70 h. Evaluasi koefisien regresi secara individu
Langkah selanjutnya setelah uji F adalah menguji variabel-variabel tersebut secara individu untuk menentukan koefisien regresi yang bernilai nol
dan yang bukan. Jika koefisien regresi bernilai nol, menandakan bahwa variabel independen tertentu tidak berpengaruh dalam menerangkan
keragaman dari variabel dependen. Uji statistik yang digunakan adalah uji t- student
, dengan derajat bebas n-k+1, dimana k adalah banyaknya variabel independen dan n adalah jumlah pengamatan atau sampel.
4.6.3. Uji Asumsi Model Regresi Linear Klasik
Pada model ekonometrik, terutama model regresi linear, diketahuinya nilai variabel independen tertentu, belum tentu menjamin diketahuinya nilai variabel
dependen dengan tepat, sebab variasi variabel dependen disebabkan oleh banyak variabel, yang tidak semuanya dimasukkan sebagai variabel independen. Selain
itu, terdapat faktor-faktor, seperti kesalahan tertentu, yang selalu akan dilakukan oleh seorang peneliti. Untuk menampung kesalahan tersebut, di dalam model
regresi linear dimasukkan variabel gangguan, yaitu yang mengganggu hubungan jika tidak terdapat kesalahan tersebut. Sehingga model regresi linear secara umum
dapat ditulis:
Berdasarkan model di atas dapat dilihat bahwa variasi variabel dependen Y tidak saja dijelaskan oleh variabel dependen X
1
−X
k
, tetapi juga oleh variabel ∈, dimana variabel ∈ adalah variabel random yang tidak diketahui dan tidak dapat
diamati. Oleh sebab itu, agar variabel dependen dapat dijelaskan dengan baik oleh
variabel independen, maka pola perilaku ∈ harus diperkirakan terlebih dahulu.
Untuk itu, dibuatlah asumsi tertentu tentang pola perilaku variabel ∈ yang dikenal
dengan nama asumsi model regresi linear klasik, yaitu: 1. Nilai yang diharapkan bersyarat conditional expected value dari
∈
i
tergantung pada X
i
tertentu adalah nol. Y
i
= a + b
1
X
1
+ b
2
X
2
+....+ b
k
X
k
+ ∈
i
………. 7
71 2. Tidak
adanya korelasi
berurutan atau
tidak ada
autokorelasi nonautocorrelation. Artinya, dengan X
i
tertentu, simpangan setiap Y yang manapun dari nilai rata-ratanya tidak menunjukkan adanya korelasi, baik
secara positif, maupun negatif. 3. Varians bersyarat dari
∈ adalah konstan. Asumsi ini dikenal dengan asumsi homoskedastisitas.
4. Variabel bebas adalah nonstokastik yaitu tetap dalam penyampelan berulang, atau jika stokastik, didistribusikan secara independen dari gangguan
∈. 5. Tidak adanya multikolinearitas di antara variabel independen yang satu
dengan yang lainnya. 6.
∈ didistribusikan secara normal dengan rata-rata varians yang diberikan oleh asumsi 1 dan 2.
