Uji Perkiraan Klasik: Analisis Regresi Linier Berganda

Uji perkiraan klasik ialah uji-uji yang harus dipenuhi dalam analisis regresi berganda yang berdasarkan pada Ordinary Least Square (OLS). Analisis regresi yang tidak berdasarkan pada OLS, contohnya regresi ordinal, regresi logistik, regresi dummy tidak memerlukan analisis uji asimsi klasik. 

Uji perkiraan klasik tidak perlu dilakukan untuk seluruh uji regresi linier. Sebagai contoh, uji multikolinearitas tidak perlu dilakukan untuk uji regresi linier sederhana. Anda juga tidak perlu melaksanakan uji autokorelasi untuk data cross section. Uji perkiraan klasik tidak perlu dilakukan untuk menghitung return saham yang memakai market model, atau market adjusted model. 

Anda bisa lihat pola soal dan pembahasan regresi linier berganda OLS disini: Contoh Soal Regresi Linier Berganda dan Pembahasan - Bagian I. Contoh Soal Regresi Linier Berganda dan Pembahasan - Bagian II. Uji regresi tersebut membutuhkan seluruh uji perkiraan klasik. 

Uji perkiraan klasik yang umum dipakai dalam dunia statistik adalah: Uji normalitas, uji multikolinearitas, uji autokorelasi, uji heteroskedastisitas. Mengenai keempat uji tersebut tidak ada urutan yang baku yang mana dulu yang harus dijalankan. 

1. Uji Normalitas

Uji normalitas bertujuan untuk mengetahui distribusi normal dari variabel terikat (dependen) dan variabel bebas (independen) dalam model regresi. 

Model regresi yang baik ialah model yang mempunyai distribusi data yang normal atau mendekati normal. Untuk mengetahui signifikansi data yang terdistribusi normal, maka uji normalitas dilakukan menggunakan uji Kolmogorov Smirnov (K-S).

Selain Selain memakai uji Kolmogorov Smirnov (K-S), ada pula uji komplemen yang sanggup dilakukan untuk uji normalitas, yaitu memakai HISTOGRAM dan NORMAL PROBABILITY PLOT. Cara membacanya, apabila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi perkiraan normalitas.

Sebaliknya, data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi perkiraan  normalitas. Tetapi yang perlu anda ingat,  Dalam melaksanakan uji normalitas, uji utama yang harus dilakukan ialah uji Kolmogorov Smirnov. 

Hal ini dikarenakan uji Kolmogorov Smirnov bersifat objektif (ketentuan pengujiannya memakai angka yang sudah pasti). Sedangkan uji Histogram dan Normal Probability Plot hanyalah sebagai uji komplemen dalam uji normalitas, alasannya ialah pengujian memakai Histogram dan Normal Probability Plot sifatnya subjektif. Dikatakan subjektif alasannya ialah evaluasi memakai Histogram dan Normal Probability Plot sanggup mengakibatkan bias.

Contoh uji normalitas memakai uji Kolmogorov Smornov dan Histogram dan analisisnya bisa anda lihat disini: Uji Normalitas, Analisis dan Interpretasi. 

2. Uji Multikolinearitas

Uji multikolinearitas dipakai untuk mengetahui ada tidaknya keterkaitan atau hubungan yang erat antar variabel independen dalam model regresi. Dalam pengertian statistik, dikatakan model regresi yang baik jikalau tidak ada hubungan yang tinggi di antara variabel-variabel independennya. 

Sebagai contoh, jikalau anda ingin meneliti dengan variabel dependen (Y) Tingkat Penjualan, dan variabel independen (X) ialah Biaya Produksi, Biaya Distribusi dan Biaya Promosi. Maka antaraa biaya produksi dengan biaya distribusi harusnya tidak mempunyai hubungan yang tinggi. 

Demikian juga dengan variabel independen lainnya. Jika terdapat korelasi, maka hal ini sanggup menciptakan hubungan variabel bebas dengan terikat menjadi terganggu. Setiap variabel independen harus benar2 independen dan bisa bangun sendiri. Untuk melihat ada tidaknya multikolinearitas, maka dalam software SPSS sanggup dilihat memakai Variance Inflation Factor dan Tolerance.

