section . Persamaan dalam penelitian ini menggunakan data time series yang
mengandung lagged endogenous variable. Dalam Koutsoyiannis 1977, dapat mengakibatkan terjadinya: 1 Varians yang diperoleh dari pendugaan lebih kecil
daripada nilai varians yang sesungguhnya, 2 Hasil dugaan dengan metode 2SLS bersifat inefisien, artinya variansnya lebih besar dibandingkan dengan metode
ekonometrik lainnya. Uji d Durbin Watson Statistic sering digunakan untuk mendeteksi ada
atau tidaknya autokorelasi. Namun, dikarenakan di dalam persamaan yang diamati terdapat lagged endogenous variable, maka uji d menjadi tidak valid. Sebagai
gantinya dalam penelitian ini digunakan statistik d
h
durbin-h statistics untuk menguji serial korelasi.
H = [
1-0,5d ]
[ n
{ 1-n var ß
}]
0,5
dimana: d
= nilai statistik Durbin-Watson
n = jumlah observasi
var ß = varians koefisien regresi untuk lagged dependent variable Apabila h-hitung lebih kecil dari tabel distribusi normal, maka dalam persamaan
tidak mengalami serial korelasi.
4.6.4 Uji Terhadap Heteroskedastisitas
Salah satu asumsi yang penting dari pendugaan metode kuadrat terkecil adalah varian residual bersifat homoskedastisitas atau bersifat konstan.
Heteroskedastisitas adalah keadaan dimana asumsi di atas tidak tercapai. Dampak adanya heteroskedastisitas adalah tidak efisiennya proses estimasi, sementara hasil
estimasinya sendiri tetap konsisten dan tidak bias. Dengan adanya masalah
heteroskedastisitas, akan mengakibatkan hasil uji t dan F dapat menjadi tidak berguna.
4.6.5 Uji Multikolinieritas
Multikolinieritas sempurna adalah suatu pelanggaran terhadap asumsi bahwa tidak ada hubungan sempurna antar variabel eksogen dalam sebuah
persamaan regresi. Multikolinieritas sempurna jarang terjadi, yang sering dijumpai adalah multikolinieritas tidak sempurna. Pada dasarnya, semakin tinggi
korelasi antara dua atau lebih variabel-variabel eksogen dalam sebuah model yang benar, semakin sulit memperkirakan secara akurat koefisien-koefisien pada model
yang benar itu. Menurut Koutsoyiannis 1977, untuk mendeteksi adanya multikolinieritas dalam sebuah model dapat dilakukan dengan membandingkan
besarnya nilai koefisien determinasi R
2
dengan koefisien determinasi parsial antar dua variabel bebas r
2
. Multikolinieritas dapat dianggap bukan merupakan suatu masalah apabila
koefisien determinasi parsial antar dua variabel bebas tidak melebihi nilai koefisien determinasi atau koefisien korelasi berganda antar semua variabel secara
simultan. Namun, multikolinieritas dianggap sebagai masalah serius jika koefisien determinasi parsial antar dua variabel bebas melebihi atau sama dengan nilai
koefisien determinasi atau koefisien korelasi berganda antar semua variabel secara secara simultan. Salah satu cara mengukur multikolinieritas yang mudah cara
menghitungnya adalah Variance Inflation Factor VIF. Variance Inflation Factor VIF merupakan suatu cara mendeteksi multikolinieritas dengan melihat sejauh
mana sebuah variabel penjelas dapat diterangkan oleh semua variabel penjelas
lainnya di dalam persamaan regresi. Apabila nilai VIF 10, maka tidak ada masalah multikolinieritas.
4.6.6 Konsep Elastisitas
