UJI ASUMSI KLASIK

Oleh: Dr. Suliyanto, SE,MM

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

1

Materi
Uji

Asumsi Klasik –Normalitas –Multikolinieritas Uji Asumsi Klasik –Heteroskedastisitas –Linieritas –Outokorelasi
2

UJI ASUMSI KLASIK
1. 2. 3. 4. 5.

Uji Normalitas Uji Non-Multikolinieritas Uji Non-Heteroskedastisitas Uji Linieritas Uji Non-Otokorelasi (time series)

3

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 ektrim adalah nilai yang terlalu rendah atau terlalu tinggi.

4

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.

5

58 Pada =0.96 Pada =0.01 Ekstrim Rendah Ektrim Tinggi -1.05 6 .58 0 2.Kapan Data Dikatakan Normal Ekstrim Rendah Ektrim Tinggi -2.96 0 1.

58 0 2.58 Z xi  x   50 .000  63 .734 7 .Berikut ini manakah data yang Ekstrim Ekstrim Rendah Ektrim Tinggi -2.333  0439 31 .

UJI NORMALITAS PENGERTIAN UJI NORMALITAS  Uji normalitas di maksudkan untuk mengetahui apakah residual terstandarisasi yang diteliti berdistribusi normal atau tidak. 8 . PENYEBAB TIDAK NORMAL  Disebabkan karena terdapat nilai ektrim dalam data yang kita ambil.

2. Dengan angka: – – – – Uji Liliefors Chi Kuadrat (X2) Uji dengan kertas peluang normal Uji dengan Kolmogornov Smirnov 9 . Dengan gambar: Jika kurva regression residual terstandarisasi membentuk gambar lonceng.Uji Normalitas CARA MENDITEKSI: 1.

– Multivariate Dilakukan dengan menguji normalitas pada nilai residual yang telah distandarisasi.Uji Normalitas  Uji normalitas dapat dilakukan secara: – Univariate Dilakukan dengan menguji normalitas pada semua variabel yang akan dianalisis. 10 .

11 .  Berdasarkan data tersebut ujilah apakah data tersebut Normal secara Multivariate.Contoh Kasus  Berikut ini adalah data time series.

 Mencari nila Zt teoritis berdasarkan tabel Z  Mengihitung selisih nilai Zr dengan Zt atau (ZrZt-1) dan diberi simbol Li hitung  Bandingkan nilai Li hitung dengan tabel Liliefors.  Jika Lihitung > L tabel maka data berdistribusi normal demikian juga sebaliknya.Manual Liliefors Buat persamaan regresinya  Mencari nilai Prediksinya  Cari nilai residualnya  Stadarisasi nilai residualnya  Urutkan nilai residual terstandarisasi dari yang terkecil sampai yang terbesar. 12  .  Mencari nila Zr relatif komulatif.

961(3) = 6.2.142-0.092X1+1.10=0.553-1.553-1.1.252 = 5-6.092(2) +1. dts = 1.042 13 .Pengujian Manual Y Ypred Resid Zresid Zr Tabel Z cum Luas Z Li =2.252 = (-1.5 maka Luas Z = 1-0.002)/1.200 = (1/10) = 0.885 = Karena < 0.961X2 =2.252—0.858 =0.142 = Zt-Zr(t-1) = 0.20 ditabel Z = 0.042 = -1. (2/10) = 0.

Pengujian Normalitas Dengan SPSS Memunculkan Nilai Residual Terstandarisasi  Buka file : Data_Regresi_1  Analyze  Regression  Linear... X2.  Masukan variabel Y  pada kotak Dependent X1...  Masukan variabel Standardized Residual pada kotak Test Variable List  Abaikan pilihan yang lain (biarkan pada posisi defaultnya)  OK 14 .  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.

Memunculkan Nilai Residual Terstandarisasi Uji Komogornov Smirnov 15 .

Karena Nilai Sig. Deviation Abs olute Positive Negative  a. Tidak siginifikan berarti data relatif sama dengan ratarata sehingga disebut normal.297 .8819171 . Test dis tribution is Normal.940 . Calc ulated from data. b.05 maka tidak signifikan.960465E-09 . 16 .257 -.b Mos t Ex treme Differences Kolmogorov-Smirnov Z Asy mp.297 . > 0. Sig.Output Kolmogornov Smirnov One -Sam ple Kolm ogorov-Sm irnov Te st Standardized Residual 10 5.340  N Normal Parameters a. (2-tailed) Mean Std.

 Melakukan transformasi data menjadi Log atau LN atu bentuk lainnya.  Dibiarkan saja tetapi kita harus menggunakan alat analisis yang lain.  Menghilangkan data yang dianggap sebagai penyebab data tidak normal. 17 .Cara Mengatasi Data yang Tidak Normal  Menambah jumlah data.

