METODOLOGI PENELITIAN
3.6 Metode pemilihan model
Keputusan untuk memilih model yang digunakan dalam analsis data panel didasarkan pada dua uji yaitu uji Chow dan uji Hausman, Uji chow digunakan untuk memutuskan apakah penggunaan CEM atau FEM. Jika hasil yang diperoleh menunjukan model pendekatan CEM yang diterima, maka pendekatan CEM yang akan dianalisis, jika model FEM yang diterima, maka dilakukan perbandingan lagi dengan pendekatan REM, sedangkan untuk FEM atau REM ditentukan oleh uji Hausman.
a. Uji Chow
Yaitu uji yang akan digunakan untuk mengetahui apakah model CEM atau FEM yang akan dipilih untuk estimasi data. Uji ini dapat dilakukan dengan uji restricted F-test atau Chow test. Dalam pengujian ini dilakukan dengan hipotesis sebagai berikut :
Ho : Model Common Effect Ha : Model Fixed Effect
Kriteria pengambilan keputusan pada uji chow yaitu, jika nilai probabilitas cross-section chi-square < 0,05 maka model yang digunakan adalah model fixed effect, sebaliknya jika nilai probabilitas > 0,05 maka model yang di gunakan adalah Common effect.
53 b. Uji Hausman
Hausman Test adalah pengujian statistik sebagai dasar pertimbangan dalam memilih apakah menggunakan fixed effect atau random effect, hipotesis yang akan di uji adalah sebagai berikut:
Ho : Random Effect Model Ha : Fixed Effect Model
Kriteria pengambilan keputusan pada uji hausman yaitu,, jika nilai probabilitas < 0,05 maka model yang digunakan adalah model fixed effect, sedangkan jika nilai probabilitas >0,05 maka model yang digunakan adalah random effect. Statistik hausman menyebar chi-square, jika nilai M hasil pengujian lebih besar dari X2 Tabel, maka terjadi penolakan terhadap Ho, begitupun sebaliknya. Dasar pemilihan antara fixed effect atau random effect model adalah:
1. Jika data panel yang mempunyai jumlah data time series lebih besar dibandingkan jumlah data cross section maka nilai taksiran parameter berbeda kecil, sehingga pilihan didasarkan pada kemudahan perhitungan disarankan untuk menggunakan model fixed effect.
2. Jika data panel yang dimiliki mempunyai jumlah data time series lebih kecil dibandingkan jumlah data cross section dan jika asumsi yang mendasari random effect terpenuhi maka disarankan untuk menggunakan model random effect.
54 3.7 Pengujian Asumsi Klasik
Menurut Damodar Gujarati (2006) agar model regresi tidak bias atau agar model regresi BLUE (Best Linear Unbiased Estimator) maka perlu dilakukan uji asumsi klasik terlebih dahulu dengan uji analisis berganda yang berbasi OLS. Uji persyaratan analisis untuk regresi berganda yang sering digunakan adalah sebagai berikut :
3.7.1 Uji Normalitas
Uji normalitas dimaksudkan untuk mengetahui data berdistribusi normal atau tidak berdistribusi normal. Dalam penelitian ini uji normalitas dilakukan dengan mengamati penyebaran data pada sumbu diagonal suatu grafik.
Pendugaan persamaan harus memenuhi sifat kenormalan, karena jika tidak normal dapat menyebabkan varians infinitif (ragam tidak hingga atau ragam yang sangat besar). Untuk menguji suatu data berdistribusi normal atau tidak dapat digunakan alat statistik Jarque-Bera (JB) yang dinyatakan sebagai berikut (Gujarati dan Porter, 2010: 171):
JB = n [S2/6 + (K-3)2 /24]
Keterangan:
n : jumlah observasi, S : koefisien Skewness K : koefisien Kurtosis
Hipotesis statistik pengujian normalitas dengan uji Jarque-Bera (JB) adalah sebagai berikut:
Ho : data tidak berdistribusi normal Ha : data berdistribusi normal
Kriteria pengujian normalitas Jarque-Bera pada output eviews adalah sebagai berikut (Widarjono, 2009: 54):
55 a. Jika nilai probabilitas JBtest > α 0,05, maka data berdistribusi normal
(tolak Ho, terima Ha). Artinya lolos uji normalitas.
b. Jika nilai probabilitas JBtest < α 0,05, maka data tidak berdistribusi normal (terima Ho, tolak Ha). Artinya tidak lolos uji normalitas.
