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.