UJI ASUMSI KLASIK

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS).

Jadi analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau regresi ordinal.

Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak dapat dipergunakan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional, atau uji normalitas tidak perlu dilakukan pada penelitian sensus (semua anggota populasi dipergunakan sebagai sampel penelitian).

Model regresi yang diperoleh dari metoda kuadrat terkecil biasa (Ordinary Least Squares/OLS) merupakan model regresi yang menghasilkan estimator linear tidak bias yang terbaik (Best Linear Unbias Estimator /BLUE). Hal tersebut dipenuhi dengan beberapa asumsi klasik sebagai berikut:•Non Multikolinearitas, yang artinya antara Independent Variable yang satu dengan Independent Variable yang lain tidak saling berhubungan secara sempurna.•Homoskedastisitas, yang artinya varians Independent Variable adalah konstan untuk setiap nilai tertentu.•Non autokorelasi, yang artinya tidak terdapat pengaruh dari variabel dalam model melalui tenggang waktu (time lag).•Nilai rata-rata kesalahan (error) populasi pada model stokastiknya sama dengan nol.•Independent Variable adalah non stokastik (nilainya konstan pada setiap kali percobaan yang dilakukan secara berulang).•Distribusi kesalahan (error) adalah normal.

Penyimpangan asumsi klasik pada nonmultikolinearitas, homoskedastisitas dan non autokorelasi sangat berpengaruh terhadap pola perubahan Dependent Variable, sedangkan penyimpangan asumsi klasik yang lain pengaruhnya hanya sedikit atau bahkan tidak berpengaruh terhadap pola perubahan Independent Variable.

Uji Asumsi Klasik Meliputi:

1. Uji multikolinearitas 2. Uji heteroskedastisitas3. Uji normalitas4. Uji autokorelasi

Uji Multikolinearitas

Multikolinieritas adalah suatu kondisi dimana terjadi korelasi yang kuat diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan model regresi linier.

Model regresi yang baik seharusnya tidak terdapat korelasi diantara variabel bebasnya.

Ciri-ciri yang sering ditemui apabila model regresi linier kita mengalami multikolinieritas adalah:

1. Terjadi perubahan yang berarti pada koefisien model regresi (misal nilainya menjadi lebih besar atau kecil) apabila dilakukan penambahan atau pengeluaran sebuah variabel bebas dari model regresi.

2. Diperoleh nilai R-square yang besar, sedangkan koefisien regresi tidak signifikan pada uji parsial.

3. Tanda (+ atau -) pada koefisien model regresi berlawanan dengan yang disebutkan dalam teori (atau logika). Misal, pada teori (atau logika) seharusnya b1 bertanda (+), namun yang diperoleh justru bertanda (-).

4. Nilai standard error untuk koefisien regresi menjadi lebih besar dari yang sebenarnya (overestimated)

Untuk mendeteksi apakah model regresi kita mengalami multikolinieritas, dapat diperiksa menggunakan (Ghozali, 2001):1. VIF (Variance Inflation Factor).Jika nilai VIF ≤ 10 maka tidak terjadi multikolinearitas. Nilai VIF > 10 berarti telah terjadi multikolinieritas2. Eigenvalues dan Condition Index (CI).3. Nilai R2 sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel-variabel dependen .4. Menentukan koefisien korelasi antara Independent Variable yang satu dengan Independent Variable yang lain. Jika antara dua Independent Variable memiliki korelasi yang cukup tinggi (umumnya di atas 0,09) maka di dalam model regresi terdapat multikoleniaritas.

Pengujian dengan VIF

1. Dari menu utama SPSS, pilih menu Analyze kemudian submenu Regression, lalu pilih linear…2. Akan tampil di layar kotak dialog Linear RegressionPengisian:3. Dependent atau variabel tergantung. Variabel tergantung adalah Harga Saham (Y). Maka klik variabel Harga Saham (Y), kemudian klik tanda ,maka variabel Harga Saham (Y) berpindah ke Dependent.4. Independent (s) atau variabel bebas. Dalam hal ini variabel bebas (predictor) adalah DPS. Maka klik variabel DPS, kemudian klik tanda , maka variabel DPS berpindah ke Independent. Demikian juga untuk variabel EPS.5. Case Labels atau keterangan pada Latihan. Bisa diabaikan.6. Method pilih Enter.7. Tekan tombol Statistics…….. hingga tampak dilayar sebagai berikut:

Pengisian:8. Nonaktifkan pilihan Estimates dan Model Fit.9. Aktifkan pilihan Covariance matrix dan Collinierity diagnotics.10. Abaikan bagian lain dan tekan tombol Continue untuk kembali kekotak dialog utama.Abaikan bagian lain dan tekan OK.

Uji heteroskedastisitas

Uji heteroskedaktisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain.

Model yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedaktisitas.

Ada beberapa cara untuk mendeteksi gejala heteroskedastisitas yaitu dengan :

1.Uji White2.Melihat Grafik Plot3.Uji Park4.Uji Gletser

Uji Autokorelasi

Autokorelasi berarti terjadi korelasi antara anggota sampel yang diurutkan berdasarkan waktu. Penyimpangan ini biasanya muncul pada observasi yang menggunakan data time series.

Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi.

Konsekuensinya varians sampel tidak dapat menggambarkan varians populasinya. Model regresinya tidak dapat untuk menaksir nilai variabel dependen pada nilai variabel independen tertentu.

Untuk mendeteksi ada atau tidaknya autokorelasi dapat dilakukan dengan:Uji Durbin-Watson (D-W)Apabila nilai D-W berada di sekitar angka 2, berarti model regresi kita aman dari kondisi autokorelasi

Pengujian •Dari menu utama SPSS, pilih menu Analyze kemudian submenu Regression, lalu pilih linear…•Akan tampil di layar kotak dialog Linear Regression. (pengisian tetap sama saat pembuatan model sebelumnya).Pengisian:• Dependent atau variabel tergantung. Variabel tergantung

adalah Harga Saham (Y). Maka klik variabel Harga Saham (Y), kemudian klik tanda ,maka variabel Harga Saham (Y) berpindah ke Dependent.

• Independent (s) atau variabel bebas. Dalam hal ini variabel bebas (predictor) adalah DPS. Maka klik variabel DPS, kemudian klik tanda , maka variabel DPS berpindah ke Independent. Demikian juga untuk variabel EPS.

• Case Labels atau keterangan pada Latihan. Bisa diabaikan.

• Method pilih Enter.• Pilih kolom Statistics……, maka akan tampak dilayar

seperti dibawah ini

Pengisian:•Aktifkan pilihan Durbin-Watson pada bagian Residuals.•Abaikan bagian lain dan tekan tombol Continue untuk kembali kekotak dialog utama.•Abaikan bagian lain dan tekan OK.

Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, Dependent Variable, Independent Variable atau keduanya mempunyai distribusi normal ataukah tidak.

Model regresi yang baik adalah distribusi data normal atau mendekati normal.

Deteksi normalitas dapat dilakukan dengan:

• Uji Kolmogorov-Smirnov (K-S)• Analisis Grafik• Analisis StatistikDengan melihat nilai kurtosis dan skewness

Langkah Analisis1. Dari menu utama SPSS pilih menu Analyze, lalu

pilih Non –parametrik Test2. Kemudian pilih submenu 1-sample K-S, dilayar

akan tampak tampilan windows One-sample Kolmogorov-Smirnov test

3. Pada kotak test variable list, isikan ……., dan aktifkan test Distribution pada kotak Normal

4. Pilih Ok