Download - UJI ASUMSI KLASIK
UJI ASUMSI KLASIK
NETTA GRACE SAMOSIRMARCIA MARTHA
NOFALY
NORMALITAS
Biasa disebut Uji Normalitas Residual. Bertujuan untuk menguji apakah dalam model regresi, data residual berdistibusi normal atau
tidak.
2 cara pengujian : 1. Metode Grafik -> Normal Probability Plot2. Metode Non Grafik -> Kolmogorov-Smirnov
CONTOH
GRAFIK
HASIL
Acuan :Distribusi normal akan membentuk garis diagonal & titik-titik dot akan menyebar di sekitar garis diagonal tersebut.
Hasil :Pada gambar terlihat titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini menunjukkan bahwa model regresi MEMENUHI ASUMSI NORMALITAS
NON GRAFIK
Acuan : Apabila Asymp. Sig (2-tailed) dari uji Kolmogorov-Smirnov bernilai di atas atau sama dengan 0,05 maka, data berdistribusi normal dan sebaliknya.
Hasil Pengujian : Dari uji Kolmogorov-Smirnov pada gambar diatas, menunjukkan bahwa data terdistribusi normal, dengan nilai Asymp. Sig (2-tailed) 0,602 lebih besar sama dengan 0,05
MULTIKOLINEARITAS
Untuk menguji apakah dalam suatu model regresi terjadi korelasi yang tinggi atau tidak antar
variabel independen
Acuan penentu ada tidaknya MULTIKOLINEARITAS : 1. TIDAK TERJADI MULTIKOLINEARITAS
Tolerance > 0,1 ; VIF < 10
2. TERJADI MULTIKOLINEARITASTolerance < 0,1 ; VIF > 10 Tolerance =
1/VIF
CONTOH
HASIL
Dividend Payout Ratio Tolerance (0.817) > 0,1VIF (1.223) < 10
Return on EquityTolerance (0.860) > 0,1VIF (1.163) < 10
Debt to Equity RatioTolerance (0.935) > 0,1VIF (1.070) < 10
Tidak terjadi Multikolinearitas
Tidak terjadi Multikolinearitas
Tidak terjadi Multikolinearitas
Kesimpulan : TIDAK TERJADI MULTIKOLINEARITAS. Sehingga data Dividend Payout Ratio, Return on Equity, dan Debt to Equity Ratio baik digunakan dalam model regresi
Ingat!!! Apabila terdapat 1 saja data yang terjadi multikolinearitas, berarti terdapat korelasi antar variabel. Lebih baik variabel tersebut diganti atau dibuang saja.
HETEROSKEDASTISITAS
Digunakan untuk menguji apakah dalam suatu model regresi terdapat kesamaan atau
ketidaksamaan varians antara pengamatan yang satu dengan yang lainnya
2 cara pengujian :• GRAFIK -> Scatterplot• NON GRAFIK
METODE NON GRAFIK
• UJI GLEJSER• UJI PARK• METODE KORELASI SPEARMAN• METODE GOLDFELT QUANDT• METODE WHITE HETEROSCEDASTICITY
GRAFIK
Acuan :Titik-titik menyebar & tidak membentuk pola tertentu Hasil :Pada gambar terlihat titik-titik menyebar & tidak membentuk pola tertentu, maka tidak terjadi heteroskedastisitas sehingga data baik digunakan dalam model regresi.
NON GRAFIK -> UJI GLEJSER
Acuan :
• Jika nilai signifikansi lebih besar dari 0,05, kesimpulannya adalah tidak terjadi heteroskedastisitas.
• Jika nilai nilai signifikansi lebih kecil dari 0,05, kesimpulannya adalah terjadi heteroskedastisitas.
Hasil
Motivasi (X1) Sig = 0,004 < 0,05Artinya, terjadi heteroskedastisitas pada variabel Motivasi (X1)
Minat (X2) Sig = 0,009 < 0,05Artinya, terjadi heteroskedastisitas pada variabel Minat (X2)
AUTOKOLERASI
Dapat dilakukan dengan uji durbin watson. Uji durbin watson digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel bebas.
CONTOH
Hipotesis:Ho : tidak ada autokorelasiHa : ada autokorelasi
Keputusan:
CONTOH
Nilai DW sebesar 2,061, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5%, jumlah sampel 100 dan jumlah variabel bebas 4.
Oleh karena nilai DW 2,061 lebih besar daripada batas atas (du) 1,76 maka dapat disimpulkan tidak terdapat autokorelasi pada model regresi.
Tabel durbin watson
Thank You
Any Question?????