Rumus Durbin Watson:
t n
t n
t
e d
∑ ∑
= =
=
1 2
1 -
t t
e -
e , dimana 0d4
Nilai hitung statistik d dibandingkan dengan nilai d
tabel
, yaitu dengan batas bawah dL dan batas atas dU. Hasil perbandingan akan menghasilkan
kesimpulan seperti sebagai berikut: 1. Jika d dL, berarti ada autokorelasi positif
2. Jika d 4-dL, berarti ada autokorelasi negatif 3. Jika dL d 4-dU, berarti tidak terjadi autokorelasi positif ataupun negatif
4. Jika dL = d = dU atau 4-dU = d = 4-dL, berarti tidak dapat disimpulkan.
4.2.2.2.7 Pengukuran Elastisitas
Pengukuran elastisitas dilakukan untuk melihat seberapa besar pengaruh peubah dependen terhadap peubah independen Koutsoyiannis, 1977. Elastisitas
adalah derajat kepekaan peubah dependen terhadap perubahan yang terjadi pada peubah independen yang mempengaruhinya. Nilai elastisitas dari model linear
berganda diperoleh dari perhitungan berikut: E Y
t
X
it
=
t it
Y X
a
Dimana: E Y
t
X
it
= Elastisitas variabel Y
t
terhadap variabel X
it
a
i
= koefisien regresi variabel independen X
i
X
i
= Rata-rata variabel independen X
i
Y
t
= Rata-rata variabel dependen Y
t
Apabila nilai elastisitas lebih besar dari 1 E 1 dikatakan elastisitas responsif karena perubahan satu persen variabel independen mengakibatkan
perubahan variabel dependen lebih dari satu persen. Jika nilai elastisitas antara nol dan satu 0 E 1 dikatakan inelastis tidak responsif karena perubahan satu
persen variabel independen akan mengakibatkan perubahan variabel independen kurang dari satu persen. Sedangkan nilai elastisitas sama dengan nol E = 0
artinya inelastis sempurna, dan nilai elastisitas tak hingga E = ~ artinya elastisitas sempurna, dan jika nilai elastisitas sama dengan satu E = 1 disebut
elastis uniter.
4.2.3 Model Alternatif
Satu asumsi penting dalam model regresi linier adalah bahwa gangguan disturbance u
i
yang muncul dalam fungsi regresi populasi adalah homoscedastic, yaitu semua gangguan tadi memiliki varians yang sama. Jika asumsi itu tidak
dapat dipenuhi maka dapat dikatakan terjadi penyimpangan. Penyimpangan terhadap faktor pengganggu disebut heteroskedastisitas.
Keadaan heteroskedastisitas tersebut akan mengakibatkan penduga OLS yang diperoleh
tetap memenuhi persyaratan tidak bias. Selain itu juga varians yang diperoleh menjadi tidak efisien, artinya cenderung membesar sehingga tidak lagi merupakan
varians yang terkecil. Kecenderungan membesarnya varians tersebut akan mengakibatkan uji hipotesis yang dilakukan tidak akan memberikan hasil yang
baik tidak valid. Dengan demikian model perlu diperbaiki dulu agar pengaruh dari heteroskedastisitasnya hilang Firdaus, 2004 dalam Resmisari, 2006
Salah satu cara untuk menyempurnakan model adalah dengan mentransformasikan model asli ke dalam model yang baru, sehingga diharapkan
