H
1
: Model Random Effect Dasar penolakan terhadap H
adalah dengan menggunakan statistik LM yang mengikuti distribusi dari Chi-Square.
Statistik LM dihitung dengan menggunakan residual OLS yang diperoleh dari hasil estimasi model Pooled, dimana:
2 2
2 2
1 1
2
it i
T T
NT LM
~
2
3.8
Jika nilai LM hasil perhitungan lebih besar dari
2
- Tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol, sehingga model yang
digunakan adalah model random effect, dan begitu pula sebaliknya.
3.2.4. Evaluasi Model 3.2.4.1. Multikolinearitas
Indikasi multikolinearitas tercermin dengan melihat hasil t dan F-statistik hasil regresi. Jika banyak koefisien parameter dari t-statistik diduga tidak
signifikan sementara dari hasil F-hitung signifikan, maka patut diduga adanya multikolinearitas. Multikolinearitas dapat diatasi dengan menghilangkan variabel
yang tidak signifikan.
3.2.4.2. Autokorelasi
Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin-Watson
DW dalam Eviews. Untuk mengetahui ada atau tidaknya autokorelasi, maka dilakukan dengan membandingkan DW-statistik dengan DW-tabel. Adapun
kerangka identifikasi autokorelasi terangkum dalam Tabel 3.1.
Tabel 3.1. Kerangka Identifikasi Autokorelasi Nilai DW
Hasil
DW dl Tolak H
, korelasi serial positif dl DW du
Hasil tidak dapat ditentukan du DW 4-du
Terima H , tidak ada korelasi positif atau negatif
4-du DW 4-dl Hasil tidak dapat ditentukan
DW 4-dl Tolak H
, korelasi serial negatif
Sumber : Nachrowi 2006
Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random error dari
hasil regresi. Pada analisis seperti yang dilakukan dalam model, jika ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan
konsisten. Perlakuan untuk pelanggaran ini adalah dengan menambahkan AR 1 atau AR 2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model
regresi yang di gunakan.
3.2.4.3. Heteroskedastisitas
Dalam regresi linear ganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut BLUE adalah Var ui =
2
konstan,
