Heteroskedastisitas Autokorelasi Uji Asumsi Klasik

41

3.6.3 Heteroskedastisitas

Heteroskedastistas adalah suatu penyimpangan asumsi OLS dalam bentuk varians gangguan estimasi yang dihasilkan oleh estimasi OLS yang tidak bernilai konstan. Pengujian heteroskedastisitas digunakan untuk mengetahui apakah dalam model regresi terdapat ketidaksamaan varians residual satu pengamatan ke pengamatan lain. Apabila varians � dari faktor pengganggu µ i adalah sama untuk semua observasi atas variabel bebas X i , ini disebut dengan homoskedatisitas atau varian yang sama dan apabila berbeda disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadinya heteroskedastisitas. Apabila terjadi heteroskedatisitas, hal ini dapat mengakibatkan kesalahan dalam interpretasi sehingga koefisien regresi atau parameternya menjadi tidak efisien dan dapat menyebabkan kesimpulan yang salah, selain itu nilai besarnya nilai varian akan mengakibatkan standar error semakin besar sehingga interval kepercayaan menjadi besar atau tidak dapat dipercaya Pratomo dan Hidayat, 2007. Untuk mendeteksi ada tidaknya gejala heteroskedastisitas dapat dilakukan dengan uji park dan uji white. Uji park dilakukan dengan melihat apabila koefisien parameter B adalah signifikan secara statistik maka dapat disimpulkan bahwa data dari model empiris terdapat heteroskedastisitas. Sedangkan pada uji white dapat dilihat apabila hasil estimasi menunjukkan bahwa X 2 hitung lebih besar dibandingkan dengan X 2 tabel maka terdapat masalah heteroskedastisitas dan sebaliknya. Data panel dalam penelitian menggunakan estimasi dengan Universitas Sumatera Utara 42 metode Coeficient Covariance Method - White Cross Section, sehingga hasil yang dikeluarkan terbebas dari heterokedastisitas.

3.6.4 Autokorelasi

Autokorelasi merupakan gangguan pada fungsi regresi berupa korelasi diantara faktor gangguan error term. Autokorelasi pada umumnya terjadi pada penelitian yang menggunakan data time series namun juga dapat terjadi pada data cross section . Menurut Hidayat dan Pratomo 2007 terdapat beberapa penyebab terjadinya autokorelasi yakni tidak diikutsertakannya seluruh variabel bebas yang relevan dalam model regresi yang diduga, terjadinya kesalahan spesifikasi model matematika yang digunakan, pemakaian data yang kurang baik karena interpolasi data atau sumber data yang kurang akurat serta terjadinya kesalahan spesifikasi variabel gangguan. Autokorelasi dapat mengakibatkan hasil estimasi untuk standar error dan varians koefisien regresi yang di dapat akan underestimate, dengan demikian nilai koefisien determinasi R 2 akan besar dan akibatnya uji t, uji F dan interval kepercayaan menjadi tidak sahih lagi untuk digunakan. Selain itu autokorelasi yang kuat dapat menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan. Untuk mendeteksi terjadinya autokorelasi atau tidak dapat digunakan dengan beberapa cara yakni dengan metode durbin Watson DW test dan Uji Langrange Multiplier LM test. Metode DW hanya berlaku untuk model regresi yang variabel-variabel bebasnya tidak mengandung lagged dependent variabel Universitas Sumatera Utara 43 time lag. DW tidak relevan digunakan dalam penaksiran model regresi yang menggunakan data cross section dan penaksiran model regresi tanpa intercept. Untuk melihat ada tidaknya autokorelasi pada metode DW maka dapat dilihat dari nilai DW pada hasil estimasi model regresi dan dapat diambil keputusan dengan melihat tabel DW. Sedangkan pada uji LM dapat digunakan untuk menguji model lag , untuk melihat ada atau tidaknya autokorelasi dapat dilihat dari hasil estimasi model regresi, apabila hasil estimasi yang diperoleh menunjukkan bahwa nilai ObsR-squared X 2 hitung X² tabel atau nilai probability lebih rendah dari 0,05 pada tingkat signifikansi 5 maka terdapat gejala autokorelasi pada hasil estimasi tersebut Pratomo dan Hidayat, 2007.

3.7 Test of Goodness of Fit