Uji Asumsi Model Regresi Data Panel

BAB II TINJAUAN PUSTAKA

D. Uji Asumsi Model Regresi Data Panel

Data klasifikasi kontinu dan data kuantitatif yang termasuk dalam pengukuran data skala interval atau ratio agar dapat dilakukan uji statistik parametrik dipersyaratkan berdistribusi normal. Pembuktian data berdistribusi normal tersebut perlu dilakukan uji normalitas terhadap data. Uji normalitas berguna untuk membuktikan data dari sampel yang dimiliki berasal dari populasi berdistribusi normal atau data polpulasi yang dimiliki berdistribusi normal. Banyak cara yang dapat dilakukan untuk membuktikan suatu data berdistribusi normal atau tidak.

Salah satu uji statistik normalitas residual yang dapat digunakan adalah uji Jarque-Bera (JB). Uji ini merupakan uji asimtosis, atau sampel besar dan didasarkan atas residu OLS. Uji ini menggunakan perhitungan kemencengan (skewness) dan peruncingan (kurtosis)dari suatu variabel acak. Untuk variabel yang didistribusikan secara normal, kemencengannya nol dan peruncingannya adalah 3.

Hipotesis:

𝐻 ∶Error berdistribusi normal.

𝐻 ∶Error tidak berdistribusi normal.

18 Tutut Dewi Astuti dan Di Asih I Maruddani. “Analisi Data Panel untuk Menguji Pengaruh Risiko Terhadap Return Saham Sektor Farmasi dengan Least Square Dummy Variabel”, Media Statistika. Vol. 2, No. 2, Desember 2009, 77.

Jarque dan Bera telah mengembangkan statistik uji berikut ini:

JB =^𝑛_{6 S +}(𝐾 − 3)

4 ^(2.56)

dimana n merupakan ukuran sampel, S menyatakan kemencengan, dan K

menyatakan Peruncingan. Dengan:

𝐾 =^𝜇̂ 𝜇̂ ⁼ 1 𝑛 ∑ (𝑥 − 𝑥̅) 1 𝑛 ∑ (𝑥 − 𝑥̅) (2.57) 𝑆 = ^𝜇̂ 𝜇̂ = 1 𝑛 ∑ (𝑥 − 𝑥̅) 1 𝑛 ∑ (𝑥 − 𝑥̅) (2.58)

Berdasarkan asumsi normalitas, statistik JB yang diberikan dalam persamaan di atas mengikuti diatribusi chi-square dan disimbolkan sebagai _{JB ~}  _{( )} di mana asy berarti secara asimtosis.

Dari persamaan (2.56), jika suatu variabel didistribusikan secara normal, S-nya adalah nol dan (𝐾 − 3) juga nol sehingga nilai statistik JB adalah nol ipsol facto. Tetapi jika suatu variabel tidak didistribusikan secara normal, maka statistik JB akan mengasumsikan nilai yang semakin lama semakin besar. Nilai statistik JB dapat dilihat dengan menggunakan tabel chi-square. Jika nilai

chi-square yang dihitung dari persamaan JB lebih besar daripada nilai chi-square

kritis pada tingkat signifikansi yang ditentukan maka kesimpulan yang diperoleh adalah menolak hipotesis nol yang menyatakan distribusi normal. Namun jika

nilai chi-square yang dihitung tidak lebih besar dari nilai chi-square kritisnya, maka tidak ada alasan menolak hipotesis nol.19

2. Multikolinearitas

Apabila digunakan model regresi linear berganda _{𝑦 = 𝛽 + 𝛽 𝑥 +}

𝛽 𝑥 + . . . +𝛽 𝑥 + 𝜀, dalam hal ini asumsi bahwa _{𝑥 , 𝑥 , … , 𝑥} sebagai variabel-variabel bebas tidak berkorelasi satu sama lain. Jika variabel-variabel-variabel-variabel bebas tersebut berkorelasi satu sama lain, maka dikatakan terjadi kolinearitas berganda (multi collinearity). Hal ini sering terjadi pada data berkala (time series data). Ada kemungkinan terdapat 2 variabel atau lebih yang mempunyai hubungan (korelasi) yang sangat kuat sehingga pengaruh masing-masing variabel tersebut terhadap y

sulit untuk dibedakan.

