Uji Asumsi Penduga

Model
Pengujian Model
Uji F

Uji Signifikansi
Uji t
Model

Koefisien Determinasi

Uji Kelayakan Model

Normalitas

Uji Asumsi Model Autokorelasi

Heterokedastisitas

Multikolinearitas
Kapan Pengujian Asumsi Model dilakukan?

 Pengujian asumsi penduga model dilakukan apabila metode penduga

parameter yang digunakan adalah metode OLS (Ordinary Least
Square).
 Metode OLS adalah metode yang terdapat dalam analisis regresi
berganda. Metode ini digunakan untuk meminimalisir jumlah
kuadrat kesalahan dengan mengestimasi suatu garis regresi.
Kenapa Perlu dilakukan Uji Asumsi?
Suatu model dapat dikatakan memiliki nilai penduga terbaik apabila memenuhi kriteria
BLUE (Best Linear Unbiased Estimator)

01. Best 03. Linear

Hasil model regresi yang terbaik Model dalam regresi sesuai dengan
serta minim error kaidah OLS

02. Unbiased 04. Estimator

Model regresi yang terbentuk
Nilai yang diharapkan sesuai
memiliki varians dengan nilai
dengan nilai yang benar
terkecil
Minimisasi iteratif dengan teorema Gauss-Markov

Penduga parameter bersifat efisien (Nilai ragam yang minimum)

Penduga parameter bersifat linear terhadap variabel bergantung.

Penduga parameter bersifat tidak bias (Nilai rata-rata dari penduga

parameter sama dengan nilai parameter itu sendiri)
Multikolinieritas
Multikolinieritas adalah terjadinya hubungan linier antara variabel bebas dalam
suatu model regresi linier berganda (Gujarati, 2003).
Suatu model yang baik “seharusnya” tidak terjadi korelasi di antara variabel
bebasnya.
Dampak adanya multikolinieritas dalam model regresi linier berganda:
 Penaksir OLS masih bersifat BLUE, tetapi mempunyai variansi dan kovariansi
yang yang besar sehingga sulit mendapatkan taksiran (estimasi) yang tepat.
 Akibat penaksir OLS mempunyai variansi dan kovariansi yang yang besar,
menyebabkan interval estimasi akan cenderung lebih lebar dan nilai hitung
statistik uji t akan kecil, sehingga membuat variabel bebas secara statistik tidak
signifikan mempengaruhi variabel tidak bebas.
 Walaupun secara individu variabel bebas tidak berpengaruh terhadap variabel
tidak bebas melalui uji t, tetapi nilai koefisien determinasi (R2) masih bisa relatif
tinggi.
Faktor Penyebab Multikolinearitas

Metode pengumpulan data yang digunakan terbatas pada populasi yang

diambil sampelnya.

Retriksi yang ada pada model

Spesifikasi model yang minim atau berlebihan

Model yang overdetermined (Lebih banyak jumlah parameternya

dibandingkan jumlah observasi)

Pergerakan nilai antar variabel yang sama dengan laju perubahan waktu
(untuk data time series)
Cara Mendeteksi Adanya Multikolinearitas

Melihat bentuk scatterplot antar variable

Melihat adanya koefisien korelasi antar variabel bebas yang tinggi.

Melihat adanya koefisien korelasi parsial antar variabel bebas

dengan antar variabel kontrol yang tinggi.

Menghitung nilai toleransi dan Variance Inflating Factor (VIF)

Menggunakan regresi Ridge atau regresi Bayesian.

