Asumsi Klasik pada Regresi Linear Berganda

(1)

Asumsi

Klasik pada Regresi

Linear

Berganda

FAT K H U R O K H M A N FA UZ I

(2)

Asumsi yang Harus Terpenuhi

Normalitas

Multikolinieritas Autokorelasi

Heteroseksdastisitas

(3)

Normalitas

Cara mengatasi data tidak normal

 Membuang outliers

 Transformasi Data

 Standarisasi Data

(4)

Multikoliniertias

 Multikolinearitas adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan kuat antara dua variabel bebas atau lebih dalam sebuah model regresi berganda.

 Dalam situasi terjadi multikolinearitas dalam sebuah model regresi berganda, maka nilai koefisien beta dari sebuah variabel bebas atau variabel predictor dapat berubah secara dramatis apabila ada penambahan atau pengurangan variabel bebas di dalam model.

 Sering kali kita bisa mendeteksi adanya multikolinearitas dengan adanya nilai standar error yang besar dari sebuah variabel bebas dalam model regresi.

(5)

Multikoliniertas

 Penyebab multikolinearitas adalah adanya korelasi atau hubungan yang kuat antara dua variabel bebas atau lebih, seperti yang sudah dijelaskan di atas.

 Dampak dari Multikoliniertas a. Nilai standar errornya besar

b. Perubahan pada satu variabel dapat menyebabkan perubahan besar pada nilai koefisien regresi parsial variabel lainnya.

c. Nilai Confidence Interval sangat lebar, sehingga akan menjadi sangat sulit untuk menolak hipotesis nol pada sebuah penelitian jika dalam penelitian tersebut terdapat multikolinearitas

(6)

Multikoliniertas

Cara mendeteksi Multikolinearitas

a.

Melihat kekuatan korelasi antar variabel bebas. Jika ada korelasi antar variabel bebas > 0,8 dapat diindikasikan adanya multikolinearitas.

b.

Melihat nilai standar error koefisien regresi parsial. Jika ada nilai standar error > 1, maka dapat diindikasikan adanya multikolinearitas.

c.

Melihat rentang confidence interval. Jika rentang confidence interval sangat lebar, maka dapat diindikasikan adanya multikolinearitas.

d.

Melihat nilai Tolerance dan Variance Inflating Factor (VIF). Jika nilai

Tolerance < 0,1 dan VIF > 10 dapat diindikasikan adanya multikolinearitas.

(7)

Multikoliniertas

 Variance Inflating Factor (VIF)

 Nilai Tolerance

(8)

Autokorelasi

 Autokorelasi adalah terjadi korelasi antara observasi ke-i dengan observasi ke-i-1.

Contohnya yaitu: misalkan sampel ke-20, nilainya dipengaruhi oleh sampel ke-19.

 Cara Mendeteksi Autokorelasi: Masalah asumsi Autokorelasi dapat dideteksi dengan menggunakan berbagai jenis analisis, yaitu Uji Durbin Watson.

 Uji Durbin watson adalah uji autokorelasi yang menilai adanya autokorelasi pada residual. Uji ini dilakukan dengan asumsi atau syarat antara lain: (a) Model regresi harus menyertakan konstanta, (b) Autokorelasi harus diasumsikan sebagai autokorelasi first order. (c) Variabel dependen bukan merupakan variabel Lag.

 Autokorelasi first order adalah korelasi antara sampel ke-i dengan sampel ke-i-1 seperti yang sudah dibahas di atas sebelumnya.

(9)

Autokorelasi

 Uji Durbin watson akan menghasilkan nilai Durbin Watson (DW) yang nantinya akan dibandingkan dengan dua (2) nilai Durbin Watson Tabel, yaitu Durbin Upper (DU) dan Durbin Lower DL). Dikatakan tidak terdapat autokorelasi jika nilai DW > DU dan (4-DW) > DU atau bisa dinotasikan juga sebagai berikut: (4- DW) > DU < DW. Untuk menentukan autokorelasi negatif atau positif, akan kami bahas pada artikel berikutnya.

 Adanya autokorelasi dalam regresi linear (Ordinary Least Squares) menyebabkan variansi sampel tidak dapat menggambarkan variansi populasi.

Juga menyebabkan model regresi yang dihasilkan tak dapat digunakan untuk menduga nilai variabel tak bebas dari nilai variabel-behas tertentu, koefisien regresi yang diperoleh kurang akurat.

(10)

Autokorelasi

Rumus Autokorelasi

Cara mengatasi autokorelasi adalah dengan,

Dalam kesempatan ini, kita akan fokus pada metode transformasi Cochrane Orcutt karena merupakan metode paling dasar dan mudah dipahami. Berikut bentuk persamaan Cochrane Orcutt.



1



²

2

2 1 t N

t t

t

t N t t

e e d

e



 









(11)

Autokorelasi

Cara mengatasi Autokorelasi

Dalam kesempatan ini, kita akan fokus pada metode transformasi Cochrane Orcutt karena merupakan metode paling dasar dan mudah dipahami. Berikut bentuk persamaan Cochrane Orcutt:

Di mana:

Yt: variabel Dependen yang mengikuti waktu t β: Koefisien Beta yang diestimasi

εt: Error term pada waktu tSedangkan:

(12)

Autokorelasi

Di mana:

ρ: Koefisien Rho

εt-1: residual sampel ke-i dikurangi residual sampel ke-i-1 (sampel sebelumnya) Catatan: regresi untuk mendapatkan nilai εt di atas, tanpa mengikut sertakan konstanta. Sehingga prosedur transformasi Cochrane Orcutt adalah sebagai berikut:

(13)

Transformasi= X1-(0.930*Lag(X1))

(14)

Heteroskedastisitas

 Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi linear.

 Homoskedastisitas adalah keadaan dimana adanya kesamaan varian dari error untuk semua pengamatan setiap variabel bebas pada model regresi.

 Bagaimana cara deteksi heteroskedastisitas ? Jawabannya adalah ada beberapa cara, antara lain:

a. Uji Glejser b. Uji Park

c. Uji Spearman d. Melihat Grafik

(15)

Heteroskedastisitas

Pada prinsipnya, ada 3 cara yaitu antara lain:

1. Dengan cara Transformasi Data

2. Dengan cara weigthed least square (WLS).

3. Dengan cara membiarkannya namun menggunakan koefisien estimasi yang robust atau kebal terhadap pelanggaran heteroskedastisitas, yaitu koefisien estimasi Huber White.