R² k-l F-hitung =
l-R² n-k Dimana:
R2 : Koefisien determinasi k : Jumlah variabel independen
n : Jumlah sampel Untuk uji F-statistik ini digunakan hipotesis sebagai berikut:
H0 : b1 = b2 = bn………..bn=0tidak ada pengaruh Ha : b1 ≠ 0………………bi=1ada pengaruh
Kriteria pengambilan keputusan: Ho: b1 = b2 = 0 H0 diterima F-hitung F-tabel artinya variabel independen
secara parsial tidak berpengaruh nyata terhadap variabel dependen. Ha : b1 ≠ b2≠0 Ha diterima F-hitung F-tabel artinya variabel independen
secara parsial berpengaruh nyata terhadap variabel dependen.
3.8.4. Uji Penyimpangan Asumsi Klasik
Agar pengujian hipotesis berdasarkan model analisis tidak bias atau bahkan menyesatkan, maka perlu digunakan uji penyimpangan asumsi klasik.
3.8.4.1. Uji Multikolinieritas
Multikolinearitas adalah alat yang digunakan untuk mengetahui apakah ada hubungan yang kuat kombinasi linier diantara independen variabel.
Multikolinieritas dikenalkan oleh Ragnar Frisch 1934. Suatu model regresi linier akan menghasilkan estimasi yang baik apabila model tersebut tidak mengandung
multikolinieritas. Multikolinearitas terjadi karena adanya hubungan yang kuat
antara sesama variabel independen dari suatu model estimasi. Adanya multikolinieritas ditandai dengan:
• Standart error tidak terhingga • Tidak ada satupun t-statistik yang signifikan pada α= 1, α= 5,
α= 10 • Terjadi perubahan tanda atau berlawanan dengan teori
• R2 sangat tinggi
3.8.4.2. Uji Heterokedastisitas
Heterokedastisitas terjadi apabila variabel pengganggu Error Term tidak mempunyai varian yang konstan sama untuk semua observasi sehingga
residual variabel pengganggu tidak bernilai nol. Ini merupakan pelanggaran salah satu asumsi klasik tentang model
regresi linier berdasarkan metode kuadrat terkecil biasa. Heterokedastisitas pada umumnya lebih banyak ditemui pada data cross section yaitu data yang
menggambarkan keadaan pada suatu waktu tertentu misalnya data hasil suatu survei. Keberadaan heterokedastisitas akan dapat menyebabkan kesalahan dalam
penaksiran sehingga koefisien regresi menjadi tidak efisien dan dapat meyesatkan. Nachrowi Djalal Nachrowi dan Hardius Usman, 2006:109.
Menguji Heteroskedastisitas
. Untuk menguji heteroskedastisitas dilakukan dengan cara yaitu:
Uji White
Uji White memulai pengujiannya dengan membentuk model:
Yi = β0 + β1X1 + β2X2 + β3X3 + β4X4 + μi
Pedoman dari penggunaan uji white ini adalah tidak terdapat masalah heterokedastisitas dalam hasil estimasi, jika nilai R2 hasil regresi dikalikan
dengan jumlah data atau n.R2 = χ² hitung lebih kecil dibandingkan χ²tabel. Sementara, akan terdapat masalah heterokedastisitas apabila hasil estimasi
menunjukkan bahwa χ²hitung lebih besar dibandingkan χ²tabel. Apabila nilai probability lebih rendah dari 0.05 berarti terdapat heterokedastisitas pada hasil
estimasi. Sebaliknya, apabila nilai probability-nya lebih tinggi dari 0.05, maka hasil estimasi tidak terkena heterokedastisitas. Wahyu Ario Pratomo dan Paidi
Hidayat, 2007:98
Cara Mengobati Masalah Heterokedastisitas
Heterokedastisitas tidak merusak sifat ketidakbiasaan dan sifat konsistensi dari hasil estimasi. Namun hasil estimasi tidak lagi efisien. Oleh
karena tidak efisien lagi, maka pengujian hipotesa menjadi diragukan hasilnya. Dengan demikian, sangat perlu dilakukan perbaikan atau pengobatan pada
masalah heterokedastisitas tersebut. Untuk mengatasi masalah heterokedastisitas adalah
dengan menggunakan metode kuadrat terkecil tertimbang Weighted Least SquareWLS.
Model estimasi regresi penelitian adalah:
Yi = β0 + β1X1 + β2X2 + β3X3 + β4X4 + μi
Langkah-langkah untuk membuat regresi weighted least square adalah: i σ
1. Klik Quick, Generate Series, kemudian ketik: vari=RSSk 2. Klik lagi Quick, Generate Series, dan ketik wx1=x1vari
3. Klik lagi Quick, Generate Series, dan ketik wx2=x2vari
4. Klik lagi Quick, Generate Series, dan ketik wx3=x3vari 5. Klik lagi Quick, Generate Series, dan ketik wx4=x4vari
6. Klik lagi Quick, Generate Series, dan ketik wy=yvari 7. Lakukan estimasi dengan perintah Quick, Estimation Equation, ketik:
Wy c wx1 wx2 wx3 wx4 Sebagai rujukan untuk melihat apakah hasil estimasi regresi telah lolos dari
masalah heterokedastisitas, maka perhatikan nilai sum of squared resid. Bila angka sum of squared resid cenderung menurun, maka dapat dikatakan bahwa
model yang diestimasi lolos dari masalah heterokedastisitas. Wahyu Ario Pratomo dan Paidi Hidayat, 2007: 100
3.8.4.3. Uji Normalitas