1 Mengestimasi model awal dalam persamaan sehingga mendapat nilai R
2
. Jika nilai R
2
yang dihasilkan sangat tinggi, namun secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi
variabel dependen, maka terdapat multikolinearitas. 2 Melakukan regresi parsial. Menggunakan auxilary regression pada masing-
masing variabel independen, kemudian membandingkan nilai R
2
dalam model persamaan awal dengan R
2
pada model regresi parsial. Jika nilai R
2
dalam regresi parsial lebih tinggi maka terdapat multikolinearitas.
3.6.3 Deteksi Autokorelasi
Autokorelasi adalah
keadaan dimana
komponen error
pada periodeobservasi
tertentu berkorelasi
dengan komponen
error pada
periodeobservasi lain yang berurutan. Dengan kata lain, komponen error tidak random Gujarati, 2003.
Salah satu cara yang digunakan untuk mendeteksi autokorelasi adalah dengan uji Lagrange Multiplier uji LM. Pengujian ini dilakukan dengan
meregresi variabel pengganggu u
t
dengan menggunakan model autoregressive dengan orde ρ sebagai berikut:
u
t
= ρ
1
u
t-1
+ ρ
2
u
t-2
+.......ρ
ρ
u
t- ρ
+ ε
t
..............................................3.4 Dengan Ho adalah ρ1 = ρ2......ρ,ρ = 0, dimana koefisien autoregressive
secara keseluruhan sama dengan nol, menunjukkan tidak terdapat autokorelasi pada setiap orde. Secara manual jika n-pR
2
atau χ
2
hitung lebih besar dari χ2
tabel, maka hipotesis nol yang menyatakan bahwa tidak ada autokorelasi dalam model ditolak Firmansyah, 2006.
3.6.4 Deteksi Heteroskedastisitas
Heteroskedastisitas berarti bahwa variasi residual tidak sama untuk semua pengamatan. Heteroskedastisitas bertentangan dengan salah satu asumsi
dasar regresi untuk memenuhi homoskedastisitas, yaitu komponen error sama untuk semua pengamatan. Menurut Gujarati 2003 bahwa masalah
heteroskedastisitas nampaknya menjadi lebih biasa dalam data cross section dibandingkan dengan data time series.
Heteroskedastisitas muncul apabila error atau residual model yang diamati tidak memiliki variasi yang konstan dari satu observasi ke obsevasi
lainnya. Konsekuensi adanya heteroskedastisitas dalam model regresi adalah estimator yang diperoleh tidak efisien. Penelitian ini menggunakan uji Park untuk
mendeteksi ada tidaknya heteroskedastisitas. Uji Park pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model. Jika t-statistik
lebih besar daripada t- tabel dan signifikan terhadap α = 5 persen, maka terdapat
heterokedastisitas. Namun, jika t-statistik lebih kecil daripada t-tabel dan tidak signifikan terhadap α = 5 persen, maka tidak ada heterokedastisitas.
3.7 Uji Signifikansi