W10: UJI ASUMSI KLASIK (PART 2)
Uji Linearitas
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau tidak secara signifikan
Pada Eviews Uji Linear dapat dilakukan dengan Ramsey Reset Test
Caranya dengan klik View – Stability Diagnostics => Ramsey Reset Test
Dalam Kotak dialog RESET Specification ketik angka 1 dan klik OK
Cara membaca Uji Linearitas:
Apabila nilai Probability F hitung lebih besar dari tingkat alpha (0.05) maka model regresi memenuhi asumsi linearitas, begitu pula sebaliknya.
Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji model apakah ada korelasi antar variabel bebas. Model regresi yang baik ditandai dengan tidak terjadi korelasi linear diantara variabel bebas. Uji multikolinearitas menggunakan VIF (Variance Inflation Factors). Caranya klik View – Coefficient Diagnostics – Variance Inflation Factors.
Cara membaca Uji Multikolinearitas:
Hasil Uji Multikolinearitas dapat dilihat pada tabel kolom Centered VIF.
Nilai VIF (beberapa buku mensyaratkan tidak boleh lebih dari 5 atau tidak boleh lebih dari 10)
Jika nilai VIF di bawah 10 atau di bawah 5 maka model terbebas dari multikolinearitas
Cara mengatasi:
Menggabungkan data time series dan juga cross section
Transformasi variabel
Menghapus atau mengeluarkan variabel bebas yang menjadi penyebab timbulnya multikolinearitas, risikonya jika varaibel yang dikeluarkan penting secara teoritis, maka akan menimbulkan bias spesifikasi
Menambah data jika data yang diolah adalah data sampel. Bukan populasi.
Uji Autokorelasi (1)
Uji ini digunakan untuk analisis regresi linear berganda yang menggunakan data time series untuk mengetahui apakah dalam suatu model terdapat korelasi antara periode t dengan periode t-1.
Uji Autokorelasi (2)
Uji Autokorelasi menggunakan metode Brusch – Godfrey atau LM (Lagrange Multiplier) Test. Cara menggunakan uji autokorelasi di Eviews klik View – Residual Diagnostics – Serial Correlation LM Test. Ketika muncul Lag Specification ketik angka 2 – OK.
Cara membaca Uji Autokorelasi:
Untuk membaca uji autokorelasi maka jika Nilai probability F hitung lebih besar dari tingkat alpha 0,05 maka tidak terjadi autokorelasi, dan sebaliknya.
Uji Kelayakan Model:
Uji F (Kelayakan Model):
Uji keterandalam, kelayakan model untuk mengidentifikasi model regresi yang diestimasi layak atau tidak. Layak yang dimaksud adalah menjelaskan pengaruh – pengaruh variabel bebas terhadap variabel terikat. Model dikatakan layak jika P-value F-statistic lebih kecil daripada alpha
Uji t (Uji Koefisien Regresi):
Uji t dalam regresi linier untuk menguji apakah parameter (koefisien regresi dan konstanta) yang diduga untuk mengestimasi persamaan regresi sudah merupakan parameter yang tepat atau belum. Jika nilai prob t hitung lebih kecil dari tingkat alpha maka variabel bebas berpengaruh signifikan terhadap variabel terikatnya.
Koefisien Determinasi:
Nilai R-Squared ataupun Adjusted R-Squared adalah proporsi pengaruh variabel bebas yang digunakan pada model terhadap variabel terikat.
Setelah melakukan estimasi model regresi linier berganda dilakukan dan diuji pemenuhan syaratnya serta kelayakan modelnya, maka tahap akhir adalah melakukan interpretasi. Interpretasi dilakukan setelah uji asumsi klasik dan uji kelayakan model dilakukan. Mengapa? Karena kedua uji tersebut merupakan syarat minimal bahwa sebuah model regresi linier (OLS) telah layak.
Jumat, 22 Desember 2017
W9 UJI ASUMSI KLASIK
Penggunaan model regresi OLS mensyaratkan pemenuhan beberpa aumsi (asumsi klasik – GAUSS – MARKOV). Jika asumsi terpenuhi maka parameter yang diperoleh dengan OLS adalah bersifat BEST LINIER UNBLASED ESTIMATOR (BLUE). Pada praktiknya satu atau lebih asumsi tersbut tidak dapat dipenuhi, pelanggaran asumsi klasik yang sering terjadi yakni AUTOKORELASI, HETEROKEDASTISITAS DAN MULTIKOLINEARITAS.
Persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis Ordinary Least Square (OLS). Analisis Regresi yang tidak berbasis OLS tidak memerlukan uji asumsi klasik (eg regresi logistik atau regresi ordinal). Analisis regresi sederhana tidak memerlukan uji multikolinearitas dan analisis regresi dengan data cross sectional tidak memerlukan uji autokorelasi.
5 UJI ASUMSI KLASIK
NORMALITAS
MULTIKOLINEARITAS
HETEROSKEDASTISITAS
AUTOKORELASI
LINEARITAS
Melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik memiliki nilai residual yang terdistribusi normal.
Melihat ada atau tidaknya korelasi yang tinggi antar variabel – variabel beas dalam suatu model regresi.
Melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain.
Melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t-a).
Melihat model yang dibangun memliki hubungan yang linear atau tidak.
Model regresi lienar berganda (multiple regression) dapat disebut sebagai model yang baik jika model tersebut memenuhi kriteria BLUE (Best Linear Unbiased Estimator). Kriteria BLUE dipenuhi jika 5 uji asumsi klasik dipenuhi. Contoh aplikasi yang digunakan adalah kasus permintaan ayam di AS selama periode 1960 – 1982 (Gujarati)
Variabel yang digunakan adalah:
Y = Konsumsi Ayam per kapita
X1 = Pendapatan riil per kapita
X2 = harga ayam eceran riil per unit
X3 = harga babi eceran riil per unit
X4 = harga sapi eceran riil per unit
TEORI yang digunakan adalah teori ekonomi mikro dimana permintaan suatu barang dipengaruhi oleh pendapatan konsumen, harga barang itu sendiri, harga barang substitusi dan harga barang komplementer.
Uji Normalitas
Uji normalitas dilakukan pada nilai residual. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi normal. Pengertian normal secara sederhana, dianalogikan dengan sebuah jelas. Dalam suatu kelas reguler sebagian besar siswanya memiliki yang IQ dibawah rata – rata, maka jumlah mahasiswa pintarnya akan sedikit. Jika kelas tersebut IQ keseluruhan di bawah rata – rata maka itu tidak normal dan disebut Sekolah Luar Biasa. Pengamatan data normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah.
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. Dalam Eviews, uji Normalias dapat dilakukan dengan uji Jerque-Bera (JB-Test), Caranya pada jendela equation, klik View, klik Residual Diagnostics, lalu klik Histogram – Normality Test. Setelah itu jendela Equation akan otomatis berUbah menjadi output Histogram Normality Test.
Pengambilan Keputusan:
Untuk mengambil keputusan, fokuslah pada Jerque-Bera dan Probability. Tips nya begini, Penelitian Ekonomi dan Bisnis pada umumnya menggunakan α=0.05 (5%), jika probability < α, maka data tidak berdistribusi normal. Jika probability > α, maka data berdistribusi normal. Pada tutorial kali ini, data penelitian karena 0.05. Maka H0 ditolak atau diterima?
Apa yang dilakukan jika Uji tidak terpenuhi?
Melakukan transformasi data
Melakukan trimming data outliers
Menambah data observasi
Uji Heteroskedastisitas
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. Pada jendela equation, klik View; Klik Residual Diagnostics; Klik Heteroskedasticity Tests…; Muncul jendela Heteroskedasticity Tests, pilih Test type. Eviews menyediakan berbagai macam pilihan. Pada tutorial kali ini, kami menggunakan Uji Glejser, maka pilih Glejser; Terakhir, klik OK. Lalu jendela equation akan memperlihatkan output uji heteroskedastisitas
Pengambilan Keputusan
Untuk mengambil keputusan hasil uji heteroskedastisitas, fokus terhadap bagian F-statistic dan Obs * R-squared. Pengambilan kesimpulan dilakukan dengan caramembandingkan Prob. F atau Prob. Chi-Square dengan α. Jika Prob. Chi-Square < α, maka terjadi gejala heteroskedastisitas, sebaliknya jika Prob. Chi-Square > α, maka tidak terjadi gejala heteroskedastisitas (homoskedastisitas). Pada data excel, dapat disimpulkan atau tidak terjadi/terjadi gejala heteroskedastisitas. Karena 0.05 transformasi data ke dalam bentuk logaritma, jika seluruh data bernilai positif.
Penggunaan model regresi OLS mensyaratkan pemenuhan beberpa aumsi (asumsi klasik – GAUSS – MARKOV). Jika asumsi terpenuhi maka parameter yang diperoleh dengan OLS adalah bersifat BEST LINIER UNBLASED ESTIMATOR (BLUE). Pada praktiknya satu atau lebih asumsi tersbut tidak dapat dipenuhi, pelanggaran asumsi klasik yang sering terjadi yakni AUTOKORELASI, HETEROKEDASTISITAS DAN MULTIKOLINEARITAS.
Persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis Ordinary Least Square (OLS). Analisis Regresi yang tidak berbasis OLS tidak memerlukan uji asumsi klasik (eg regresi logistik atau regresi ordinal). Analisis regresi sederhana tidak memerlukan uji multikolinearitas dan analisis regresi dengan data cross sectional tidak memerlukan uji autokorelasi.
5 UJI ASUMSI KLASIK
NORMALITAS
MULTIKOLINEARITAS
HETEROSKEDASTISITAS
AUTOKORELASI
LINEARITAS
Melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik memiliki nilai residual yang terdistribusi normal.
Melihat ada atau tidaknya korelasi yang tinggi antar variabel – variabel beas dalam suatu model regresi.
Melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain.
Melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t-a).
Melihat model yang dibangun memliki hubungan yang linear atau tidak.
Model regresi lienar berganda (multiple regression) dapat disebut sebagai model yang baik jika model tersebut memenuhi kriteria BLUE (Best Linear Unbiased Estimator). Kriteria BLUE dipenuhi jika 5 uji asumsi klasik dipenuhi. Contoh aplikasi yang digunakan adalah kasus permintaan ayam di AS selama periode 1960 – 1982 (Gujarati)
Variabel yang digunakan adalah:
Y = Konsumsi Ayam per kapita
X1 = Pendapatan riil per kapita
X2 = harga ayam eceran riil per unit
X3 = harga babi eceran riil per unit
X4 = harga sapi eceran riil per unit
TEORI yang digunakan adalah teori ekonomi mikro dimana permintaan suatu barang dipengaruhi oleh pendapatan konsumen, harga barang itu sendiri, harga barang substitusi dan harga barang komplementer.
Uji Normalitas
Uji normalitas dilakukan pada nilai residual. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi normal. Pengertian normal secara sederhana, dianalogikan dengan sebuah jelas. Dalam suatu kelas reguler sebagian besar siswanya memiliki yang IQ dibawah rata – rata, maka jumlah mahasiswa pintarnya akan sedikit. Jika kelas tersebut IQ keseluruhan di bawah rata – rata maka itu tidak normal dan disebut Sekolah Luar Biasa. Pengamatan data normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah.
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. Dalam Eviews, uji Normalias dapat dilakukan dengan uji Jerque-Bera (JB-Test), Caranya pada jendela equation, klik View, klik Residual Diagnostics, lalu klik Histogram – Normality Test. Setelah itu jendela Equation akan otomatis berUbah menjadi output Histogram Normality Test.
Pengambilan Keputusan:
Untuk mengambil keputusan, fokuslah pada Jerque-Bera dan Probability. Tips nya begini, Penelitian Ekonomi dan Bisnis pada umumnya menggunakan α=0.05 (5%), jika probability < α, maka data tidak berdistribusi normal. Jika probability > α, maka data berdistribusi normal. Pada tutorial kali ini, data penelitian karena 0.05. Maka H0 ditolak atau diterima?
Apa yang dilakukan jika Uji tidak terpenuhi?
Melakukan transformasi data
Melakukan trimming data outliers
Menambah data observasi
Uji Heteroskedastisitas
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. Pada jendela equation, klik View; Klik Residual Diagnostics; Klik Heteroskedasticity Tests…; Muncul jendela Heteroskedasticity Tests, pilih Test type. Eviews menyediakan berbagai macam pilihan. Pada tutorial kali ini, kami menggunakan Uji Glejser, maka pilih Glejser; Terakhir, klik OK. Lalu jendela equation akan memperlihatkan output uji heteroskedastisitas
Pengambilan Keputusan
Untuk mengambil keputusan hasil uji heteroskedastisitas, fokus terhadap bagian F-statistic dan Obs * R-squared. Pengambilan kesimpulan dilakukan dengan caramembandingkan Prob. F atau Prob. Chi-Square dengan α. Jika Prob. Chi-Square < α, maka terjadi gejala heteroskedastisitas, sebaliknya jika Prob. Chi-Square > α, maka tidak terjadi gejala heteroskedastisitas (homoskedastisitas). Pada data excel, dapat disimpulkan atau tidak terjadi/terjadi gejala heteroskedastisitas. Karena 0.05 transformasi data ke dalam bentuk logaritma, jika seluruh data bernilai positif.
Langganan:
Komentar (Atom)