analisis uji asumsi klasik dengan eviews
Post on 14-Feb-2017
366 Views
Preview:
TRANSCRIPT
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
UJI ASUMSI KLASIK
Multikolinearitas
Multikolinearitas berarti adanya hubungan linear yang sempurna atau tepat, diantara
sebagian atau seluruh variabel penjelas dalam sebuah model regresi (Gujarati, Damodar N,
2010).
Keberadaan multikolinearitas dapat dilihat nilai R2 yang tinggi, tetapi variabel
independen banyak yang tidak signifikan, dengan menghitung koefisien korelasi antar variabel
independen. Apabila koefisiennya rendah, maka tidak terdapat multikolinearitas. Selanjutnya
dengan melakukan regresi auxiliary, yaitu untuk mengetahui hubungan antara dua (atau lebih)
variabel independen yang secara bersama-sama mempengaruhi satu variabel independen yang
lain. Jika nilai Fhitung > Fkritis pada α dan derajat kebebasan tertentu, maka model mengandung
unsur multikolinearitas. (Winarno : 2011)
Menghitung Koefisien Korelasi antar Variabel Independen
1. Bukalah file data sehingga anda berada pada tampilan seperti pada gambar berikut ;
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
2. Selanjutnya, klik QUICK – GROUP STATISTICS – CORRELATIONS sehingga akan muncul
tampilan berikut;
3. isikan variabel independent yang akan dihitung dengan menuliskan R I AK (pastikan ada
spasi diantara ketiga variabel tersebut) lalu kliklah OK, maka akan muncul tampilan berikut ;
Menurut Gujarati, multikolinearitas terjadi jika korelasi antar variabelnya lebih besar dari 0,80.
Berdasarkan koefisien matriks korelasi antara variabel bebas R, I, dan AK diatas tidak terjadi
hubungan linier antara variabel tersebut.
Regresi Auxiliary
1. Lakukan regresi utama dengan persamaan
Y = β0 + β1R +β2I+ β3AK + ∑i....................................(1)
2. Lakukan estimasi regresi untuk
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
a. R = β0 + β1I +β2AK.............................................(2)
b. I = β0 + β1R +β2 AK..........................................(3)
c. AK = β0 + β1R +β2 I...........................................(4)
Untuk persamaan (1) nilai R2 selanjutnya disebut R2 10
Untuk persamaan (2) nilai R2 selanjutnya disebut R2 11
Untuk persamaan (3) nilai R2 selanjutnya disebut R2 12
Untuk persamaan (4) nilai R2 selanjutnya disebut R2 13
Ketentuan :
Bila nilai R2 10 > R2
11 , R2
12, R2
13, maka model dikatakan tidak ada multikolinearitas
Bila nilai R2 10 < R2
11 , R2
12, R2
13, maka model ditemukan adanya multikolinearitas
3. Estimasi regresi utama (Persamaan Pertama), bukalah file data kemudian lakukan estimasi
dengan mengisikan Y C R I AK, seperti contoh berikut lalu klik OK.
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
4. Maka akan muncul hasil seperti berikut;
5. Selanjutnya lakukan estimasi untuk persamaan 2 sampai 4 dengan cara yang sama seperti
diatas
Hasil untuk persamaan dua
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
Hasil untuk persamaan tiga
Hasil untuk persamaan empat
Untuk persamaan (1) nilai R2 adalah sebesar 0,8277 selanjutnya disebut R2 10
Untuk persamaan (2) nilai R2 adalah sebesar 0,0554 selanjutnya disebut R2 11
Untuk persamaan (3) nilai R2 adalah sebesar 0,0718 selanjutnya disebut R2 12
Untuk persamaan (4) nilai R2 adalah sebesar 0,0636 selanjutnya disebut R2 13
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
Hasil estimasi menunjukkan nilai R2 10 > R2
11 , R2
12, R2
13 maka model dikatakan tidak ada
multikolinearitas
Mengatasi Masalah Multikolinearitas
a) Biarkan saja model mengandung multikolinearitas, karena estimatornya masih dapat
bersifat BLUE.
b) Tambahkan datanya bila memungkinkan. Apabila datanya tidak dapat ditambah,
teruskan dengan model yang sekarang digunakan.
c) Hilangkan salah satu variabel independen, terutama yang memiliki hubungan linier yang
kuat dengan variabel lain.
d) Transformasikan salah satu (atau beberapa) variabel, termasuk misalnya dengan
melakukan diferensi.