Heteroskedastisitas
 Heteroskedastisitas adalah variansi dari error model regresi tidak konstan atau
variansi antar error yang satu dengan error yang lain berbeda (Widarjono, 2007)
 Suatu model dikatakan baik apabila rata-rata nilai residualnya adalah nol,
residualnya memiliki pola ragam yang konstan, dan tidak saling berhubungan
dengan residual observasi yang lainnya.
 Permasalahan heterokesdastisitas sering terjadi pada data cross-sectional
dibandingkan data time series.
Indikasi dan Konsekuensi Akibat
Heterokesdastisitas

 Uji F pada persamaan model yang signifikan namun banyak uji t dari masing-
masing parameter yang tidak signifikan atau sebaliknya sehingga mengakibatkan
nilai simpangan baku dari setiap variabel bebasnya tidak dapat dipercaya
kebenarannya serta mengakibatkan ragamnya tidak minimum.
 Nilai penduga parameter model tidak efisien sehingga mengakibatkan nilai
penduganya menjadi LUE (Linear Unbiased Estimation).
 Nilai residual pada beberapa observasi cukup besar sehingga mengakibatkan
model tidak cocok untuk dilakukan prediksi (cross-sectional) atau
peramalan (time series).
 Kesimpulan statistik inferensi akan menyesatkan dan tidak dapat dipercaya
kebenarannya.
Faktor Penyebab Heteroskedastisitas

Adanya penggolongan antarobjek, baik secara numerik maupun kategorik, yang

menyebabkan nilai penduganya terlalu jauh.

Metode penduga dan pengumpulan sampel yang menghasilkan nilai simpangan

baku parameter yang semakin besar.

Adanya pencilan pada data sehingga menyebabkan terjadinya keragaman

yang tinggi.

Kemiringan (skewness) yang tidak merata.

Spesifikasi model yang tidak tepat.

Transformasi data yang salah.

Model fungsi yang salah.

Cara Mendeteksi Adanya Heterokesdastisitas
Menggunakan metode penduga Regresi Instrumen Variabel (IV), Generalized Least
Square (GLS), Generalized Method of Moment (GMM), Feasible GLS (FGLS), dan
Weighted Least Square (WLS) (Jika ragam kelompok observasinya diketahui).

Transformasikan data dengan fungsi yang sesuai.

Menggunakan metode koreksi Heteroskedasticity Consistent Coefficient Covariance

(Jika ragam kelompok observasinya tidak diketahui).

Menghitung penduga dengan metode tertentu dengan simulasi Monte Carlo,

Bootstrapping, dan Robust.
Autokorelasi
 Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan variable
error yang lain (Widarjono, 2007).
 Suatu model dikatakan baik apabila bebas dari masalah autokorelasi.
 Autokorelasi sering terjadi pada data time series (data dengan variabel waktu),
namun tidak menutup kemungkinan terjadi pada data cross-sectional (data
antar objek/tanpa variabel waktu).
Indikasi dan Konsekuensi Akibat
Heterokesdastisitas

 Metode penduga masih bersifat linear dan tidak bias namun tidak efisien
sehingga tidak mempunyai ragam yang minimum. Akibatnya kriteria metode
penduga berubah menjadi LUE (Linear Unbiased Estimation).
 Nilai standard error pada parameter menjadi underestimated dan nilai statistik t,
F, dan koefisien determinasi menjadi overestimated sehingga memberikan
kesimpulan yang menyesatkan tentang arti statistik dan hasil dari koefisien
penduga parameter.
Faktor Penyebab Heteroskedastisitas

Data mengandung pergerakan naik-turun secara musiman.

Kekeliruan memanipulasi data.

Data yang dianalisis tidak bersifat stasioner.

Data yang digunakan bersifat runtut.

Adanya bias spesifikasi (mengeluarkan variabel yang benar dari persamaan

model karena alasan-asalan tertentu).

Adanya keterlambatan (Lag).

Adanya hubungan variabel pada observasi yang diperoleh dengan variabel pada
observasi sebelumnya.
Cara Mendeteksi Adanya Autokorelasi

Menggambarkan korelogram autokorelasi dan autokorelasi

parsial.

Menggambarkan scatter plot antara residual dengan residual

pada observasi sebelumnya.

Menggunakan uji Durbin-Watson atau uji Godfrey.