Penyimpangan asumsi 2, 3, dan 5 memiliki pengaruh yang serius, sedangkan asumsi 1, 4, dan 6 tidak. Jika asumsi 1 tidak dipenuhi, maka konstanta
intersep pada model tidak dapat diduga dengan benar. Akan tetapi, dalam praktik, unsur intersep tidak begitu penting, karena untuk sebagian besar tujuan,
ukuran besaran yang berarti adalah koefisien regresi variabel independen, yang tetap tidak terpengaruh jika asumsi 1 tidak terpenuhi. Untuk asumsi 4, strategi
praktis untuk diikuti adalah dengan mengasumsikan bahwa untuk masalah yang ada nilai variabel independen adalah tertentu, meskipun variabel itu sendiri
mungkin sebenarnya stokastik. Jadi hasil analisis regresi adalah tergantung pada nilai tertentu. Asumsi 6, asumsi kenormalan tidak penting secara mutlak, jika
tujuannya hanya pendugaan. Penduga OLS Ordinary Least Square adalah BLUE Best Linear Unbiased Estimation dengan memandang apakah
∈ didistribusikan secara normal atau tidak. Terlebih lagi jika
∈ didistribusikan secara normal, dapat ditunjukkan bahwa penduga OLS cenderung didistribusikan
secara normal apabila sampel meningkat secara tak terbatas. Ahli ekonomi seringkali tidak memiliki sampel yang besar, sehingga asumsi kenormalan
menjadi sangat penting untuk maksud pengujian hipotesis dan peramalan. Berdasarkan landasan teori yang telah diuraikan, maka dalam penelitian
ini, model persamaan regresi linear yang dihasilkan akan diuji menurut asumsi model regresi linear klasik. Uji asumsi yang dilakukan untuk model regresi linear
72 berganda meliputi, uji multikolinearitas, uji normalitas, uji heteroskedastisitas,
dan uji autokorelasi. Uji normalitas, uji heteroskedastisitas, dan uji autokorelasi dilakukan dengan bantuan software Eviews 4,1. Sementara itu, uji
multikolinearitas dilakukan dengan bantuan software SPSS 11,5. 1. Uji normalitas
Untuk mengetahui normalitas residual error atau gangguan, maka digunakan Uji Jarque-Bera. Hipotesis yang disusun, yaitu:
H : Residual error atau gangguan berdistribusi normal.
H
a
: Residual error atau gangguan tidak berdistribusi normal. Jika nilai probabilitas Jarque-Bera lebih besar dari taraf nyata
α yang digunakan, maka disimpulkan terima H
. Sehingga dapat dikatakan residual error atau gangguan pada model terdistribusi dengan normal atau
dengan kata lain asumsi normalitas terpenuhi. 2. Uji heteroskedastisitas
Uji yang digunakan untuk melihat ada atau tidaknya sifat heteroskedastisitas pada model adalah Uji Heteroskedastisitas Umum White.
Hipotesis yang disusun yaitu: H
: Tidak ada heteroskedastisitas. H
a
: Ada heteroskedastisitas. Jika nilai probabilitas ObsR-squared Uji White lebih besar dari taraf
nyata α yang digunakan, maka disimpulkan terima H
. Atau dengan kata lain, disimpulkan tidak terdapat heteroskedastisitas pada model.
3. Uji autokorelasi Uji yang digunakan untuk melihat ada atau tidaknya autokorelasi pada
model adalah Uji Breusch-Godfrey Serial Correlation Lagrange Multiplier. Hipotesis yang disusun yaitu:
H : Tidak ada autokorelasi.
H
a
: Ada autokorelasi. Jika nilai probabilitas ObsR-squared Uji Breusch-Godfrey Lagrange
Multiplier lebih besar dari taraf nyata α yang digunakan, maka disimpulkan
terima H . Atau dengan kata lain, disimpulkan tidak terdapat autokorelasi pada
model.
73 4. Uji multikolinearitas
Telah disebutkan sebelumnya bahwa menurut Mason dan Lind 1999, korelasi antara variabel-variabel independen yang berada pada selang -0,70
sampai dengan 0,70 tidak menyebabkan masalah. Selain itu, adanya multikolinearitas juga dapat diuji berdasarkan nilai VIF Variance Inflation
Factors nya. Menurut Lind, Marchal, dan Wathen 2007, sebuah VIF yang
lebih besar dari sepuluh 10 dianggap tidak memuaskan, yang mengindikasikan sebaiknya variabel bebas tersebut dibuang. Pramesti 2009
menyebutkan, jika nilai VIF lebih kecil dari sepuluh, maka dapat dikatakan model terbebas dari masalah multikolinearitas. Oleh sebab itu, jika nilai
korelasi antar variabel independen berada pada selang -0,7 sampai 0,7 dan nilai VIF setiap variabel tersebut lebih kecil dari sepuluh, maka disimpulkan
tidak terdapat multikolinearitas pada model regresi linear.
4.6.4. Bentuk Pengujian Hipotesis Penelitian
