UJI ASUMSI KLASIK

BAB IV

UJI ASUMSI KLASIK

Linear mewakili linear dalam model, maupun linear dalam parameter. Linear dalam model artinya model yang  digunakan dalam analisis regresi telah sesuai dengan kaidah model OLS dimana variabel - variabel penduganya hanya berpangkat satu. Sedangkan linear dalam parameter menjelasan bahwa parameter yang dihasilkan merupakan fungsi linear dari sampel. Secara jelas bila diukur dengan nilai rata – rata. Asumsi - asumsi seperti yang telah dituliskan dalam bahasan OLS di depan, adalah asumsi yang dikembangkan oleh Gauss dan Markov, yang kemudian teori tersebut terkenal dengan sebutan Gauss Markov Theorem.

A.    Pengertian autokorelasi

Dalam asumsi klasik telah dijelaskan bahwa pada model OLS harus telah terbebas dari masalah autokorelasi atau serial korelasi. Autokorelasi adalah keadaan dimana variabel gangguan pada periode tertentu berkorelasi dengan variabel gangguan pada periode lain. Sifat autokorelasi muncul bila terdapat korelasi antara data yang diteliti, baik itu data jenis runtut waktu ( time series) ataupun data kerat silang ( cross section). Hanya saja masalah autokorelasi lebih sering muncul pada datatimeseries,karena sifat datatime seriesini sendiri lekatdengan kontinyuitas dan adanya sifat ketergantungan antar data.Sementara pada datacross sectionhal itu kecil  kemungkinan terjadi.

Sebab-sebabAutokorelasi

Terdapat banyakfaktor-faktor yangdapat menyebabkan timbulnya masalah autokorelasi,namun dalam pembahasan ini hanya mengungkapkan beberapa faktor saja antara lain :

1.      Kesalahandalampembentukanmodel,artinya,modelyangdigunakanuntukmenganalisisregresi tidak didukung oleh teori-teori yang relevandan mendukung.

2.      Tidak memasukkan variabel yang penting.Variabel penting yang dimaksudkan di sini adalah variabel yang diperkirakan signifikan mempengaruhi variabel Y.

Akibat Autokorelasi

Uraian-uraian di atas mungkin saja mengajak kita untuk bertanya tentang apa dampak dari autokorelasi yan timbul. Pertanyaan seperti ini tentu saja merupaka sesuatu yang wajar, karena kita tentu mempunyai pilihan apakah mengabaikan adanya autokorelasi ataukah akan mengeliminasinya.

Pengujian Autokorelasi

Pengujian autokorelasi dimaksudkan untuk menguji ada tidaknya autokorelasi, yaitu masalah lain yang timbul bila kesalahan tidak sesuai dengan batasan yang disyaratkan oleh analisis regresi. Terdapat beberapa cara untuk mendeteksi ada tidaknya autokorelasi

B.   Uji Normalitas

Tujuan dilakukannya uji normalitas adalah untuk menguji apakah variabel penganggu (e) memiliki distribusi normal atau tidak. Pengujian normalitas data dapat dilakukan sebelum ataupun setelah tahapan analisis regresi. Hanya saja pengalaman menunjukkan bahwa pengujian normalitas yang dilakukan sebelum tahapan regresi lebih efisien dalam waktu. Sangat beralasan kiranya, karena jika asumsi normalitas data telah dipenuhi terlebih dulu, maka dampak yang mungkin akan ditimbulkan dari adanya ketidaknormalan data seperti bias pada nilai t hitung dan nilai F hitung dapat dihindari. Sebaliknya, bila dilakukan analisis regresi terlebih dulu, dimana nilai t dan F baru diketahui, yang kemudian baru dilakukan normalitas data, sedangkan ternyata hasilnya tidak normal maka analisis regresi harus diulang lagi. Pengujian normalitas ini berdampak pada nilai t dan F karena pengujian terhadap keduanya diturunkan dari asumsi bahwa data Y atau e berdistribusi normal.

C.   Uji Heteroskedastisitas

Sebagaimana telah ditunjukkan dalam salah satuasumsi yang harus ditaati pada model regresi linier, adalah residual harus homoskedastis, artinya,variancere sidual harus memiliki variabel yang konstan, atau

dengan kata lain, rentangan e kurang lebih sama. Karena jika variancenya tidak sama, model akan menghadapi masalah heteroskedastisitas. Heteroskedastisitas muncul apabila kesalahan atau residual dari modelyang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya. 

Konsekuensi Heteroskedastisitas

Analisis regresi menganggap kesalahan ( error) bersifat homoskedastis, yaitu asumsi bahwa residu atau deviasi dari garis yang paling tepat muncul serta random sesuai dengan besarnya variabel - variabel independen.

