M. Ahkam, S. Pd., S. Psi., M. Si Nur Afni Indahari A., S. Psi., M. Psi., Psikolog Ahmad Ridfah, S. Psi., M. Psi., Psikolog
FAKULTAS PSIKOLOGI UNM
DESEMBER 2014 Uji Asumsi Otokorelasi Salah satu asumsi analisis regresi linear adalah tidak adanya masalah otokorelasi (autokorelasi atau korelasi serial). Setiap data residual suatu amatan diharapkan saling bebas dengan pengamatan lainnya. Otokorelasi sendiri didefinisikan sebagai adanya hubungan antara satu residual pengamatan dengan residual pengamatan lainnya (Yamin, Rachmach, & Kurniawan, 2011). Santoso (2012) berpendapat bahwa tujuan uji ini ingin mengetahui apakah dalam sebuah model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Otokorelasi pada sebagian besar kasus ditemukan pada regresi yang datanya adalah time series, atau berdasarkan waktu berkala, seperti bulanan, tahunan, dst. Karena itu, ciri khusus uji ini adalah waktu. Metode yang paling banyak digunakan adalah Uji durbin Watson, selain itu ada pula Uji Run dls. (Yamin, Rachmach, & Kurniawan, 2011). Jika ada masalah otokorelasi, maka model regresi yang seharusnya signifikan, menjadi tidak layak untuk dipakai. Otokorelasi bisa diatasi dengan berbagai cara, antara lain: • melakukan transformasi data, • menambah data observasi (Santoso, 2012). Tahun A B 2002 78 65 2003 87 98 2004 89 89 2005 88 76 2006 67 45 2007 86 58 2008 96 87 2009 67 87 2010 77 89 2011 76 90 Uji Durbin Watson (Santoso, 2012) • Analyze Regression Linier • Masukkan variabel dependen dan independen • Method pilih enter Tekan Statistics Pilih Durbin-Watson Continue Ok Panduan mengenai angka D-W untuk mendeteksi otokorelasi bisa dilihat pada tabel D- W. Namun demikian, secara umum bisa diambil patokan: Angka D-W dibawah -2 berarti ada otokorelasi positif. Angka D-W diantara -2 sampai +2, berarti tidak ada otokorelasi. Angka D-W diatas +2 berarti ada otokorelasi negatif. Uji Run Test (Yamin, Rachmach, & Kurniawan, 2011) Analyze Nonparametric test Run masukkan variabel standardized residual ke kolom Test Variabel List(s) Ok p > 0.05 maka tidak ada masalah otokorelasi Uji Homoskedastisitas Pemeriksaan awal varians eror bersifat homoskedastisitas atau tidak ada masalah heteroskedastisitas dapat dilihat dari scatter plot. Varians eror yang homoskedastisitas menyebar secara acak/normal tidak membentuk suatu pola tertentu. Uji yang bisa digunakan antara lain: Uji Park, Uji Glejser, Uji Spearman’s Rank Correlation, Uji White, Uji Breusch-Pagan-Godfrey (BPG) (Yamin, Rachmach, & Kurniawan, 2011). Pemeriksaan awal (Santoso, 2010) Klik Graph Legacy dialogs Scatter/Dot Simple Scatter Define Independen pada X-Axis dan dependen pada Y- Axis Ok Lihat bentuk grafik Uji Spearman’s Rank Correlation (Yamin, Rachmach, & Kurniawan, 2011) Uji ini mengkorelasikan antara harga mutlak residual unstandardized dan variabel independen. Untuk cara mencari residual unstandardized lihat slide 13 Uji Asumsi I. Klik transform Compute Variable tuliskan Mut_U pada kolom target variable pada numeric expression tuliskan Abs kemudian buka kurung klik variable unstardardized residual klik tanda panah tutup kurung Ok Analyze Correlation Bivariate pada variable list masukkan Mut_U dan variabel independen hilangkan pearson dan pilih spearman p > 0.05 maka tidak terdapat masalah heteroskedastisitas. Uji Multikolinearitas Asumsi tidak adanya multikolinearitas ini perlu di cek ketika kita menggunakan analisis regresi dengan melibatkan lebih dari satu prediktor/independen (regresi ganda) (Santoso, 2010). Salah satu cara untuk mengatasi masalah multikolinearitas adalah dengan menambah jumlah data (Yamin, Rachmach, & Kurniawan, 2011). Langkah pengujian: Analyze regression linear masukkan variabel Statistics Collinearity diagnostics Ok Lihat kolom Tolerance dan VIF pada Collinearity Statistics, kolom ini memberikan informasi mengenai kolinearitas dari tiap variabel. Semakin besar VIF semakin tinggi kolinearitas yang terjadi pada variabel tersebut. Jika VIF dari suatu variabel > 10, maka ada kecurigaan adanya kolinearitas pada variabel tsb (Santoso, 2010). Semakin kecil nilai tolerance, maka semakin parah nilai kolinearitas suatu variabel. Oleh karena itu, kita mengharapkan untuk mendapatkan nilai tolerance yang besar. Nilai maksimal tolerance sama dengan 1 yang berarti prediktor tsb. dapat dikatakan tidak berkorelasi sama sekali dengan prediktor lainnya dalam persamaan regresi (Santoso, 2010). Daftar Pustaka Hadi, S. (2001). Isu uji asumsi. Buletin Psikologi, Tahun IX, Nomor 1, Juni 2011. Yogyakarta: Fakultas Psikologi UGM. Santoso, A. (2010). Statistik untuk psikologi dari blog menjadi buku. Yogyakarta: Universitas Sanata Dharma. Santoso, S. (2012). Aplikasi SPSS pada statistik parametrik. Jakarta: PT. Elex Media Komputindo. Yamin, S., Rachmach, L. A., & Kurniawan, H. (2011). Regresi dan korelasi dalam genggaman anda. Jakarta: Salemba Empat. SEKIAN DAN TERIMA KASIH