MASALAH DALAM REGRESI
(THE PROBLEM ON REGRESSION)
ASUMSI-ASUMSI DASAR REGRESI
Dalam penggunaan regresi terdapat beberapa
asumsi dasar yang dapat menghasilkan
estimator linier tidak bias yang terbaik dari
model regresi yang diperoleh dari metode
kuadrat terkecil (OLS). Dengan terpenuhinya
asumsi tersebut maka hasil yang diperoleh
dapat lebih akurat dan mendekati atau sama
dengan kenyataan.
Asumsi-asumsi dasar dalam regresi pada umumnya
dikenal dengan istilah asumsi klasik, asumsi-asumsi
tersebut adalah :
1. HOMOSKEDASTISITAS; berarti ragam dari
variabel bebas adalah sama atau konstan untuk
setiap nilai tertentu dari variabel bebas lainnya atau
keragaman nilai residu (nilai sisa) sama untuk
semua pengamatan.
2. NONAUTOKORELASI; berarti tidak ada pengaruh
dari variabel dalam modelnya atau melalui selang
waktu atau tidak terjadi korelasi diantara galat
randomnya
3. NONMULTIKOLINEARITAS; berarti antara variabel
bebas yang satu dengan variabel bebas yang lain
dalam model regresi tidak terjadi hubungan yang
mendekati sempurna ataupun hubungan sempurna
4. Distribusi galat (kesalahan = error) adalah normal
5. Nilai rata-rata kesalahan = error populasi pada
model stokastiknya sama dengan nol
6. Variabel bebasnya mempunyai nilai yang konstan
pada setiap percobaan yang dilakukan secara
berulang-ulang (variabel nonstokastik)
PENYIMPANGAN ASUMSI DASAR
Penyimpangan terhadap asumsi-asumsi dasar tersebut
dalam regresi akan menyebabkan timbulnya beberapa
masalah, seperti :
1. Standar kesalahan untuk masing-masing koefisien
yang diduga akan sangat besar.
2. Pengaruh masing-masing variabel bebas tidak dapat
dideteksi atau variasi dari koefisiennya tidak kecil.
3. Dapat mengakibatkan estimasi koefisien semakin
kurang akurat yang pada akhirnya dapat
menimbulkan masalah dalam interprestasi dan akan
mengakibatkan pengambilan kesimpulan yang
salah.
Penyimpangan Asumsi Dasar antara lain yaitu :
1. Homoskedastisitas atau umumnya dikenal dengan
istilah Heteroskedastisitas; berarti ragam variabel tidak
sama untuk semua pengamatan, kesalahan yang
terjadi tidak random (acak) tetapi menunjukkan
hubungan yang sistematis sesuai dengan besarnya
satu atau lebih variabel. Heteroskedastisitas akan
timbul dalam bentuk nilai sisa (Residu) yang semakin
besar jika pengamatan semakin besar. Rata-rata
Residu akan semakin besar untuk pengamatan
variabel bebas yang semakin besar
Akibat Heteroskedastisitas antara lain :
1. Penduga (estimator) yang diperoleh menjadi tidak
efisien, hal ini disebabkan ragamnya sudah tidak kecil.
2. Kesalahan baku koefisien regresi akan terpengaruh,
sehingga memberikan indikasi yang salah dan koefisien
determinasi memperlihatkan daya penjelas terlalu besar.
Cara mendeteksi Heteroskedastisitas dalam regresi :
Adanya Heteroskedastisitas dalam regresi dapat diketahui
dengan menggunakan beberapa cara antara lain :
1. Uji Koefisien Korelasi Spearman
2. Uji Park
3. Uji Glesjer
1. Uji Koefisien Korelasi Spearman
Koefisien korelai Spearman (rs) dengan rumus :
d 2
rs 1 6 3
n n
d = selisih antara ranking simpangan baku (s) dan
ranking nilai mutlak galat (error) e , nilai e yi yˆ i
n = jumlah sampel
Pengujian dilakukan dengan menggunakan uji t, dimana
langkah pengujiannya adalah sebagai berikut :
1. Menentukan rumusan hipotesis
H0 : Tidak terdapat heroskedastisitas dalam regresi
H1 : Terdapat heroskedastisitas dalam regresi
2. Menentukan nilai α dan ttabel
Nilai α disesuaikan dengan kebijakan atau ditentukan
oleh peneliti (pengamat), nilai ttabel ditentukan dengan
derajat bebas (db) = n-2
3. Menentukan Kriteria Pengujian
Jika thitung > ttabel maka tolak H0
Jika thitung ≤ ttabel maka terima H0
4. Menentukan nilai uji statsitik thitung
rs n 2
t hitung
1 r s
2
5. Membuat Kesimpulan
Menentukan kesimpulan tentang diterima atau ditolak
H0, sesuai dengan kriteria pengujian
2. Uji Park (Park Test)
Uji Park dilakukan dengan membuat model regresi yang
melibatkan nilai logaritma residu kuadrat (log e2)
sebagai variabel terikat terhadap semua variabel bebas.
