uji Hausmant test maka dapat melakukan uji pelanggaran terhadap asumsi yang digunakan di dalam model.
3.5.1 Multikolinearitas
Multikolinearitas adalah hubungan linear yang kuat antara variabel-variabel independen dalam persamaan regresi berganda. Jika nilai R
2
yang diperoleh tinggi antara 0,7 hingga 1 tetapi tidak terdapat atau sedikit sekali koefisien dugaan
yang nyata pada taraf uji tertentu dan tanda koefisien regresi dugaan tidak sesuai teori maka model yang digunakan berhubungan dengan masalah multikolinearitas.
Cara yang dapat dilakukan untuk mengatasi multikolinearitas dapat diatasi dengan memberi perlakuan cross section weights, sehingga parameter dugaan pada taraf
uji tertentu t-statistik maupun F hitung menjadi signifikan.
3.5.2 Autokorelasi
Autokorelasi adalah korelasi yang terjadi antara serangkaian individu yang diteliti yang diurut menurut waktu time series atau ruang cross section. Dalam
hal ini autokorelasi sering menimbulkan masalah yang serius sehingga menyebabkan varians residual yang diperoleh lebih rendah, sehingga R
2
terlalu tinggi dan pengujian hipotesis t statistik dan F statistik menjadi tidak
menyakinkan. Uji yang sering digunakan untuk mendeteksi apakah pada data yang diamati terjadi autokorelasi atau tidak maka menggunakan uji Durbin
Watson dengan membandingkan DW statistiknya dengan DW tabel. Untuk mengatasi masalah ini adalah dengan menggunakan metode Generalized Least
Square dalam estimasi model Gujarati, 2004. Adapun kerangka identifikasi
autokorelasi terangkum dalam tabel 3.2.
Tabel 3.2 Kerangka identifikasi autokorelasi Nilai Durbin-Watson
Kesimpulan
DW 1,10 Ada autokorelasi
1,10 DW 1,54 Tanpa kesimpulan
1,55 DW 2,46 Tidak ada autokorelasi
2,46 DW 2,90 Tanpa kesimpulan
DW 2,91 Ada autokorelsi
Sumber : Firdaus, 2004
3.5.3 Heteroskedastisitas
Bila dalam suatu model dijumpai adanya masalah heteroskedastisitas maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Untuk mengetahui
adanya pelanggaran
asumsi heteroskedastisitas
digunakan uji
White Heteroscedasticity
yang diperoleh dalam program Eviews. Nilai estimasi parameter dalam model regresi diasumsikan bersifat BLUE Best Linier Unbiased
Estimate . Hal ini menyebabkan var ui harus sama dengan σ2 konstan, atau
semua residual atau error mempunyai varian yang sama, yang disebut dengan homoskedastisitas. Menurut Gujarati 2003 bahwa masalah heteroskedastisitas
nampaknya menjadi lebih biasa dalam data cross section dibandingkan data time series.
3.5.4 Uji Normalitas
