79 dan hubungan linear yang kurang sempurna. Konsekuensinya terhadap estimator
OLS jika terjadi hubungan antara variabel independen di dalam satu model yaitu estimator masih bersifat BLUE Best Linear Unbiased Estimator = tidak bias,
linear dan mempunyai varian yang minimum. Namun, estimator mempunyai varian dan kovarian yang besar sehingga sulit mendapatkan estimasi yang tepat.
Pada penelitan ini, pendeteksian multikolinearitas dengan menggunakan “uji koefisien korelasi” r. Sebagai aturan main yang kasar rule of tumb, jika
koefisien korelasi cukup tinggi, misalnya: di atas 0,85, maka kita duga ada multikolinearitas dalam model. Sebaliknya, jika koefisien relatif rendah maka kita
duga model tidak , uji koefisien korelasinya sebagai berikut: mengandung unsur kolinearitas. Hubungan yang bersifat individual ini, misalnya: variabel X
1
dengan variabel X
2
.
Jika r 0,85 ada multikolinearitas
Jika r 0,85 tidak ada multikolinearitas Masalah ini sering timbul pada data runtut waktu, di mana korelasi antar variabel
independen cukup tinggi. Korelasi yang tinggi ini terjadi karena data-data tersebut mempunyai tren yang sama, sehingga data akan naik turun secara bersamaan.
3. Heteroskedastisitas
Suatu asumsi kritis dari model regresi linear klasik adalah bahwa gangguan semuanya mempunyai varian yang sama, jika asumsi ini tidak terpenuhi
akan terjadi heteroskedastisitas atau dengan kata lain salah satu penyimpangan dalam asumsi klasik, di mana kondisi tertentu disturbance mengandung varian
80 yang tidak konstan. Pengujian heteroskedastisitas dalam penelitian ini
menggunakan uji white heteroskedastisitas no cross terms, di mana dalam uji ini probababilitasnya 0,05 maka terdapat heteroskedastisitas dan sebaliknya jika
probabilitasnya 0,05 maka tidak terdapat heteroskedastisitas.
4. Autokorelasi
Autokorelasi adalah gejala adanya korelasi hubungan antara residual satu observasi dengan observasi yang lain yang berlainan waktu. Salah satu asumsi
penting metode OLS berkaitan dengan residual adalah tidak adanya hubungan antara residual satu dengan residual yang lain. Data runtut waktu diduga sering
kali mengandung unsur autokorelasi, sedangkan data antar tempat jarang ditemui adanya unsur autokorelasi. Sama halnya dengan penyimpangan asumsi klasik
heteroskedastisitas, dalam autokorelasi estimator OLS tidak menghasilkan estimator BLUE, tetapi hanya LUE. Konsekuensinya adalah jika varian tidak
minimum maka menyebabkan perhitungan standar eror metode OLS tidak bisa dipercaya kebenarannya, sehingga membawa dampak pada interval estimasi
maupun uji hipotesis yang didasarkan pada distribusi t maupun F tidak lagi bisa dipercaya untuk evaluasi hasil regresi.
Untuk mengetahui apakah suatu model regresi mengalami gejala autokorelasi atau tidak, pada penelitian ini menggunakan “uji Lagrange Multiple”
dari Breusch-Godfrey, di mana jika hasil ujinya terlihat bahwa probabilitas 0,05 maka terdapat autokorelasi dan sebaliknya jika dalam uji terlihat bahwa
probabilitas 0,05 maka tidak terdapat autokorelasi. Pengujian Breusch-Godfrey
