Uji Linieritas

Ekonomi Syariah IAIN Syekh Nurjati Cirebon

Uji Linearitas
 Secara umum Uji Linearitas bertujuan untuk mengetahui apakah dua variabel
mempuyai hubungan yang linear secara signifikan atau tidak. Data yang baik
seharusnya terdapat hubungan yang linear antara variabel predictor (X) dengan
variabel kriterium (Y). Dalam beberapa referensi dinyatakan bahwa Uji Linearitas
merupakan syarat sebelum dilakukannya Uji Regresi Linear
 Digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar
atau tidak. Dengan uji linearitas akan diperoleh informasi apakah model empiris
sebaiknya linear, kuadrat, atau kubik.
 Uji yang dapat dilakukan :
 Analisis Grafik
 Uji Durbin Watson
 Untuk melihat ada atau tidaknya autokorelasi dalam suatu model regresi. Dengan mendasarkan pada
DW tabel dibandingkan dengan nilai statistic, jika signifikan atau berada pada daerah autokorelasi
positif maka spesifikasi model persamaan adalah salah atau misspesification.
 Ramsey Test
 Uji Lagrange Multiplier
 Uji Mac Kinnon, White dan Davidson (MWD)
Analisis Grafik
 Uji linieritas menggunakan metode analisis grafik adalah
pendekatan visual yang membantu mengidentifikasi apakah
hubungan antara variabel dependen dan independen dalam
model regresi linear sesuai dengan asumsi linieritas. Metode
ini tidak menggunakan rumus atau perhitungan statistik
kompleks tetapi mengandalkan pengamatan grafik.
Langkah-Langkah Uji Linieritas
Menggunakan Metode Analisis Grafik
1. Membuat persamaan regresi
2. Mencari nilai predeksi ()
3. Mencari nilai residual (Y-)
4. Mentransformasikan nilai prediksi ke dalam bentuk standardized
5. Mentransformasikan nilai residual ke dalam bentuk standardized
6. Membuat plot dimana sumbu vertikal residual standardized,
sedangkan sumbu horizontal predicted standardized
7. Menarik kesimpulan uji linieritas uji linieritas, dengan kriteria jika
scatterplot menyebar secara acak menunjukkan model regresi
yang dibentu linier, namun sebaliknya jika scatterplot
membentuk pola tertentu maka menunjukkan model regresi tidak
linier
 Cara Analisis Grafik
 Klik Menu – Analyze – Regression - Linear:
 Masukkan kemiskinan (Y) pada variabel dependen dan variabel
PDRB(X1) dan UMR(X2) ke variabel independen
 Cara Uji Analisis Grafik
 Kemudian masukkan X1 dan X2 ke kotak Variabel Independent dan
masukkan variabel Y ke kotak variabel dependent kemudian klik plots lalu klik
sehingga muncul jendela “Linear Regression Plots”. Kemudian masukkan
ZRESID pada kotak Y dan ZPRED pada kotak X, klik Continue dan OK
 Hasil analisis grafik

 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:

4. Membuat persamaan regresi kedua:

Y = a+b1 X1+ b2 X2+…bn Xn+b1 X12 +b4 X42 +……. bn Xn 2 +Ɛ

5. Hitung nilai DW pada persamaan kedua

6. Menarik Kesimpulan uji linieritas, baik pada regresi pertama maupun
kedua dengan kriteria:
Jika DW statistik signifikan atau berada pada daerah autokorelasi positif atau
autokorelasi negatif maka spesifikasi model adalah salah. Demikian sebaliknya
 Cara Durbin Watson
 Klik Menu – Analyze – Regression - Linear:
 Masukkan kemiskinan (Y) pada variabel dependen dan variabel
PDRB(X1) dan UMR(X2) ke variabel independen
Klik pada kotak statistics, pada bagian
residual klik durbin watson. Continue klik ok
Out put yang dihasilkan adalah
sebagai berikut
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)
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 dan variabel bebas yang dikuadratkan
terhadap variabel tergantung. Klik Analyze-Regression-linier-reset-
masukan variabel kemiskinan ke kotak dependent dan variabel
PDRB,UMR,X1Sqr dan X2Sqr pada kontak independent
Klik save pada kotak statistics, pada bagian
residual klik durbin watson. Continue klik ok
 Out put yang dihasilkan adalah
sebagai berikut

