UJI ASUMSI KLASIK

Oleh:
Prof. Dr. Suliyanto, SE,MM

http://management-unsoed.ac.id
 Uji Asumsi Klasik
 Download

1
 Pengertian Uji Asumsi
Klasik
 Uji Asumsi klasik adalah analisis yang
dilakukan untuk menilai apakah di
dalam sebuah model regresi linear
Ordinary Least Square (OLS) terdapat
masalah-masalah asumsi klasik.

2
 Asumsi klasik adalah syarat-syarat
yang harus dipenuhi pada model
regresi linear OLS agar model tersebut
menjadi valid sebagai alat penduga.

3
 Tujuan Uji Asumsi
Klasik
 Tujuan pengujian asumsi klasik adalah
untuk memberikan kepastian bahwa
persamaan regresi yang didapatkan
memiliki ketepatan dalam estimasi,
tidak bias dan konsisten

4
 Regresi linear OLS
 Regresi linear OLS adalah sebuah
model regresi linear dengan metode
perhitungan kuadrat terkecil atau yang
di dalam bahasa inggris disebut
dengan istilah ordinary least square.
 Di dalam model regresi ini, ada

beberapa syarat yang harus dipenuhi

agar model peramalan yang dibuat
menjadi valid sebagai alat peramalan.

5
 Materi
 Uji Asumsi Klasik
– Normalitas
– Non-Multikolinieritas
 Uji Asumsi Klasik

– Non-Heteroskedastisitas
– Non-Outokorelasi
– Linieritas
6
 Yang Dimaksud dengan Kurva
Normal
 Distribusi normal merupakan suatu
kurve berbentuk lonceng.
 Penyebab data tidak normal, karena

terdapat nilai ekstrim dalam data seri

yang diambil.
 Nilai ekstrim adalah nilai yang terlalu

rendah atau terlalu tinggi.

7
 Penyebab Munculnya Nilai
Ekstrim
1. Kesalahan dalam pengambilan unit sampel.
Cara mengatasi: Mengganti unit sampel.
2. Kesalahan dalam menginput data.
Cara mengatasi: Memperbaiki input data yang
salah.
3. Data memang aneh dibanding lainnya.
Cara mengatasi: Tambah ukuran sampel atau
dengan membuang data yang aneh tersebut.

8
 Kapan Data Dikatakan Normal

Ekstrim Rendah Ektrim Tinggi

-2,58 0 2,58

Pada =0,01

Ekstrim Rendah Ektrim Tinggi

-1,96 0 1,96

Pada =0,05
9
 Berikut ini manakah data yang
Ekstrim

Ekstrim Rendah Ektrim Tinggi

-2,58 0 2,58

xi  x 50.000  63.333
Z   0439
 31.734

10
 UJI NORMALITAS
PENGERTIAN UJI NORMALITAS
 Uji normalitas di maksudkan untuk
mengetahui apakah nilai residual
terstandarisasi yang diteliti berdistribusi
normal atau tidak.

PENYEBAB TIDAK NORMAL

 Disebabkan karena terdapat nilai ekstrim

dalam data yang kita ambil.

11
 Uji Normalitas
 Uji normalitas dapat dilakukan secara:
– Univariate
Dilakukan dengan menguji normalitas pada
semua variabel yang akan dianalisis.
– Multivariate
Dilakukan dengan menguji normalitas pada nilai
residual yang telah distandarisasi.

12
 Uji Normalitas
CARA MENDITEKSI:
1. Dengan grafik:
Jika kurva regression residual
terstandarisasi membentuk gambar
lonceng.
2. Dengan statistik:
– Uji Liliefors
– Chi Kuadrat (X2)
– Uji dengan kertas peluang normal
– Uji dengan Kolmogornov Smirnov

13
Kolmogorov Smirnov vs
Lilliefors
 Langkah-langkah penyelesaian dan
penggunaan rumus sama, namun pada
signifikansi yang berbeda.
 Signifikansi metode Kolmogorov-Smirnov

menggunakan tabel pembanding yaitu

Tabel Kolmogorov Smirnov, sedangkan
metode Lilliefors menggunakan tabel
pembanding yaitu Tabel Lilliefors
14
 Contoh Kasus

 Berikut ini adalah data time series,

 Berdasarkan data tersebut ujilah

apakah data tersebut Normal secara
Multivariate.

15
 Manual Liliefors
1. Buat persamaan regresinya
2. Mencari nilai Prediksinya
3. Cari nilai residualnya
4. Stadarisasi nilai residualnya
5. Urutkan nilai residual terstandarisasi dari
yang terkecil sampai yang terbesar.
6. Mencari nilai Z teoritis (Ft) berdasarkan tabel
Z
7. Mencari nilai Z relatif komulatif (Fs).
8. Mengihitung selisih absolut nilai Ft dengan Fs
atau I(Ft-Fs)I dan diberi simbol Li hitung
9. Bandingkan nilai Li hitung dengan tabel Liliefors.
10.Jika Lihitung < L tabel maka data berdistribusi
normal demikian juga sebaliknya.
16
 Pengujian Manual

Y =2,553-1,092X1+1,961X2
Ypred =2,553-1,092(2) +1,961(3) = 6,252
Resid = 5 - 6,252
Zresid = (-1,252—0,002)/1,042 = -1,200
Zresidurt = Zresid yang diurutkan dari yang terkecil ke yang terbesar
Tabel Z = 1,20 ditabel Z = 0,3849
Ft = Jika Zresidurt negative maka (0,5 - table Z), Jika Zresidurt positif
maka (0,5 + table Z)
Fs = (1/10) = 0,1, (2/10) = 0,2, dts
(Ft-Fs) = 0,1151 – 0,100
|(Ft-Fs)| = abs (0,1151 – 0,100) 17
 Pengujian Normalitas Dengan SPSS
Memunculkan Nilai Residual Terstandarisasi
 Buka file : Data_Regresi_1
 Analyze  Regression  Linear...
 Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent
 Save…:  pada kotak Residual : klik Standardized  Continue

(bertujuan untuk membuat variabel / kolom baru pada data yaitu

Zre_1 )
 Abaikan pilihan yang lain  OK

Uji Kolmogornov Smirnov

 Buka file : Data Regresi_1
 Analyze  Non Parametrics Test  1 Sample K-S...
 Masukan variabel Standardized Residual pada kotak Test Variable
List
 Abaikan pilihan yang lain (biarkan pada posisi defaultnya)  OK

18
Memunculkan Nilai Residual Uji Komogornov Smirnov
Terstandarisasi

19
 Output Kolmogornov
Smirnov
One-Sample Kolmogorov-Smirnov Test
 Karena Nilai Sig. >
Standardized 0,05 maka tidak
Residual
N 10
signifikan.
Normal Parameters a,b Mean 5.960465E-09  Tidak siginifikan
Std. Deviation .8819171 berarti data relatif
Most Extreme Absolute .297 sama dengan rata-
Differences Positive .257 rata sehingga
Negative -.297
disebut normal.
Kolmogorov-Smirnov Z .940
Asymp. Sig. (2-tailed) .340
a. Test distribution is Normal.
b. Calculated from data.
20
 Cara Mengatasi Data yang Tidak
Normal
 Menambah jumlah data.
 Melakukan transformasi data menjadi

Log atau LN atau bentuk lainnya.

 Menghilangkan data yang dianggap

sebagai penyebab data tidak normal.

 Dibiarkan saja tetapi kita harus

menggunakan alat analisis yang lain.

21
 UJI NON MULTIKOLINIERITAS

PENGERTIAN
 Uji multikolinieritas berarti terjadi korelasi

yang kuat (hampir sempurna) antar

variabel bebas.
 Tepatnya multikolinieritas berkenaan
dengan terdapatnya lebih dari satu
hubungan linier pasti, dan istilah
kolinieritas berkenaan dengan
terdapatnya satu hubungan linier.

22
 Uji Multikolinieritas
PENYEBAB
 Karena sifat-sifat yang terkandung

dalam kebanyakan variabel ekonomi

berubah bersama-sama sepanjang
waktu.
 Besaran-besaran ekonomi dipengaruhi

oleh faktor-faktor yang sama.

23
 Uji Non-Multikolinieritas
 Cara menditeksi:
1. Dengan melihat koefisien korelasi antar
variabel bebas:
Jika koefisien korelasi antar variabel
bebas ≥ 0,7 maka terjadi multikolinier.
2. Dengan melihat nilai VIF (Varian Infloating
Factor):
Jika nilai VIF ≤ 10 maka tidak terjadi
multikolinier.

24
 Contoh KasusMultikolinieritas

 Berikut ini adalah data time series,

 Berdasarkan data tersebut ujilah

apakah data tersebut terjadi gejala
Multikolikolinier ?.

25
Pengujian VIF (Varian Infloating
Factor)

1. Hitung nilai korelasi antar varibel bebas (r)

2. Kuadratkan nilai korelasi antar variabel
bebas (r2).
3. Hitung nilai tolerance (Tol) dengan rumus
(1-r2).
4. Hitung nilai VIF dengan rumus 1/TOL
5. Jika VIF ≤ 10, maka tidak terjadi
multikolinier.

26
Pengujian Manual VIF

27
Pengujian Multikolinier Dengan SPSS

 Buka file : Data_Regresi_1

 Analyze  Regression  Linear...
 Masukan variabel Y  pada kotak
Dependent
X1, X2,  pada kotak
Independent
 Statistics…:  klik Colinier Diagnosis
Continue

28
Output:

Karena nilai VIF ≤ 10 maka tidak terjadi multikolinier

29
 CARA MENGATASI MULTIKOLINIER
 Memperbesar ukuran sampel
 Memasukan persamaan tambahan ke dalam
model.
 Menghubungkan data cross section dan data time
series (panel data).
 Mengeluarkan suatu variabel dan bias
spesifikasi.
 Transformasi variabel.

30
 Tugas
 Ujilah asumsi klasik normalitas dan
non multikolinier, dengan ketentuan
sbb:
 Jumlah pengamatan 20.

 Gunakan excel dan SPSS

 Data antar mahasiswa berbeda

 Dikumpulkan dalam bentuk pdf.

31
Berdasarkan output tersebut ujilah uji asumsi normalitas
dan multikolinieritas !
32
UJI NON-HETEROSKEDASTISITAS
PENGERTIAN
 Uji heteroskedastisitas berarti adanya varian dalam
model yang tidak sama (konstan).

PENYEBAB
 Variabel yang digunakan untuk memprediksi
memiliki nilai yang sangat beragam, sehingga
menghasilkan nilai residu yang tidak konstan.

33
 Uji Heteroskedastisitas
CARA MENDITEKSI:
1. Dengan Uji Park
Yaitu dengan meregresikan variabel bebas terhadap nilai
log-linier kuadrat.
2. Dengan Uji Glejser
Yaitu dengan meregresikan variabel bebas terhadap nilai
residual mutlaknya.
3. Dengan Uji Korelasi Rank Spearman
Mengkorelasikan nilai residual dengan variabel bebas
dengan menggunakan korelasi Rank-spearman.

34
 Contoh Kasus Heteroskedastisitas

 Berikut ini adalah data time series,

 Berdasarkan data tersebut ujilah

apakah data tersebut terjadi gejala
Heteroskedastisitas ?

35
 Langkah-Langkah Metode Glejser

1. Regresikan variabel bebas (X) terhadap

variabel tergantung (Y), untuk menghasilkan
persamaan regresi.
2. Hitung nilai prediksinya
3. Hitung nilai residualnya
4. Mutlakkan nilai residualnya
5. Regresikan variabel bebas terhadap nilai
mutlak residualnya.
6. Jika signifikan berarti terjadi gejala
heteroskedastisitas dan sebaliknya jika tidak
signifikan berarti tidak terjadi gejala
heteroskedastisitas. 36
37
 Hasil Nilai Regresi Variabel Bebas
terhadap Nilai Mutlak Residualnya

•X tidak signifikan karena p-value > 0,05 sehingga X1 tidak

1
terjadi gejala heteroskedastisitas.
•X signifikan karena p-value < 0,05 sehingga X2 terjadi
2
gejala heteroskedastisitas. 38
 Pengujian Heteroskedastisitas
Dengan SPSS
Memunculkan Nilai Residual
 Buka file : Data_Regresi_1
 Analyze  Regression  Linear...
 Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent
 Save…:  pada kotak Residual : klik unstandardized  Continue
(bertujuan untuk membuat variabel / kolom baru pada data yaitu res_1 )
 Abaikan pilihan yang lain  OK
Mutlakan Nilai Residualnya
 Buka file : Data Regresi_1
 Tranform  Compute
 Pada Target Variabel diisi dengan ABRES
 Pada Numeric Expresion diisi dengan ABS(RES_1)
 Abaikan pilihan yang lain  OK
Meregresikan variabel bebas terhadap Nilai Mutlak Residual
 Buka file : Data_Regresi_1
 Analyze  Regression  Linear...
 Masukan variabel ABRES  pada kotak Dependent
X1, X2,  pada kotak Independent
 Abaikan pilihan yang lain  OK

39
 Prose Memunculkan Nilai Residual dan
Memutlakannya

Memunculkan Nilai Residual Memutlakan Nilai Residual

40
Meregresikan variabel bebas terhadap
Nilai Mutlak Residual

• X1 tidak signifikan karena p-value > 0,05 sehingga X 1 tidak terjadi gejala
heteroskedastisitas.
• X2 signifikan karena p-value < 0,05 sehingga X 2 terjadi gejala
heteroskedastisitas.
41
Cara Mengatasi Heteroskedastisitas
 Tambah jumlah pengamatan.
 Tranformasikan data ke bentuk LN

atau Log atau bentuk lainnya.

 Hapus data yang menyebabkan
heteroskedastisitas.

42
 UJI NON-AUTOKORELASI

PENGERTIAN
 Uji ini dilakukan untuk mengetahui apakah ada

korelasi antara anggota serangkaian data

observasi yang diuraikan menurut waktu (time
series) atau ruang (cross section).

43
 Uji Otokorelasi
PENYEBAB:
 Adanya kelembaman waktu

 Adanya bias spesifikasi model

 Manipulasi data

44
 Uji Otokorelasi
 Uji Durbin Watson
 Uji Lagrange Multiplier

 Uji Breusch-Godfrey

45
 Contoh Kasus Otokorelasi

 Berikut ini adalah data time series,

 Berdasarkan data tersebut ujilah

apakah data tersebut terjadi gejala
otokorelasi ?

46
Langkah-Langkah Uji Durbin-Watson
1. Regresikan variabel bebas (X) terhadap
variabel tergantung (Y), untuk mendapatkan
persamaan regresi.
2. Hitung nilai prediksinya.
3. Hitung nilai residualnya.
4. Kuadratkan nilai residualnya.
5. Lag-kan satu nilai residualnya.
6. Kurangkan nilai residual dengan Lag satu
nilai residualnya.
7. Masuk hasil perhitungan di atas masukan ke
dalam rumus Durbin-Watson
47
Perhitungan Manual Durbin Matson

e = Y-Ypred = 5-6,252=-1,252
e2 = = -1,2522= 1,568
et-1 = e mundur 1peiode
e-et-1 = 0,879-(-1,252) = 2,131
DW 
 (e  e t 1 )2

33,104
 3,386
e
2
(e-et-1)2 = 2,131 = 4,541 t
9,777

48
 Kriteria Pengujian

Tabel Durbin Watson

Tanpa Kesimpulan
Tanpa Kesimpulan df =k,n
Tidak ada
K=2 dan n=10
Otokorelasi
Otokorelasi + Otokorelasi –
dL = 0,697
dL dU 2 4 – dU 4 – dL
0,697 1,641 2,359 3,303 dU = 1,641
3,386 4-dU = 2,359
4-dL = 3,303

49
 Pengujian Otokorleasi Dengan SPSS
Memunculkan Nilai Residual
 Buka file : Data_Regresi_1
 Analyze  Regression  Linear...
 Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent
 Klik Statistics…:
 Pada Residual pilih Durbin Watson
 Klik Continue
 Abaikan pilihan yang lain  OK

