h = 1
– DW 2
T 1
– T [Var β
2
] Setelah didapat hasil koefisien dari setiap variabel bebasnya, maka
hasilnya dapat dimasukkan pada model awal penawaran ekspor televisi Indonesia. Pada akhirnya akan didapat model akhir dari penawaran ekspor televisi Indonesia,
yaitu : LNEXijt = 5,09 + 0,80
LNPEXit – 1,01 LNPDit + 0,55 LNPRODit - 0,23
LNKONit - 0,073LNERit + 0,23 LNLEXijt + 1,31 D + µ
i
5.2. Pengujian Asumsi Model
a. Uji Autokorelasi
Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Uji
autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang digunakan. Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk
mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson DW
. Dalam model penawaran ekspor televisi ini ada peubah bebas yang merupakan peubah lag respons yaitu lag ekspor X
t-1
maka nilai statistik uji DW sering mendekati 2 meskipun ada autokorelasi. Statistik uji yang digunakan
adalah statistik Durbin h, dengan rumus sebagai berikut :
dimana : Var β
2
= dugaan ragam dari koefisien peubah lag respons Y
t-1
T = jumlah pengamatan
1 -
h = 1,819
2 36
1 – 36 [0,080
2
] =
0,070 ρ
= dugaan koefisien autokorelasi ordo kesatu Apabila nilai Durbin h berada di antara nilai Z negatif dan positif pada selang
kepercayaannya taraf nyata, maka model tersebut terbebas dari masalah autokorelasi. Nilai Durbin h pada penelitian ini adalah :
Hasil perhitungan menunjukkan nilai Durbin h pada model penawaran ekspor televisi adalah sebesar 0,070. Nilai ini berada diantara nilai Z negatif dan
positif pada taraf nyata 5 persen yaitu diantara -1,96 dan 1,96 -1,960,071,09 sehingga dapat disimpulkan bahwa pada hasil estimasi menunjukkan tidak
terdapat masalah autokorelasi. Hal ini dapat terjadi karena dalam pendekatan fixed effect
tidak mensyaratkan persamaan terbebas dari masalah autokorelasi, sehingga asumsi adanya autokorelasi dapat diabaikan.
b. Uji Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi dalam persamaan regresi adalah bahwa taksiran parameter dalam model regresi bersifat BLUE Best Linier
Unbiased Estimate maka var ui harus sama dengan
σ2 konstan, atau semua residual atau error mempunyai varian yang sama. Kondisi itu disebut dengan
homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas
dapat menggunakan metode General Least Square Cross section Weights yaitu dengan membandingkan sum square residual pada weighted
1 -
statistics dengan sum square residual unweighted statistics. Pada Tabel 5.1
memperlihatkan nilai sum square residual pada weighted statistics 1.229043 lebih kecil daripada sum square residual unweighted statistics
1.418016 sehingga hal ini mengindikasikan terjadinya heteroskedastisitas. Untuk mengatasi pelanggaran ini, dapat dilakukan dengan mengestimasi GLS
General Least Square dengan white-heteroscedasticity sebagai pembobot
sehingga masalah heteroskedastisitas dapat diatasi
c. Uji Multikolinieritas
