Praktikum statistik

Fakultas Ekonomi
Universitas Pekalongan
Tahun 2020
 UJI ASUMSI
KLASIK
Input data :
Keuntungan
Perusahaan,
Kekayaan
Perusahaan dan
Harga Saham dlm
lembar kerja
KETERANGAN SPSS:
UNTUNG = KEUNTUNGAN
PERUSAHAAN
KAYA = KEKAYAAN
PEREUSAHAAN
UJI ASUMSI
KLASIK
PENGUJIAN ASUMSI KLASIK DIGUNAKAN
UNTUK MENGETAHUI APAKAH DATA ATAU
RESIDUAL YANG KITA INPUT MERUPAKAN
DATA YANG BAIK (MEMPUNYAI TINGKAT
KESALAHAN TERKECIL). UJI INI DILAKUKAN
BERSAMA DENGAN PROSES UJI REGRESI
SEHINGGA LANGKAH-LANGKAH YANG
DILAKUKAN DALAM PENGUJIAN ASUMSI
1. NORMALITAS
KLASIK MENGGUNAKAN LANGKAH KERJA
2. HETEROSKEDASTISITAS
YANG SAMA DENGAN UJI REGRESI , UJI
3. MULTIKOLINIERITAS
ASUMSI KLASIK MELIPUTI
4. AUTOKORELASI
5. LINIERITAS
LANGKAH MENGUJI ASUMSI
KLASIK
1.MEMISAHKAN VARIABEL
MENJADI VARIABEL INDEPENDENT
DAN VARIABEL DEPEDENT
2.MENGUJI ASUMSI KLASIK
DENGAN REGRESI LINIER
3.MENGINTERPRETASI HASIL
PENGOLHAN DATA
LANGKAH MENGUJI ASUMSI
KLASIK
1.MEMISAHKAN VARIABEL
MENJADI VARIABEL INDEPENDENT
DAN VARIABEL DEPENDENT
LOGIKA TEORI : APABILA
KEKAYAAN PERUSAHAAN BANYAK
DAN KEUNTUNGAN BANYAK
PEMEGANG SAHAM CENDERUNG
MEMEBELI SAHAM PERUSAHAAN
NORMALITAS

UJI INI DIMAKSUDKAN UNTUK MENGETAHUI

APAKAH RESIDUAL YANG DITELITI
BERDISTRIBUSI NORMAL ATAU TIDAK.
RESIDUAL ATAU DATA YANG BAIK ADALAH
YANG BERDISTRIBUSI NORMAL

ALAT STATISTIK YANG DIGUNAKAN :