Berdasarkan output persamaan regresi di atas maka diperoleh Durbin-Watson

persamaan regresi pertama adalah 2,078 dan Durbin Watson persamaan regresi
kedua dalah 1,971. untuk menentukan apakah ada kesalahan model atau tidak,
digunakan krieria sebagai berikut
Nilai DW Kesimpulan
dW<dL Terdapat autokorelasi positif
dL≤dW≤dU Tanpa kesimpulan
dU≤dW≤4-dU Tidak ada autokorelasi
4-dU≤dW≤4-dL Tanpa Kesimpulan
Dw>4-dL Terdapat autokorelasi positif
Pada persamaan regresi pertama α=5%, jumlah pengamatan 45
jumlah variabel bebas 2, maka diperoleh nilai dL = 1.4298 dan dU =
Kesimpulan Uji Durbin Watson
1.6148 dan dW adalah 2,078. karena nilai dU≤dW≤4-dU maka
persamaan regresi yang pertama linier
dan Pada persamaan regresi kedua α=5%, jumlah pengamatan 45
jumlah variabel bebas 4, maka diperoleh nilai dL = 1.3357 dan dU =
1.7200 dan dW adalah 1,971 karena nilai dU≤dW≤4-dU maka
persamaan regresi yang pertama linier
 Ramsey Test
 Uji Ramsey, juga dikenal sebagai RESET (Regresi
Specification Error Test), adalah metode yang digunakan
untuk menguji kecocokan model regresi linear. RESET test
pertama kali diperkenalkan oleh Ramsey pada 1969 yang
berawal dari ide bahwa jika tidak terdapat nonlinearitas maka
berbagai transformasi nonlinear
Langkah-langkah Uji Ramsey
1. Membuat persamaan regresi
2. Berdasarkan persamaan regresi dapatkan nilai R 2 dan diberi nama R2 old
3. Dapatkan nilai fiitted dari varibel tergantung
4. Meregresikan variabel bebas dan nilai fitted terhadap variabel tergantung
Y =b0+b1X1 + b2X2+ b3fiitted+e
5. Berdasarkan persamaan regresi kedua dapatkan nilai R 2 dan diberi nama R2new
6. Hitung nilai F hitung dengan persamaan sebagi 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

 Kembali ke data editor dan kita mendapatkan variabel

baru yaitu DFF_1
 Meregresikan variabel bebas dan DFF_1 terhadap variabel bebasnya dengan
langkah sebagai berikut. Klik Menu – Analyze – Regression - Linear:
Klik Analyze-Regression-linier-reset-masukan variabel
kemiskinan ke kotak dependent dan variabel PDRB,
UMR, DFF_1 pada kontak independent
 Outputnya adalah

 Berdasarkan output pada persamaan regresi pertama diperoleh R2 old sebesar

10830,88875 sedangkan pada persamaan yang kedua diperoleh R2 new sebesar
7632,16886 . Dengan demikian besarnya nilai F hitung dapat diperoleh

= 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

 Model dikatakan linier jika pada variabel Z1 hasilnya tidak 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 (185) ≤ t tabel
(2,020) dan Sig. Z1 (0,857) > α(0,05), maka model dinyatakan linier.

 Simpan file asumsi klasik di atas.

2. Menambahkan variabel Z2 sebagai variabel bebas pada
model regresi. Langkah untuk menambahkan variabel Z2
yang akan ditambahkan sebagai variabel bebas, antara lain.
a. Langkah pertama, mencari nilai loglinier dari PRE_2(AlnPRE_2). Klik
transform- compute- klik target variabel disi dengan AlnPRE_2 -
numeric expresion diisi dengan EXP(PRE_2) atau kli EXP(?), lalu
tanda tanya diganti dengan Pre_2– Type & Label, klik Pre_2-
continue-ok.
c. Langkah kedua, menggurangi AlnPRE_2 dengan PRE_1 hingga
menghasilkan Z2. caranya Klik transform- compute- klik target
variabel disi dengan Z2- numeric expresion diisi dengan
AlnPRE_2 – PRE_1 klik – ok.
d. Langkah ketiga, mengestimasi model PDRB, UMR dan Z2
terhadap Kemiskinan. Klik Analize-Regression Linier-reset-
Masukkan kemiskinan (Y) pada variabel dependen dan variabel
PDRB(X1), UMR(X2) dan Z2 ke variabel independen
Output yang dihasilkan

 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.