STATISTIK II Pertemuan 12-13: Asumsi Analisis Regresi Dosen Pengampu MK: Evellin Lusiana, S.Si, M.Si

Materi Asumsi Normalitas Asumsi Non-multikolinearitas Asumsi Non-heteroskedastisitas Asumsi Non-autokorelasi

Asumsi Normalitas Residual model berdistribusi normal Uji yang digunakan Uji Kolmogorov-Smirnov Hipotesis Ho : residual berdistribusi normal H1 : residual tidak berdistribusi normal

Asumsi Non-multikolinearitas Tidak Terdapat hubungan linier di antara variabel independen (Variabel independen tidak berkorelasi) Kriteria pengujian Rule of thumb yang biasa digunakan sebagai acuan adalah jika ada VIF>10, maka terdeteksi adanya multikolinieritas.

Asumsi Non-Heteroskedastisitas Ragam residual konstan atau variabel independen tidak mempengaruhi residual Uji yang digunakan adalah uji Glejser  │e│ Hipotesis Ho : ragam residual konstan (Var. independen tidak mempengaruhi residual) H1 : ragam residual tidak konstan (Min. Ada satu var. independen yg mempengaruhi residual) Model uji glejser

Uji Non-autokorelasi Tidak ada korelasi antar pengamatan dan residual Uji yang digunakan adalah uji Durbin Watson Hipotesis Ho : tidak terdapat autokorelasi H1 : terdapat autokorelais Kriteria uji

Contoh Tabel berikut menunjukkan nilai tabungan / Y (juta per bulan), pendapatan / X1 (juta per bulan) dan kekayaan/X2 (juta). Rumah Tangga Y X1 X2 1 0.50 2.00 20 2 0.65 2.25 25 3 0.60 2.60 30 4 0.90 2.85 40 5 0.80 3.10 6 1.00 3.20 7 1.20 3.70 8 1.30 4.10 55 9 1.10 4.20 32 10 1.60 4.50 76 Lakukan uji asumsi Normalitas Non-multikolinearitas Non-heteroskedastisitas Non-autokorelasi

*) Persiapan uji asumsi analisis regresi Estimasi model regresi berganda Pilih Statistics, centang Collinearity diagnostics dan Durbin-Watson. Continue

Lalu pilih Save, centang Unstandardized residual. Continue. OK

Output yang dihasilkan sbb Dan dalam data view akan muncul variabel baru yaitu RES_1

1. Uji Normalitas  Uji Kolmogorov-Smirnov Pilih Nonparametric testlegacy dialogs  1 Sample K-S Masukkan variabel Unstandardized Residual (RES_1) pada Dependent List. Lalu pilih Test distribution ‘Normal’

Output yang diperoleh sbb UJI KOLMOGOROV-SMIRNOV Ho : residual berdistribusi normal H1 : residual tidak berdistribusi normal Kriteria keputusan: Ho ditolak jika p-value < α=0.05 Keputusan : P-value = 0.989 p-value > α=0.05, sehingga Terima Ho Kesimpulan: Residual berdistribusi normal (asumsi normalitas terpenuhi)

2. Uji Non-Multikolinearitas Perhatikan hasil uji analisis regresi berganda pada bagian persiapan uji asumsi. Pilih Tabel Coefficients VIF X1 = 2.584 < 10 VIF X2 = 2.584 < 10 Karena semua nilai VIF kurang dari 10 maka asumsi non-multikolinearitas terpenuhi

3. Uji Non-heteroskedastisitas Buat variabel │e│ atau nilai mutlak/absolut residual Pilih transformcompute variable. Pada Target variable masukkan nama ‘abs_resid’ . Lalu pada Function group pilih All. Klik 2x pada ‘Abs’. Ganti tanda ‘?’ dengan var ‘RES_1’. OK.

Maka akan muncul variabel abs_resid pada Data view. Lalu lakukan analisis regresi berganda, dengan memasukkan abs_resid pada Dependent. OK.

Output yang diperoleh (lihat pada tabel ANOVA) UJI GLEJSER Ho : ragam residual konstan (X1 dan X2 tidak mempengaruhi residual) H1 : ragam residual tidak konstan (min. ada satu antara X1 dan X2 yang mempengaruhi residual) Kriteria keputusan: Ho ditolak jika p-value (F) < α=0.05 Keputusan : P-value = 0.789  p-value > α=0.05, sehingga Ho diterima Kesimpulan: ragam residual konstan (asumsi non-heteroskedastisitas terpenuhi)

4. Uji Non-autokorelasi  Uji Durbin-Watson Perhatikan hasil uji analisis regresi berganda pada bagian persiapan uji asumsi. Pilih Tabel Model Summary Diketahui nilai statistik uji Durbin-Watson (d) = 2.439

Uji Durbin-Watson Ho : tidak terdapat autokorelasi H1 : terdapat autokorelasi Kriteria keputusan: 0.6972 1.6413 2.3587 3.3028 d=2.439 n=10 k=2 dL=0.6972; dU=1.6413 4-dL=3.3028; 4-dU=2.3587 Keputusan : 2.3587<d<3.3028  Inconclusive Kesimpulan: hasil uji durbin-watson tidak dapat memberikan hasil yang akurat

TUGAS KELOMPOK Gunakan data dari tugas kelompok sebelumnya Lakukan uji asumsi normalitas, non-multikolinearitas, non-heteroskedastisitas dan non-autokorelasi