Model regresi linier berganda (multiple regression) dapat disebut sebagai model yang baik jika model tersebut memenuhi Kriteria BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai bila memenuhi Asumsi Klasik. Sedikitnya terdapat lima uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut, yaitu :
a. Uji Normalitas
b. Uji Autokorelasi,
c. Uji Multikolinieritas
d. Uji Heteroskedastisitas
e. Uji Linieritas
Apa Uji Normalitas itu?
Cara yang sering digunakan dalam
menentukan apakah suatu model berdistribusi normal atau tidak hanya dengan
melihat pada histogram residual apakah memiliki bentuk seperti “lonceng” atau
tidak. Cara ini menjadi fatal karena pengambilan keputusan data berdistribusi
normal atau tidak hanya berpatok pada pengamatan gambar saja. Ada cara lain
untuk menentukan data berdistribusi normal atau tidak dengan menggunakan rasio
skewness dan rasio kurtosis.
Rasio skewness dan rasio
kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau
tidak. Rasio skewness adalah nilai skewnes dibagi dengan standard error
skewness; sedang rasio kurtosis adalah nilai kurtosis dibagi dengan standard
error kurtosis. Sebagai pedoman, bila rasio kurtosis dan skewness berada di
antara –2 hingga +2, maka distribusi data adalah normal (Santoso, 2000: 53).
Apa Uji Autokorelasi itu?
Ada beberapa cara yang dapat
digunakan untuk mendeteksi ada tidaknya autokorelasi. Pertama, Uji
Durbin-Watson(DW Test). Uji ini hanya digunakan untuk autokorelasi tingkat satu
(first order autocorrelation) dan mensyaratkan adanya intercept dalam model
regresi dan tidak ada variabel lag di antara variabel penjelas. Hipotesis yang
diuji adalah:
Ho: p = 0 (baca: hipotesis nolnya
adalah tidak ada autokorelasi)
Ha: p ≠ 0 (baca: hipotesis
alternatifnya adalah ada autokorelasi)
Keputusan ada tidaknya
autokorelasi adalah:
- Bila nilai DW berada di antara dU sampai dengan 4 – dU maka koefisien autokorelasi sama dengan nol. Artinya, tidak ada autokorelasi.
- Bila nilai DW lebih kecil daripada dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada autokorelasi positif.
- Bila nilai DW terletak di antara dL dan dU, maka tidak dapat disimpulkan.
- Bila nilai DW lebih besar daripada 4 - dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada autokorelasi negatif.
- Bila nilai DW terletak di antara 4 – dUdan 4- dL, maka tidak dapat disimpulkan.
Apa Uji Multikolinieritas itu?
Ada banyak cara untuk menentukan
apakah suatu model memiliki gejala Multikolinieritas, pada modul ini hanya
diperkenalkan 2 cara, yaitu VIF dan Uji Korelasi.
Uji VIF
Cara ini sangat mudah, hanya
melihat apakah nilai VIF untuk masing-masing variabel lebih besar dari 10 atau
tidak. Bila nilai VIF lebih besar dari 10 maka diindikasikan model tersebut
memiliki gejala Multikolinieritas.
Partial Correlation
Cara kedua adalah
dengan melihat keeratan hubungan antara dua variabel penjelas atau yang lebih dikenal
dengan istilah korelasi.
Apa Uji Heteroskedastisitas itu?
Untuk Uji Heteroskedastisitas,
seperti halnya uji Normalitas, cara yang sering digunakan dalam menentukan
apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak hanya dengan
melihat pada Scatter Plot dan dilihat apakah residual memiliki pola tertentu
atau tidak. Cara ini menjadi fatal karena pengambilan keputusan apakah suatu
model terbebas dari masalah heteroskedastisitas atau tidak hanya berpatok pada
pengamatan gambar saja tidak dapat dipertanggungjawabkan kebenarannya. Banyak
metoda statistik yang dapat digunakan untuk menentukan apakah suatu model
terbebas dari masalah heteroskedastisitas atau tidak, seperti misalnya Uji
White, Uji Park, Uji Glejser, dan lain-lain.
Modul ini akan memperkenalkan
salah satu uji heteroskedastisitas yang mudah yang dapat diaplikasikan di SPSS,
yaitu Uji Glejser. Uji Glejser secara umum dinotasikan sebagai berikut:
|e| = b1+
b2 X2 + v
Dimana:
|e| = Nilai Absolut dari residual
yang dihasilkan dari regresi model
X2= Variabel penjelas
Bila variabel penjelas
secara statistik signifikan mempengaruhi residual maka dapat dipastikan model
ini memiliki masalah Heteroskedastisitas.
0 Comments