UJI MULTIKOLINIERITAS PENGERTIAN  Uji multikolinieritas berarti terjadi korelasi yang kuat (hampir sempurna) antar variabel bebas. dan istilah kolinieritas berkenaan dengan terdapatnya satu hubungan linier. 18 .  Tepatnya multikolinieritas berkenaan dengan terdapatnya lebih dari satu hubungan linier pasti.

Uji Multikolinieritas PENYEBAB  Karena sifat-sifat yang terkandung dalam kebanyakan variabel ekonomi berubah bersama-sama sepanjang waktu. 19 .  Besaran-besaran ekonomi dipengaruhi oleh faktor-faktor yang sama.

Uji Non-Multikolinieritas  Cara menditeksi: 1. 2. 20 . Dengan melihat koefesien korelasi antar variabel bebas: Jika koefesien korelasi antar variabel bebas ≥ 0. Dengan melihat nilai VIF (Varian Infloating Factor): Jika nilai VIF ≤ 10 maka tidak terjadi multikolinier.7 maka terjadi multikolinier.

21 .  Berdasarkan data tersebut ujilah apakah data tersebut terjadi gejala Multikolikolinier ?.Contoh KasusMultikolinieritas  Berikut ini adalah data time series.

 Hitung nilai tolenrance (Tol) dengan rumus (1-r2).Pengujian Manual VIF Hitung nilai korelasi antar varibel bebas (r)  Kuadratkan nilai korelasi antar variabel bebas (r2). maka tidak terjadi multikolinier.  22 .  Hitung nilai VIF dengan rumus 1/TOL  Jika VIF < 10.

Pengujian Manual VIF 23 .

Pengujian Multikolinier Dengan SPSS Buka file : Data_Regresi_1  Analyze  Regression  Linear...  pada kotak Independent  Statistics…:  klik Colinier Diagnosis Continue  24 .  Masukan variabel Y  pada kotak Dependent X1. X2.

Output: Karena nilai VIF < 10 maka tidak terjadi otokorelasi 25 .

CARA MENGATASI MULTIKOLINIER Memperbesar ukuran sampel  Memasukan persamaan tambahan ke dalam model.  Menghubungkan data cross section dan data time series.  Transformasi variabel.  26 .  Mengeluarkan suatu variabel dan bias spesifikasi.

PENYEBAB  Variabel yang digunakan untuk memprediksi memiliki nilai yang sangat beragam.UJI NON-HETEROSKEDASTISITAS PENGERTIAN  Uji heteroskedastisitas berarti adanya varian dalam model yang tidak sama (konstan). 27 . sehingga menghasilkan nilai residu yang tidak konstan.

Uji Heteroskedastisitas CARA MENDITEKSI: 1. 2. Dengan Uji Korelasi Rank Spearman Mengkorelasikan nilai residual dengan variabel bebas dengan menggunakan Rank-spearman. Dengan Uji Glejser Yaitu dengan meregresikan variabel bebas terhadap nilai residual mutlaknya. 3. Dengan Uji Park Yaitu dengan meregresikan variabel bebas terhadap nilai log-linier kuadrat. 28 .

Contoh Kasus Heteroskedastisitas  Berikut ini adalah data time series.  Berdasarkan data tersebut ujilah apakah data tersebut apakah terjadi gejala Heteroskedastisitas ? 29 .

 Jika signifikan berarti terjadi gejala heteroskedastisitas dan sebaliknya jika tidak signifikan berarti tidak terjadi gejala heteroskedastisitas.Langkah-Langkah Metode Glejser Regresikan variabel bebas (X) terhadap variabel tergantung (Y).  Hitung nilai prediksinya  Hitung nilai residualnya  Multakan nilai residualnya  Regresikan variabel bebas terhadap nilai mutlak residualnya.  30 .

31 .

05 sehingga X2 terjadi gejala heteroskedastisitas.Hasil Nilai Regresi Variabel Bebas terhadap Nilai Mutlak Residualnya •X1 tidak signifikan karena p-value > 0.05 sehingga X1 tidak terjadi gejala heteroskedastisitas. •X2 signifikan karena p-value < 0. 32 .

 Masukan variabel Y  pada kotak Dependent X1.  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. X2..Pengujian Heteroskedastisitas Dengan SPSS Memunculkan Nilai Residual  Buka file : Data_Regresi_1  Analyze  Regression  Linear.  pada kotak Independent  Abaikan pilihan yang lain  OK 33 .. X2.  Masukan variabel ABRES  pada kotak Dependent X1...

Prose Memunculkan Nilai Residual dan Memutlakannya Memunculkan Nilai Residual Memutlakan Nilai Residual 34 .

05 sehingga X1 tidak terjadi gejala heteroskedastisitas.05 sehingga X2 terjadi gejala heteroskedastisitas. • X2 signifikan karena p-value < 0. 35 .Meregresikan variabel bebas terhadap Nilai Mutlak Residual • X1 tidak signifikan karena p-value > 0.

 Tranformasikan data ke bentuk LN atau Log atau bentuk laiannya. 36 .Cara Mengatasi Heteroskedastisitas  Tambah jumlah pengamatan.

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). 37 .

Uji Otokorelasi PENYEBAB:  Adanya kelembaman waktu  Adanya bias spesifikasi model  Manipulasi data 38 .

Uji Otokorelasi  Uji Durbin Watson  Uji Lagrange Multiplier  Uji Breusch-Godfrey 39 .

 Berdasarkan data tersebut ujilah apakah data tersebut apakah terjadi gejala otokorelasi ? 40 .Contoh Kasus Otokorelasi  Berikut ini adalah data time series.

Langkah-Langkah Uji Durbin-Watson 1. Masuk hasil perhitungan diatas masukan kedalam rumus Durbin-Watson 41 . Kurangkan nilai residual dengan Lag-kan satu nilai residualnya. 5. 2. Hitung nilai residualnya. 7. 3. Regresikan variabel bebas (X) terhadap variabel tergantung (Y). Lag-kan satu nilai residualnya. Hitung nilai prediksinya. Kuadratkan nilai residualnya. 6. 4.

104  3.Perhitungan Manual Durbin Matson e e2 et-1 = Y-Ypred = = 5-6.777 42 .252 = -1.879-(-1.131 2 e-et-1 (e-et-1) = 2.131 = 4.568 = e mundur 1peiode = 0.386 9.2522= 1.252=-1.541  (e  e DW  e t t 1 2 )2  33.252) = 2.

697 dU 1.641 4-dU = 2.Kriteria Pengujian 1.n K=2 dan n=10 dL = 0.359 4-dL = 3.303 3.641 Otokorelas 2 4 – dU i 2.697 dU = 1.386 Tabel Durbin Watson dk =k.359 4 – dL Otokorelas i– 3.641 Tanpa Kesimpulan Tanpa Kesimpulan Otokorelas i+ Tidak ada dL 0.303 43 .

Pengujian Otokorleasi Dengan SPSS Memunculkan Nilai Residual  Buka file : Data_Regresi_1  Analyze  Regression  Linear... X2.  Masukan variabel Y  pada kotak Dependent X1.  pada kotak Independent  Klik Statistics…:  Pada Residual pilih Durbin Watson  Klik Continue  Abaikan pilihan yang lain  OK 44 .

Proses Analisi Surbin Watson dengan SPSS 45 .

Output Uji Durbin Watson 46 .

 Jika diketahui Junmlah Variabel bebas 3.  Ujilah apakah terjadi gejala outokorelasi ?  Gunakan gambar untuk menguji ! 47 .354. dan diperoleh nilai durbin watson sebesar 2. pengamatan 20.

UJI LINIERITAS   Uji ini dilakukan untuk mengetahui model yang digunakan apakah menggunakan model linier atau tidak. 2. Cara menditeksi: 1. Dengan uji MWD Cara mengetahui linieritas dengan menggunakan gambar dianggap masing kurang obyektif sehingga masih dibutuhkan alat analisis Mac Kinnon White Davidson (MWD) 48 . Dengan kurva: Model dikatakan linier jika plot antara nilai residual terstandarisasi dengan nilai prediksi terstandarisasi tidak membentuk pola tertentu (acak).

jika Z2 sigifikan maka linier. Regresikan variabel bebas dan Z1 terhadap Y. jika Z1 sigifikan maka tidak linier. Tentukan Z2 = (antilogPred2-YPred1) Regresikan variabel bebas dan Z2 terhadap Y.Langkah Analsis MWD       Regresikan variabel bebas terhadap variabel tergantung dengan regresi linier dan tentukan Ypred1 Tranformasikan semua variabel ke dalam bentuk Ln. 49 .Ypred2.). dan kemudian regresikan Ln variabel bebas terhadap Ln variabel tergantung dan tentukan Ypred2. Tentukan Z1= (Ln Ypred1 .

 Reset.  Masukan variabel Y  pada kotak Dependent X1.Pengujian Linieritas Dengan SPSS Memunculkan Nilai Residual  Buka file : Data Regresi_1  Analyze  Regression  Linear..  OK 50 ..  pada kotak Independent(s)  Plots… :  pada Y :  diisi : ZRESID X :  diisi : ZPRED  Continue. X2..

5 0.0 -.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.Proses Uji Linieritas dengan SPSS Scatterplot Dependent Variable: Y 1.5 -1. 51 .0 Regression Standardized Residual .0 -1.

52 .Bagiamana Kalau tidak Linier ?  Jika hasil tidak linier tinggal ganti dengan persamaan non linier.

Sign up to vote on this title
UsefulNot useful