regresi dilakukan untuk melihat pengaruh antara variabel bebas terhadap variabel terikat karena tidak diperkenankan terjadi korelasi antara observasi dengan data
observasi sebelumnya. Persamaan regresi klasik mengasumsikan bahwa masalah autokorelasi tidak terdeteksi dalam galat u
i
yang dapat dituliskan sebagai berikut Gujarati, 2004 :
Eu
i
u
j
= 0 i j
Jika dalam persamaan regresi terdapat autokorelasi maka dapat dituliskan sebagai berikut :
Eu
i
u
j
i j Autokorelasi dapat berupa autokorelasi positif dan negatif, meskipun pada
umumnya lebih sering ditemukan masalah autokorelasi positif pada data time series
karena pergerakan galat dari data tersebut baik ke atas ataupun ke bawah mengikuti panjangnya waktu.
Masalah autokorelasi dapat diketahui dengan menggunakan uji Breusch- Godfrey Serial Correlation LM Test.
Apabila nilai probabilitas ObsR-squared- nya lebih besar dari taraf nyata tertentu, maka persamaan itu tidak mengalami
autokorelasi. Bila nilai ObsR-squared-nya lebih kecil dari taraf nyata tertentu, maka persamaan itu mengalami autokorelasi.
3.4.4. Uji Multikolinieritas
Multikolinearitas mengacu pada kondisi di mana terdapat korelasi linear di antara variabel bebas sebuah model. Jika dalam suatu model terdapat
multikolinear akan menyebabkan nilai R
2
yang tinggi dan lebih banyak variabel
bebas yang tidak signifikan daripada variable bebas yang signifikan atau bahkan tidak ada satupun. Masalah multikolinearitas dapat dilihat melalui correlation
matrix , di mana batas tidak terjadi korelasi sesame variabel yaitu dengan uji Akar
Unit sesama variabel bebas adalah tidak lebih dari EF GFE Gujarati, 2004. Melalui correlation matrix ini dapat pula digunakan Uji Klein dalam
mendeteksi multikolinearitas. Apabila terdapat nilai korelasi yang lebih dari EF GFE, maka menurut uji Klein multikolinearitas dapat diabaikan selama nilai
korelasi tersebut tidak melebihi nilai R-squared Adj atau R
2
-nya. Selain Uji Klein, uji multikolinieritas juga bisa dideteksi dengan melihat
nilai Variance Inflation Factor VIF. Batas nilai VIF adalah 10 di mana adanya kolinieritas ditunjukan oleh nilai VIF yang lebih besar dari 10. Adapun rumus
untuk mendapatkan VIF yaitu : HI:
C C B
-
Dengan R
2
= koefisien determinasi ganda Dalam bidang ekonomi, hampir tidak mungkin terdapat variabel yang
tidak berhubungan satu sama lain. Oleh karena itu disarankan untuk memakai uji Klein
atau VIF.
3.4.5. Uji Heteroskedastisitas
Kondisi heteroskedastisitas merupakan kondisi yang melanggar asumsi dari regresi linear klasik. Heteroskedastisitas menunjukkan nilai varian dari
variabel bebas yang berbeda, sedangkan asumsi yang dipenuhi dalam linear klasik adalah mempunyai varian yang sama konstanhomoskedastisitas. Dengan kata