Jika semua variabel bebas nyata (signifikan) secara
statistik maka dalam regresi terdapat heterokedastisitas.
3. Uji Glesjer (Glesjer Test)
Uji Glesjer dilakukan dengan membuat model regresi
yang melibatkan nilai mutlak residu e sebagai variabel
terikat terhadap semua variabel bebas. Jika semua
variabel bebas nyata (signifikan) secara statistik maka
dalam regresi terdapat heterokedastisitas.
Cata Menghilangkan Heteroskedastisitas dalam regresi :
Masalah Heterokedastisitas dalam regresi dapat
dihilangkan dengan cara sebagai berikut :
1. Membuat persamaan regresi dalam bentuk
persamaan logaritma
Persamaan regresi : y b 0 b1x1 b 2 x 2 ei
Persamaan regresi logaritma sebagai berikut:
log y log b0 b1 log x1 b 2 log x 2 ei
Jika persamaan regresi logaritma dibuat ke bentuk
persamaan regresi produksi, maka :
y b0 x x b1
1
b2
2 ei
Keterangan :
b1 = besarnya persentase perubahan y sebagai
akibat dari perubahan x1 sebesar 1%
b2 = besarnya persentase perubahan y sebagai
akibat dari perubahan x2 sebesar 1%
b1 dan b2 menunjukkan elastisitas x1 dan x2
2. Autokorelasi (Korelasi Serial)
Autokorelasi berarti terdapat korelasi antara anggota
sampel atau data pengamatan yang diurutkan
berdasarkan waktu, sehingga munculnya suatu data
dipengaruhi oleh data sebelumnya. Autokorelasi timbul
pada regresi yang menggunakan data berkala (time
series data). Persamaan regresi dengan
menggunakan data berkala (time series regresi)
adalah sebagai berikut :
y t b 0 b1x t b 2 x t 1 e t
Dari persamaan tersebut diatas bahwa variabel y tidak
hanya dipengaruhi oleh variabel x pada waktu t (xt),
tetapi juga dipengaruhi oleh variabel y itu sendiri pada
periode sebelumnya yaitu yt-1
Autokorelasi yang terdapat dalam persamaan regresi
dapat mengakibatkan :
1. Ragam sampel tidak dapat menggambarkan ragam
populasi
2. Persamaan regresi yang diperoleh tidak dapat
digunakan untuk menduga nilai variabel terikat dari
nilai variabel bebas tertentu
3. Ragam dari koefisien persamaan regresi menjadi
besar (yang diharapkan ragam sekecil mungkin)
sehingga menjadi tidak efisien digunakan untuk
pendugaan
4. Uji t tidak berlaku dalam pengujian koefisien regresi,
jika tetap digunakan maka kesimpulan yang akan
diperoleh menjadi bias.
Cara mendeteksi Autokorelasi dalam regresi :
Autokorelasi dalam persamaan regresi dapat diketahui
dengan cara sebagai berikut :
1. Melalui grafik
Melalui grafik gambaran pola nilai sisa (residu) atau
simpangan berdasarkan waktu dapat dilihat. Jika
pada beberapa urutan waktu nilai sisanya positif dan
beberapa urutan waktu nilai sisanya negatif, maka
pada persamaan regresi tersebut terdapat
Autokoreasi.
2. Dengan Uji Durbin-Watson
Uji Durbin-Watson dapat memberikan gambaran
bahwa dalam suatu persamaan regresi terdapat atau
tidak Autokorelasi. Dalam Uji Durbin-Watson
dilakukan pengujian terhadap nilai mutlak sisa
(residu) yaitu e dari suatu persamaan regresi
Rumus statistik Uji Durbin-Watson sebagai berikut :
d
(e en n 1 ) 2
e 2
n
