Model regresi linier berganda (multiple regression) dapat disebut sebagai model yang baik jika model tersebut memenuhi Kriteria BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai bila memenuhi Asumsi Klasik. Sedikitnya terdapat lima uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut, yaitu :
a.  Uji Normalitas
b.  Uji Autokorelasi,
c.  Uji Multikolinieritas
d.  Uji Heteroskedastisitas
e.  Uji Linieritas
Apa Uji Normalitas itu?
Cara yang sering digunakan dalam menentukan apakah suatu model berdistribusi normal atau tidak hanya dengan melihat pada histogram residual apakah memiliki bentuk seperti “lonceng” atau tidak. Cara ini menjadi fatal karena pengambilan keputusan data berdistribusi normal atau tidak hanya berpatok pada pengamatan gambar saja. Ada cara lain untuk menentukan data berdistribusi normal atau tidak dengan menggunakan rasio skewness dan rasio kurtosis.
Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau tidak. Rasio skewness adalah nilai skewnes dibagi dengan standard error skewness; sedang rasio kurtosis adalah nilai kurtosis dibagi dengan standard error kurtosis. Sebagai pedoman, bila rasio kurtosis dan skewness berada di antara –2 hingga +2, maka distribusi data adalah normal (Santoso, 2000: 53).
 
Apa Uji Autokorelasi itu?
Ada beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi. Pertama, Uji Durbin-Watson(DW Test). Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept dalam model regresi dan tidak ada variabel lag di antara variabel penjelas. Hipotesis yang diuji adalah:
Ho: p = 0 (baca: hipotesis nolnya adalah tidak ada autokorelasi)
Ha: p ≠ 0 (baca: hipotesis alternatifnya adalah ada autokorelasi)
Keputusan ada tidaknya autokorelasi adalah:
  • Bila nilai DW berada di antara dU sampai dengan 4 – dU maka koefisien autokorelasi sama dengan nol. Artinya, tidak ada autokorelasi.
  • Bila nilai DW lebih kecil daripada dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada autokorelasi positif.
  • Bila nilai DW terletak di antara dL dan dU, maka tidak dapat disimpulkan.
  • Bila nilai DW lebih besar daripada 4 – dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada autokorelasi negatif.
  • Bila nilai DW terletak di antara 4 – dUdan 4- dL, maka tidak dapat disimpulkan.
Apa Uji Multikolinieritas itu?
Ada banyak cara untuk menentukan apakah suatu model memiliki gejala Multikolinieritas, pada modul ini hanya diperkenalkan 2 cara, yaitu VIF dan Uji Korelasi.
Uji VIF
Cara ini sangat mudah, hanya melihat apakah nilai VIF untuk masing-masing variabel lebih besar dari 10 atau tidak. Bila nilai VIF lebih besar dari 10 maka diindikasikan model tersebut memiliki gejala Multikolinieritas.
Partial Correlation
Cara kedua adalah dengan melihat keeratan hubungan antara dua variabel penjelas atau yang lebih dikenal dengan istilah korelasi.
 
Apa Uji Heteroskedastisitas itu?
Untuk Uji Heteroskedastisitas, seperti halnya uji Normalitas, cara yang sering digunakan dalam menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak hanya dengan melihat pada Scatter Plot dan dilihat apakah residual memiliki pola tertentu atau tidak. Cara ini menjadi fatal karena pengambilan keputusan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak hanya berpatok pada pengamatan gambar saja tidak dapat dipertanggungjawabkan kebenarannya. Banyak metoda statistik yang dapat digunakan untuk menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak, seperti misalnya Uji White, Uji Park, Uji Glejser, dan lain-lain.
Modul ini akan memperkenalkan salah satu uji heteroskedastisitas yang mudah yang dapat diaplikasikan di SPSS, yaitu Uji Glejser. Uji Glejser secara umum dinotasikan sebagai berikut:
|e| = b1+ b2 X2 + v
Dimana:
|e| = Nilai Absolut dari residual yang dihasilkan dari regresi model
X2= Variabel penjelas
Bila variabel penjelas secara statistik signifikan mempengaruhi residual maka dapat dipastikan model ini memiliki masalah Heteroskedastisitas.

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *