meskipun Random Effect Model juga tidak memberikan perbedaan hasil yang signifikan dengan Fixed Effect Model tetapi Hausman Test tetap harus dilakukan
untuk memilih pendekatan terbaik antara Fixed Effect Model dan Random Effect Model. Hasil Hausman Test dengan nilai prob sebesar 0,0177 jika dibandingkan
dengan taraf nyata sebesar 5 persen menyatakan bahwa Fixed Effect Model lebih baik daripada Random Effect Model dengan tingkat kepercayaan 95 persen.
5.2 Tahapan Evaluasi Model
5.2.1 Tahapan Evaluasi Model berdasarkan Kriteria Ekonometrik
Berdasarkan Chow Test dan Hausman Test, tahapan pemilihan pendekatan model terbaik menghasilkan bahwa Fixed Effect Model merupakan pendekatan
analisis regresi linier berganda data panel yang terbaik. Namun, pengujian asumsi klasik harus dilakukan terhadap model estimasi data panel Fixed Effect Model
agar dapat menghasilkan estimator yang memenuhi kriteria BLUE.
5.2.1.1 Uji Multikolinearitas
Uji multikolinearitas dilakukan dengan melihat nilai perhitungan koefisien korelasi antar variabel independennya. Apabila nilai koefisien korelasinya lebih
rendah dari 0,80, maka dapat disimpulkan bahwa tidak terjadi multikolinearitas. Hasil penghitungan nilai koefisien korelasi dengan menggunakan EViews 6.0
menghasilkan output seperti pada Lampiran 1. Dengan melihat bahwa tidak ada nilai koefisien korelasinya yang lebih tinggi dari 0,80 maka dapat disimpulkan
bahwa tidak terjadi multikolinearitas sehingga kriteria bebas multikolinearitas terpenuhi dalam model estimasi ini.
5.2.1.2 Uji Heteroskedatisitas
Uji heteroskedastisitas dilakukan dengan melakukan GLS Weights Cross- section weight. Dengan melihat bahwa, nilai Sum squared resid Weighted Statistic
sebesar 4544,762 yang lebih kecil dibandingkan nilai Sum squared resid Unweighted Statistic sebesar 4578,128, maka dapat di simpulkan bahwa model
estimasi mengandung masalah heteroskedastisitas dimana varians tiap unsur error tidak konstan.
Winarno 2007 menyatakan bahwa heteroskedastisitas dapat menyebabkan estimator tidak lagi BLUE karena tidak lagi mempunyai varians yang minimum,
perhitungan standar error tidak lagi dapat dipercaya kebenarannya karena estimasi regresi yang dihasilkan tidak efisien serta uji hipotesis yang didasarkan pada uji
F-Statistic dan t-Statistic tidak dapat dipercaya. Jika model mengalami masalah ini, dengan menggunakan metode GLS Weights Cross-section weight tersebut
masalah sudah teratasi Ekananda, 2006.
5.2.1.3 Uji Autokolerasi
Uji autokorelasi dilakukan dengan uji Durbin-Watson. Dengan mengetahui bahwa jumlah cross section sebesar 10, jumlah time series sebesar 30, jumlah
observasi sebesar γ00, jumlah variabel independen sebesar 5, dan sebesar 5 persen maka diperoleh nilai Durbin-Watson Tabel dengan D
L
sebesar 1,718 dan
D
U
sebesar 1,820, sehingga diperoleh selang pengambilan keputusan seperti pada Gambar 5.1.
1,718 1,820
2 2,180
2,282 4
Gambar 5.1 Selang Pengambilan Keputusan Durbin Watson Melihat nilai Durbin-Watson Stat sebesar 1,376774 berada dalam selang 0
d DL yaitu daerah autokorelasi positif, yang dalam uji autokorelasi berarti maka dapat disimpulkan bahwa kriteria bebas autokorelasi tidak terpenuhi dalam
GLS Weights Cross-section weight ini dimana terdapat hubungan antara residual atau observasi dengan residual observasi lainnya. Masalah autokorelasi ini akan
menyebabkan model menjadi tidak efisien meskipun masih tidak bias dan konsisten serta estimasi standar error dan varian koefisien regresi yang diperoleh
akan underestimate, sehingga R-squared akan besar tetapi uji t-Statistic dan uji F- Statistic menjadi tidak valid. Autokorelasi yang kuat juga dapat menyebabkan dua
variabel yang tidak berhubungan menjadi berhubungan atau juga disebut sebagai regresi lancung atau palsu. Metode GLS Weights Cross-section SUR dapat
Autokorelasi Autokorelasi
Autokorelasi
digunakan untuk mengatasi masalah autokorelasi ini sehingga masalah autokorelasi bisa diabaikan Ekananda, 2006.
5.2.2 Tahapan Evaluasi Model berdasarkan Kriteria Statistik