50
Proses Analisi Surbin Watson dengan
SPSS

51
Output Uji Durbin Watson

52
 Tugas 3
One-Sample Kolmogorov-Smirnov Test

Standardized
Residual
N 20
Normal Parameters a,b Mean -8,94070E-09
Std. Deviation ,9459053
Most Extreme Absolute ,266
Differences Positive ,266
Negative -,223
Kolmogorov-Smirnov Z 1,189
Asymp. Sig. (2-tailed) ,118
a. Test distribution is Normal.
b. Calculated from data.
Model Summaryb

Adjusted Std. Error of Durbin-W

Model R R Square R Square the Estimate atson
1 ,932a ,870 ,854 1,1387 3,585
a. Predictors: (Constant), X2, X1
Coefficientsa
b. Dependent Variable: Y
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 1,534 ,223 6,869 ,000
X1 -3,20E-02 ,037 -,185 -,861 ,401
X2 -8,19E-02 ,041 -,425 -1,974 ,065
a. Dependent Variable: ABRES 53
54
 Jika diketahui Jumlah Variabel bebas
3, pengamatan 20, dan diperoleh nilai
durbin watson sebesar 2,354.
 Ujilah apakah terjadi gejala

outokorelasi ?
 Gunakan gambar untuk menguji !

55
 Tugas:
 Ujilah asumsi klasik non heteroskeastisitas dan
non outokorelasi
 Jumlah pengamatan n=20, var bebas=2.
 Data antar mahasiswa harus beda.
 Uji dengan excel dan spps, yang disajikan 1)
Data mentah, 2) output, 3) Intresptasinya.
 Dukumpulkan lewat google class room, dalam
format pdf.
 Batas akhir pengumpulan Rabu 8 Juni 2022

56
 UJI LINIERITAS

 Uji ini dilakukan untuk mengetahui model yang digunakan

apakah menggunakan model linier atau tidak.
 Cara menditeksi:
1. Dengan kurva:
Model dikatakan linier jika plot antara nilai residual
terstandarisasi dengan nilai prediksi terstandarisasi tidak
membentuk pola tertentu (acak).
2. Dengan uji MWD
Cara mengetahui linieritas dengan menggunakan
gambar dianggap masing kurang obyektif sehingga
masih dibutuhkan alat analisis Mac Kinnon White
Davidson (MWD)

57
 Langkah Analsis MWD
 Regresikan variabel bebas terhadap variabel
tergantung dengan regresi linier dan tentukan
Ypred1
 Tranformasikan semua variabel ke dalam bentuk
Ln, dan kemudian regresikan Ln variabel bebas
terhadap Ln variabel tergantung dan tentukan
Ypred2.
 Tentukan Z1= (Ln Ypred1 - Ypred2.).
 Regresikan variabel bebas dan Z1 terhadap Y,
jika Z1 signifikan maka tidak linier.
 Tentukan Z2 = (antilogPred2-YPred1)
 Regresikan variabel bebas dan Z2 terhadap Y,
jika Z2 sigifikan maka linier.
58
 Pengujian Linieritas Dengan SPSS
Memunculkan Nilai Residual
 Buka file : Data Regresi_1
 Analyze  Regression  Linear...
 Reset..
 Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent(s)
 Plots… :  pada Y :  diisi : ZRESID
X :  diisi : ZPRED  Continue.
 OK

59
 Proses Uji Linieritas dengan SPSS
Scatterplot
Dependent Variable: Y
1,0

Regression Standardized Residual

,5

0,0

-,5

-1,0

-1,5
-3 -2 -1 0 1 2

Regression Standardized Predicted Value

Karena plot regresi standardiz residual dengan regresi

standardiz prediksi membentuk pola yang acak maka
menggunakan persamaan regresi Linier.

60
 Bagiamana Kalau tidak Linier ?
 Jika hasil tidak linier tinggal ganti
dengan persamaan non linier.

61
 Ujilah gejala
otokorelasi!

N=16 K=2

62
 Tugas
 Buatlah data hipotetik tiap mahasiswa berbeda, n=12 variabel
bebas 2.
 Ujilah asmsi klasik:
– Normalitas
– Multikolinieritas
– Heteroskedastisitas
– Outokorelasit
 Kirim ke email: google class room dalam bentuk file
microsoftword.
 Format tugas: nama nim, data, output nomalitas +
interprteasi, output multikol+ interprteasi, output hetero+
interprteasi+ output otokorelasi + interprteasi

63