NT T
2
Σ ε
i 2
2
LM = -1 ~ χ
2
……………………..3.8 2T – 1
Σ Σ ε
it 2
Jika nilai LM hasil perhitungan lebih besar dari χ
2
– Tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol, sehingga model yang
digunakan adalah model random effect, dan begitu pula sebaliknya.
3.2.3. Evaluasi Model Multikolinearitas
Indikasi multikolinearitas tercermin dengan melihat hasil t dan F-statistik hasil regresi. Jika banyak koefisien parameter dari t-statistik diduga tidak
signifikan sementara dari hasil F-hitung signifikan, maka patut diduga adanya multikolinearitas. Multikolinearitas dapat diatasi dengan menghilangkan variabel
yang tidak signifikan.
Autokorelasi
Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin-Watson
DW dalam Eviews. Unutk mengetahui ada atau tidaknya autokorelasi, maka dilakukan dengan membanndingkan DW-statistik dengan DW-tabel. Adapun
kerangka identifikasi autokorelasi terangkum dalam Tabel 3.1.
Korelasi serial ditemukan jika error dari periode waktu yang berbeda, saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random error dari
hasil regresi. Pada analisis seperti yang dilakukan dalam model, jika ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan
konsisten. Perlakuan untuk pelanggaran ini adalah dengan menambahkan AR 1
atau AR 2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model regresi yang digunakan.
Tabel 3.1. Kerangka Identifikasi Autokorelasi
Nilai DW Hasil
DW dl Tolak H
, korelasi serial positif dl DW du
Hasil tidak dapat ditentukan du DW 4-du
Terima H , tidak ada korelasi positif atau negatif
4-du DW 4-dl Hasil tidak dapat ditentukan
DW 4-dl Tolak H
, korelasi serial negatif Sumber : Nachrowi 2006
Heteroskedastisitas
Dalam regresi linear ganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut BLUE adalah Var ui =
σ
2
konstan, semua varian mempunyai variasi yang sama. Pada umunya, heteroskedastisitas
diperoleh pada data cross section. Jika pada model dijumpai heteroskedastisitas, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Dengan kata
lain, jika regresi tetap dilakukan meskipun ada masalah heteroskedastisitas maka pada hasil regresi akan terjadi ”misleading” Gujarati, 1995.
Untuk menguji adanya pelanggaran asumsi Heteroskedastisitas, digunakan uji White-heteroskedasticity yang diperoleh dalam program Eviews. Dengan uji
white, membandingkan Obs R-Squared dengan χ
2
Chi-Squared tabel, jika nilai Obs R-Squared lebih kecil daripada
χ
2
-tabel maka tidak ada heteroskedastisitas pada model. Dalam pengolahan data poanel dalam Eviews 6 yang menggunakan
metode General Least Square Cross Section Weights, maka untuk mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Sum Square Resid
pada Weighted Statistics dengan Sum Squared Resid Unweighted Statistics. Jika
Sum Square Resid pada Weighted Statistics Sum Squared Resid Unweighted Statistics, maka terjadi heteroskedastisitas. Perlakuan untuk pelanggaran tersebut
adalah dengan mengestimasi GLS dengan White Heteroscedasticity. 3.3. Spesifikasi Model
Model yang digunakan untuk mengetahui faktor-faktor yang mempengaruhi tingkat kemiskinan adalah:
MISKIN
it
= β
+ α
i
+ µ
t
+ β
1
AMH
it
+ β
2
PDDK
it
+ β
3
PDRB
it
+ β
4
KTG
it
+ β
5
PPKPT
it
+ β
6
PIND
it
+ β
7
PJASA
it
+ β
8
TKIND
it
+ β
9
TKJASA
it
+ u
it
dimana: MISKIN
it
: Jumlah penduduk miskin di kota ke-i pada tahun ke-t AMH
it
:Angka melek huruf berdasarkan usia di atas 10 tahun pada kota ke-i pada tahun ke-t
KTG
it
: Tingkat ketergantungan penduduk kota ke-i pada tahun ke-t
PDDK
it
: Kepadatan penduduk penduduk kota ke-i pada tahun ke-t PPKPT
it
: Pendapatan perkapita kota ke-i pada tahun ke-t LAJU
it :
Laju pertumbuhan kota ke-i pada tahun ke-t PIND
it :
PDRB Sektor Industri kota ke-i pada tahun ke-t PJASA
it
: PDRB Sektor Jasa kota ke-i pada tahun ke-t TKIND
it
: Pekerja sektor industri kota ke-i pada tahun ke-t TKJASA
it
: Pekerja sektor jasa kota ke-i pada tahun ke-t β
j
: Parameter yang diestimasi, j = 0, 1, 2, 3, 4, 5, 6. α
i
: Efek individual kota ke-i µ
t
: Efek waktu pada tahun ke-t
u
it
: Komponen error
IV. GAMBARAN UMUM
