terpenuhi, maka tidak akan dapat menghasilkan nilai parameter yang BLUE Best Linier Unbiased Estimator. Asumsi BLUE Gujarati, 2003:153 yaitu :
a. Nilai harapan dari rata-rata kesalahan adalah 0 nol. b. Variansnya tetap homoskedastisity.
c. Tidak ada autokorelasi dalam gangguan. d. Variabel yang menjelaskan adalah nonstokastik yaitu tetap dalam
penyempelan berulang atau jika stokastik didistribusikan secara independen dari gangguan u
i.
e. Tidak ada multikolinearitas di antara variabel yang menjelaskan. f.
u didistribusikan secara normal dengan rata-rata dan varians yang diberikan oleh asumsi 1 dan 2.
Untuk mengetahui apakah model tersebut memenuhi asumsi BLUE atau tidak, perlu dilakukan beberapa pengujian yaitu uji multikolinearitas, uji
autokorelasi, uji heteroskedastisitas dan juga uji normalitas untuk memastikan bahwa data terdistribusi secara normal.
3.4.4.1 Uji Multikolinearitas
Multikolineritas atau kolinearitas berganda merupakan salah satu pelanggaran asumsi OLS dimana terdapat hubungan linier yang signifikan
antara beberapa atau semua variabel bebas dari model regresi Gujarati, 2003. Akibat hubungan linier dalam satu persamaan regresi adalah nilai
koefisien sulit untuk ditentukan, atau bahkan jika dalam suatu persamaan regresi terdapat perfect multicolinearity multikolinearitas sempurna, maka
nilai koefisien tidak dapat ditentukan dan nilai standard error menjadi tidak terhingga infinite.
Ada beberapa dampak yang ditimbulkan oleh multikolinearitas, antara lain:
a. Varian koefisien regresi menjadi besar.
Besarnya varian untuk b
1
dapat diukur dengan formula: = ∑ 1 −
Dimana adalah korelasi variabel bebas X
1
dan X
2
. Semakin besar korelasi, maka varian akan semakin besar.
b. Varian yang besar akan menimbulkan masalah, antara lain lebarnya
interval kepercayaan confidence interval dan standard error yang besar sehingga besar juga kemungkinan taksiran
β tidak signifikan. c.
Banyak variabel yang tidak signifikan, tetapi koefisien determinasi R
2
tetap tinggi dan Uji F signifikan. d.
Kadang-kadang angka estimasi koefisien regresi yang didapat akan mempunyai nilai yang tidak sesuai dengan substansi, atau kondisi
yang diduga sehingga dapat menyesatkan intrepretasi. Oleh karena mengetahui ada tidaknya multikolinearitas
sangatlah penting, berikut beberapa cara untuk mendeteksi adanya multikolinearitas dalam suatu model.
a. Adanya statistik F dan koefisien determinasi yang signifikan namun diikuti dengan banyaknya statistik t yang tidak signifikan Gujarati,
2003 b. Apabila korelasi antara dua variabel bebas melebihi 0,85, maka
model tersebut memiliki masalah multikolinearitas yang serius Gujarati, 2003.
c. Melakukan regresi auxilary, yaitu dengan meregresi setiap variabel independen yang satu dengan variabel independen yang lain. Setiap
koefisien determinasi R
2
dari regresi auxiliary tersebut digunakan untuk menghitung distribusi F dan kemudian digunakan untuk
mengevaluasi apakah model mengandung multikolinearitas atau tidak. Adapun formula untuk menghitung nilai F adalah
=
….
− 2 1 −
….
− + 1 Dimana n menunjukan jumlah observasi, k menunjukan jumlag
variabel variabel independen termasuk konstanta, dan
….
adalah koefisien determinasi setiap variabel independen X
i
dengan sisa variabel independen X yang lain. Kemudian, nilai kritis dari distribusi F di
dasarkan pada derajat kebebasan k-2 dan n-k+1. Keputusan ada tidaknya multikolinearitas dalam model adalah
dengan membandingkan nilai hitung F dengan nilai kritis F. Jika nilai hitung lebih besar daripada nilai j
ritis F dengan tingkat signifikansi α maka dapat disimpulkan model tersebut mengandung multikolinearitas.
d. Dengan melakukan metode Deteksi Klien. Selain melakukan regresi auxiliary dengan mendapatkan nilai
….
Klien juga menyarankan untuk mendeteksi masalah multikolinearitas dengan
hanya membandingkan nilai koefisien determinasi auxiliary dengan koefisien determinasi model utama. Apabila
….
lebih besar daripada R
2
maka model mengandung multikolinearitas. Dalam penelitian ini, uji yang dilakukan untuk mengetahui ada
tidaknya multikolinearitas adalah dengan menggunakan Deteksi Klien, yaitu membandingkan nilai koefisien determinasi regresi auxiliary dengan
nilai koefisien determinasi model utama.
3.4.4.2 Uji Heteroskedastisitas