42
3.4.2. Asumsi Klasik BLUE Best Linear Unbiased Estimator
Persamaan regresi diatas harus bersifat BLUE Best Linear Unbiased Estimator, artinya pengambilan keputusan melalui uji F dan uji
t tidak boleh bias. Untuk menghasilkan keputusan yang BLUE maka harus dipenuhi diantaranya tiga asumsi dasar.
Tiga asumsi dasar yang tidak boleh dilanggar oleh regresi linear berganda yaitu :
1. Tidak boleh ada autokorelasi
2. Tidak boleh ada multikolinieritas
3. Tidak boleh ada heteroskedasitas
Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE Best
Linear Unbised Estimator, sehingga pengambilan keputusan melalui uji F dan uji t menjadi bias.
a. Autokorelasi
Autokorelasi dapat didefinisikan sebagai korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series.
Jadi dalam model regresi linear diasumsikan tidak terdapat gejala autokorelasi. Artinya nilai residual Y observasi – Y prediksi pada
waktu ke-t e
t-1
. Identifikasi ada atau tidaknya gejala autokorelasi dapat di tes dengan menghitung nilai Durbin Watson dW tes dengan
persamaan:
2 N
t 1
t 2
1 d
Ut Ut
Ut
N t
t
43
Keterangan : d
= nilai Durbin Watson u
t
= residual pada waktu ke-t u
t-1
= residual pada waktu ke-t-1 satu periode sebelumnya N
= Banyaknya data gujarati, 1995 Identifikasi gejala autokorelasi dapat dilakukan dengan kurva
dibawah ini. Nilai tabel Durbin Watson dL dan dU dapat dicari dari tabel, dengan mengetahui nilai k = jumlah variabel bebas dan N =
jumlah data. Untuk mengetahui nilai dW tes berada di daerah mana dapat
digunakan tabel berikut :
Tabel 3.1. Penentuan nilai Durbin Watson KRITERIA
DW tes berada di
Ada autokorelasi positif 0 dW dL
Tidak ada keputusan dL
≤ dW ≤ dU Tidak ada autokorelasi
dU ≤ dW ≤ 4 - dU
Ada autokorelasi keputusan 4 – dU
≤ dW ≤ 4 – dL Ada autokorelasi negative
4 – dL dW 4
Setelah nilai Durbin Watson tes diperoleh untuk dapat mengetahui berada didaerah mana dapat diplotkan pada ganbar kurva
dibawah ini.
44
Gambar 3.1 Kurva Durbin Watson
b. Multikolinier
Multikolinier adalah terjadinya hubungan linier antar variabel bebas dalam persamaan regresi linier berganda. Apabila ternyata ada
hubungan linier antar variabel bebas, maka persamaan regresi linier berganda tersebut menjadi multikoliner.
Untuk mendeteksi adanya multikolinieritas dapat dilihat ciri- cirinya sebagai berikut :
Koefisien determinasi berganda R square tinggi.
Koefisien korelasi sederhananya tinggi.
Nilai F hitung tinggi signifikan
Tapi tak satupun atau sedikit sekali diantara variabel bebas yang
signifikan Gujarati, 1995.
45
Identifikasi secara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung Variance Inflantion
Factor VIF, dengan rumus :
Nilai 1-R²j disebut Toleransi Tolerance yang diperoleh dengan meregresikan antar variabel bebas. R²j adalah nilai koefisien
determinasi persamaan regresi antar variabel bebas. Banyaknya nilai munculnya VIF sebanyak jumlah variabel bebas yang ada dalam
persamaan regresi. Apabila nilai VIF 10 maka persamaan regresi linier berganda tersebut tidak terkena multikolinier Gujarati, 1995:
339. c.
Heteroskedasitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam
metode regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu
pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas dan jika berada disebut Heteroskedastisitas
Ghozali, 2002. Untuk mendeteksi ada tidaknya heteroskedastisitas digunakan
korelasi rank Spearman antara residual dengan seluruh variabel bebas. Rumus Rank Spearman adalah :
rs = 1 – 6
46
Keterangan : d
i
= Perbedaan dalam rank antara residual dengan variabel setiap bebas.
n = Banyaknya
data Hipotesis untuk menguji heteroskedastisitas.
Ho : σ
1
= σ
m
tidak bersifat heteroskedastisitas Ho :
σ
1
= σ
m
bersifat heteroskedastisitas Apabila nilai signifikan hitung sig tingkat signifikan = 0,05 maka
Ho diterima berarti tidak terjadi heteroskedastisitas. Apabila nilai signifigan hitung sig tingkat signifikan =
0,05 maka Ho diterima berarti terjadi heteroskedastisitas Firdaus, 2002: 106-108.
3.4.3. Uji Regresi Linear Berganda
Kategori