Lihat Grafik Scatter di atas, pola menyebar secara acak di atas maupun
diawah angka nol pada sumbu regression standardized residual Maka
dapat disimpulkan model dikatakan linier
Uji Durbin Watson
Uji Durbin-Watson adalah uji statistik yang digunakan untuk
menguji apakah terdapat asumsi otonomi (independence)
dalam residual model regresi. Uji ini tidak secara langsung
menguji linieritas, tetapi memeriksa apakah terdapat pola
korelasi residual yang signifikan. Namun, dalam beberapa
kasus, pelanggaran otonomi residual dapat menunjukkan
ketidaklinieran dalam model.
Langkah-langkah uji Durbin
Watson
1. Buat Model Regresi Linear:
2. Hitung Residual:
Setelah memperoleh model regresi, hitung residual model.
Residual (ei) adalah selisih antara nilai observasi (yi) dan nilai
yang diprediksi oleh model (ŷi).
Langkah-langkah uji Durbin
Watson
3. Hitung Statistik Durbin-Watson (d):
Hitung statistik Durbin-Watson (d) menggunakan rumus berikut:
Dimana :
m = jumlah variabel bebas yang baru masuk
n = jumlah observasi
k = banyaknya parameter
7. Menarik kesimpulan jika F hitung < F tabel dengan df=(α,m,n-k) maka model
dinyatakan linier. Begitupun sebaliknya
Cara Uji Ramsey
Klik Menu – Analyze – Regression - Linear:
Masukkan kemiskinan (Y) pada variabel dependen dan variabel
PDRB(X1) dan UMR(X2) ke variabel independen
Klik save, pada bagian influence statistics
DfFit. Continue klik ok
Outputnya adalah
= 17,60493548
Karena nilai F hitung adalah 17,60493548 > F Tabel (4,073) maka dapat disimpulkan
Bahwa model regresi yang benar adalah linier
Uji Lagrange Multiplier
Uji Lagrange Multiplier dalam konteks uji linieritas sebenarnya
dikembangkan oleh Robert F. Engle, bersama dengan David A. Bera, pada
tahun 1984.
Robert F. Engle adalah seorang ekonom Amerika Serikat yang dikenal
karena kontribusinya dalam ekonometrika, terutama dalam analisis deret
waktu dan model volatilitas. Uji Lagrange Multiplier yang dikembangkan
oleh Engle dan Bera merupakan metode statistik yang digunakan untuk
mendeteksi keberadaan heteroskedastisitas dalam model regresi linier.
Metode ini kemudian dikenal sebagai uji Breusch-Pagan atau uji Koenker,
yang merupakan variasi dari uji Lagrange Multiplier.
Uji Lagrange Multiplier yang dikembangkan oleh Engle dan Bera telah
menjadi alat penting dalam analisis regresi untuk menguji keberadaan
heteroskedastisitas, yang merupakan salah satu aspek penting dari uji
linieritas.
Langkah-langkah uji linieritas
dengan metode lagrange Multiplier
1. Membuat persamaan regresi
2. Mencari nilai predeksi (1)
3. Mencari nilai residual (Y-)
4. Mengkuadratkan semua variabel bebas
5. Meregresikan kuadrat variabel bebas terhadap nilai residualnya
U = b0+b1X12 + b2X22+ e
6. Berdasarkan persamaan regresi nilai kuadrat variabel bebas terhadap
nilai residu, cari nilai koefisien determinasi(R2) yang baru
7. Hitung nilai X2 hitung dengan persamaan ( n x R2), dimana n adalah
jumlah pengamatan
8. Menarik kesimpulan jika X2 hitung < X2 tabel dengan df=(n,α) maka
model dinyatakan linier. Begitupun sebaliknya
Cara Uji LM
Klik Menu – Analyze – Regression - Linear:
Masukkan kemiskinan (Y) pada variabel dependen dan variabel
PDRB(X1) dan UMR(X2) ke variabel independen
Klik save, pada bagian residual
Unstandarized. Continue klik ok
Kembali ke data editor, untuk mengkuadratkan semua variabel
bebas. Klik transform- compute- klik target variabel disi dengan
X1Sqr- numeric expresion diisi dengan PDRB*PDRB(x1*x1)- ok
Ulangi untuk X2. Klik transform- compute- klik target
variabel disi dengan X2Sqr- numeric expresion diisi
dengan UMR*UMR(x2*x2)-ok
Meregresikan variabel bebas yang dikuadratkan terhadap nilai
