Uji Asumsi Klasik

METODE PENELITIAN

3.10. Uji Asumsi Klasik

Ada beberapa permasalahan yang bisa terjadi dalam model regresi linier, yang secara statistik permasalahan tersebut dapat mengganggu model yang telah dilakukan, bahkan dapat menyesatkan kesimpulan yang diambil dari persamaan yang terbentuk. Untuk itu maka perlu melakukan uji penyimpangan asumsi klasik, yang terdiri dari (Insukindro, 2000).

3.10.1. Normalitas

Untuk mengetahui apakah normal dan tidaknya faktor penganggu, μt

1. Bila nilai JB hitung (=χ

dengan J-B test . adapun kriteria untuk mengetahui normal atau tidaknya dari faktor penganggu adalah sebagai berikut :

2

hitung) > nilai χ2

tabel, maka hipotesis yang menyatakan bahwa residual, μt

2. Bila nilai JB hitung (=χ

adalah berdistribusi normal ditolak. 2

hitung) < nilai χ2

tabel, maka hipotesis yang menyatakan bahwa residual, μt

3.10.2. Linieritas

adalah berdistribusi normal tidak dapat ditolak.

Uji linieritas digunakan untuk mengetahui apakah spesifikasi model yang digunakan sudah benar atau tidak. Apakah fungsi yang digunakan sebaiknya berbentuk linier atau tidak. Apakah suatu variabel baru relevan atau tidak dimasukkan dalam modal. Untuk uji linieritas dalam penelitian ini digunakan uji

Ramsey (Ramsey RESET test), yaitu dengan membandingkan Fhitung dan Ftabel

1. Bila nilai F

. Kriteria keputusannya adalah sebagai berikut :

hitung > nilai Ftabel

2. Bila nilai F

, maka hipotesis yang menyatakan bahwa spesifikasi model digunakan dalam bentuk fungsi linier adalah benar ditolak.

hitung < nilai Ftabel

3.10.3. Multikolinieritas

, maka hipotesis yang menyatakan bahwa spesifikasi model digunakan dalam bentuk fungsi linier adalah benar tidak dapat ditolak.

Multikolinieritas timbul karena salah satu atau lebih variabel bebas (penjelas) merupakan kombinasi linier yang pasti (sempurna) atau mendekati pasti dari variabel penjelas lainnya. Jika terdapat multikolinieritas sempurna, koefisien regresi dari variabel penjelas tersebut tidak dapat ditentukan dan variansnya bernilai tak terhingga. Jika multikoliniearitas kurang sempurna, koefisien regresi dapat ditentukan, namun variansnya sangat besar, sehingga tidak dapat menaksi koefisien secara akurat. Dalam model regresi linier, diasumsikan tidak terdapat multikolinieritas di antara variabel-variabel penjelas, untuk itu perlu dideteksi dengan mengamati besaran-besaran regresi yang didapat yaitu :

1. Interval tingkat kepercayaan lebar (karena varians besar maka standar error besar, sehingga interval kepercayaan lebar).

2. Koefisien determinasi tinggi dan signifikansi nilai t statistik rendah. 3. Koefisien korelasi antar variabel bebas tinggi.

4. Nilai koefisien korelasi parsial tinggi.

Untuk melihat ada tidaknya dalam suatu model pengamatan dapat dilakukan dengan regresi antar variabel bebas, sehingga dapat diperoleh nilai

koefisien determinan (R²) masing-masing. Selanjutnya R² hasil regresi antar variabel bebas tersebut dibandingkan dengan R²

Jika nilai R

hasil regresi model, sehingga diperoleh kesimpulan sebagai berikut :

2

hasil regresi antar variabel bebas > R² model penelitian, maka hipotesis yang menyatakan bahwa tidak ada multikolinieritas dalam model empiris yang digunakan ditolak. Jika nilai R² hasil regresi antar variabel bebas < R²

Uji multikolinieritas digunakan metode Klein yang dikemukakan oleh L.R. Klein. Metode ini membandingkan lower case (korelasi antar masing-masing variabel independen). Jika R

model penelitian, maka hipotesis yang menyatakan bahwa tidak ada masalah multikolinieritas model empiris yang digunakan tidak dapat ditolak.

