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
Kategori