Pendeteksian Heteroskedastisitas

Untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilak ukan dengan berbagai cara seperti uji grafik, uji Park, Uji Glejser, uji Spearman’s Rank Correlation, dan uji Whyte menggunakan Lagrange Multiplier.

D.   Uji Multikolinieritas

Multikolinieritas adalah suatu keadaan dimana terjadi korelasi linear yang ”perfect” atau eksak di antara variabel penjelas yang dimasukkan ke dalam model. Tingkat kekuatan hubungan antar variabel penjelas dapat ditrikotomikan lemah, tidak berkolinear, dan sempurna. Tingkat kolinear dikatakan lemah apabila masing – masing variabel penjelas hanya mempunyai sedikit sifat –sifat yang sama

Konsekuensi Multikolinearitas

Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan dalam suatu penelitian, karena apabila belum terbebas dari masalah multikolinearitas akan menyebabkan nilai koefisien regresi (b) masing -masing variabel bebas dan nilai

standar error -nya (Sb) cenderung bias, dalam arti tidak dapat ditentukan kepastian nilainya, sehingga akan berpengaruh pula terhadap nilai t .

 TUGAS

a. jelaskan apa yang dimaksud denganasumsi klasik!

Asumsi klasik merupakan analisis yang di lakukan untuk menilai apakah di dalam sebuah model regresi linierOrdinary Least Swquare(OLS) terdapat masalah masalahasumsi klasik dapat di simpulkan bahwa asumsi klasik juga di sebut dengan syarat-syarat yang harus di penuhi pada model regresi linierOLS agar model tersebut menjadi valid sebagai alat penduga.

a.      Sebutkan apa saja asumsi-asumsi yang ditetapkan!

Asumsi 1: Linear regression Model. Model regresimerupakan hubungan linear dalam parameter.

Asumsi 2: Nilai X adalah tetap dalam sampling yangdiulang-ulang (X fixed in repeated sampling).

Asumsi 3: Variabel pengganggu e memiliki rata-rata nol(zero mean of disturbance). Artinya, garisregresi pada nilai X tertentu berada tepat ditengah. Bisa saja terdapat error yang berada diatas garis regresi atau di bawah garis regresi,tetapi setelah keduanya dirata-rata harusbernilai nol.

Asumsi 4: Homoskedastisitas, atau variabel pengganggu ememiliki variance yang sama sepanjangobservasi dari berbagai nilai X. Ini berarti dataY pada setiap X memiliki rentangan yangsama. Jika rentangannya tidak sama, makadisebut heteroskedastisitas

Asumsi 5: Tidak ada otokorelasi antara variabel e padasetiap nilai xi dan ji (No autocorrelationbetween the disturbance).

c. jelaskan mengapa tidak semua asumsiperlu lakukan pengujian!

Tidak semua uji asumsi klasik harus di lakukan pada analisis linier, seperti Pengujian Asumsi Multikolinearitas tidak harus di lakukan pada analisis regresi linier sederhana yang memiliki variable respond an predicator hanya satu.

d. Jelaskan apa yang dimaksud dengan autokorelasi!

Autokorelasi adalah keadaan dimana variabel gangguan pada periode tertentu berkorelasi dengan variabel gangguan pada periode lain. Sifat autokorelasi muncul bila terdapat korelasi antara data yang diteliti, baik itu data jenis runtut waktu (time series) ataupun data kerat silang (cross section).

e. Jelaskan kenapa autokorelasi timbul!

autokorelasi akan muncul apabila ada ketergantungan atau adanya kesalahan pengganggu yang secara otomatis mempengaruhi data berikutnya.

f. Bagaimana cara mendeteksi masalah autokorelasi?

Terdapat beberapa alat uji lain untuk mendeteksi autokorelasi seperti uji Breusch-Godfrey, Uji Run, Uji Statistik Q: Box-Pierce dan Ljung Box, dan lainlain, namun uji-uji tersebut tidak dibahas di sini, mengingat tulisan ini masih berlingkup atau bersifatpengantar.

g.      Apa konsekuensi dari adanya masalah autokorelasi dalam model?

1.     Estimator yang dihasilkan masih unbiased, konsisten, dan asymptotical normally distributed. Tetapi tidak lagi efisien->varians tidak minimum (tidak BLUE) 

2.     Estimasi standard error dan varian koefisien regresi yang didapat akan ‘underestimate’. 

3.     Pemerikasaan terhadap residualnya akan menemui permasalahan. 

h.      Jelaskan apa yang dimaksud dengan heteroskedastisitas ?

homoskedastis, artinya, varianceresidual harus memili variabel yang konstan, ataudengan kata lain, rentangan e kurang lebih sama. Karenajika variancenya tidak sama, model akan menghadapimasalah heteroskedastisitas. Heteroskedastisitas munculapabila kesalahan atau residual dari model yang diamatitidak memiliki varians yang konstan dari satu observasike observasi lainnya.

i.                    Jelaskan kenapa heteroskedastisitas timbul!