𝑌 = 𝛽 + 𝛽 𝑋 + 𝛽 𝑋 + 𝜀 (2.59)

Misalkan _𝑋 dan _𝑋 mempunyai hubungan sedemikian rupa sehingga

𝑋 = 𝑘𝑋 , di mana k = bilangan konstan. Untuk memperkirakan 𝛽 , 𝛽 , dan 𝛽 , harus digunakan data hasil observasi sebanyak n, untuk variabel 𝑋 dan 𝑋

sebagai berikut: 𝑋 _{𝑋 𝑋} 𝑋 ... 𝑋 … 𝑋 𝑋 _𝑋 𝑋 𝑋 ... _𝑋 … _𝑋 𝑌 ^𝑌 𝑌 𝑌 ... 𝑌 … 𝑌

19C. M. Jarque and A. K. Bera, “A Test for Normality of Observation and Regression Residuals”, International Statistical Review. Vol. 55, No. 2, Agustus 1987, 163-172.

Dalam hal ini, metode kuadrat terkecil tidak dapat menghasilkan penduga _𝛽 , _𝛽 ,_𝛽 , …, _𝛽 yang Best Linear Unbiased Estimator (BLUE) karena

𝑟(𝑿𝑻𝑿) < 𝑘 = 2, di mana _{𝑟 =} rank matriks, sehingga det (𝑿𝑻𝑿) = 0. Karena det

(𝑿𝑻𝑿) = 0, maka (𝑿𝑻𝑿) 𝟏 tidak dapat dicari. jadi,

𝜷 = (𝑿𝑻𝑿) 𝟏𝑿𝑻𝑿 (2.60)

Berikut uraian dalam bentuk matriks:

𝑿𝑻𝑿 = 1 1 ⋯ 1 𝑋 𝑋 ⋯ 𝑋 𝑋 𝑋 ⋯ 𝑋 1 𝑋 𝑋 1 𝑋 𝑋 ⋮ ⋮ ⋮ 1 𝑋 𝑋 = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 𝑛 ^{𝑋 𝑋} 𝑋 𝑋 𝑋 𝑋 𝑋 𝑋 𝑋 𝑋 ⎦^⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ karena _{𝑋 = 𝑘𝑋} , maka: 𝑿𝑻𝑿 = ⎣ ⎢ ⎢ ⎢ ⎢ ⎡ ^𝑛 ∑ 𝑋 𝑘 ∑ 𝑋 ∑ 𝑋 ∑ 𝑋 𝑘 ∑ 𝑋 𝑘 ∑ 𝑋 𝑘 ∑ 𝑋 𝑘 ∑ 𝑋 ⎦^⎥ ⎥ ⎥ ⎥ ⎤

Berdasarkan teori matriks, nilai determinan suatu matriks tidak berubah kalau suatu baris/kolom dikalikan dengan suatu bilangan konstan, kemudian baris/kolom lain dikurangi dengan baris/kolom tersebut.

𝑘 𝑋 𝑋 𝑘 𝑋 = 𝑘 𝑋 𝑘 𝑋 𝑘 𝑋

Kemudian baris ketiga dikurangi dengan baris kedua, maka diperoleh:

𝑋 𝑋 = ⎣ ⎢ ⎢ ⎢ ⎡ ^𝑛 ∑ 𝑋 𝑘 ∑ 𝑋 ∑ 𝑋 ∑ 𝑋 𝑘 ∑ 𝑋 0 0 0 ⎦^⎥ ⎥ ⎥ ⎤

Jika baris/kolom suatu matriks semua elemennya 0, maka determinan matriks yang bersangkutan nol. Karena det (𝑋 𝑋) = 0, maka _{𝑋 𝑋} adalah matriks singular dan karenanya (𝑋 𝑋) tidak ada.20

Multikolinearitas tidak mengubah sifat parameter OLS sebagai Best Linear Unbiased Estimator (BLUE). Parameter yang diperoleh adalah valid untuk mencerminkan kondisi populasi yang terbaik (memiliki varians yang minimum) di antara estimator linear.

