HC = β
+ β
1
NI + β
2
SIR + β
3
INF + β
4
INV + β
5
DUM + ε
Dimana: HC
= Pengeluaran konsumsi rumahtangga triliun NI
= Pendapatan nasional triliun SIR
= Suku bunga tabungan persen INF
= Laju inflasi persen INV
= Pertumbuhan investasi persen DUM
= Dummy kenaikan BBMDUM=0, tidak ada kenaikan BBM, DUM=1, ada kenaikan BBM
β = Konstanta
β
1
, β
2
, β
3
, β
4
, β
5
= Koefisien regresi masing-masing variabel
3.2.2.1. Asumsi Regresi Linier Berganda
Ada empat asumsi yang harus dipenuhi untuk membentuk sebuah model persamaan regresi linier berganda, yaitu:
a. Asumsi Normalitas atau
, ~
2
N
i
Maksudnya adalah setiap sisaan
i, i=1,2,3,..,n
distribusikan secara normal dengan rata-rata nol dan varians sama dengan
2
. b. Asumsi Autokorelasi
Autokorelasi mengandung arti ada korelasi atau hubungan yang berurutan antara sisaan dari suatu observasi dengan sisaan observasi yang lain. Jika
tidak ada hubungan yang berurutan antar sisaan dikatakan tidak ada
autokorelasi. Misalkan
i
dan
j
menyatakan residual dari variabel sisaan i dan j, maka:
cov μ
i
, μ
j
| X
i
X
j
= E[μ
i
– Eμ
i
|X
i
][μ
j
– Eμ
j
|X
j
] cov
μ
i
, μ
j
| X
i
X
j
= E[μ
i
|X
i
.Eμ
j
|X
j
= 0, untuk tiap i ≠ j c. Asumsi Heteroskedastisitas
Secara teknis homoskedastisitas atau penyebaran sama adalah asumsi yang menyatakan bahwa sisaan dari observasi memiliki varians yang sama.
var μ
i
| X
i
= E[μ
i
– Eμ
i
|X
i
]
2
= Eμ
i 2
|X
i
= σ
2
. Maksudnya adalah varian dari kesalahan pengganggu merupakan suatu konstanta positif yang sama dengan
σ
2
. Jika var μ
i
| X
i
≠ σ
2
maka dapat disimpulkan terjadi heteroskedastisitas antar sisaan dalam model.
d. Asumsi Multikolinearitas Artinya adalah tidak terdapat hubungan linier yang pasti antara variabel-
variabel bebas yang menjelaskan. Metode kuadrat terkecil akan menghasilkan estimator yang mempunyai sifat
linier, tidak bias dan mempunyai varian yang minimum atau biasa disebut Best Linier Unbiased Estimator
BLUE jika memenuhi keempat asumsi tersebut.
3.2.2.2. Pemeriksaan dan Pengujian Asumsi Model
Pemeriksaan dan pengujian asumsi dilakukan untuk melihat ada atau tidaknya pelanggaran terhadap keempat asumsi dalam model regresi linier
berganda dengan metode OLS. Tiga asumsi yang pertama, yakni kenormalan, autokorelasi dan heteroskedastisitas berkaitan dengan sisaan dalam model,
sehingga jika salah satu tidak terpenuhi maka estimator menjadi kurang valid atau
tidak efisien dan tidak bersifat BLUE. Sedangkan asumsi multikolinieritas berkaitan dengan hubungan yang kuat antarvariabel bebas. Jika asumsi
multikolinieritas tidak terpenuhi, estimator masih bersifat BLUE namun memiliki
varian dan kovarian yang besar sehingga sulit dipakai sebagai alat estimasi. a. Uji Kenormalan
Pemeriksaan asumsi ini bertujuan untuk mengetahui apakah distribusi dari residual menyebar normal dengan rata-rata nol dan varian
σ
2
. Salah satu metode yang banyak digunakan untuk menguji normalitas adalah Jarque-Bera test. Uji
ini mengukur perbedaan skewness dan kurtosis data dan dibandingkan dengan apabila datanya bersifat normal. Hipotesis yang digunakan adalah :
H : Error berdistribusi normal.
H
1
: Error tidak berdistribusi normal. Uji statistik ini dapat dihitung dengan rumus berikut :
2 2
3 4
1 6
K S
n JB
dimana: n = jumlah sampel degrees of freedom
S = skewness
K = kurtosis
Jarque-Bera test mempunyai distribusi chi square
χ
2
dengan derajat bebas dua. Jika hasil Jarque-Bera test lebih besar dari nilai chi square
pada α = 5 persen, maka tolak hipotesis nol yang berarti error tidak berdistribusi normal. Jika
hasil Jarque-Bera test lebih kecil dari nilai chi square pada α = 5 persen, maka
terima hipotesis nol yang berarti error berdistribusi normal.
b. Uji Autokorelasi
