UJI NORMALITAS Lusiana Ulfa

DAN Hardinawati, S.EI,

M.Si

UJI ASUMSI KLASIK

SILABUS EKONOMETRIKA
1. Silabus, pembagian kelompok, kontrak kuliah
2. Pendahuluan
3. Konsep Dasar Analisis Regresi
4. Analisis regresi 2 variabel
5. Model regresi 2 variabel: Masalah dalam estimasi
6. Classical Normal Linear Regression Model
(CNLRM)
7. Regresi dua variabel: estimasi interval dan
pengujian hipotesis
CLASSICAL LINEAR REGRESSION MODEL – ASUMSI
YANG MENDASARI METODE KUADRAT TERKECIL

CLRM dikenal dengan uji asumsi klasik

CLRM merupakan asumsi yang diperlukan dalam
analisis regresi linear dengan ordinary least square
CLRM juga sering disebut dengan The Gaussian
Standard (Carl Friedrich Gauss.), yang terdiri dari 10
item, namun yang sering kita jumpai dalam berbagai
penelitian, atau berbagai buku statistik terapan hanya
4 atau 5.
THE GAUSSIAN
STANDARD
Asumsi 1: Linear Regression Model.
Asumsi 2: X values are fixed in repeated sampling.
Asumsi 3: Zero mean value of disturbance ui
 Asumsi 4: Homoscedasticity or equal variance of ui
Asumsi 5: No autocorrelation between the disturbances
Asumsi 6: Zero covariance between ui and Xi
Asumsi 7: The number of observations n must be greater
than the number of parameters to be estimated
Asumsi 8: Variability in X values
Asumsi 9: The regression model is correctly specified
Asumsi 10: There is no perfect multicollinearity
ASUMSI 1: LINEAR REGRESSION
MODEL.

Model regresi haruslah linear, meskipun bisa saja sebenarnya

variabel terikat Y dengan variabel bebas X tidak linear.
Istilah linear sebenarnya ada dua macam, yaitu linearitas
pada variabel dan linearitas pada parameter.
linearitas pada variabel adalah jika digambarkan dalam grafik
maka akan berbentuk garis lurus. Misalnya persamaan Y = a
+ bX. Atau dikatakan jika X mempunyai pangkat 1.
Linearitas pada parameter adalah merujuk kepada
koefisiennya yaitu b. Jadi persamaan Y = a + b X^2 dapat
disebut linear jika koefisien b mempunyai pangkat 1.
Asumsi yang diperlukan dalam regresi linear adalah linearitas
pada parameter, bukan linearitas pada variabel.
ASUMSI 2: X VALUES ARE FIXED IN
REPEATED SAMPLING.

Nilai variabel X diasumsikan stokastik atau dianggap

tetap dalam sampel yang berulang. 
Misal:

Gaji (juta)        Pengeluaran (juta)

3                     2,5
3                     2
3                     3
4                     3
4                     2,5
5                     4,5
5                 4
ASUMSI 3: ZERO MEAN VALUE OF
DISTURBANCE UI

Nilai Y hasil prediksi dengan model

regresi tentunya mempunyai kesalahan
atau tidak tepat sama dengan nilai Y
pada data. Selisihnya sering disebut
dengan disturbance dan sering
disimbolkan dengan ui.
 ASUMSI 4: HOMOSCEDASTICITY OR
EQUAL VARIANCE OF UI

Homo berarti sama, scedasticity berarti

sebaran. Jadi varians dari error atau
disturbance haruslah sama pada masing-
masing nilai X.
Sebagai contoh, ada 3 orang dengan gaji 3
juta sehingga memberikan tiga buah error
dan mempunyai varians. Varians ini harus
sama (equal) dengan varians error pada nilai
X yang lain misalnya 4 juta dan seterusnya.
ASUMSI 5: NO AUTOCORRELATION BETWEEN THE
DISTURBANCES

Asumsi ini masih berkaitan dengan

nilai error, yaitu bahwa untuk
sembarang 2 buah nilai X, maka kedua
error itu tidak berkorelasi (atau
mempunyai korelasi 0).
ASUMSI 6: ZERO COVARIANCE
BETWEEN UI AND XI

Artinya nilai variabel bebas (Xi) dengan error (ui)

tidak berkorelasi.
Diasumsikan bahwa Y adalah dipengaruhi oleh X
dan u, sehingga X dan u harus tidak saling
berkorelasi.
Jika X dan u berkorelasi, maka tidak mungkin
mencari pengaruh masing-masing terhadap Y.
Jika X berkorelasi positif dengan u, maka jika X
meningkat u juga meningkat, atau jika X
menurun maka u juga menurun (juga sebaliknya
jika berkorelasi negatif). 
ASUMSI 7: THE NUMBER OF OBSERVATIONS N
MUST BE GREATER THAN THE NUMBER OF
PARAMETERS TO BE ESTIMATED

Jika ada dua parameter yang akan

dicari nilainya maka tentunya tidak
mungkin diselesaikan dengan satu
persamaan (observasi).
ASUMSI 8: VARIABILITY IN X
VALUES

Harus ada variasi nilai dalam variabel

X. Jika X nilainya sama untuk semua
observasi maka tentunya tidak dapat
diestimasi.
ASUMSI 9: THE REGRESSION MODEL IS
CORRECTLY SPECIFIED

Model regresi yang dibangun haruslah benar

dalam arti sesuai dengan teori yang telah
dikembangkan.
Statistik hanyalah untuk menguji teori atau
fenomena tertentu.
Jika menggunakan variabel yang
sembarangan (atau tidak berdasarkan teori
tertentu) maka model regresi yang dihasilkan
juga patut dipertanyakan.
ASUMSI 10: THERE IS NO PERFECT
MULTICOLLINEARITY

Tidak ada hubungan linear yang tinggi

antara variabel-variabel bebas dalam
model regresi. Jadi asumsi ini tentunya
tidak bisa diterapkan pada regresi
dengan satu variabel bebas (regresi
linear sederhana).
Dalam uji asumsi klasik, tidak semua uji harus dilakukan.
Hanya asumsi ke 4,5,10 yang perlu dilakukan uji sendiri
ditambah uji normalitas.
Gujarati (2004:93) menulis ‘The assumption that the
disturbances ui are normally distributed is not a part of the
CLRM’. 

Classical Normal
Selanjutnya adalah uji normalitas atau
Linear Regression Model (CNLRM)