Jika dalam suatu uji, ternyata terbukti ada multikolinearitas, maka solusinya adalah:

1. Variabel independen yang mengakibatkan terjadinya multikolinearitas dikeluarkan dari model, kemudian pembuatan model regresi diulang kembali. 

2. Menambah variabel independen

3. Melakukan transformasi data, contohnya dalam bentuk logaritma natural

Contoh uji multikolinearitas bisa anda pelajari disini: Uji Multikolinearitas dan Analisis Interpretasi. 

3. Uji Autokorelasi

Pengujian autokorelasi bertujuan untuk mengetahui ada tidaknya kesalahan pengganggu pada perioda t dengan kesalahan pengganggu pada perioda t - 1 (sebelumnya). Autokorelasi sanggup terjadi apabila penyimpangan terhadap suatu observasi dipengaruhi oleh penyimpangan observasi yang lain atau terjadi hubungan diantara kelompok observasi berdasarkan waktu dan tempat. 

Untuk melaksanakan uji autokorelasi, data umumnya harus time series. Model regresi yang baik seharusnya tidak terjadi autokorelasi. Uji autokorelasi sanggup dilakukan memakai uji Durbin Watson (DW).

Autokorelasi pada sebagian besar kasus ditemukan pada regresi yang datanya ialah time series, atau berdasarkan waktu berkala,seperti bulanan, tahunan dan seterusnya. Oleh alasannya ialah itu, ciri khusus uji autokorelasi ialah waktu. Berikut pola soal dan analisis autokoreasi: Uji Autokorelasi dan Analisisnya. 

4. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam uji regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan. Apabila terjadi tanda-tanda heteroskedastisitas dalam model, maka hal ini akan mengkibatkan varians koefisien regresi menjadi minimun, sehingga uji signifikansi statistik menjadi tidak valid. 

Heteroskedastisitas terjadi apabila variasi reisdual regresi (U_t) tidak konstan atau berubah-ubah secara sistematik seiring dengan berubahnya nilai variabel independen. Konsekuensi dari adanya heteroskedastisitas ialah analisis regresi sanggup menghasilkan estimator yang bias untuk nilai variasi U_t. Akibatnya, uji t, uji F dan estimasi nilai variabel dependen menjadi tidak valid.

Sebagai contoh, orang kaya akan bervariasi dalam membelanjakan uangnya, sedangkan orang yang kebutuhan pas-pasan hanya bisa sedikit bervariasi dalam berbelanja. Orang kaya sanggup saja belanja banyak sekali macam barang dan jasa dari yang murah hingga yang mahal, tetapi orang yang berkebutuhan pas-pasan, alasannya ialah keterbatasan dana, ia hanya belanja barang atau jasa yang penting dan barang kebutuhan pokok saja. 

Jika keduanya digabung dalam satu data, maka niscaya prediksi model menjadi bias. Hal ini mengatakan varians yang tidak sama antara kedua golongan tersebut, yang berarti timbul problem heteroskedastisitas.

Cara melihat ada tidaknya heteroskedastisitas sanggup dilakukan memakai beberapa uji, diantaranya ialah Uji Glejser (Glejser Test), Uji Spearman, Uji Park dan uji komplemen berupa Scatter Plot.

Sama menyerupai uji normalitas, pada uji heteroskedastisitas uji utama yang harus dilakukan ialah pengujian dengan memakai Uji Glejser. Hal ini dikarenakan uji-uji tersebut bersifat objektif (ketentuan pengujiannya memakai angka yang sudah pasti). Sedangkan uji scatter plot hanya dipakai sebagai uji tambahan.

Contoh soal uji heteroskedastisitas dan analisisnya bisa anda pelajari disini: Contoh Kasus Uji Heteroskedastisitas, Analisis dan Interpretasi. 

Sumber http://bahasekonomi.blogspot.com

Berlangganan Informasi Terbaru: