Uji Kualitas Data METODE PENELITIAN

apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi dikatakan baik apabila tidak terjadi korelasi diantara variabel bebas dalam persamaan. Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilihat dari nilai R2, F hitung serta t hitung. Adapun indikasi-indikasi terjadinya mulitikolinieritas menurut Gujarati, 2012 adalah sebagai berikut: a. Jika ditemukan yang tinggi dan nilai F statistic yang signifikan tetapi sebagian besar nilai t statistic tidak signifikan. b. Korelasi sederhana yang relatif tinggi 0.8 atau lebih antara satu atau lebih pasang variabel bebas. Jika koefisien korelasi kurang dari 0.8 berarti tidak terjadi multikolinearitas. c. Regresi bantuan Auxilary Regression dengan cara meregresi masing-masing variabel bebas pada variabel bebas lainnya. Apabila nya tinggi maka ada indikasi ketergantungan linier yang hampir pasti diantara variabel-variabel bebas. 2. Uji Heteroskedastistas Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan ke pengamatan yang lain. Heteroskedastisitas terjadi apabila variabel gangguan tidak mempunyai varian yang sama untuk semua observasi. Akibat adanya heteroskedastisitas, penaksir OLS tidak bias tetapi tidak efisien. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dalam model maka dapat dilakukan dengan menggunakan white heteroscedasticity- consistent standart errors and covariance yang tersedia dalam program Eviews 6. Uji ini diterapkan pada hasil regresi dengan menggunakan prosedur equations dan metode OLS untuk masing-masing perilaku dalam persamaan simultan. Hasil yang perlu diperhatikan dari uji ini adalah nilai F dan ObsRsquared, secara khusus adalah nilai probability dari ObsRsquared. Dengan uji White, dibandingkan ObsR-squared dengan χ Chi-Squared tabel. Jika nilai ObsR-squared lebih kecil dari pada χ tabel maka tidak ada heteroskedastisitas pada model.

G. Estimasi Model Regresi Panel

Dalam metode analisis model panel data terdapat tiga macam pendekatan yang terdiri dari Common Effects Model, Fixed Effects Model, dan Random Effects Model, ketiga pendekatan tersebut dapat dijelaskan sebagai berikut : 1. Pendekatan Common Effects Model Salah satu pendekatan yang menggunakan teknik estimasi yang paling sederhana. Pendekatan ini tidak memperhatikan dimensi individu maupun waktu, sehingga dapat dikatakan bahwa dimensi individu dan waktu dianggap sama konstan. Adapun persamaan panel data dalam pendekatan Common Effects Model , sebagai berikut : = + + … 3.4 2. Pendekatan Fixed Effects Model Model ini mengasumsikan bahwa dimensi individu berbeda, artinya dalam dimensi individu terdapat perbedaan. Pengertian Fixed Effects Model didasarkan adanya perbedaan intersep antar individu namun dalam dimensi waktu sama tidak ada perubahan. Untuk mengatasi hal tersebut adalah dengan memasukkan variable dummy untuk melihat perbedaan yang terjadi. Teknik tersebut sering dinamakan Least Square Dummy Variabel LSDV. Berikut persamaan modelnya : = + + + … 3.5 3. Pendekatan Random Effects Model Dalam pendekatan ini akan terdapat adanya gangguan yang berhubungan dengan individu dan waktu akibat masuknya variabel Dummy. Model seperti ini dinamakan ECM Error Compoen Model. Dengan demikian penurunan persamaan modelnya sebagai berikut : = + + … 3.6 Dimana : = + ; E = 0 ; E = + ; E = 0; I j; E = 0; E = E = E Meskipun komponen error bersifat homoskedastik, nyatanya terdapat korelasi antara dan equicorrelation, yaitu : Corr = … 3.7 4. Pemilihan Model Estimasi Data Panel Untuk memilih salah satu model setimasi yang dianggap paling tepat dari ketiga jenis model itu, maka harus melakukan serangkaian uji, sebagai berikut : a. Uji Chow Uji chow merupakan pengujian yang dilakukan oleh peneliti guna menentukan model Fixed Effects Model atau Random Effects yang paling tepat guna mengestimasi data panel. Berikut rumus untuk mengetahuinya : Chow = … 3.8 Penjelasannya : RRS : Restricted Residual Sum Square Sum of Square Residual yang diperolah dari model PLS Pooled Least Square.