Namun demikian, keberadaan multikoliearitas bukannya tidak berdampak negatif. Dapat ditunjukkan bahwa keberadaan kolinearitas akan menyebabkan varians parameter yang diestimasi akan menjadi lebih besar dari yang seharusnya, dengan demikian tingkat presisi dari estimasi akan menurun. Konsekuensi lanjutnya adalah rendahnya kemampuan menolak hipotesis nol (power of test).

Hal ini dapat dilihat melalui suatu ilustrasi. Misalnya mengestimasi suatu model regresi linear dengan 1 variabel terikat dan 2 variabel bebas tanpa intersep sebagai berikut:

20J. Supranto, M. A., Statistik Teoridan Aplikasi Edisi Kelima (Jakarta: Erlangga, 1998), h. 316-317.

𝑦 = 𝛽 𝑥 + 𝛽 𝑥 + 𝜀 (2.61)

Varians _𝛽 dan _𝛽 serta kovarians _{𝛽 𝛽} dapat diperoleh sebagai berikut:

Var 𝛽 =_{∑ 𝑋 (1 − 𝑟 )}^𝜎 (2.62) Var(𝛽 ) =_∑ ^𝜎 𝑋 (1 − 𝑟 ) ^(2.63) Cov 𝛽 , 𝛽 = ^{−𝑟 𝜎} (1 − 𝑟 ) ∑ 𝑋 ∑ 𝑋 (2.64)

dimana _𝑟 adalah koefisien korelasi antara _𝑥 dan _𝑥 . Dapat dilihat bahwa dengan semakin besarnya koefisien tersebut maka varians _𝛽 dan _𝛽 akan semakin besar pula. Selanjutnya standar error parameter (yang merupakan akar dari varians) diperlukan untuk menghitung signifikansi. Dengan demikian, meningkatnya varians akibat terjadinya kolinearitas akan menyebabkan nilai t statistik semakin kecil. Akibatnya, akan semakin rendah pula kemampuan model untuk menolak hipotesis nol (derajat signifikansi koefisien adalah rendah).

Beberapa metode yang dapat digunakan untuk mengukur derajat kolinearitas adalah:²¹

a. R yang tinggi tetapi sedikit variabel yang signifikan. Meskipun kolinearitas menyebabkan standar error dari parameter menjadi lebih besar tetapi hal ini tidak terjadi pada model secara keseluruhan. Residual model adalah tidak bias, dengan demikian R yang dipilih adalah valid. Jika model dengan R yang

21Moch. Doddy Ariefianto, Ekonometrika Esensi dan Aplikasi dengan Menggunakan Eviews (Jakarta: Erlangga, 2012), h. 52-54.

tinggi (misalnya > 0,7) tetapi sedikit variabel yang signifikan maka model yang diperoleh mengalami multikolinearitas.

b. Koefisien korelasi yang tinggi di antara regressor. Cara langsung mendeteksi adanya multikolinearitas adalah dengan menghitung koefisien korelasi di antara variabel bebas.

c. Overall significance dari Auxiliary Regression.