3.7.2. Uji Multikolinearitas
Uji Multikolinearitas adalah asumsi yang menunjukkan adanya hubungan linear yang kuat diantara beberapa variabel prediktor dalam suatu model regresi linear berganda. Model regresi yang baik memiliki variabel-variabel prediktor yang independen atau tidak berkorelasi. Pada pengujian asumsi ini, diharapkan asumsi Multikolinearitas tidak terpenuhi. Penyebab terjadinya kasus Multikolinearitas adalah terdapat kolerasi atau hubungan linear yang kuat diantara beberapa variabel prediktor yang dimasukkan kedalam model regresi. (Tony S.
Chendrawan, 2015:54).
Hipotesis statistik pengujian multtikolinieritas dengan correlation matrix adalah sebagai berikut:
H0: tidak terjadi multikolinieritas Ha: terjadi multikolinieritas
Pengambilan keputusan dilakukan dengan kriteria:
a. Pada Correlation Matrix, jika koefisien kolerasi yang dihasilkan < 0,89, maka tidak terjadi multikolinieritas (terima Ho, tolak Ha).
b. Pada Correlation Matrix, jika koefisien kolerasi yang dihasilkan > 0,89, maka terjadi multikolinieritas (terima Ha, tolak Ho).
Ada beberapa cara alternatif dalam mengatasi masalah multikolinieritas, yaitu sebagai berikut:
56 a. Mencari data tambahan atau melakukan transformasi variabel.
b. Menghilangkan salahsatu variabel yang kolinier, terutama yang memiliki hubungan yang kuat dengan variabel lain. Pengeluaran variabel bebas ini harus berhati-hati karena tidak menutup kemungkinan variabel yang dikeluarkan justru variabel yang penting.
3.7.3 Uji Heteroskedastisitas
Uji Heteroskedatisitas adalah asumsi residual dari model regresi yang memiliki varian tidak konstan. Pada pemeriksaan ini, diharapkan uji Heterokedatisitas tidak terpenuhi karena model regrasi linier berganda memiliki asumsi varian residual yang konstan (Homoskedatisitas). (Tony S. Chendrawan, 2015:57)
Hipotesis statistik pengujian heteroskedastisitas dengan uji white heteroskedasticity adalah sebagai berikut:
H0: tidak terdapat heteroskedastisitas Ha: terdapat heteroskedastisitas
Pengambilan keputusan dilakukan dengan kriteria (Widarjono, 2013:126):
a. Jika nilai probabilitas Obs*R-squared> α (0,05), maka tidak tolak H0 dan konsekuensinya tolak Ha. Artinya tidak terdapat heteroskedastisitas.
b. Jika nilai probabilitas Obs*R-squared< α (0,05), maka tolak H0 dan konsekuensinya tidak tolak Ha. Artinya terdapat heteroskedastisitas.
57 3.7.4 Uji Autokorelasi
Uji Autokorelasi merupakan asumsi residual yang memiliki kompenen/nilai yang berkorelasi berdasarkan waktu (urutan waktu) pada himpunan data itu sendiri (Tony S. Chendrawan, 2015:56)
Masalah autokorelasi baru timbul jika ada korelasi secara linier antara kesalahan pengganggu periode t (sekarang) dengan kesalahan pengganggu periode t-1 (sebelumnya). Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi yaitu dengan uji Lagrange Multiplier yang dikembangkan oleh Breusch-Godfrey. Keputusan ada atau tidaknya masalah autokorelasi sangat tergantung dari lag residual yang digunakan dengan melakukan metode coba-coba untuk menghindari masalah autokorelasi (Widarjono, 2013:144).
Hipotesis statistik pengujian autokorelasi dengan uji LM adalah sebagai berikut:
H0: tidak terdapat autokorelasi Ha: terdapat autokorelasi
Pengambilan keputusan dilakukan dengan kriteria:
a. Jika nilai probabilitas Obs*R-squared> α (0,05), maka tidak tolak H0 dan konsekuensinya tolak Ha. Artinya tidak terdapat autokorelasi.
b. Jika nilai probabilitas Obs*R-squared< α (0,05), maka tolak H0 dan konsekuensinya tidak tolak Ha. Artinya terdapat autokorelasi.
Ada beberapa cara alternatif dalam mengatasi masalah autokorelasi, diantaranya sebagai berikut:
a) Mencari data tambahan.
58 b) Transformasikan salahsatu (beberapa) variabel.
c) Menambah AR(1) sebagai variabel bebas.