“KOLMOGOROV
UJI NORMALITAS UNTUK
TIAP VARIABEL
KESIMPULAN :
RESIDUAL ATAU DATA BERDISTRIBUSI
NORMAL APABILA NILAI ASYMP. Sig. (2-Tailed)
LEBIH BESAR DARI 0,05
DARI TABEL ONE SAMPLE KOLMOGOROV
SMIRNOV DIKETAHUI VARIABEL KAYA
TIDAK BERDISTRIBUSI NORMAL KARENA
NILAI ASYMP. Sig. (2-Tailed) LEBIH KECIL DARI
0,05 SEHINGGA VARIABEL KAYA HARUS
 SOLUSI APABILA
RESIDUAL/DATA TIDAK NORMAL
Apa yang harus dilakukan apabila sebaran data
tidak memenuhi asumsi klasik, misalnya tidak
berdistribusi normal
1. Kita tentukan variabel mana yang tidak
berdistribusi normal
2. Kita transformasikan data dalam bentuk lain.
Ada banyak cara untuk mentransformasikan,
tetapi cara yang sering dipakai adalah
transformasi dalam bentuk akar kuadrat
3. Jika cara satu tidak bisa, tambah sampel
penelitian, misal hingga 100 sampel
4. Jika tidak bisa juga, buang semua obyek yang
terindentifikasi sebagai outlier “data yang tidak
baik dan ekstrim”
DARI TABEL ONE SAMPLE KOLMOGOROV
SMIRNOV DIKETAHUI VARIABEL KAYA
TIDAK BERDISTRIBUSI NORMAL KARENA
NILAI ASYMP. Sig. (2-Tailed) LEBIH KECIL DARI
0,05 SEHINGGA VARIABEL KAYA HARUS
DARI TABEL ONE SAMPLE KOLMOGOROV
SMIRNOV DIKETAHUI VARIABEL KAYA
TIDAK BERDISTRIBUSI NORMAL KARENA
NILAI ASYMP. Sig. (2-Tailed) 0,020 LEBIH KECIL
DARI 0,050 SEHINGGA VARIABEL KAYA
DARI TABEL ONE SAMPLE KOLMOGOROV
SMIRNOV VAR. KAYA SETELAH DIPERBAIKI
DATANYA DENGAN CARA DITRANSFORMASI
DALAM BENTUK LAIN (MISAL DI AKAR ATAU
SQRT) DIKETAHUI VARIABEL KAYA_BARU
UJI NORMALITAS UNTUK
SELURUH VARIABEL
LANGKAH KERJA :
 MENGUJI NORMALITAS DENGAN
MENGGUNAKAN UJI KOLMOGOROV-
SMIRNOV.
MODEL ATAU RESIDUAL BERDISTRIBUSI
NORMAL, APABILA NILAI Asymp. Sig (2-tailed)
LEBIH BESAR DARI 0,05, KARENA NILAI
Asymp. Sig. (2-tailed) 0,834 NILAI INI LEBIH
 2. HETEROSKEDASTISITAS
HETEROSKEDESTISITAS DIGUNAKAN
UNTUK MENGETAHUI APAKAH RESIDUAL
MEMPUNYAI VARIAN YANG SAMA ATAU
TIDAK. RESIDUAL YANG BAIK ADALAH
YANG MEMPUNYAI VARIAN YANG SAMA
CARA MENDETEKSINYA ADA TIDAKNYA
GEJALA HETEROSKEDESTISITAS NILAI
RESIDU PADA MODEL, DIGUNAKAN METODE
PARK GLEJSER. DENGAN
MENGGUNAKAN METODE INI GEJALA
HETEROSKEDESTISITAS AKAN
DITUNJUKAN OLEH KOEFISEN REGRESI
BUKA DATA
BERIKUT INI
:
LANGKAH LANGKAH MENGUJI
HETEROSKEDESTISITAS :
PADA JENDELA LINIER REGRESSION DI-RESET
KEMUDIAN PADA KOTAK DIPENDENT DIGANTI
DENGAN ABS_RES_1 DAN MASUKKAN UNTUNG DAN
KAYA, KEDALAM KOTAK INDEPENDENT, ABAIKAN
 ABS_Res_1

RESIDUAL TIDAK MENGANDUNG UNSUR

HETEROSKEDASTISITAS APABILA NILAI Sig PADA TABEL
COEFFICIENTS PADA (UNTUNG) DAN (KAYA) LEBIH
BESAR DARI NILAI ALPHANYA (0,050).
 ABS_Res_1

RESIDUAL TIDAK MENGANDUNG UNSUR

HETEROSKEDASTISITAS APABILA NILAI Sig PADA TABEL
COEFFICIENTS PADA (UNTUNG) DAN (KAYA) LEBIH
BESAR DARI NILAI ALPHANYA (0,050). KESIMPULAN :
DARI HASIL TERSEBUT TERNYATA NILAI SIG DARI
UNTUNG ADALAH 0,943 DAN KAYA ADALAH 0,949 SEMUA
LEBIH DARI 0,050, SEHINGGA RESIDUAL TIDAK
MENGANDUNG GEJALA HETEROSKEDASTISITAS, SHG
 3. MULTIKOLINIERITAS
MULTIKOLINIERITAS, DIGUNAKAN UNTUK
MENGUJI APAKAH VARIABEL YANG
DITELITI TERJADI KORELASI YANG
MENDEKATI SEMPURNA ANTAR VARIABEL
BEBAS

