Kriteria uji : Bila
t t
maka terima H , artinya peubah bebas yang diuji
tidak berpengaruh nyata terhadap peubah tak bebasnya pada tingkat kepercayaan tertentu. Bila
t t
maka tolak H , artinya peubah bebas yang diuji
berpengaruh nyata terhadap peubah tak bebasnya pada tingkat kepercayaan tertentu.
3.6.2. Kriteria Ekonomi Uji Derajat Kedua
Kriteria ini untuk menentukan apakah pendugaan model telah sesuai dengan tiga syarat pendugaan melalui metode OLS untuk jumlah observasi yang
cukup besar.
Tidak Bias atau Nyata Unbiasedness
Hal ini terjadi jika suatu model dengan jumlah contoh n memiliki nilai tengah dari parameter dugaan sama dengan nilai parameter populasi sebenarnya.
Konsisten Consistency
Hal ini terjadi jika syarat pada kondisi tidak bias atau nyata unbiasedness terpenuhi dan variasi parameter dugaan harus mendekati nol.
Efisien Efficiency
Suatu parameter dugaan dikatakan sebagai penduga yang efisien dari parameter dengan populasi sebenarnya, jika parameter itu konsisten dan memliki
variasi yang lebih kecil jika dibandingkan dengan penduga lain yang konsisten. Langkah selanjutnya dilakukan pengujian terhadap asumsi-asumsi yang terdapat
pada metode OLS.
Uji Kolinieritas Ganda atau Multikolinieritas Multicollinearity.
Multikolinieritas merupakan suatu kondisi adanya hubungan linier diantara peubah bebas. Multikolinieritas sempurna memiliki nilai 1 dimana
peubah penjelasnya berkorelasi sempurna. Adapun konsekuensi dari adanya multikolinieritas yang sempurna
r , yaitu standar erorr menjadi sangat
besar dan nilai t
menjadi rendah sehingga parameter dugaan menjadi tidak nyata walaupun secara keseluruhan tetap nyata, konsisten, dan efisien.
Menurut Koutsoyiannis 1977, ada dua alasan mengapa terjadi multikolinieritas. Pertama, terdapat kecenderungan peubah ekonomi untuk
bergerak bersama-sama sepanjang waktu. Kedua, adanya penggunaan nilai beda kala lag pada peubah penjelas dalam model.
Salah satu cara untuk mendeteksi multikolinieritas dikemukakan oleh L.R Klein dalam Koutsoyiannis 1977 yang mengatakan bahwa multikolinieritas
bukanlah masalah penting kecuali koefisien determinasi partialnya r lebih besar
koefisien determinasinya R , sehingga dapat dituliskan :
r R
, , ,…,
3.22 Untuk itu perlu dibuat suatu matriks koefisien determinasi parsial antar peubah
bebas.
Uji Korelasi Diri atau Autokorelasi Autocorrelation.
Asumsi lain dari OLS adalah nilai galat u antar suatu pengamatan bersifat bebas tidak tergantung pada nilai galat u pengamatan sebelumnya. Hal ini
berimplikasi pada kovarian galat dua pengamatan sama dengan nol, atau dapat dituliskan :
cov E
untuk i ≠ j serta asumsi E
dan E
Jika asumsi diatas tidak terpenuhi maka dapat disimpulkan bahwa terjadi pelanggaran asumsi autokorelasi.