residual. Klik Analyze-Regression-linier-reset-masukan variabel
RES_1 ke kotak dependent dan variabel X1Sqr dan X2Sqr pada
kontak independent klik ok
Hasil output
Kesimpulan dari hasil
Berdasarkan output di atas maka diperoleh koefisien
determinasi (R2 ) sebesar 0,010 sehingga nilai X2 sebesar 45
x 0,010 = 0,45 sedangkan nilai X2 tabel se dengan df 0,05, 45
adalah 61,656. Dengan demikian karena nila X2 hitung
(0,45) < nilai X2 tabel (61,656) bahwa model regresi yang
benar adalkah linier
Uji Mac Kinnon, White dan Davidson (MWD)
Uji MWD merupakan salah satu metode untung mengukur
linieritas yang dikembangkan oleh Mac Kinnon, White dan
Davidson
Langkah-langkah uji MWD
1. Membuat persamaan regresi
2. Mencari nilai predeksi (1)
3. Mentransformasikan veriabel bebas dan variabel tergantung ke dalam bentuk Ln
4. Membuat persamaan regresi untuk semua variabel yang sudah ditransformasikan dalam bentuk Ln
5. Mencari nilai predeksi dari persamaan regresi untuk semua variabel yang sudah ditransformasikan dalam
bentuk Ln (2)
6. Mentransformasikan nilai predeksi (1) kedalam bentuk Ln (Ln1)
7. Mengurangi nilai (1) nilai (2) dan diberi nama Z1
8. Meregresikan variabel bebas dan Z1 terhadap variabel tergantung. Model dikatakan linier jika koefisien Z1
tidak signifikan
9. Mentransformasikan nilai prediksinya (2) kedalam bentuk AntiLn dan diberi nama (AntLn 2)
10. Mengurng nilai (AntLn 2) dengan nilai (1) dan diberinama Z2
11. Meregresikan variabel bebas dan Z2 terhadap variabel tergantung. Model dikatakan linier jika koefisien Z2
signifikan
12. Menarik kesimpulan uji linieritas dengan kriteria sebagai berikut:
1. Jika Z1 linier dan Z2 linier maka model harus linier
2. Jika Z1 tidak linier dan Z2 tidak linier maka model harus non-linier
3. Jika Z1 tidak linier dan Z2 linier maka model boleh non linier dan boleh linier
4. Jika Z1 linier dan Z2 tidak linier maka model boleh linier dan boleh non linier
Pengujian Linieritas Menggunakan
MWD
1. Menambahkan variabel Z1 sebagai variabel bebas pada
model regresi. Langkah untuk menambahkan variabel Z1
yang akan ditambahkan sebagai variabel bebas, antara
lain.
a. Langkah pertama, mengestimasi model PDRB, UMR
terhadap Kemiskinan. Sehingga menghasilkan nilai Y yang
diestimasi (Pre_1)
Klik Analize-Regression Linier-Masukkan kemiskinan (Y) pada
variabel dependen dan variabel PDRB(X1) dan UMR(X2) ke variabel
independen
Klik save, pada bagian Predicted value klik
Unstandarized. Continue klik ok
Kembali ke data editor. Sekarang sudah ada variabel
baru Unstandarized predicted, yaitu PRE_1
untuk membuat model ln semua variabel. Klik transform- compute- klik target variabel disi
dengan Ln_Y - numeric expresion diisi dengan LN (?) – Type & Label, klik Kemiskinan- ok.
b. Langkah kedua, mengestimasi model ln (PDRB, UMR) terhadap ln
Ulangi cara yang sama pada PDRB dan UMR dan nilai Prediksi (Unstandardized/PRE_1)
Kemiskinan. Sehingga menghasilkan nilai lnY yang diestimasi
(Pre_2)
Ulangi cara yang sama pada PDRB dan UMR dan prediksi 1. Sehingga
menjadi Ln_X1 dan Ln_X2. Sehingga pada lembar data view telah diperoleh
kolom tambahan Ln_Y, Ln_X1, Ln_X2, Ln_PRE_1
Regresikan Ln_X1 dan Ln_X2 terhadap Ln_Y. Klik Analize-
Regression Linier-Masukkan Ln kemiskinan (Ln_Y) pada variabel
dependen dan variabel Ln PDRB(Ln_X1) dan Ln UMR(Ln_X2) ke
variabel independen
Klik save, pada bagian Predicted value klik
Unstandarized. Continue klik ok sehingga dihasilkan
nilai PRE_2
c. Langkah ketiga, menggurangi PRE_2 dengan Ln_PRE_1 hingga
menghasilkan Z1. caranya Klik transform- compute- klik target
variabel disi dengan Z1- numeric expresion diisi dengan PRE_2 –
Ln_PRE_1 klik - ok.
