hausman-test signifikan probability dari Hausman α maka H0 ditolak, artinya fixed effect digunakan” :
Statistic Hausman dirumuskan dengan persamaan sebagai berikut : L + \O L
7
O
7
L + \O ] L=O
3.12 dimana β adalah vektor untuk statistik variable fixed effect, b adalah vektor
statistik variabel random effect, M adalah matriks kovarian untuk dugaan random
effect model dan M
1
adalah matriks kovarian dugaan fixed effect model. Jika nilai m hasil pengujian lebih besar dari
[
2
-tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol sehingga model yang digunakan adalah fixed
effect model, begitu juga sebaliknya.
3.2.6 Evaluasi Model
3.2.6.1 Multikolinearitas
Indikasi mulikolinearitas tercermin dengan melihat hasil t dan F statistik hasil regresi. Jika banyak koefisien parameter dari t statistik diduga tidak
signifikan sementara dari hasil F hitungnya signifikan, maka patut diduga adanya multikolinearitas. Gejala multikolinearitas dalam suatu model akan menimbulkan
beberapa konsekuensi diantaranya adalah : 1.
Meskipun penaksir OLS mungkin bisa diperoleh namun kesalahan standarnya mungkin akan cenderung semakin besar dengan meningkatnya
tingkat korelasi antara peningkatan variabel. 2.
Standar error dari parameter diduga sangat besar sehingga selang kepercayaan untuk parameter yang relevan cenderung lebih besar.
3. Jika multikolinearitasnya tinggi kemungkinan probabilitas untuk
menerima hipotesis yang salah menjadi besar.
4. Kesalahan standar akan semakin besar dan sensitif jika ada perubahan
data. 5.
Tidak mungkinnya mengisolasi pengaruh individual dari variable yang menjelaskan Gujarati, 1995.
Salah satu cara untuk mendeteksi multikolinearitas adalah melalui correlation matrix, dimana batas terjadinya korelasi antara sesama variabel bebas
adalah tidak lebih dari |0.80|, melalui correlation matrix ini dapat pula digunakan uji klien dalam mendeteksi multikolinearitas Gujarati, 1995. Apabila terdapat
nilai korelasi yang lebih dari |0.80|, maka menurut uji klien multikolinearitas dapat diabaikan selama nilai korelasi tidak lebih dari nilai Adjusted R-squared.
Selain itu, Multikolinearitas dapat diatasi dengan memberi perlakuan cross section weights, sehingga baik t statistic maupun F hitung menjadi signifikan.
3.2.6.2 Autokorelasi
Autokorelasi adalah gejala adanya korelasi antara anggota serangkaian observasi yang diurutkan melalui deret waktu time series. Adanya gejala
autukorelasi pada suatu persamaan akan menyebabkan suatu persamaan akan memiliki selang kepercayaan yang semakin lebar dan pengujian menjadi kurang
akurat. Hal ini mengakibatkan hasil uji-t dan uji-F menjadi tidak sah dan penaksiran regresi akan menjadi sensitif terhadap fluktuasi penyampelan
Gujarati, 1995. Uji yang sering digunakan untuk mendeteksi ada atau tidak autokorelasi
adalah uji Durbin Watson Statistic D-W. namun, karena di dalam pengujian D- W ini terdapat kelemahan yaitu apabila nilai D-W jatuh pada daerah ragu-ragu
maka hasil uji tidak disimpulkan. Oleh karena itu digunakan pengujian lain, yaitu dengan menggunakan uji Breunch and Godfrey Serial Correlation LM-Test.
Akan tetapi apabila kita gunakan uji Breunch and Godfrey Serial Correlation LM-Test maka jika nilai probabilitas ObsR-squared lebih besar dari
taraf nyata tertentu, maka persamaan ini tidak mengalami autokorelasi. Bila nilai ObsR-squared lebih kecil dari pada taraf nyata tertentu maka persamaan ini
mengandung autokorelasi.
3.2.6.3 Heteroskedastisitas
Salah satu asumsi yang penting dari model regresi linear klasik adalah varian residual bersifat homoskedastik atau bersifat konstan. Apabila asumsi
tersebut tidak terpenuhi maka varian residual tidak lagi bersifat konstan disebut dengan heteroskedastisitas.
Pengujian yang dapat dilakukan untuk mendeteksi apakah data yang diamati terjadi heteroskedastisitas atau tidak yaitu dengan uji White-
Heteroskedasticity. Apabila nilai probability ObsR-squared lebih kecil dari taraf nyata berarti terdapat gejala heteroskedastisitas pada model, namun bila nilai
probability ObsR-squared lebih besar dari taraf nyata berarti tidak terdapat gejala
heteroskedastisitas pada model.
IV. HASIL DAN PEMBAHASAN
