Uji Asumsi Klasik

(SPSS Based)

Multikolinieritas
Heteroskedastisitas
Autokorelasi
 Uji Multikolinieritas
0011 0010 1010 1101 0001 0100 1011

2
Tujuan utk menguji apakah persamaan

1
regresi yg dibentuk ditemukan adanya

4
korelasi antar variabel bebas
 CARA MENDETEKSI
MULTIKOLINIERITAS
0011 0010 1010 1101 0001 0100 1011
1. Matriks korelasi antar variabel bebas
Periksa apakah terdapat nilai korelasi yg tinggi (sempurna)
antar variabel bebas

1
2
2. Kestabilan koefisien regresi parsial (perubahan nilai
koefisien regresi pada saat suatu variabel ditambahkan

4
atau dikurangkan; atau saat suatu observasi dihilangkan
atau dipertukarkan
3. Kesesuaian tanda koefisien regresi menurut suatu teori
4. Variance Inflation Factor (VIF)
Petunjuk terjadinya kolinieritas jika VIF > 10 atau
Tolerance < 10%
5. R2 tinggi, tapi tidak ada/hanya sedikit variabel bebas yg
signifikan secara statistik
3
 Alternatif Solusi Mengatasi
Multikolinieritas
0011 0010 1010 1101 0001 0100 1011
1. Informasi apriori
Contoh:

2
Pada model Yi = β0+β1Xi1+β2Xi2+εi

1
Misal Y = Konsumsi, X1 = Pendapatan, X2 = Tabungan

4
Informasi apriori, misalkan β2 = 0,10β1 sehingga
Yi = β0+β1Xi1+0,10β1Xi2+εi = β0+β1Xi+εi
dimana Xi = Xi1+0,10Xi2
Informasi apriori bisa berdasarkan suatu teori atau hasil
penelitian sebelumnya

4
 Alternatif Solusi Mengatasi
Multikolinieritas
0011 0010 1010 1101 0001 0100 1011
2. Menghubungkan data cross-sectional dan data time series
(panel data)

2
3. Mengeluarkan satu atau beberapa variabel bebas, atau

1
mengelompokkan variabel bebas
Beberapa metode yg dapat digunakan:

4
 Principle Component Analysis
 Factor Analysis
 Stepwise Regression
 Ridge Regression (mentransformasi variabel)
 dan sebagainya.

5
 Alternatif Solusi Mengatasi
Multikolinieritas
0011 0010 1010 1101 0001 0100 1011
4. Transformasi variabel (melalui first differencing)
Untuk data time series, jika hubungan

2
Yt = β0+β1Xt1+β2Xt2+εt

1
berlaku pd saat t, maka berlaku pula untuk t-1, shg ada

4
Yt-1 = β0+β1X(t-1)1+β2X(t-1)2+εt-1
Jika kedua persamaan di atas dikurangkan, maka diperoleh
Yt – Yt-1 = β1(Xt1 – X(t-1)1) + β2(Xt2 – X(t-1)2) + vt
dimana vt = εt – εt-1
5. Penambahan data baru
6
 Hasil eksekusi (software) statistik
Uji multikol
Coefficient a
Unstandardized StandardizeC
Coefficients oefficients Collinnerity Statistics

Model B Std.Error Beta t Sig. Tolerance VIF

(constant) 3.848 .862 4.466 .000
SIZE -.302 .168 -.081 -1.798 .075 .968 1.033
EARNS .840 .069 .771 12.192 .000 .488 2.048
WEALTH .059 .019 .179 3.080 .003 .581 1.720
SAVING .009 .064 .007 .136 .882 .776 1.269
a. Dependent variable: INCOME

INCOME = 3,848 – 0,302 SIZE + 0,840 EARNS + 0,059 WEALTH + 0,009 SAVING
 Hasil eksekusi (software) statistik
Coefficient Correlation a

Model SAVING SIZE WEALTH EARNS

1 Correlation SAVING 1.000 -.058 .131 -.435

SIZE -.058 1.000 .161 -.072
WEALTH .131 .161 1.000 -.620
EARNS -.435 -.072 -.620 1.000
SAVING .004 -.001 .000 -.002
SIZE -.001 .028 .001 -.001
Covariance
WEALTH .000 .001 .000 -.001
EARNS -.002 -.001 -.001 .005
a. Dependent variable: INCOME

INCOME = 3,848 – 0,302 SIZE + 0,840 EARNS + 0,059 WEALTH + 0,009 SAVING
Uji Heteroskedastisitas

 Tujuan : menguji apakah dlm persa-

maan regresi yg dibentuk terjadi
ketidaksamaan varian dari residual
satu pengamatan ke pengamatan yg
lain.
 Pada umumnya utk data cross section
sering terjadi heteroskedastisitas
Deteksi adanya
Heteroskedastisitas

Melihat grafik plot antara Residual

(= Yprediksi – Yact ) di sumbu Y dan
Yprediksi di sumbu X. Apabila terdapat
pola tertentu maka menunjukkan
terjadi heteroskedastisitas
Sumbu Y = residual (Yprediksi – Yaktual)
Sumbu X = Y prediksi
Kesimpulan: titik-titik plot tidak membentuk pola tertentu (tersebar),
berarti tidak terjadi heteroskedastisitas
Mengatasi adanya Heteroskedastisitas

1. Melakukan transformasi model dlm

bentuk membagi persm. regresi asal dg
salah satu variabel bebas yg digunakan
2. Melakukan transformasi logaritma thd
persm. regresi
log Y = b0 + b1 log X1 + b2 log X2
 Uji Autokorelasi

1. Tujuan: mengetahui apakah pada model

regresi yg dibentuk terjadi korelasi antara
error term periode ke-t dengan periode t-1
2. Pada umumnya utk data time series
sering terjadi autokorelasi
 Durbin-Watson test

Jika DWhitung:
 DW < dL: menolak Ho, artinya terjadi autokorelasi
 DW > 4 – dL : menolak Ho, artinya terjadi
autokorelasi
 dU < DW < 4 – dU : Ho diterima, tidak terjadi
autokorelasi
 dL ≤ DW ≤ dU, atau 4 – dU ≤ DW ≤ 4 – dL : tidak
ada keputusan

28/02/24
 Hasil eksekusi (software) statistik

Model Summary b
Adjusted R Std Error of Durbin –
Model R R Square Square the Estimate Watson

1 .902 (a) .814 .807 2.45627 2.061

a. Predictors : (Constant), SIZE, EARNS, WEALTH, SAVING

b. Dependent variable: INCOME

INCOME = 3,848 – 0,302 SIZE + 0,840 EARNS + 0,059 WEALTH + 0,009 SAVING
Mengatasi adanya Autokorelasi

1. Metode Cochrane Orcutt

2. Metode Hidreth–Lu
3. Metode Durbin
4. Metode Theil–Nagar
5. Metode berdasarkan DW Statistics