BAB III METODE PENELITIAN
3.8. Uji Penyimpangan Asumsi Klasik
Uji penyimpangan asumsi klasik adalah pengujian terhadap beberapa asumsi klasik yang dilakukan untuk melihat apakah suatu model dikatakan baik dan efisien. Gujarati (2003) mengemukakan beberapa asumsi klasik yang harus dipenuhi untuk suatu hasil estimasi regresi linier agar hasil tersebut dapat dikatakan baik dan efisien. Adapun asumsi klasik yang harus dipenuhi antara lain:
1. Model regresi adalah linier, yaitu linier di dalam parameter.
2. Residual variabel pengganggu
( )
µi mempunyai nilai rata-rata nol (zero meanvalue disturbance iµ ).
3. Homokedastisitas atau varian dari iµ adalah konstan. 4. Tidak ada autokorelasi antara variabel pengganggu ( iµ ). 5. Kovarian antara iµ 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. (Wahyu Ario Pratomo dan Paidi Hidayat, 2007:88)
Berdasarkan beberapa kondisi diatas, maka perlu dilakukan beberapa pengujian sebagai berikut:
3.8.1. Multikolinieritas
Multikolinieritas adalah suatu keadaan dimana satu atau lebih variabel independen dapat dinyatakan sebagai kombinasi linier dari variabel independen lainnya. Untuk mengetahui ada tidaknya multikolinieritas dapat dilihat dari nilai R2, F-hitung, t-hitung, dan standard error.
Adapun multikolinieritas ditandai dengan: a. Standard error tidak terhingga
b. Tidak ada satupun atau sangat sedikit t-statistik yang signifikan pada % 10 %, 5 %, 1 = = = α α α
c. Terjadi perubahan tanda atau tidak sesuai dengan teori d. R2 sangat tinggi (Catur Sugiyanto, 1994:82)
Pengujian yang lain, yang dapat digunakan untuk melihat multikolinieritas antar variabel adalah dengan menggunakan uji parsial. (Wahyu Ario Pratomo dan Paidi Hidayat, 2007:90)
3.8.2. Heterokedastisitas
Heterokedastisitas terjadi apabila variabel pengganggu (Error Term) tidak mempunyai varian yang konstan (sama) untuk semua observasi sehingga residual
variabel pengganggu tidak bernilai nol atau E
( )
µi 2 ≠σ2.Ini merupakan pelanggaran salah satu asumsi klasik tentang model regresi linier berdasarkan metode kuadrat terkecil biasa. Heterokedastisitas pada umumnya lebih banyak ditemui pada data cross section yaitu data yang menggambarkan keadaan pada suatu waktu tertentu misalnya data hasil suatu survei. Keberadaan heterokedastisitas akan dapat menyebabkan kesalahan dalam penaksiran sehingga koefisien regresi menjadi tidak efisien dan dapat meyesatkan. (Nachrowi Djalal Nachrowi dan Hardius Usman, 2006:109)
Menguji Heterokedastisitas
Untuk menguji keberadaan heterokedastisitas dilakukan dengan cara Uji Formal yaitu Uji White (white`s General Heterocedasticity Test).
Uji White memulai pengujiannya dengan membentuk model:
i
i X X X
Y =β0 +β1 1 +β2 2 +β3 3 +µ
Kemudian persamaan di atas, dimodifikasi dengan membentuk regresi bantuan (auxiliary regression) sehingga model menjadi:
i i α α X α X α X α X α X α X α X X X υ µ = + + + + + + + 7 1 2 3 + 2 3 6 2 2 5 2 1 4 3 3 2 2 1 1 0 2
Pedoman dari penggunaan uji white ini adalah tidak terdapat masalah heterokedastisitas dalam hasil estimasi, jika nilai R2 hasil regresi dikalikan dengan
jumlah data atau (n.R2 = χ2hitung) lebih kecil dibandingkan χ2tabel. Sementara, akan terdapat masalah heterokedastisitas apabila hasil estimasi menunjukkan bahwa
2
χ hitung lebih besar dibandingkan χ2
tabel. Jika nilai probability lebih kecil dari 0.05, maka terdapat heterokedastisitas pada hasil estimasi dan sebaliknya. (Wahyu Ario Pratomo dan Paidi Hidayat, 2007:98).
