squared tidak akan pernah melebihi nilai R-squared bahkan bisa turun jika
ditambahkan variabel bebas yang tidak perlu. Bahkan model yang memiliki kecocokan rendah goodness of fit, adjusted R-squared dapat memiliki nilai
negative. Nilai Adjusted R-squared dapat dihitung sebagai berikut :
3.8 k adalah banyaknya parameter dalam model termasuk faktor intersep.
3.3.4. Uji Kriteria Ekonometrika
1. Uji Normalitas
Kenormalan sisaan diperlukan agar dihasilkan nilai estimasi parameter yang tidak bias, efisien dan konsisten. Selain itu, pengujian parameter dalam
analisis regresi menggunakan nilai kritis distribusi t dan F yang keduanya berasal dari distribusi normal. Pemeriksaan kenormalan sisaan dapat dlakukan melalui
Plot Persentil-Persentil P-P Plot, jika nilai sisaan membentuk garis lurus maka sisaan berdistribusi normal.
Pengujian asumsi kenormalan secara formal dapat dilakukan dengan uji Kolmogorov-Smirnov yang merupakan suatu uji mengenai tingkat kesesuaian
antara distribusi serangkaian nilai sisaan dengan distribusi normal. Hipotesis yang digunakan adalah :
H : distribusi sisaan mengikuti distribusi normal
H
1
: distribusi sisaan tidak mengikuti distribusi normal
Statistik uji : D = maksimum F
X
i
– S
n
X
i
dengan i = 1, 2, 3, …, n. F
X merupakan distribusi frekuensi kumulatif teoritis mengikuti distribusi normal, sedangkan S
n
X merupakan distribusi frekuensi kumulatif sisaan yang diamati sesuai jumlah sampel.
Pada pengujian dengan tingkat kepercayaan sebesar 1- α persen dapat
diambil keputusan menerima H jika D D
tabel
dan menolak H jika D ≥ D
tabel
. D
tabel
merupakan nilai kritis dari tabel Kolmogorov-Smirnov. Selain itu pengambilan keputusan dapat didasarkan pada nilai p-value yaitu jika p-value
≥ α maka H
diterima, sedangkan jika p- value α maka H
ditolak.
2. Autokorelasi
Secara harfiah autokorelasi berarti adanya korelasi antara anggota observasi dengan observasi lain yang berlainan waktu atau disebut juga serial
correlation . Menurut Gujarati 1993, dalam model regresi akan terjadi
autokorelasi apabila terjadi bentuk fungsi yang tidak tepat, peubah penting dihilangkan dari model, terjadi interpolasi data. Untuk mendeteksi ada tidaknya
autokorelasi first degree dapat digunakan nilai Durbin-Watson DW dari hasil regresi, namun untuk melihat autokorelasi pada tingkat yang lebih tinggi
digunakan Uji Breuch Godfrey Serrial Corelation Lagrange LM Test. Autokorelasi akan menyebabkan diantaranya sebagai berikut :
a. Dugaan parameter tidak bias.
b. Nilai galat baku mengalami autokorelasi, sehingga ramalan tidak efisien.
c. Ragam galat tidak jelas.
d. Terjadi pendugaan kurang tepat pada ragam galat standar error
underestimated , sehingga S
b
underestimated. Oleh karena itu, t overestimate
cenderung lebih besar dari yang sebenarnya. H
= β = 0 tidak terdapat serial autokorelasi
H1 = β ≠ 0 terdapat serial autokorelasi
Kriteria uji yang digunakan untuk melihat adanya autokorelasi adalah sebagai berikut :
1. Apabila nilai obsR-squared lebih besar dari taraf nyata yang digunakan,
maka model persamaan yang digunakan tidak mengalami masalah autokorelasi.
2. Apabila nilai obsR-squared lebih kecil dari taraf nyata yang digunakan,
maka model persamaan yang digunakan mengalami masalah autokorelasi. Solusi dari masalah autokorelasi yaitu dengan menghilangkan variabel yang
sebenarnya tidak berpengaruh terhadap variabel bebas. Jika terjadi kesalahan dalam spesifikasi model, hal ini dapat diatasi dengan mentransformasi model,
misalnya dari model linier menjadi non linier atau sebaliknya.
3. Heterokedastisitas