2

y Xi ,Xj ,... Xn > r² Xi ,Xj maka tidak terjadi masalah multikolinieritas. Hasil uji Klein untuk mendeteksi masalah multikolinieritas menunjukkan bahwa untuk semua korelasi antar variabel bebas memiliki r² yang lebih kecil dari R² (r² < R²

3.10.4. Heteroskedastisitas

). Hal ini memberi kesimpulan bahwa semua variabel bebas daIam spesifikasi model yang digunakan terlepas dari masalah multikolinieritas

Salah satu asumsi metode pendugaan metode kuadrat terkecil adalah homoskedastisitas, yaitu ragam galat konstan dalam setiap amatan. Pelanggaran atas asumsi homoskedastisitas adalah heteroskedastisitas. Untuk mendeteksi adanya masalah heteroskedastisitas maka dilakukan uji heteroskedastisitas seperti yang disarankan oleh Goldfeld dan Quandt dalam Ramanathan (1997). Langkah-langkah pengujian heteroskedastisitas dengan uji white heteroskedastisitas sebagai berikut :

H0 H

: tidak ada heteroskedastisitas 1

Tolak H

: ada masalah heteroskedastisitas 0

Gejala heteroskedastisitas juga dapat dideteksi dengan melihat dari plot grafik hubungan antar residual dengan fits-nya. Jika pada gambar ternyata residual menyebar dan tidak membentuk pola tertentu, maka dapat dikatakan bahwa dalam model tersebut tidak terdapat gejala heteroskedastisitas atau ragam error sama.

jika obs* R2 > λ2 df-2 atau probability obs* R2 < α

Asumsi penting lainnya dari classical linier regression model adalah bahwa disturbance term error dan homoskedastisitas varians sama untuk semua disturbance term error. Masalah heteroskedastisitas akan lebih sering muncul pada data cross-sectional daripada time series. Heteroskedastisitas terjadi apabila varians dari setiap kesalahan pengganggu tidak bersifat konstan. Dampak yang akan ditimbulkan adalah asumsi yang terjadi masih tetap tidak berbias, tetapi tidak lagi efisien.

Halbert White mengatakan bahwa uji Χ2 merupakan uji umum ada tidaknya kesalahan spesifikasi model karena hipotesis nol yang melandasi adalah asumsi bahwa: (1) residual adalah homoskedastisitas dan merupakan variabel independen, (2) spesifikasi linear atas model sudah benar. Dengan hipotesis nol tidak ada heteroskedastisitas, jumlah observasi (n) dikalikan R² yang diperoleh dari regresi auxiliary secara simtotis akan mengikuti distribusi Chi Square dengan derajat kebebasan sama dengan jumlah variabel independen (tidak termasuk konstanta). Bila salah satu atau kedua asumsi ini tidak dipenuhi akan mengakibatkan nilai statistik t yang signifikan. Namun sebaliknya, jika nilai

statistik t tidak signifikan, berarti kedua asumsi di atas dipenuhi, artinya model yang digunakan lolos dari masalah heteroskedastisitas.

Manurung et al. (2005) menjelaskan bahwa ada dua cara untuk mendeteksi keberadaan heteroskedastisitas, yaitu metode informal dan metode formal. Metode informal biasanya dilakukan dengan melihat grafik plot dari nilai prediksi variabel independen (ZPRED) dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi heteroskedastisitas jika tidak terdapat pola yang jelas dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y. Metode formal untuk mendeksi keberadaan heteroskedastisitas antara lain dengan Park Test, Glejser Test, Spearman’s Rank Correlation Test, Golfeld-Quandt Test, Breusch-Pagan-Godfrey Test, White’s General Heteroscedasticity Test, dan Koenker-Basset Test.

BAB IV