CARA MENDETEKSINYA ADA TIDAKNYA

GEJALA MULTIKOLINIERITAS ANTAR
VARIABEL DENGAN CARA MELIHAT NILAI
VARIAN INFLATION FACTOR
(VIF)
LANGKAH LANGKAH MENGUJI
MULTIKOLINIERITAS :
 Untuk
memunculkan
coefficient untuk
menentukan nilai
VIF (varian inflation
factor)
KRITERIA PENGAMBILAN KEPUTUSAN : RESIDUAL
ATAU DATA TIDAK MENGANDUNG GEJALA
MULTIKOLINIERITAS APABILA NILAI VIF LEBIH
KECIL DARI 10,
DARI TABEL COIEFFICIENTS DIKETAHUI BAHWA
NILAI VIF SEMUA LEBIH KECIL ATAU KURANG
DARI 10.00 SEHINGGA MODEL DAPAT DIKATAKAN
BEBAS DARI GEJALA MULTIKOLINIERITAS, SHG
 4. AUTOKORELASI
UJI AUTOKORELASI BERTUJUAN
UNTUK MENGETAHUI APAKAH
ADA KORELASI ANTARA ANGGOTA
SERANGKAIAN DATA OBSERVASI
YANG DIURAIKAN MENURUT
WAKTU UNTUK MENDETEKSI ADA
ATAU TIDAKNYA AUTOKORELASI
DENGAN MENGGUNAKAN
METODE DURBIN-
 Durbin Durbin KESIMPULAN
Watson Watson
< dL Ada autokorelasi
dL sd dU Tanpa kesimpulan
dU sd 4-dU Tidak ada
autokorelasi
4-dU sd 4- Tanpa kesimpulan
dL
> 4-dL Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU Tanpa kesimpulan
dU sd 4-dU Tidak ada
autokorelasi
4-dU sd 4- Tanpa kesimpulan
dL
> 4-dL Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU Tidak ada
autokorelasi
4-dU sd 4- Tanpa kesimpulan
dL
> 4-dL Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-4-dU
Du =sd 4- Tanpa kesimpulan
4,000dL– 1,536 =
> 4-dL
2,464 Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4-
4- dL = 2,464 sd 4-Tanpa
dU = kesimpulan
dL4,000 – 2,926 4,000 – 1,536 =
1,074 =
> 4-dL
2,926 Ada autokorelasi
2,464
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU
4- dL =sd 4- 2,464 sd Tanpa kesimpulan
4,000dL
– 1,074 = 2,926
> 4-dL
2,926 > 2,926 Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
DILANJUTKAN
4-dU sd 4- MENCARI
2,464 sd NILAI
Tanpa kesimpulan
dL
DURBIN 2,926 DENGAN SPSS
WATSON
> 4-dL
DENGAN > 2,926
LANGKAH Ada autokorelasi
SEBAGAI
DENGAN LANGKAH SEBAGAI
BERIKUT :
 LANGKAH KERJA
MENENTUKAN NILAI
DURBIN-WATSON DENGAN
SPSS
 √

√
 Dilihat pada model summary maka dapat diketahui nilai
Durbin-Watson sebesar 1,832 sebagaimana pada gambar dan
apabila dimasukkan dalam tabel dan hasilnya adalah :
 Dilihat pada model summary maka dapat diketahui nilai
Durbin-Watson sebesar 1,832 sebagaimana pada gambar dan
apabila dimasukkan dalam kurva atau tabel dan hasilnya
adalah :
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dL 2,926
> 4 dL > 2,926 Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dL 2,926
> 4 dL > 2,926 Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dL 2,926
> 4 dL > 2,926 Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dL 2,926
> 4 dL > 2,926 Ada autokorelasi
 Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
Hasil DW 1,832 berada diantara 1,536
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dengan 2,464 maka kesimpulannya tidak ada
dL 2,926
gejala Autokorelasi, Shg Tidak Ada Autokorelasi
> 4 dL
antara > 2,926
anggota serangkaian Adaobservasi
data autokorelasi
yang
diuraikan menurut waktu
 5. LINIERITAS

DIGUNAKAN UNTUK MENGUJI APAKAH

KITA MENGGUNAKAN REGRESI
LINIER ATAU MENGGUNAKAN
REGRESI NON LINIER DI DALAM
MENGOLAH DATA, ADA TIDAKNYA
GEJALA LINIERITAS PADA MODEL
DAPAT DILAKUKAN DENGAN
GAMBAR DIAGRAM PENCAR. ASUMSI
LINIERITAS TERPENUHI APABILA
PLOT ANTARA NILAI RESIDUAL
TERSTANDARISASI (ZRESID)
LANGKAH LANGKAH MENGUJI LINIERITAS :
 DATA DIANALISIS
DENGAN REGRESI
LINIER APABAILA DARI
GAMBAR SCATTERPLOT
HUBUNGAN NILAI
RESIDUAL
TERSTANDARISASI
DENGAN NILAI
PREDEKSI
TERSTANDARISASI
TIDAK MEMBENTUK
KESIMPULAN : DARI
GAMBAR
SCATTERPLOT
DAPAT DIKETAHUI
HUBUNGAN NILAI
RESIDUAL
TERSTANDARISASI
DENGAN NILAI
PREDEKSI
TERSTANDARISASI
TIDAK
MEMBENTUK
SUATU POLA
TERTENTU “ACAK”,
 ing gu
t er i M
M a
p a n
de“Regresi dan
Korelasi Linier
Berganda”
Matur Nuwun