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