3. Autokorelasi

Istilah autokorelasi dapat didefinisikan sebagai “korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (data time series) atau ruang (data csross-sectional)”. Dalam konteks regresi, model regresi linear klasik mengasumsikan bahwa autokorelasi seperti itu tidak terdapat dalam gangguan (𝜀 ). Dengan menggunakan lambang:

𝐸 𝜀 𝜀 = 0 𝑖 ≠ 𝑗

Secara sederhana dapat dikatakan model klasik mengasumsikan bahwa unsur gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur disturbansi atau gangguan yang berhubungan dengan pengamatan lain.22

Jika model regresi mengalami autokorelasi, maka estimator OLS yang diperoleh akan tetap bias, konsisten dan secara asimtotik akan terdistribusi dengan normal. Namun demikian estimator tersebut menjadi tidak BLUE karena varians residual regresi adalah tidak minimum pada estimator kelas linear. Menurut Vogelvang (2005), varians residual memiliki kecenderungan mengestimasi terlalu

rendah dari varians residual yang sebenarnya, akibatnya statistik uji (statistik t) akan memiliki nilai terlalu besar sehingga menimbulkan kesan signifikansi.

Untuk mengetahui sifat tersebut dapat dilihat dari model regresi dua variabel (dengan intersep) sebagai berikut:

𝑦 = 𝛽 + 𝛽 𝑥 + 𝜀

dimana 𝛽 dapat diestimasi sebagai,

𝛽 =∑ (𝑥 − 𝑥̅)(𝑦 − 𝑦) ∑ (𝑥 − 𝑥̅) ⁼ Cov(𝑥, 𝑦) Var(𝑥) dengan varians, Var 𝛽 =∑ (𝑥 − 𝑥̅) =^𝜎 𝜎 𝑆 (2.65)

Untuk mendeteksi adanya autokorelasi pada model regresi dapat digunakan uji statistik d Durbin-Watson (DW)dengan hipotesis:

𝐻 ∶ 𝜌 = 0 (tidak ada autokorelasi)

𝐻 ∶ 𝜌 ≠ 0

Statistik DW selanjutnya dapat dihitung dengan persamaan sebagai berikut:

𝐷𝑊 =∑ (𝜀 − 𝜀 )

∑ 𝜀 ^(2.66)

Aturan penolakan hipotesis nol diberikan sebagai berikut:

4 − 𝑑 < 𝐷𝑊 < 4 ; Autokorelasi negatif

4 − 𝑑 < 𝐷𝑊 < 4 − 𝑑 ; Daerah Keragu-raguan

2 < 𝐷𝑊 < 4 − 𝑑 ; Tidak ada utokorelasi

𝑑 < 𝐷𝑊 < 𝑑 ; Daerah Keragu-raguan

Di mana _𝑑 dan _𝑑 adalah batas bawah dan batas atas nilai kritis yang dapat dicari dari tabel Durbin Watson berdasarkan k (jumlah variabel bebas) dan n (jumlah sampel) yang relevan.23

4. Heterokedastisitas

Uji ini digunakan untuk mengetahui apakah struktur variance-covariance residual bersifat homokedastik atau heterokedastisitas. Pengujiannya adalah sebagai berikut.

Hipotesis:

𝐻 : 𝜎 = 𝜎 (struktur variance-covariance residual homokedastik)

𝐻 ∶ Minimal ada satu _{𝜎 ≠ 𝜎 , 𝑖 = 1, 2, … , 𝑁} (struktur variance-covariance residual heterokedastisitas)

Statistik uji yang digunakan merupakan uji LM yang mengikuti distribusi chi-squared, yaitu:

LM =^𝑇₂ ^𝜎_{𝜎 − 1 (2.67)}

di mana,

𝑇 = Banyaknya data time series

𝑁 = Banyaknya data cross section

𝜎 =variance residual persamaan ke-i

𝜎 =variance residual persamaan sistem

23Moch. Doddy Ariefianto, Ekonometrika Esensi dan Aplikasi dengan Menggunakan Eviews (Jakarta: Erlangga, 2012), h. 28-29.

Jika LM > _{( , )} atau p-value kurang dari taraf signifikansi maka tolak hipotesis awal (_𝐻 ) sehingga struktur variance-covariance residual bersifat heterokedastisitas.24