BAB III METODOLOGI PENELITIAN
3.6 Uji Asumsi Klasik
Hasil suatu estimasi regresi linier dikatakan baik dan efesien apabila memenuhi beberapa asumsi klasik , seperti yang dikemukakan oleh Gujarati (2003) dalam buku Pratomo dan Hidayat (2007:89) terdapat beberapa asumsi klasik yang harus dipenuhi yaitu:
1. Model regresi adalah linier, yaitu linier didalam parameter.
2. Residual variabel pengganggu (µ�) mempunyai nilai rata—rata nol (zero mean value of disturbance µ�).
3. Homoskedastisitasatau varian dari µ� adalah konstan. 4. Tidak ada autokorelasi antara variabel pengganggu (µ�). 5. Kovarian antara µ� dan variabel independen (Xi) adalah nol.
6. Jumlah data (observasi) harus lebih banyak dibandingkan dengan jumlah parameter yang akan diestimasi.
7. Tidak ada multikolinieritas.
8. Variabel pengganggu harus berdistribusi normal atau stokastik.
3.6.1 Multikolinieritas
Sebuah model regresi dikatakan terkena multikolinieritas apabila terjadi hubungan linier yang sempurna di antara beberapa atau semua variabel bebas dari suatu model regresi sehingga variabel-variabel bebas tersebut tidak bersifat ortogonal. Variabel-variabel bebas yang bersifat orthogonal adalah variabel bebas yang memiliki nilai korelasi diantara sesamanya sama dengan nol. Multikolinieritas dapat mengakibatkan nilai-nilai koefisien regresi menjadi tidak dapat ditaksir, kemudian nilai standar error setiap koefsien menjadi tak terhingga sehingga tingkat signifikansi variabel bebasnya buruk, selain itu juga dapat menyebabkan tanda koefisien regresi mengandung tanda yang berlawanan dengan teori.
Untuk mendeteksi estimasi regresi yang memiliki multikolinieritas dapat dilihat dari nilai R2 yang tinggi namun standar error dan tingkat signifikansi masing-masing variabel rendah dan dapat juga dilihat dari nilai koefisien variabel apakah sesuai dengan hipotesis atau tidak (Pratomo dan Hidayat, 2007).
3.6.2 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah data dalam model regresi, variabel residual memiliki distribusi normal atau tidak sehingga data tersbut dapat digunakan dalam statistik parametrik. Untuk menguji apakah normal atau tidaknya faktor peganggu, menurut Pratomo dan Hidayat (2007) dapat dilakukan uji normalitas dengan menggunakan Jarque-Bera Test (J-B test).
Uji Jarquera -Bera menggunakan hasil estimasi residual dan chi square probability distribution. Bandingkan nilai J-B hitung dengan χ2
tabel. Apabila nilai JB hitung > χ2
tabel, maka hipotesis yang menyatakan bahwa residual µt berdistribusi normal dapat ditolak, sedangkan apabila nilai JB hitung < χ2
tabel, maka hipotesis yang menyatakan bahwa residual µt berdistribusi normal tidak dapat ditolak.
Cara lain untuk melihat apakah data telah berdistribusi normal dengan menggunakan JB test melalui angka probability-nya. Apabila angka probability signifikan pada tingkat signifikansi 1%, 5 % dan 10% maka dapat disimpulkan bahwa data berdistribusi normal, dan sebaliknya apabila angka probability-ynya tidak signifikan pada tingkat signifikansi 1%, 5% dan 10% maka dapat ditarik kesimpulan bahwa data tidak berdistribusi normal.
3.6.3 Heteroskedastisitas
Heteroskedastistas adalah suatu penyimpangan asumsi OLS dalam bentuk varians gangguan estimasi yang dihasilkan oleh estimasi OLS yang tidak bernilai konstan. Pengujian heteroskedastisitas digunakan untuk mengetahui apakah dalam model regresi terdapat ketidaksamaan varians residual satu pengamatan ke pengamatan lain. Apabila varians � dari faktor pengganggu (µi) adalah sama untuk semua observasi atas variabel bebas (Xi), ini disebut dengan homoskedatisitas atau varian yang sama dan apabila berbeda disebut heteroskedastisitas.
