Uji Asumsi Klasik

(sebagai syarat mutlak menganalisa Regresi Linier Berganda OLS)

 

Mengapa ada uji asumsi klasik?

·       Agar model yang nantinya digunakan dapat membentuk sebuah estimasi yang BLUE (Best, Linier, Unbiased, Estimator) dan uji tidak boleh dilanggar.

Best (terbaik):

·       Garis regresi merupakan estimasi /ramalan yang baik dari suatu sebaran data.

·       Garis regresi merupakan cara memahami pola hubungan antara dua seri data atau lebih.

·       Garis regresi adalah best jika garis itu menghasilkan error yang kecil.

·       Error adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi.

·       Jika best disertai sifat unbiased maka estimator regresi disebut efisien.

Unbiased estimator

Suatu estimator dikatakan unbiased jika nilai harapan dari estimator β sama dengan nilai yang benar dari β (rata-rata β = β)/ konsisten.

Metode kuadrat terkecil akan menghasilkan estimator yang BLUE. Estimator yang BLUE yang memiliki varian minimum disebut estimator yang efisien (efficient estimator).

Uji Asumsi Klasik, ada 5 yaitu:

v Linear

Estimator β disebut linear jika estimator itu merupakan fungsi linier dari sampel. Rata-rata x adalah estimator yang linear, karena merupakan fungsi linear dari nilai-nilai x. Nilai-nilai OLS (Ordinary Least Square) juga merupakan estimator yang linear.

v Multikolinearitas

ü Model regresi dikatakan terkena multikolinearitas bila terjadi hubungan  linear yang sempurna dan pasti, diantara beberapa atau semua variabel bebas dari model regresi (Ragnar Frisch).

ü Multikolinearitas dapat terjadi karena:

1.    Kesalahan metode pengumpulan data

2.    Sampelnya kurang relistis

3.    Memasukkan variabel independen yang salah

4.    Model penelitiannya berlebihan atau jumlah variabel independennya lebih banyak dibandingkan jumlah data atau jumlah observasi.

ü Dipergunakan untuk analisis regresi berganda yang terdiri dari 2 atau lebih variabel bebas (independent variabel).

ü Untuk mengukur keeratan hubungan atau pengaruh antar variabel bebas melalui besaran koefisien korelasi (r). Jika antar variabel bebas terjadi korelasi, maka dapat dikatakan datanya tidak baik karena tidak ortogonal.

ü Tidak terjadi multikolinearitas jika nilai r-nya lebih kecil atau sama dengan 0,60 (r<0,60).

Akibat multikolinearitas:

ü Sulit mendapatkan estimasi yang tepat terhadap data.

ü Nilai hitung uji statistik t akan kecil, sehingga variabel independen menjadi tidak signifikan.

Cara mengobati multikolinearitas:

ü Menggabungkan data cross section dan time series.

ü Mengeluarkan satu atau lebih variabel independen yang mempunyai korelasi tinggi dari model regresi dan identifikasikan variabel independen lainnya untuk membantu prediksi.

ü Gunakan model dengan variabel independen yang mempunyai korelasi tinggi untuk prediksi.

ü Gunakan metode analisis regresi bayesian atau regresi Ridge.

v Heterokedastisitas

ü Menguji sama atau tidaknya varians dan residual.

ü Ada tidaknya heterokedastisitas dapat dilihat langsung dari data. Jika variasi data cenderung tidak seragam/ variasi selisihnya besar.

ü Diuji dengan Uji Rank Spearman (paling populer, karena merangking nilai absolut residual dari terkecil sampai terbesar).

ü Mengobati dengan: metode WLS atau metode white.

v Autokorelasi

ü Terjadi karena: data time series sering kali terjadi gangguan dan gangguan akan saling berhubungan.

ü Contoh: data GDP dari tahun 2000-2010.

ü Diuji menggunakan Durbin Watson.

ü Diobati dengan:

metode estimasi  ᵨ (rho) yang ada di dalam uji Durbin Watson.

v Normalitas

ü Uji normalitas digunakan untuk memenuhi asumsi dilakukannya analisis regresi yang akan melakukan penaksiran sekaligus pengujian, dimana untuk kepentingan ini variabel yang bersifat random harus berdistribusi normal.

ü Pengujian normalitas cukup dilakukan hanya terhadap variabel dependen saja, dikarenakan hanya variabel dependen yang memiliki sifat random. Jika sejumlah besar variabel random yang didistribusikan  secara independen dan identik, maka dengan beberapa pengecualian, distribusi jumlahnya cenderung ke distribusi normal bila banyaknya variabel seperti itu meningkat tak terbatas (Gujarati, N. Damodar,1993:66). Dengan dasar ini, maka pengujian normalitas data hanya dilakukan terhadap variabel dependen saja.

ü Jika asumsi ini tidak terpenuhi, artinya bahwa data tidak berdistribusi normal, maka kesimpulan berdasarkan teori tidak berlaku. Untuk mengatasinya, dapat dengan cara menambah sampel observasi atau dengan cara mengeliminasi beberapa sampel yang memiliki data yang ekstrim dan dianggap sebagai suspect tidak terpenuhinya normalitas data. Karenanya, sebelum teori lebih lanjut digunakan dan kesimpulan diambil berdasarkan teori dimana asumsi normalitas dipakai, terlebih dahulu perlu diselidiki apakah asumsi itu, terpenuhi atau tidak (Sudjana, 2005:150).

v Linearitas

Pasangan nilai x dan y yang diwujudkan dalam bentuk titik (x,y) disebut koordinat. Kalau koordinat-koordinat ini dihubungkan satu sama lain secara berurutan ini akan terbentuk satu garis, yang disebut garis regresi. Jika garis regresi membentuk satu garis lurus, maka garis tersebut dinamakan fungsi linear. Namun kalau tidak membentuk garis lurus, garis regresinya dinamakan fngsi non-linear. Fungsi linear dapat menunjukkan bentuk hubungan yang positif atau negatif.