Heteroskedastisitas munculapabila kesalahan atau residual dari model yang diamatitidak memiliki varians yang konstan dari satu observasike observasi lainnya.

J . Bagaimana cara mendeteksi masalah heteroskedastisitas?

Untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilakukan dengan berbagai cara seperti uji grafik, uji Park, Uji Glejser, uji Spearman’s Rank Correlation, dan uji Whyte menggunakan Lagrange Multiplie

k. Apa konsekuensi dari adanya masalah heteroskedastisitas dalam model?

Analisis regresi menganggap kesalahan (error) bersifat homoskedastis, yaitu asumsi bahwa residu atau deviasi dari garis yang paling tepat muncul serta random sesuai dengan besarnya variabel-variabel independen

l. Jelaskan apa yang dimaksud dengan multikolinearitas ?

Multikolinieritas adalah suatu keadaan dimana terjadi korelasi linear yang ”perfect” atau eksak di antara variabel penjelas yang dimasukkan ke dalam model. Tingkat kekuatan hubungan antar variabel penjelas dapat ditrikotomikan lemah, tidak berkolinear, dan sempurna. Tingkat kolinear dikatakan lemah apabila masing-masing variabel penjelas hanya mempunyai sedikit sifat-sifat

yang sama.

m. Jelaskan kenapa multikolinearitas timbul!

Tingkat kekuatan hubungan antar variabel penjelas dapat ditrikotomikan lemah, tidak berkolinear, dan sempurna. Tingkat kolinear dikatakan lemah apabila masing – masing variabel penjelas hanya mempunyai sedikit sifat –sifat yang sama

n. Bagaimana cara mendeteksi masalah multikolinearitas?

Cara mendeteksi ada tidaknya multikolinieritas dengan menghitung nilai korelasi antar variabel dengan menggunakan Spearman’s Rh Correlation dapat dilakukan apabila data dengan skala ordinal.

o. Apa konsekuensi dari adanya masalah multikolinearitas dalam model?

Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan dalam suatu penelitian, karena apabila belum terbebas dari masalah multikolinearitas akan menyebabkan nilai koefisien regresi (b) masing-masing variabel bebas dan nilai standar error-nya (Sb) cenderung bias, dalam arti tidak dapat ditentukan kepastian nilainya, sehingga akan berpengaruh pula terhadap nilai t.

p. Jelaskan apa yang dimaksud dengan normalitas!

normalitas adalah untuk menguji apakah variabel penganggu (e) memiliki distribusi normal atau tidak. Pengujian normalitas data dapat dilakukan sebelum ataupun setelah tahapan analisis regresi. Hanya saja pengalaman menunjukkan bahwa pengujian normalitas yang dilakukan sebelum tahapan regresi lebih efisien dalam waktu.

q. Jelaskan kenapa normalitas timbul!

normalitas data dapat dilakukan sebelum ataupun setelah tahapan analisis regresi. Hanya saja pengalaman menunjukkan bahwa pengujian normalitas yang dilakukan sebelum tahapan regresi lebih efisien dalam waktu. Sangat beralasan kiranya, karena jika asumsi normalitas data telah dipenuhi terlebih dulu, maka dampak yang mungkin akan ditimbulkan dari adanya ketidaknormalan data seperti bias pada nilai t hitung dan nilai F hitung dapat dihindari.

r. Bagaimana cara mendeteksi masalah normalitas?

1. Mengidentifikasi dan, jika mungkin, menentukan alasan data tidak normal dan mengatasinya atau
2. Gunakan alat yang tidak memerlukan asumsi normalitas

s. Apa konsekuensi dari adanya masalah normalitas dalam model?

jika asumsi normalitas data telah dipenuhi terlebih dulu, maka dampak yang mungkin akanditimbulkan dari adanya ketidaknormalan data seperti bias pada nilai t hitung dan nilai F hitung dapat dihindari. Sebaliknya, bila dilakukan analisis regresi terlebih dulu, dimana nilai t dan F baru diketahui, yang kemudian baru ilakukan normalitas data, sedangkan ternyata hasilnya tidak normal maka analisis regresi harus diulang lagi

t. Bagaimana cara menangani jika data ternyata tidak normal?

Ketika data tidak terdistribusi normal , penyebab non - normalitas harus ditentukan dan tindakan perbaikan yang tepat harus diambil,

1. Mengidentifikasi dan, jika mungkin, menentukan alasan data tidak normal dan mengatasinya atau
2. Gunakan alat yang tidak memerlukan asumsi normalitas

Supawi Pawenang, 2017, EKONOMETRIKA , Fakultas Ekonomi, UNIBA Surakarta http://supawi-pawenang.blogspot.co.id/
https://uniba.ac.id/utama/