d. Langkah keempat, mengestimasi model PDRB, UMR dan Z1
terhadap Kemiskinan. Klik Analize-Regression Linier-reset-
Masukkan kemiskinan (Y) pada variabel dependen dan variabel
PDRB(X1), UMR(X2) dan Z1 ke variabel independen
Output yang dihasilkan
Dengan ukuran sampel 45 jumlah variabel 4 dan α = 0,05, maka df: α/2, (n-
k), df=0,025, 41, diperoleh t tabel 2,020. karena t hitung (185) ≤ t tabel
(2,020) dan Sig. Z1 (0,857) > α(0,05), maka model dinyatakan linier.
Model dikatakan linier jika pada variabel Z2 hasilnya signifikan. Dengan kriteria:
a) t hitung <-t tabel atau t hitung > t tabel, atau
b) Sig. Z1 ≤ α
Dengan ukuran sampel 45 jumlah variabel 4 dan α = 0,05, maka df: α/2, (n-k), df=0,025, 41,
diperoleh t tabel 2,020. karena t hitung (0,293) ≤ t tabel (2,020) dan Sig. Z2 (0,775) > α(0,05),
maka model dinyatakan tidak linier.
Kesimpulan: Jika Z1 & Z2 hasilnya linier maka model menggunakan persamaan regresi linier.
jika Z1 & Z2 hasilnya non linier maka model menggunakan persamaan regresi non linier. Jika
salah satu non linier maka model bisa menggunakan persamaan regresi linier atau non linier.
Berdasarkan uji MWD di atas nampah bahwa Z1 menunjukkan gejala linier sedangkan apabila
Z2 menunjukkan gejala non-linier maka dapat dikatakan bahwa model dapat menggunakan
regresi linier maupun non linier
konsekuensi dari pelanggaran
linieritas
1. Kesalahan dalam Prediksi: Model regresi yang melanggar asumsi linieritas
mungkin tidak mampu memberikan prediksi yang akurat. Prediksi yang dibuat
oleh model tersebut mungkin terlalu jauh dari nilai sebenarnya.
2. Kesalahan dalam Interpretasi Koefisien: Koefisien regresi dalam model yang
melanggar asumsi linieritas mungkin tidak mewakili hubungan antara variabel
dependen dan independen dengan benar. Ini dapat mengarah pada interpretasi
yang salah terhadap pengaruh variabel independen terhadap variabel dependen.
3. Kesalahan dalam Pengujian Hipotesis: Pelanggaran linieritas dapat
menyebabkan kesalahan dalam pengujian hipotesis statistik tentang koefisien
regresi. Ini dapat mengakibatkan kesalahan dalam menentukan signifikansi
variabel independen dalam memprediksi variabel dependen.
4. Kesalahan dalam Analisis Residual: Pelanggaran linieritas dapat
memengaruhi distribusi residual dari model regresi. Residual yang tidak
terdistribusi secara normal dapat mengaburkan interpretasi hasil analisis
residual dan membuat kesimpulan yang keliru tentang kecocokan model.
Mengatasi pelanggaran linieritas
Transformasi Variabel: Anda dapat mencoba melakukan transformasi pada
variabel independen atau dependen, seperti transformasi logaritmik, akar kuadrat,
atau lainnya, untuk membuat hubungan menjadi lebih linier.
Penambahan Variabel Interaksi: Anda dapat menambahkan variabel interaksi
antara variabel independen untuk menangkap efek non-linear yang mungkin terjadi.
Penambahan Variabel Polinomial: Anda juga dapat menambahkan variabel
polinomial (kuadrat, kubik, dll.) dari variabel independen untuk menangkap
hubungan non-linear.
Penggunakan Metode Regresi Non-linier: Jika transformasi dan penambahan
variabel tidak berhasil, Anda dapat mempertimbangkan untuk menggunakan
metode regresi non-linier, seperti regresi spline, regresi polinomial, atau regresi
loess.
Penyesuaian Asumsi Statistik: Jika menggunakan metode regresi linier, Anda
dapat menggunakan metode robust standard errors atau bootstrap untuk
mengurangi efek dari pelanggaran linieritas terhadap interpretasi hasil.