III. METODE PENELITIAN
3.2. Metode Analisis
3.2.3. Analisis Regresi Berganda
Analisis regresi berganda adalah suatu metode yang digunakan untuk menjelaskan pengaruh variabel-variabel independen yang mempengaruhi variabel dependennya. Penyelesaian persamaan tersebut dengan menggunakan metode kuadrat terkecil (ordinary least square = OLS). Metode OLS diperkenalkan oleh seoarang ahli matematika berkebangsaan Jerman yang bernama Carl Frederich Gauss (Gurajati, 1978).
Model umum yang digunakan dalam analisis regresi berganda :
Yi= + X1 + X2 + …… + Xi + i ... (3.3) Keterangan:
Yi = Peubah Dependent (Peubah terikat)
= Konstanta
= Slope atau koefisien pengaruh
Xi = Peubah Bebas (independent Variabel)
i = Eror
Menurut Gauss dan Markov dalam Gujarati (1978) dalam menggunakan Ordinary Least Square (OLS), penduga koefisien regresi harus bersifat BLUE
(Best Linier Unbiased Estimated), apabila persyaratan tersebut dipenuhi maka metode Ordinary Least Square (OLS) memberikan penduga koefisien yang baik. Akan tetapi, sifat tersebut didasarkan pada berbagai asumsi yang tidak boleh dilanggar agar penduga tetap bersifat BLUE. Teorema tersebut dikenal dengan sebutan Teorema Gauss-Markov. Asumsi-asumsi atau persyaratan yang melandasi koefisien regresi dengan metode Ordinary Least Square (OLS) berdasarkan teori Gauss-Markov adalah sebagi berikut:
1. E(µ ) = 0 atau E(µ | ) atau E( ) = +
µ menyatakan variabel-variabel lain yang mempengaruhi akan tetapi tidak terwakili dalam model.
2. Tidak ada korelasi antara µ dan µ {cov(µ ,µ = 0};I tidak samadengan j. Artinya pada saat sudah terobservasi, deviasi dari rata-rata populasi (mean) tidak menunjukan pada pola {E(µ ,µ = 0}
3. Homoskedastisitas yaitu besarnya µ sama dengan varian (µ = 4. Kovarian antara varian µ nol, {cov(µ ,µ = 0};
Asumsi tersebut sama artinya bahwa tidak ada korelasi antara µ . Dengan perkataan lain bila non random maka E(µ ,µ = 0
5. Model regresi dispesifikasikan secara benar. Hal-hal yang perlu diperhatikan adalah:
a. Model harus berpijak pada landasan teori b. Perhatikan variabel-variabel yang diperlukan c. Bagaimana bentuk fungsinya
Menurut teorema Gauss-Markov, OLS dapat menjadi suatu Analisis regresi yang kuat dengan menggunakan beberapa asumsi, yaitu:
1. Nilai rata-rata hitung deviasi yang berhubungan dengan setiap variabel independennya harus sama dengan nol
2. Tidak ada korelasi berurutan (autokorelasi) dalam setiap variabel dalam model
3. Analisis homoskedastisitas, atau penyebaran yang sama. Dengan kata lain, berarti bahwa populasi Y yang berhubungan dengan nilai X mempunyai varians yang sama
4. Tidak terdapat multikolinearitas, yang berarti tidak terdapat hubungan yang pasti antara variabel independen.
Menurut Koutsoyianis (1997), terdapat beberapa kelebihan metode Ordinary Least Square (OLS), seperti berikut:
1. Hasil estimasi parameter diperoleh dengan metode OLS memiliki beberapa kondisi optimal (BLUE)
2. Tata cara pengolahan data metode Ordinary Least Square (OLS) relatif lebih mudah daripada metode ekonometrika yang lain, serta tidak membutuhkan data yang lebih banyak
3. Metode Ordinary Least Square (OLS) telah banyak digunakan dalam penelitian ekonomi dengan berbagai macam hubungan antar variabel dengan hasil yang memuaskan
4. Mekanisme pengolahan data dengan metode Ordinary Least Square (OLS) mudah di pahami
5. Ordinary Least Square (OLS) juga merupakan bagian dari kebanyakan metode ekonometrik yang lain meskipun dengan penyesuaian dibeberapa bagian.
Sifat yang dimiliki oleh estimator pada model regresi OLS dengan memenuhi asumsi-asumsi diatas adalah BLUE. Ragam minimum (efisien) dan koefisien yang berasal dari model linear. Selain itu, nilai estimasi dari contoh (sample) akan mendekati nilai populasi.
Pengambilan keputusan diterima atau ditolaknya model ini didasarkan pada hasil pengujian terlebih dahulu karena variabel-variabel yang digunakan dalam model masih penduga. Suatu model ekonometrika harus memenuhi tiga kriteria yaitu kriteria ekonometrik, statistik dan ekonomi yang akan dijelaskan sebagai berikut:
A. Analisis Kriteria Ekonometrika
Untuk dapat diterima sebagai model yang baik, maka suatu model ekonometrika harus dapat memenuhi kriteria ekonometrika. Pengujian tersebut dapat dilakukan melalui beberapa pengujian, diantaranya:
a) Uji Heteroskedastisitas
Asumsi penting model klasik adalah bahwa varian tiap unsur disturbance µ , tergantung pada nilai yang dipilih dari variabel yang menjelaskan Heteroskedastisitas
H0: = 0 H1: ≠ 0
Kriteria Uji:
Probabitity Obs*R-squared < α, maka tolak
Probabitity Obs*R-squared > α, maka terima
Jika ditolak, maka terdapat gejala heterokedastisitas pada model. Sebaliknya jika diterima maka tidak terdapat gejala heterokedastisitas.
