inde
income2,adv2,price2 (Statistic 4, Save 1 Pojok
Kanan)
PENYEMBUHAN HETEROSKEDASITAS
 Jika model regresi yang dihasilkan melanggar
asumsi heteroskedastisias maka konsekuensi
yang dihadapi varian dari koefisien ( Var(bi) )
cenderung besar sehingga mengakibatkan
interval keyakinannya semakin besar yang
selanjutnya akan menyebabkan uji hipotesis
(baik uji t maupun uji F) tidak akurat.

Pada kasus 6.1. terjadi heteroskedastistas untuk

variabel INCOME
Tindakan Penyembuhan HETEROSKEDASTISIAS
1. Mentransformasi model dalam bentuk LOG diperoleh
hasil sbb :
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) -2.076 .800 -2.597 .019
LOGHARGA .719 .259 2.525 2.772 .014
LOGINCOM .268 .161 2.225 1.659 .117
LOGADVER .034 .062 .345 .547 .592
a. Dependent Variable: ABSRES2

Hasil pengujian Gletjser dengan merubah persamaan

dalam bentuk Log menunjukkan variabel Income
memang sudah tdak terjadi heteroskedastisitas tetapi
variabel HARGA justru mengandung
Heteroskedastisitas
2.Membagi dengan variabel yang mengandung
heteroskedastisitas dimana variabel yang
dimaksud adalah INCOME :
SALES3 = SALES/INCOME
HARGA3 = HARGA/INCOME
IVINCOME = 1/INCOME
ADVER2 = ADVERTIS/INCOME (ditabel regresi
1 lihat yg dibawah 0,05 yaitu income, maka
pembaginya income). Pilih transform dan
masukan rumus diatas
Lalu refresion, liner, pilih ke 3
sales,harga,income,adv. Pilih transform, abs 5
Lalu regresion-linier, dept abres5, inde income,
adve, harga
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -.067 .606 -.111 .913
HARGA2 -10.306 27.938 -1.772 -.369 .717
IVINCOME 770.910 2319.154 1.543 .332 .744
ADVER2 1.069 1.638 .254 .653 .523
a. Dependent Variable: ABSRES3

Hasil pengujian heteroskedastistas dengan Gletjser

menunjukkan terjadi penyembuhan
heteroskedasitas dimana seluruh nilai sig dari t-
statistik > 0.05
Berdasarkan Kasus 6.2. Lakukan penyembuhan
jika terjadi ASUMSI KLASIK yang ada