Uji Multikolinearitas Uji Heteroskedastisitas

3.7.1 Uji Multikolinearitas

Salah satu asumsi model regresi linear klasik adalah bahwa tidak terdapat multikolinearitas di antara variabel yang menjelaskan yang termasuk dalam model Gujarati, 1978. Istilah multikolinearitas kolinearitas ganda pertama kali ditemukan oleh Ragnar Frisch, yang berarti adanya hubungan linear yang sempurna atau pasti diantara beberapa atau semua variabel penjelas bebas dari model regresi ganda. Selanjutnya, istilah multikolinearitas digunakan dalam arti yang lebih luas, yaitu untuk terjadinya koreasi linear yang tinggi diantara variabel- variabel penjelas X 1 ,X 2 ,.....X p Setiawan dan Kusrini, 2010. Cara mendeteksi adanya multikolinearitas yaitu jika R-squared tinggi, tetapi variabel yang signifikan hanya sedikit. Adapun konsekuensi dari adanya multikolinearitas ini yaitu: 1. Apabila terjadi multikolinearitas yang sempurna, maka koefisien regresi yang unik tidak dapat diperoleh dengan menggunakan metode kuadrat terkecil. 2. Jika terjadi masalah multikolinearitas yang mendekati sempurna, maka hasil perkiraan dengen metode kuadrat terkecil masih tetap tak bias, tetapi tidak efisien variansinya tidak minimum. 3. Terjadinya kontradiksi antara hasil pengujian hipotesis parameter regresi secara serentak melalui uji F dangan hasil pengujian parameter regresi secara individu melalui uji t. Untuk mengatasi masalah multikolinearitas dalam model maka dapat digunakan beberapa cara berikut ini: adanya informasi apriori; penggabungan data cross section dengan time series; mengeluarkan suatu variabel atau lebih dan kesalahan spesifikasi; transformasi variabel-variabel, dan penambahan data baru.

3.7.2 Uji Heteroskedastisitas

Homoskedastisitas berarti bahwa variasi dari error bersifat konstan tetap atau disebut juga identik. Kebalikannya adalah kasus heteroskedastisitas, yaitu jika kondisi variansi error-nya tidak identik. Pada model regresi, apabila semua asumsi klasik dipenuhi, kecuali satu, yaitu terjadi heteroskedastisitas, maka pengingat kuadrat terkecil masih tetap tak bias dan konsisten, tetapi tidak efisien variansi membesar. Untuk mendeteksi adanya heteroskedastisitas, dalam hasil olahan data penel dengan eviews dengan menggunakan metode General Least Squared Cross Section Weight, caranya adalah dengan membandingkan nilai sum squared resid pada weighted statistic dengan sum squared resid pada unweighted statistic. Jika sum squared resid pada weighted statistic lebih kecil daripada sum squared resid pada unweighted statistic maka terdapat heteroskedastisitas. Langkah yang dapat dilakukan untuk mengatasi masalah heterosedastisitas adalah dengan mengestimasi General Least Squared GLS dengan white heterocedasticity. Selain itu dapat juga dilakukan dengan pembobotan Cross Section SUR.

3.7.3 Uji Autokorelasi