α , = matriks p x r;
0 r p
dan r merupakan jumlah kombinasi linier elemen Xt yang hanya dipengaruhi oleh
shock
transistor. ’X
t-1
=
error correction term
, yaitu jumlah pemberat pembalik rata- rata pada vektor kointegrasi pada data ke t-1.
3.5. Uji Asumsi Klasik
Permasalahan dalam asumsi klasik yang sering dialami dalam pengujian regresi
time series
adalah masalah
normalitas, multikolinieritas,
heteroskedastisitas dan autokorelasi.
3.4.1. Multikolinieritas
Multikolinieritas merupakan gejala adanya hubungan korelasi diantara variabel-variabel independen dalam model regresi. Dampak dari adanya gejala
multikolinieritas membuat hasil estimasi memiliki nilai
standa rd error
yang tinggi. Tingginya
standa rd error
membuat nilai t menjadi lebih kecil sehingga hipotesis nol menyatakan bahwa nilai sebenarnya dari populasi adalah nol atau
tidak signifikan. Walaupun kemiringan parsial secara statistik tidak signifikan berdasarkan uji t namun dalam gejala multikolinieritas membuat nilai R
2
sangat tinggi.
Multikolinieritas pada dasarnya adalah fenomena sampel dan sering terjadi pada data noneksperimental yang dikumpullkan pada sebagian besar ilmu sosial.
Multikolinieritas dapat terjadi ketika jumlah sampel sangat sedikit dalam parameter yang akan diestimasi. Ukuran sampel yang kecil jika jumlah sampel
ditambah maka nilai sampel akan menuju pada nilai estimator populasi sebenarnya.
Montgomery dan Peck dikutip oleh Gujarati dan Porter 2012, menjelaskan beberrapa faktor yang menyebabkan multikolinieritas yaitu : 1
metode pengumpulan data yang digunakan sangat terbatas, 2 kendala model pada populasi yang diamati, 3 spesifikasi model. 4 model memiliki lebih
banyak variabel penjelas daripada jumlah observasi, 5 Dalam data time series terdapat kemungkinan variabel penjelas memiliki trend yang serupa. Dengan kata
lain, nilai dari variabel tersebut sama-sama meningkat atau menurun seiring berjalannya waktu.
Untuk melihat ada tidaknya gejala multikolinieritas dapat dideteksi dengan melihat nilai toleransi TOL,
variance-inflating factor
VIF dan dapat dideteksi dengan melihat koefisien korelasi berpasangan atau
zero order
. Jika nilai zero order tinggi, misalnya melebihi 0,8 maka multikolinieritas menjadi masalah yang
serius. Selain itu, multikolinieritas dapat dideteksi dengan
scatterplot
untuk melihat berbagai variabel dalam model regresi saling berhubungan.
3.4.2. Heteroskedastisitas
