dinyatakan sebagai daerah tidak dapat diambil kesimpulan atau ragu-ragu.
Tabel 3.2 Kerangka Identifikasi Autokorelasi Nilai DW
Hasil
4-dlDW4 Tolak H
, autokorelasi negative 4-dlDW4-dl
Hasil tidak dapat ditentukan 2DW4-du
Terima H , tidak ada autokorelasi
duDW2 Terima H
, tidak ada autokorelasi dlDWdu
Hasil tidak dapat ditentukan 0DWdl
Autokorelasi positif
Sumber : Gujarati, 2004
Korelasi serial terjadi apabila error dari periode waktu yang berbeda saling berkorelasi. Untuk mendeteksi hal ini yaitu dengan melihat pola random
error dari hasil regresi. Dalam pendekatan fixed effect tidak mensyaratkan persamaan terbebas dari masalah autokorelasi sehinga asumsi adanya autokorelasi
dapat diabaikan.
b. Heteroskedastisitas
Terjadi karena ragam dari error tidak konsisten sehingga tidak memenuhi teorema Gauss Markov, umumnya terjadi pada data cross-section. Dampak yang timbul
dari permasalahan ini antara lain Nachrowi, 2006: 1. Ragam yang tidak konstan menyebabkan nilai varians menjadi lebih besar dari
taksiran. 2. Ragam yang besar menyebabkan uji hipotesis uji F dan uji t menjadi kurang
tepat. 3. Interval kepercayaan menjadi lebih besar akibat standar error yang besar
4. Kesimpulan yang dihasilkan dari regresi yang dilakukan tidak tepat dapat menyesatkan
Untuk menghilangkan permasalahan ini dapat dilakukan dengan cross-section weighted regression, metode yang digunakan Generalized Least Square GLS.
c. Multikolinieritas
Multikolinieritas adalah hubungan linier yang kuat antar variabel independen dalam persamaan regresi berganda. Menurut Gujarati 2004, tanda-tanda adanya
multikolinieritas adalah sebagai berikut : 1. Tanda koefisien tidak sesuai dengan yang diharapkan
2. Nilai R
2
tinggi, tetapi dalam uji individu banyak yang tidak nyata atau bahkan tidak nyata semua.
3. Matrix korelasi antar variabel tinggi
r
ij
0,8 4. R
2
r
ij
menunjukkan bahwa terjadi multikoliniearitas Dampak dari adanya multikolinieritas pada suatu persamaan adalah
koefisien kuadrat terkecil tidak dapat ditentukan serta varians dan kovarians dari koefisien menjadi tidak terhingga. Hubungan multikolinieritas yang hampir
sempurna juga menyebabkan persamaan yang dibentuk secara statistik mempunyai standar error yang besar dan menyebabkan interval kepercayaan
menjadi lebih besar. Hal ini berakibat pada nilai estimasi koefisiennya menjadi tidak tepat.
d. Normalitas
Pengujian normalitas dilakukan untuk mengetahui apakah error term mendekati distribusi normal atau tidak. Uji normalitas error term dilakukan
dengan menggunakan uji Jarque Bera dengan hipotesisnya sebagai berikut : H
: α = 0, eror term terdistribusi normal
H
1
: α ≠ 0, eror term tidak terdistribusi normal
Wilayah penerimaan Jarque Bera X
2
df
-2
atau probabilitas p-value α
sedangkan wilayah penolakannya yaitu Jarque Bera X
2
df
-2
atau probability p- value
α. Kenormalan data diperlukan dalam analisis regresi berganda, hal ini disebabkan metode ini merupakan salah satu metode analisis parametik.
Kenormalan diketahui melalui sebaran regresi yang merata disetiap nilai. Penerimaan H
mengindikasikan bahwa data yang dianalisis tersebar normal. 3. Krtiteria Statistika
Ada beberapa uji yang dapat digunakan untuk menentukan kesesuaian model regresi yang didapat secara statistik.
a. Uji – F