Uji t Uji R

16

a. Autokorelasi

Autokorelasi mencerminkan adanya hubungan yang terjadi antara error masa lalu dengan error saat ini yang dapat menyebabkan parameter menjadi bias sehingga pendugaan parameter menjadi tidak efisien. Untuk mendeteksi autokorelasi, dibandingkan nilai Durbin Watson DW statistiknya dengan nilai dari tabel DW yang dijelaskan pada Tabel 3. Tabel 3 Kerangka Identifikasi Autokorelasi Nilai DW Hasil 4-dlDW4 Tolak H , autokorelasi negatif 4-duDW4-dl Hasil tidak dapat ditentukan 2DW4-du Terima H , tidak ada autokorelasi duDW2 Terima H , tidak ada autokorelasi dlDWdu Hasil tidak dapat ditentukan 0DWdl Autokorelasi positif Sumber : Gujarati 2004

b. Multikolinearitas

Multikolinearitas terjadi apabila terdapat hubungan linier antar variabel eksogen. Indikasi terjadinya multikolinearitas adalah dengan melihat hasil t dan F statistik hasil regresi. Apabila koefisien parameter dari t statistik banyak yang tidak signifikan sementara F hitungnya signifikan, maka patut diduga terjadi masalah multikolinearitas. Multikolinearitas dapat diatasi dengan cara menghilangkan variabel yang tidak signifikan, mentransformasi data, dan menambah variabel Gujarati 2004.

c. Normalitas

Uji normalitas merupakan salah satu asumsi dimana error term terdistribusi normal dengan menggunakan uji Jarque-Bera. Apabila nilai probabilitas Jarque-Bera lebih besar dari taraf nyata α, maka persamaan tersebut tidak mempunyai masalah normalitas atau error term terdistribusi normal Winarno 2007.

d. Heteroskedastisititas

Heteroskedastisitas yaitu semua residual atau error mempunyai varian yang tidak konstan atau berubah-ubah. Pada umumnya heteroskedastisitas terjadi pada data cross section. Jika pada model terjadi masalah heteroskedastisitas maka model akan menjadi tidak efisien meskipun tidak bias dan konsisten. Dan jika regresi tetap dilakukan, hasil regresi yang diperoleh menjadi “misleading” Gujarati, 2004. Untuk mendeteksi ada tidaknya masalah heteroskedastisitas dalam data panel digunakan metode General Least Square Cross Section Weights. Jika sum square resid pada Weighted Statistics lebih kecil dari sum square resid unweighted statistics dapat dikatakan bahwa dalam model panel tersebut terjadi masalah heteroskedastisitas. Cara yang dilakukan untuk menghilangkan masalah heteroskedastisitas ini adalah dengan mengestimasi GLS dengan white heteroskedasticity.