Transformasi Diferensi
1. Misal, diketahui hasil dari matriks korelasi terdapat masalah multikolinearitas seperti
gambar dibawah yakni variabel INDT.
2. Selanjutnya, keluar dari tampilan diatas, sehingga muncul atau kembali ke tampilan awal
seperti berikut ; lalu klik GENR
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
3. Maka akan muncul tampilan berikut, lalu isikan variabel independen yang akan
ditransformasi DINDT=D(INDT), seperti tampilan berikut;
4. Kemudian akan muncul variabel baru (DINDT) hasil dari transformasi, variabel baru ini
yang akan kita gunakan untuk uji multikol, lihat tampilan berikut ;
5. Selanjutnya lakukan estimasi seperti biasanya dengan menggunakan variabel baru
(DINDT), lihat tampilan hasilnya data sudah terbebas dari gejala multikolinearitas,
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
HETEROSKEDASTISITAS
Heterokedastisitas adalah suatu penyimpangan asumsi OLS dalam bentuk varians
gangguan estimasi yang dihasilkan oleh estimasi OLS tidak bernilai konstan (Yuwono : 2005).
Akibat dari adanya heteroskedastisitas pada hasil regresi, adalah sebagai berikut :
a) varians tidak lagi minimum
b) pengujian dari koefisien regresi menjadi kurang kuat
c) koefisien penaksir menjadi bias
d) kesimpulan yang diambil menjadi salah
Tujuan dari dilakukannya uji heteroskedastisitas adalah untuk menguji apakah dalam
sebuah model regresi terjadi perbedaan varian dari residual variabel independen yang
diketahui. Apabila varian dari residual variabel independen yang diketahui bergerak konstan,
maka disebut sebagai homoskedastisitas. Tetapi apabila varian dari residual independen yang
diketahui membentuk suatu pola tertentu, maka disebut sebagai heteroskedastisitas.
Ada beberapa metode untuk mengidentifikasi ada tidaknya masalah heteroskedastisitas
yaitu, Metode grafik, Uji Park, Uji Glejser, Uji Korelasi Spearman, Uji Goldfeld – Quandt, Uji
Bruesch-Pagan-Godfrey, dan Uji White (Winarno, 2011).
Uji Park
1. Pada tampilan utama data buatlah variabel baru (misalnya res2) yang akan diisi dengan
rumus resid^2. Caranya klik GENR maka akan muncul tampilan berikut, lalu isikan
res2=resid^2 seperti contoh berikut;
2. Maka akan muncul variabel baru dengan nama res2
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
3. Selanjutnya gunakanlah variabel baru tersebut dengan melakukan estimasi regresi dengan
cara klik ESTIMATE EQUATION lalu isikan res2 c pdrb pddk dindt, seperti tampak pada
tampilan berikut ;
4. Kliklah OK maka hasilnya tampak seperti tampilan berikut ; dari hasil tersebut diketahui bahwa
beberapa koefisien parameter variabel independen bersifat signifikan (lihat uji t maupun
probabilitasnya), sehingga dapat disimpulkan adanya heteroskedastisitas.
Uji White
Uji white menggunakan residual kuadrat sebagai variabel dependen, dan variabel independennya terdiri
atas variabel independen yang sudah ada, ditambah dengan kuadrat variabel independen, ditambah lagi
dengan perkalian dua variabel independen. Pendeteksian ada atau tidaknya heterokedastisitas dengan
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
melakukan uji white baik cross terms maupun no cross terms. Apabila nilai probability Obs*R Squared >
dari nilai signifikansi α = 5 % maka dapat disimpulkan model diatas tidak terdapat heterokedastisitas.