Cara Megobati Masalah Heterokedastisitas:
Untuk mengatasi masalah heterokedastisitas adalah dengan menggunakan metode kuadrat terkecil tertimbang (Weighted Least Square/WLS).
Model estimasi regresi penelitian adalah:
i
i X X X
Y =β0 +β1 1 +β2 2 +β3 3 +µ
Kemudian sisi kiri dan sisi kanan dari persamaan di atas dengan varians (σ2), sehingga model estimasi menjadi:
i i i i i i i i X X X Y σµ σ α σ α σ α σ α σ = + + + 3 3 + 2 2 1 1 0
Nilai σi dalam ekonometrika disebut sum of squares residual = RSS dibagi dengan jumlah variabel penjelas (k). Nilai σikemudian ditransformasikan kedalam
masing-masing variabel. Sebagai rujukan untuk melihat apakah hasil estimasi regresi telah lolos dari masalah heterokedastisitas, maka perhatikan nilai sum of squared
resid. Bila angka sum of squared resid cenderung menurun, maka dapat dikatakan
bahwa model yang diestimasi lolos dari masalah heterokedastisitas. (Wahyu Ario Pratomo dan Paidi Hidayat, 2007: 100)
3.8.3. Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah faktor pengganggu (µi) berdistribusi normal atau tidak. Untuk melakukan uji normalitas digunakan Jarcue-
Bera Test (JB- Test).
Untuk melihat apakah data telah berdistribusi normal dengan cara JB-Test ini adalah dengan membandingkan Jarcue Bera normality test statistics dengan χ2tabel, jika Jarcue Bera normality test statistics lebih kecil dari χ2tabel maka µtadalah berdistribusi normal. Sebaliknya jika Jarcue Bera normality test statistics lebih besar dari χ2tabel maka µtadalah tidak berdistribusi normal.
Cara lain untuk melihat apakah data berdistribusi normal dengan menggunakan JB-Test adalah dengan melihat angka probability. Apabila angka probability > 0,05 maka data berdistribusi normal, sebaliknya apabila angka probability < 0,05 maka data tidak berdistribusi normal. (Wahyu Ario Pratomo dan Paidi Hidayat, 2007:92)
3.8.4. Uji Linieritas
Uji linieritas dilakukan untuk melihat apakah spesifikasi model yang kita gunakan sudah benar atau tidak. Dengan menggunakan uji ini kita dapat mengetahui bentuk model empiris dan menguji variabel yang relevan untuk dimasukkan kedalam model empiris.
Salah satu uji yang digunakan untuk menguji linieritas adalah uji Ramsey (Ramsey RESET Test ). Untuk melihat apakah bentuk fungsi linier adalah benar atau tidak maka bandingkan hasil perhitungan nilai F-hitung dengan nilai F-tabel, apabila nilai F-hitung > F-tabel maka hipotesis nol yang mengatakan bahwa spesifikasi model yang digunakan dalam bentuk fungsi linier adalah benar ditolak, dan sebaliknya apabila nilai F-hitung < F-tabel maka hipotesis nol yang mengatakan bahwa spesifikasi model yang digunakan dalam bentuk fungsi linier adalah benar tidak dapat ditolak. (Wahyu Ario Pratomo dan Paidi Hidayat, 2007:93)
3.9. Definisi Operasional
1. Permintaan Asuransi (Y) adalah permintaan masyarakat terhadap asuransi jiwa mitra beasiswa yang diukur dari nilai premi yang dibayar per triwulan (Dalam Rupiah).
2. Pendapatan (Χ1) adalah segala sesuatu bentuk penghasilan yang didapat oleh pemegang polis baik itu gaji pokok dan juga di luar gaji pokok (Dalam Rupiah per Bulan).
3. Pendidikan (Χ2) adalah jenjang pendidikan terakhir pemegang polis (variabel dummy): D=1 Tamat perguruan tinggi
D=0 Tidak tamat perguruan tinggi
4. Usia (Χ3) adalah usia awal dimana masyarakat menjadi pemegang polis asuransi jiwa mitra beasiswa.
BAB IV