Masalah autokorelasi sering terjadi pada data time series. Dampak dari adanya hal tersebut yaitu pendugaan dan peramalan menjadi tidak efisien
walaupun tetap nyata dan konsisten. Dampak lainnya yaitu penduga variasi dan koefisien regresi akan menjadi bias dan tidak konsisten, sehingga tes terhadap
hipotesis menjadi tidak valid. Menurut Pindyck dan Rubensfeld dalam Nurdiana 2001, statistik
Durbin-Watson DW dapat menunjukan ada tidaknya korelasi diri antara galat yang satu dengan galat yang lainnya. Apabila statistik DW = 2.0 maka tidak
terdapat korelasi diri dalam persamaan tersebut. Namun pengujian korelasi diri dengan statistik DW pada model yang mengandung peubah beda kala tidak bisa
dilakukan. Hal ini disebabkan pada model yang mengandung peubah beda kala, modelnya akan menjadi autoregresif, sehingga nilai statistik DW akan menuju
nilai 2,0 dan cenderung terjadi masalah korelasi berangkai. Untuk itu Durbin menyarankan uji statistik Durbin-h sebagai berikut :
h , DW N
n · Var γ ⁄
,
3.23 dimana :
h = nilai statistik Durbin – h,
DW = nilai statistik Durbin – Watson,
Var γ = ragam koefisien regresi dari peubah bebas beda kala, dan n
= jumlah observasi.
Masih menurut Pindyck dan Rubinfeld dalam Nurdiana 2001, uji statistik Durbin-h tersebut hanya sahih untuk pengamatan dengan contoh yang besar,
karena dengan contoh yang besar maka nilai h akan mendekati sebaran normal sehingga pengujiannya dapat menggunakan tabel sebaran normal. Bagi
pengamatan dengan contoh kecil uji Durbin-h akan menjadi kurang sahih. Uji durbin-h tidak berlaku jika
n · Var γ , yang menyebabkan nilai
dalam persamaan menjadi tidak terdefinisikan jika sama dengan satu atau menjadi negatif jika lebih besar dari satu sehingga nilai dalam akarnya menjadi
imajiner. Oleh karena itu untuk melihat adanya korelasi diri derajat pertama dilakukan dengan uji alternatif Koutsoyiannis, 1977 yaitu membuat persamaan
regresi galat periode t dengan galat periode sebelumnya dengan bentuk : e
ϕ e v
3.24 dimana :
e = galat pada periode ke – t, e = galat pada periode sebelumnya, dan
ϕ = koefisien regresi peubah galat.
Metode pengujiannya sama dengan pengujian terhadap koefisien regresi lainnya dengan menggunakan statistik uji-t. Jika
ϕ berbeda nyata dengan nol maka terdapat masalah korelasi diri dalam model. Namun jika
ϕ tidak berbeda nyata dengan nol maka tidak terdapat masalah korelasi diri dalam model.
Uji Heteroskedastisitas Heteroscedasticity.
Asumsi yang menyatakan bahwa variasi nilai galat setiap pengamatan sama untuk seluruh nilai peubah bebas disebut homoskedastisitas atau asumsi
variasi yang konstan. Jika asumsi ini tidak terpenuhi maka model bersifat heteroskedastisitas Dengan kata lain adalah peubah acak dengan
E dan
var E
σ , untuk t , , , … , n.
Implikasi dari heteroskedastisitas dalam sebuah model regresi dengan menggunakan prosedur OLS adalah bahwa penduga OLS tidak lagi efisien
walaupun penduga tersebut dan peramalannya masih bersifat nyata dan konsisten. Selain itu varian dan kovarian dugaan dari koefisien regresi akan bias dan tidak
konsisten sehingga tes hipotesis menjadi tidak nyata. Untuk mendeteksi adanya heteroskedastisitas maka dilakukan pengujian
rank korelasi dari Spearman Gujarati, 1991. Setiap peubah bebas X diurutkan bersama galat dari model, dengan mengabaikan tanda dari galat tersebut.
Pengurutan sesuai dengan urutan yang meningkat atau menurun. Jika nilai t
dengan derajat kebebasan n-2 n adalah jumlah observasi lebih besar dari t
maka dapat disimpulkan bahwa model tidak mengalami heteroskedastisitas. Secara matematis dapat dirumuskan sebagai berikut :
r σ
∑
3.25 t
√
3.26
3.6.3. Kriteria Ekonomi Apriori