Model regresi yang baik adalah tidak terjadinya heteroskedastisitas. Apabila terjadi heteroskedatisitas, hal ini dapat mengakibatkan kesalahan dalam interpretasi sehingga koefisien regresi atau parameternya menjadi tidak efisien dan dapat menyebabkan kesimpulan yang salah, selain itu nilai besarnya nilai varian akan mengakibatkan standar error semakin besar sehingga interval kepercayaan menjadi besar atau tidak dapat dipercaya (Pratomo dan Hidayat, 2007).
Untuk mendeteksi ada tidaknya gejala heteroskedastisitas dapat dilakukan dengan uji park dan uji white. Uji park dilakukan dengan melihat apabila koefisien parameter B adalah signifikan secara statistik maka dapat disimpulkan bahwa data dari model empiris terdapat heteroskedastisitas. Sedangkan pada uji white dapat dilihat apabila hasil estimasi menunjukkan bahwa X2 hitung lebih besar dibandingkan dengan X2 tabel maka terdapat masalah heteroskedastisitas dan sebaliknya. Data panel dalam penelitian menggunakan estimasi dengan
metode Coeficient Covariance Method - White Cross Section, sehingga hasil yang dikeluarkan terbebas dari heterokedastisitas.
3.6.4 Autokorelasi
Autokorelasi merupakan gangguan pada fungsi regresi berupa korelasi diantara faktor gangguan (error term). Autokorelasi pada umumnya terjadi pada penelitian yang menggunakan data time series namun juga dapat terjadi pada data cross section. Menurut Hidayat dan Pratomo (2007) terdapat beberapa penyebab terjadinya autokorelasi yakni tidak diikutsertakannya seluruh variabel bebas yang relevan dalam model regresi yang diduga, terjadinya kesalahan spesifikasi model matematika yang digunakan, pemakaian data yang kurang baik karena interpolasi data atau sumber data yang kurang akurat serta terjadinya kesalahan spesifikasi variabel gangguan.
Autokorelasi dapat mengakibatkan hasil estimasi untuk standar error dan varians koefisien regresi yang di dapat akan underestimate, dengan demikian nilai koefisien determinasi (R2) akan besar dan akibatnya uji t, uji F dan interval kepercayaan menjadi tidak sahih lagi untuk digunakan. Selain itu autokorelasi yang kuat dapat menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan.
Untuk mendeteksi terjadinya autokorelasi atau tidak dapat digunakan dengan beberapa cara yakni dengan metode durbin Watson (DWtest) dan Uji Langrange Multiplier (LM test). Metode DW hanya berlaku untuk model regresi yang variabel-variabel bebasnya tidak mengandung lagged dependent variabel
(time lag). DW tidak relevan digunakan dalam penaksiran model regresi yang menggunakan data cross section dan penaksiran model regresi tanpa intercept.
Untuk melihat ada tidaknya autokorelasi pada metode DW maka dapat dilihat dari nilai DW pada hasil estimasi model regresi dan dapat diambil keputusan dengan melihat tabel DW. Sedangkan pada uji LM dapat digunakan untuk menguji model lag , untuk melihat ada atau tidaknya autokorelasi dapat dilihat dari hasil estimasi model regresi, apabila hasil estimasi yang diperoleh menunjukkan bahwa nilai Obs*R-squared (X2 hitung) > X² tabel atau nilai probability lebih rendah dari 0,05 pada tingkat signifikansi 5% maka terdapat gejala autokorelasi pada hasil estimasi tersebut (Pratomo dan Hidayat, 2007).
3.7 Test of Goodness of Fit