Apabila nilai probability Obs*R Squared < dari nilai signifikansi α = 5 % maka dapat disimpulkan model
terdapat heteroskedastisitas.
1. Pada tampilan menu regresi utama klik VIEW – RESIDUAL DIAGNOSTIC – HETEROSKEDASTICITY
2. Selanjutnya pilih metode white seperti tampilan berikut ;
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
3. Maka akan tampil hasilnya seperti berikut ;
4. Dari hasil uji white diatas, dapat disimpulkan bahwa data tersebut tidak terdapat
heteroskedastisitas. Dimana nilai probability Obs*R Squared > dari nilai signifikansi α = 5 %
(0,05).
5. Untuk uji dengan metode lainnya seperti Uji Breusch Pagan Godfrey, Uji Harvey, Uji Glejser
sama seperti uji white, hanya mengganti metode ujinya.
Mengatasi Masalah Heteroskedastisitas
1. Dengan metode WLS (Weighted Least Square) atau kuadrat kecil tertimbang. Metode ini
dapat digunakan apabila standar deviasi diketahui.
2. Dengan metode white. Metode ini digunakan apabila besarnya standar deviasi tidak
diketahui.
3. Metode transformasi. Langkah-langkahnya kurang lebih sama seperti transformasi untuk
mengatasi masalah Multikolinearitas.
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
Langkah-langkah mengatasi heteroskedastisitas dengan Metode White
1. Bukalah file data dan klik menu QUICK – ESTIMATE EQUATION, lalu isikan Y C I R AK pada
kolom persamaan.
2. Selanjutnya klik OPTIONS, lalu pada tampilan yang muncul klik pilihan COEFICIENT
COVARIANCE MATRIX pilih WHITE, seperti tampilan berikut;
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
AUTOKORELASI
Autokorelasi menunjukkan hubungan antara residual satu observasi dengan residual observasi
lainnya (Winarno, 2011). Cara untuk memeriksa ada tidaknya autokorelasi dengan Uji Durbin-
Watson dan Uji Breusch-Godfrey (Uji Lagrange Multiplier).
Uji Durbin-Watson
Analisis deteksi adanya autokorelasi dapat dilihat melalui nilai D-W (Durbin-Watson) dengan
pedoman :
1) Angka D-W dibawah -2 berarti ada autokorelasi positif.
2) Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi.
3) Angka D-W diatas +2 berarti ada autokorelasi negatif.
1. Bukalah file dan lakukan regresi OLS dengan menu QUICK – ESTIMATE EQUATION…, lalu isikan
model Y C I AK, klik OK. Maka akan tampil layar seperti berikut;
2. Nilai Durbin-Watson Statistic adalah 1,957. Nilai tersebut terletak antara -2 sampai 2+ sehingga
dikatakan tidak ada autokorelasi.
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
UJI BREUSCH-GODFREY
1. Bukalah file dan jalankan regresi OLS masukkan persamaan Y C I AK, sehingga akan tampil seperti
berikut;
2. Selanjutnya, klik VIEW – RESIDUAL DIAGNOSTIC – SERIAL CORELATION LM TEST, seperti tampilan
berikut;
Dipersembahkan oleh Opissen Yudisyus, Info Olah data Pin BB 53664CC4, WA 0856 2704 800, E-mail opissen@gmail.com | Sjeruc
3. Sehingga akan tampil layar seperti tampak berikut; biarkan saja angka diferensi yang ada.
4. Klik OK dan akan muncul tampilan seperti berikut;
5. Hasil diatas menunjukkan nilai Obs*R-squared atau bisa dilihat nilai probabilitinya yakni Prob Chi-
Square nya adalah 0,8753. Nilai ini lebih besar dari 5% (0,05), sehingga mengindikasikan bahwa data
tidak mengandung masalah autokorelasi.
Mengatasi Autokorelasi
1. Metode diferensi tingkat pertama. Langkah-langkahnya seperti melakukan transformasi pada uji
sebelumnya (lihat uji multikolinearitas).
top related