Pendeteksian heterokedastisitas menggunakan Eviews dilakukan dengan melihat White Heteroscedasticity Test. Jika probabilitas Obs*R-squared dari White Heteroscedasticity Test lebih besar dari taraf nyata (α) yang digunakan maka model terbebas dari heteroskedastisitas.
Adanya heteroskedastisitas dapat mengakibatkan:
i) Estimasi penggunaan OLS tidak akan memiliki varians yang minimum atau tidak efisien.
ii) Prediksi (nilai X dan Y tertentu) dengan estimator dari data yang sebenarnya akan memiliki varians yang tinggi sehingga prediksi menjadi tidak efisien.
iii) Tidak dapat diterapkan uji nyata tidaknya koefisien atau selang kepercayaan dengan menggunakan formula yang berkaitan dengan nilai varians.
b) Uji Auto Korelasi
Autokorelasi dalam Gujarati (1993), adalah korelasi antara eror masa lalu ( ) dengan masa sekarang . Untuk menguji ada tidaknya autokorelasi, dapat menggunakan uji Durbin Watson, yakni:
d hit =
∑ ∑ ... (3.4) Pada Eviews, uji autokorelasi dapat menggunakan uji Breusch-Godfrey Serial Correlation LM Test. Hal ini dapat dilihat dari nilai probabilitasnya, jika nilai probabilitas obs*squared lebih besar dari taraf nyata yang digunakan maka persamaan tidak mengalami permasalahan autokorelasi dan sebaliknya.Adanya autokorelasi dapat menyebabkan adanya:
i) Dugaan parameter tak bias
ii) Nilai galat baku terautokorelasi sehingga ramalan tidak efisien
iii) Ragam galat bias
iv) Terjadi pendugaan ragam pada galat (standar error underestimated) sehingga SB underestimated, maka t overestimated atau t cenderung lebih besar dari yang sebenarnya dan tadinya tidak signifikan menjadi signifikan (Gujarati, 1993).
c) Uji Multikolinear
Multikolinear adalah suatu situasi dimana adanya keadaan korelasi variabel- variabel diantara satu dengan yang lainnya. Variabel-variabel bebas yang bersifat orthogonal adalah variabel bebas yang nilai korelasi diantara sesamanya sama dengan nol. Jika terdapat korelasi sempurna diantara sesama variabel bebas ini sama dengan satu, maka konsekuensinya adalah koefisien-koefisien regresi menjadi tidak dapat ditaksir, nilai standar error setiap koefisien regresi menjadi tak terhingga (Gujarati 1993).
B. Analisis Kriteria Statistik a. Koefisien Determinasi (R²)
Melihat untuk sejauh mana besar keragaman yang dapat diterangkan oleh variabel bebas terhadap variabel tak bebas. Uji koefisien determinasi ini juga digunakan untuk melihat seberapa kuat variabel yang dimasukan kedalam model dapat menerangkan model (Gujarati,1999).
Dua sifat R² yaitu:
a) Merupakan besaran non negatif
b) Batasnya adalah 0 R² 1. Jika R² bernilai 1 berarti suatu kecocokan sempurna, sedangkan jika R² bernilai 0, berarti tidak ada hubungan antara variabel bebas dan terikatnya.
R²= ∑ ²
∑ ² ... (3.5)
b. Uji t (Uji Parsial)
Pengajian ini digunakan untuk melihat sejauh mana variabel bebas secara parsial berpengaruh pada variabel terikatnya (Gujarati, 1999). Melalui uji ini akan diuji apakah koefisien regresi satu persatu secara statistik signifikan atau tidak.
Nilai t adalah:
Tolak bila | |
<
, artinya variabel signifikan berpengaruh pada taraf nyata yang digunakan pada model.c. Uji F (Uji Serentak)
Pengujian ini digunakan untuk melihat apakah variabel-variabel bebas secara serentak berpengaruh terhadap variabel terikatnya, (Gujarati,1999).
= = = … = 0
= ≠ o
F =
² ² ... (3.7) Tolak bila > . C. Analisis Kriteria EkonomiDalam kriteria ekonomi, hasil pendugaan tersebut dicocokkan dengan teori ekonomi. Kesesuaian model dengan kriteria ekonomi dilihat dari tanda parameter dugaan. Tanda tersebut diharapkan sesuai dengan hipotesis. Tanda positif menunjukkan bahwa perubahan variabel bebas akan berpengaruh positif terhadap variabel terikat. Tanda negatif artinya perubahan variabel bebas akan menyebabkan perubahan variabel terikat dengan perbandingan terbalik.
Adanya perbedaan tanda antara hasil dan hipotesis dapat diterima jika dapat dijelaskan dan didukung dengan alasan yang sesuai dengan teori ekonomi dan kondisi sosial pada ruang lingkup penelitian. Besarnya pengaruh variabel bebas terhadap variabel terikat dari besarnya elastisitas dan dinyatakan dalam persen (Gujarati, 1999).
IV. GAMBARAN UMUM LOKASI DAN SEKTOR INDUSTRI