disturbance atau keduanya. Hasil estimasi model tersebut diharapkan memperoleh konstanta intersep yang berbeda-beda untuk masing-masing warung
makan setiap harinya.
3.7.1. Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi dalam analisis regresi linear berganda adalah keragaman dari masing-masing populasi menyebar normal atau
homoskedastisitas. Jika ragam masing-masing tidak sama, maka terjadi masalah heteroskedastisitas. Hal ini mengakibatkan estimasi yang dihasilkan tidak efisien
tetapi tetap menghasilkan estimator yang unbiased dan konsisten. Dengan kata lain, jika regresi tetap dilakukan maka akan terjadi misleading Gujarati, 2003.
Gejala heteroskedastisitas umumnya dapat dideteksi dengan menggunakan uji White Heteroskedasticity pada program E-Views. Pengujian ini dilakukan
dengan membandingkan nilai ObsR-Squared dengan
2
χ Chi-Squared tabel.
Jika nilai ObsR-Squared lebih kecil dari
2
χ Chi-Squared tabel, maka tidak
terjadi heteroskedastisitas. Data panel dalam program E-Views menggunakan metode General Least
Square Cross Section Weights. Heteroskedastisitas dideteksi dengan cara membandingkan nilai Sum Square Residual pada Weighted Statistik dengan Sum
Square Residual pada Unweighted Statistik. Jika nilai Sum Square Residual pada Weighted Statistik lebih kecil daripada Sum Square Residual pada Unweighted
Statistik, maka terjadi heteroskedastisitas. Hal tersebut dilakukan estimasi GLS dengan White Heteroskedasticity.
3.7.2. Autokorelasi
Di dalam berbagai penelitian seringkali terjadi adanya hubungan antara gangguan estimasi satu observasi dengan gangguan estimasi observasi yang lain.
Nisbah antara observasi inilah yang disebut sebagai masalah autokorelasi. Adanya autokorelasi akan menyebabkan terjadinya:
a. Tidak menghasilkan nilai estimasi BLUE Best Linear Unbiased
Estimations. b.
Nilai galat baku ter-autokorelasi, sehingga ramalan tidak efisien. c.
Ragam galat terbias. d.
Terjadi pendugaan kurang pada ragam galat standar error underestimated, sehingga Sb underestimated. Oleh karena itu, t
overestimate cenderung lebih besar dari yang sebenarnya dan tadinya tidak signifikan menjadi signifikan.
Gejala autokolerasi dapat dideteksi dengan membandingkan nilai DW
statistik
dengan DW
tabel
. Pengujian hipotesisnya adalah sebagai berikut: H
: Tidak ada autokolerasi. H
1
: Ada autokolerasi. Adapun kriteria autokolerasi dapat dilihat pada Tabel 3.1 berikut ini:
Tabel 3.2. Kriteria Identifikasi Autokolerasi
Nilai DW
Kesimpulan
4 – dl DW 4
Tolak H
, terdapat autokolerasi negatif
4 – du DW 4 – dl
Hasil tidak dapat ditentukan
2 DW 4 – du
Terima H
, tidak ada autokolerasi
du DW 2
Terima H
, tidak ada autokolerasi
dl DW du
Hasil tidak dapat ditentukan
DW dl Tolak
H ,
terdapat autokolerasi positif Sumber: Gujarati, 2003
3.7.3. Multikolinearitas
