c. Unbiased = Nilai jumlah sampel sangat besar penaksir parameter diperoleh dari sampel besar kira
− kira lebih mendekati sebenarnya. d. Estimasi = Nilai estimasi diharapkan sekecil mungkin.
1. Autokorelasi
Satu dari asumsi penting dari model regresi linier klasik adalah bahwa kesalahan atau gangguan. Uji yang masuk dalam fungsi regresif populasi adalah
random atau tak berkorelasi.jika ini dilanggar, kita mempunyai problem serial
korelasi atau autokorelasi Gujarati, 1998:223.
Sedangkan yang disebut dengan autokorelasi yaitu keadaan dimana kesalahan penganggu periode yang lain. Pengujian terhadap gejala autokorelasi
dilakukan dengan menggunakan uji statistik Durbin Watson.
t = N
∑e
t
– e
t ‐1
2
t = 2
d = Gujarati, 1998 : 223
t = N
∑e
t2
t = 1
Dimana : d = Nilai Durban Watson e
t
= Residual pada waktu ke – t e
t – 1
= Residual pada waktu ke t – 1 satu periode berikutnya
N = Banyaknya data
Gambar 4 : Distribusi Daerah Keputusan Autokorelasi
Menolak Ho Daerah Daerah Menolak Ho
Bukti auto keragu keragu bukti auto
Korelasi raguan raguan korelasi
Positif negatif
Penerimaan Ho 0 dL dU 2 4‐dU 4‐dL d
Sumber : Gujarati. Damodar, 1998, Ekonometrika Dasar, Penerbit Erlangga, Jakarta. Hal 215.
Hipotesis : Ho : Ada autokorelasi positif atau autokorelasi negatif.
HI : Tidak ada autokorelasi positif atau autokorelasi negatif.
Uji autokorelasi ini untuk mengetahui ada tidaknya hubungan antara residu atau sisa regresi pada kasus ke – n dengan residu kasus ke n – 1
2. Heterokedastisitas
Pengujian heterokedastisitas dilakukan untuk melihat apakah ada kesalahan pengganggu mempunyai varian yang sama atau tidak. Hal tersebut
dilambangkan sebagai :
EUi² = ² Gujarati, 1998:223
Dimana : ² = Varian
I = 1,2, ...n Dimana dari hasil uji heterokedastisitas harus menunjukkan bahwa hasil taraf
signifikan dari korelasi Rank Spearman taraf ²uji 0,05. Hal ini tidak
menunjukkan terjadinya Heterokedastisitas.
3. Multikolinieritas
