Uji Normalitas Uji Model Asumsi Klasik

Tabel 3.2 Tabel Keputusan Durbin Watson Hipotesis Nol Keputusan Jika Tidak ada autokolerasi positif Tidak ada autokolerasi positif Tidak ada autokolerasi negative Tidak ada autokolerasi negative Tidak ada autokolerasi positif atau negatif Tolak No decision Tolak No decision Tidak ditolak 0dd L d L ≤d≤d U 4-d L d4 4-d U ≤d≤4-d L d U d4-D U Ket: d U : Durbin Watson upper, d L :Durbin Watson lower a. Bila nilai DW terlatak antara batas atas atau upper bound d U dan 4-d U , maka koefisein autokolerasi sama dengan nol, berarti tidak ada autokoleras. b. Bila nilai DW lebih rendah daripada batas bawah atau lower bound d L , maka koefisien autokolerasi lebih besar daripada nol, berarti ada autokolerasi positif. c. Bila nilai DW lebih besar daripada 4-d L , maka koefisiensi autokolerasi lebih kecil daripada nol, berarti ada autokolerasi negative d. Bila nilai DW terletak antara 4-d U dan 4-D L , maka hasilnya tidak dapat disimpulkan.

3.5.5.6 Uji Heteroskedastisitas

Suatu fungsi dikatakan baik apabila memenuhi asumsi homoskedastisitas tidak terjadi heterokedastisitas atau memiliki ragam error yang sama. Tujuan menguji ini adalah dalam model regresi terjadi ketidaksamaan variance dan residual suatu pengamatan ke pengamatan yang lain. Jika variance dari residual suatu pengamatan ke pengamatan tetap. Maka di sebut homoskedastisita dan jika berbeda disebut heteroskedastisitas. Heteroskedastisitas tidak merusak ketakbiasan dan konsistensi dari penaksir OLS, tetapi penaksir tadi tidak lagi efisien baik dalam sampel kecil maupun besar Gujarati, 2009. Masalah heteroskedastisitas umumnya terjadi pada data silang cross section daripada data runtut waktu time series . Hereteroskedastisitas tidak merusak property dari estimasi ordinary leas square OLS yaitu tetap tidak biased unbiased dan konsisten estimator, tetapi estimator ini tidak lagi memiliki minimum variance dan efisiensi sehingga tidak lagi BLUE Best Linear Unbiased Estimato.Cara menditeksi ada tidaknya heterokedastisitas adalah dengan menggunakan uji Park . Uji ini memformalkan metode grafik plots dengan menyatakan bahwa variance � 2 merupakan fungsi dari variabel-variabel independen Xi yang dinyatakan dalam persamaan berikut: � 2 = � 2 Persamaan ini dijadikan linear dalam bentuk persamaan logaritma natural sehingga menjadi: ln � 2 = ln � 2 + ln + Oleh karena variance � 2 umumnya tidak diketahaui, maka dapat ditaksir menggunakan residual � 2 sebagai proksi, sehingga persamaan menjadi: