Semua kemungkinan setiap kasus di atas dapat diuji jika mengelompokan semua observasi n dan N bersama-sama dan menaksir regresi berikut.
2.16
Dengan variabel tambahan , dengan mengamsusikan
Sehingga, rata- rata Nilai matematika Y pada :
Murid Pria. D=1 2.17
Murid Wanita. D=0 2.18
Keuntungan dari penaksiran 2.16 dibandingkan dengan penaksiran kedua regresi 2.14 dan 2.15 secara individual adalah bahwa model regresi 2.16 dapat
digunakan untuk menguji berbagai hipotesis. Jadi, jika koefisien tidak signifikan
secara statistik , maka hipotesis nol diterima bahwa kedua regresi 2.17 dan 2.18 mempunyai intersep yang sama. dan jika
tidak signifikan secara statistik maka hipotesis nol diterima bahwa kedua regresi 2.17 dan 2.18 mempunyai slope yang
sama. pengujian hipotesis bahwa secara simultan dapat dilakukan
dengan uji analisis ragam uji F.
2.8 Penyimpangan Asumsi Model Klasik
2.8.1 Multikolinearitas
Istilah multikolinearitas mula-mula ditemukan oleh Ragnar Frisch. Multikolinearitas adalah adanya hubungan yang linear yang sempurna atau pasti diantara beberapa atau
semuan variabel yang menjelaskan dari model regresi. Apabila ada kolinearitas sempurna diantara X, koefisien regresinya tak tertentu dan kesalahan standarnya tak
terhingga. Jika kolinearitasnya tinggi tapi tidak sempurna, penaksiran koefisien regresi adalah mungkin, tetapi kesalahan standarnya cenderung besar. Sehingga nilai populasi
dari koefisien regresi tidak dapat ditaksir dengan tepat.
Ada beberapa indikator untuk mendeteksi multikolinearitas
Universitas Sumatera Utara
1. Ketika R
2
sangat tinggi tetapi tak satupun koefisien regresi signifikan secara statistik berdasarkan uji-t.
2. model yang hanya memiliki 2 variabel bebas dapat dilihat dari korelasi sederhananya.bila korelasinya tinggi r0,7 maka antara variabel tersebut
terjadi kolinearitas. Adanya multikolinearitas dapat dilihat dari tolerance value atau nilai Variance
Inflation Factor VIF, yaitu dengan rumus :
Dengan koefisien determinasi
berganda ketika diregresikan dengan dengan
variabel-variabel lainnya. Dan batas VIF adalah 5.
2.8.2 Heteroskedastisitas
Gangguan yang muncul dalam fungsi regresi populasi adalah homoskedastik, yaitu semua gangguan mempunyai varians yang sama, namun jika variansnya tidak sama
maka terjadi heterokedastisitas.
Adanya heterokedastisitas dapat dideteksi dengan uji heterokedastisitas yaitu salah satunya adalah uji Park. Tujuannya adalah untuk menguji apakah dalam model
regresi terdapat ketidaksamaan variansi dari residual satu pengamatan kepengatan lainnya. Model yang baik adalah tidak terjadi heteroskedastisitas.
Rumus uji park untuk regresi sederhana adalah 2.19
Dengan adalah unsur gangguan yang stokastik. Jika signifikan secara statistik
maka terjadi heterokedastisitas begitu juga sebaliknya, bila tidak sinifikan secara statistik maka tidak terjadi heteroskedastisitas. Dengan menggunakan SPSS 17
persamaan 2.17 dan signifikansi koefisien secara parsial dapat dicari.
Universitas Sumatera Utara
2.8.3 Uji Normalitas
