1. Error residual tidak mengalami autokorelasi
Menurut Gujarati
1995: 201,
autokorelasi didefinisikan sebagai korelasi antara data observasi yang diurutkan berdasarkan urut waktu
Data time series atau data yang diambil pada waktu tertentu Data cross sectional. Penyimpangan asumsi model klasik yang pertama
adalah adanya autokorelasi dalam model regresi. Artinya adanya korelasi antar anggota sampel yang diurutkan berdasarkan waktu data time
series atau data yang diambil pada waktu tertentu. Adanya
autokorelasi pada
error mengindikasikan bahwa ada satu atau beberapa faktor variabel penting yang mempengaruhi variabel
terikat yang tidak dimasukkan kedalam model regresi. Uji autokorelasi yang digunakan adalah Durbin Watson, dengan ketentuan sebagai
berikut:
Tabel 3.2 : Kriteria Uji Durbin Watson
Nilai d Kesimpulan
0 d d
L
Ada autokorelasi positif d
L
d d
U
Tidak ada kesimpulan d
U
d 4-d
U
Tidak ada autolorelasi 4-d
U
d 4-d
L
Tidak ada kesimpulan 4-d
L
d 4 Ada autokorelasi negatif
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Untuk mengetahui ada tidaknya gejala autokorelasi maka perlu dilihat tabel Watson dengan jumlah variabel bebas k dan jumlah data
n sehingga diketahui d
L
dan d
U
maka dapat diperoleh distribusi daerah keputusan ada tidak terjadi autokorelasi.
2. Ragam dari error residual bersifat homogen homoskedastik
Maksud dari ragam bersifat homogen adalah bahwa error memiliki nilai ragam yang sama antara error ke-i dan error ke-j. Bagaimanapun
juga, error sebenarnya berupa data. Hanya saja, sangat sulit atau bahkan tidak mungkin untuk mengetahui nilainya secara pasti. Oleh karena itu,
diperlukan suatu penduga dari data error. Data penduga yang paling tepat adalah data residual. Setiap nilai dari data residual diharapkan
memiliki nilai ragam yang mirip. Jika varians dari residual dari suatu pengamatan ke pengamatan lain berbeda, maka disebut terdapat
heteroskedastisitas. Metode regresi yang baik seharusnya tidak terjadi heteroskedastistitas. Ghozali, 2001 : 60
Identifikasi secara statistik ada atau tidaknya gejala heteroskedastisitas dapat dilakukan dengan menghitung korelasi Rank
Spearman, jika tingkat signifikan p-value lebih besar 5, maka tidak terdapat gejala heteroskedastisitas
3. Tidak terjadi multikolinieritas antar variabel bebas X