UJI ASUMSI KLASIK

1. UJI NORMALITAS Bertujuan untuk menguji apakah dalam model regresi , variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik harus memenuhi asumsi bahwa residual data terdistribusi normal.

Analisis Grafik Salah satu cara termudah untuk melihat normalitas dari residual data adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan data distribusi. Cara menguji normalitas residual dengan analisis grafik lewat SPSS dapat dilakukan dengan langkah: 1. Lakukan regresi. 2. Klik plots. 3. Aktifkan standardized residual plots: Histogram dan Normal probability plots 4. Tekan continue dan OK.

Dasar pengambilan keputusan berdasarkan output SPSS: Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. Jika data menyebar jauh dari diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.

b. Analisis Statistik Uji normalitas dengan grafik dapat menyesatkan, kalau tidak hati-hati secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Uji normalitas dengan statistik ini dapat dilakukan dengan Kolmogorov-Smirnov Test. Cara analisis: Pilih analyze, Non-parametric Test. Pilih 1-Sample K-S: isikan unstandardize residual Aktifkan Test Distribution: Normal, OK.

Cara deteksi: Jika signifikansi Kolmogorov- Smirnov Test lebih besar dari 0,05 maka residual data terdistribusi normal. Sebaliknya jika signifikansi Kolmogorov- Smirnov Test lebih kecil dari 0,05 maka residual data tidak terdistribusi normal.

2. MULTIKOLINEARITAS Bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen. Untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut:

a. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen. b. Menganalisis matrik korelasi variabel- variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya diatas 0,90), maka hal ini merupakan indikasi adanya multikolinearitas.

c. Multikolinearitas dapat juga dilihat dari: 1. nilai tolerance dan 2 c. Multikolinearitas dapat juga dilihat dari: 1. nilai tolerance dan 2. variance inflation factor (VIF). Jika nilai tolerance kurang dari 1 dan nilai VIF kurang dari 10, maka model regresi terbebas dari asumsi multikolinearitas. Langkah analisis: Buka file yang akan diuji Lakukan pengujian regresi linier. Pilih statistics: aktifkan covariance matrix dan collinearity diagnostics. Continue, OK.

3. UJI AUTOKORELASI Bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1. Model regresi yang baik harus bebas dari asumsi autokorelasi.

Cara untuk mendeteksi ada atau tidaknya autokorelasi: Uji Durbin-Watson test Hanya digunakan untuk autokorelasi tingkat satu dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag diantara variabel independen. Langkah analisis: 1. Lakukan regresi linier 2. Tekan statistics: aktifkan Durbin Watson.

b. Run test Langkah analisis: 1 b. Run test Langkah analisis: 1. Pilih analyze, Non-parametric Test, Runs. 2. Pada test variable list: isikan Unstandardize Residual. 3. Cut point: median, OK. Cara deteksi: Jika sig. > 0,05 maka model regresi tidak mengandung autokorelasi.

4. UJI HETEROSKEDASTISITAS Bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.

Cara mendeteksi: Metode Grafik Langkah analisis: 1. Lakukan regresi linier 2. Tekan plots: masukkan SRESID pada Y dan ZPRED pada X, Continue, OK. Cara deteksi: Jika titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik- titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

b. Uji Glejser Caranya adalah dengan meregresi nilai absolut residual terhadap variabel independen (Gujarati, 2003). Deteksi ada atau tidaknya heteroskedastisitas adalah: jika variabel independen signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadi heteroskedastisitas.

CARA MENGOBATI JIKA ADA ASUMSI KLASIK Lakukan transformasi variabel. Lakukan deteksi data outlier dengan Z score atau dengan casewise diagnostics dalam regresi.