Ruang Lingkup Penelitian METODE PENELITIAN

60 yang diperkirakan berhubungan sering muncul dalam banyak penerapan Gujarati, 2006 154-155. Adapun indikator untuk mendeteksi mutikolinearitas dalam suatu persamaan antara lain Gujarati, 2006 155: a. R 2 tinggi tetapi sedikit rasio t yang signifikan. Ini merupakan gajala multikolinearitas “klasik”. Jika R 2 tinggi, misalkan 0,8, tes F di sebagian besar kasus akan menolak hipotesis nol bahwa koefisien kemiringan parsial secara tergabung atau secara serentak sama dengan nol. Tes- tes individual akan memperlihatkan bahwa tak satu pun atau sangat sedikit koefisien kemiringan parsial yang berbeda secara statistik dengan nol. b. Korelasi berpasangan yang tinggi dari antar variabel-variabel penjelas. Menghitung korelasi dengan segala pasangan variabel independen. Apabila beberapa diantara korelasi ini tinggi, melebihi 0,8, ada kemungkinan terjadinya kolinearitas yang serius. c. Pengujian korelasi parsial. Anggap kita mempunyai tiga variabel penjelas, X 2 , X 3 , dan X 4 . Anggap r 23 , r 24 , dan r 34 , mewakili korelasi berpasangan antara X 2 dan X 3 , antara X 2 dan X 4 dan antara X 3 dan X 4 , berturut-turut. Anggap r 23 = 0,90, yang menunjukan kolinearitas yang tinggi antara X 2 dan X 3. Sekarang perhatikan koefisien korelasi, yang disebut koefisien korelasi parsial, r 23.4 yang adalah koefisien korelasi antara X 2 dan X 3 , dengan menganggap pengaruh variabel X 4 konstan. Anggap r23.4 = 0,43 yakni dengan menganggap pengaruh variabel X 4 konstan, koefisien korelasi antara X 2 61 dan X 3 hanya 0,43, padahal bila tidak mempertimbangkan pengaruh X 4 ,nilainya 0,90. Jadi, dengan mempertimbangkan korelasi parsial ini, kita bisa katakan bahwa kolinearitas antara X 2 dan X 3 cukup tinggi. d. Regresi subsider atau regresi tambahan auxiliary regression. Salah satu cara untuk mengetahui variabel X mana yang sangat kolinear dengan variabel-variabel X lain dalam model adalah meregresikan masing- masing variabel X terhadap variabel-variabel X yang lain dan menghitung nilai R2 terkait. Masing-masing regresi ini disebut regresi tambahan Auxiliary Regression. Apabila nilai R2 terkait auxiliary lebih besar dari nilai R2 model utama, maka terdapat multikolineritas di dalam model. e. Faktor inflasi varians variance inflation factor-VIF. Meskipun suatu model tidak berisikan beberapa variabel penjelas, nilai R 2 yang diperoleh dari berbagai regrasi tambahan mngkin bukanlah petunjuk kolinearitas yang dapat diandalkan. Faktor inflasi varians variance inflation factor-VIF karena sewaktu R 2 naik, varians, dan bersamaan itu juga kesalahan standar, baik b 1 maupun b 3 , juga naik atau menanjak. VIF = .................................................................3.2 2. Heteroskedastisitas Dalam Gujarati 2006: 110-111 asumsi penting model regresi linear klasik CLRM adalah bahwa gangguan ui yang tercakup dalam fungsi regresi populasi PRF bersifat homoskedastis, artinya semua memiliki varians yang sama,  2 . Jika tidak demikian, dimana ui adalah  i 2 yang menunjukan bervariasi dari observasi ke observasi berarti kita menganggap situasi heteroskedastisitas