Uji Asumsi Klasik

Model regresi yang diperoleh dari metode kuadrat terkecil biasa ( Ordinary Least Square/OLS ), merupakan model regresi yang menghasilkan estimator linier tidak bias yang terbaik ( Best Linier Unbias Estimator/BLUE ). Kondisi ini akan terjadi bila dipenuhi beberapa asumsi yang disebut “asumsi klasik” sebagai berikut.
1. Uji Normalitas
Uji ini dimaksudkan untuk mengetahui apakah residual data yang diteliti terdistribusi normal atau tidak. Asumsi normalitas ini diperlukan dalam penelitian yang memiliki tujuan untuk penaksiran dan pengujian hipotesis. Distribusi data tidak normal, karena terdapat nilai ekstrim dalam data yang diambil.
Pengambilan keputusan adalah besaran probabilitas yaitu nilai asimtotik significant two tailed ( dua sisi ). Uji ini dilakukan dua sisi karena adanya tanda “ ≠ ” :
a) Jika probabilitas > 0,05 maka H0 diterima
b) Jika probabilitas < 0,05 maka H0 ditolak.
2. Uji Multikolinearitas
Multikolinearitas adalah kondisi adanya hubungan linear antarvariabel independen. Karena melibatkan beberapa variabel independen, maka multikolinearitas tidak akan terjadi pada persamaan regresi sederhana. Multikolinearitas antar variabel bebas yang terdapat dalam model regresi memiliki hubungan sempurna atau ( koefisien korelasinya tinggi atau bahkan 1 ), akibatnya model regresi yang diperoleh tidak valid untuk menaksir variabel bebas.
3. Uji Heteroskedastisitas
Heteroskedastisitas adalah data varians variabel dalam model tidak sama ( konstan ) kapasitasnya dalam model regresi adalah penaksir ( estimator ) tidak efisien, baik dalam sampel kecil maupun dalam sampel besar. Untuk mendeteksi adanya heteroskedastisitas adalah dengan melakukan Uji White. Langkah-langkah Uji White adalah sebagai berikut :
a) Melakukan regresi dengan menggunakan model empiris yang sedang diamati, kemudian mendapatkan nilai estimasi residual
b) Melakukan estimasi dengan menggunakan regresi bantuan ( auxillary regression )
c) Menolak hipotesis yang mengatakan bahwa terdapat masalah heteroskedastisitas dalam model empiris yang sedang diamati, jika nilai R2 hasil regresi langkah kedua dikalikan dengan jumlah data ( n ) dengan degree of freedom ( n.R2 = X2hitung ) lebih kecil dibandingkan dengan X2tabel, dan sebaliknya menolak hipotesis yang mengatakan bahwa terdapat masalah heteroskedastisitas dalam model empiris yang sedang diestimasi X2hitung lebih besar dibandingkan dengan X2tabel.
4. Uji Autokorelasi
Autokorelasi adalah suatu keadaan dimana variabel gangguan pada suatu periode gangguan pada periode lain atau dengan kata lain variabel gangguan tak acak. Autokorelasi ini disebabkan antara lain oleh karena faktor-faktor kelambanan ( inersia ), kesalahan dalam menentukan model tidak memasukkan variabel yang paling penting serta adanya manipulasi data. Jika ternyata model tidak mengandung model autokorelasi, maka akibatnya variabel-variabel yang diestimasi menjadi bisa dan variannya tidak minimum, sehingga tidak efisien.