3.3.3. Pengujian Model
Proses-proses pengujian ini dapat dikelompokan dalam dua kelompok, yaitu proses mean dan proses variance. Proses mean adalah proses untuk
menentukan variabel yang signifikan terhadap model. Proses ini terdiri atas pengujian stasionary, pengujian multikolinearitas dan pengujian autokorelasi.
Proses variance adalah proses unutk menentukan variabel-variabel pada conditional variance
untuk menghilangkan heteroskedastisitas. Apabila variance model bersifat konstan atau homoskedastisitas maka
sudah cukup baik menggunakan formulasi standar deviasi biasa konvensional dengan regresi berganda. Analisis yang digunakan adalah Ordinary Least Square
OLS, sehingga hasil yang didapatkan sudah bersifat Best Linear Unbiased Estimator BLUE.
3.3.3.1. Pengujian Stasioner
Hal yang paling penting berkaitan dengan penelitian data time series adalah stasioneritas. Time series dikatakan stasioner jika secara stokastik
menunjukan pola yang konstan dari waktu ke waktu atau dengan kata lain tidak terdapat pertumbuhan atau penurunan pada data tersebut atau data disebut
horizontal sepanjang sumbu waktu. Data yang non stasioner akan menghasilkan apa yang dinamakan regresi
palsu atau Spurious Regression. Spurious Regression ini adalah regresi yang menggambarkan hubungan dua variabel atau lebih yang nampak signifikan secara
statistik padahal kenyataanya tidak atau tidak sebesar regresi yang dihasilkan
tersebut. Ada beberapa cara yang dapat digunakan untuk mengukur stasioneritas, salah satunya dengan menggunakan Augmented Dickey-Fuller ADF Test. Data
dikatakan stasioner jika nilai nilai mutlak ADF dari masing-masing variabel lebih besar jika dibandingkan dengan nilai mutlak MacKinnon critical values.
3.3.3.2. Pengujian multikolinearitas
Multikolinearitas yaitu terdapatnya hubungan linier yang sempurna diantara beberapa variabel yang menjelaskan model regresi. Indikasi
multikolinearitas tercermin dengan melihat t dan F-statistik hasil regresi. Jika banyak koefisien parameter dari t-statistik diduga tidak signifikan sementara dari
hasil F-hitung signifikan, maka patut diduga adanya multikolinearitas. Multikolineritas dapat diatasi dengan memberi perlakuan cross-section weight,
sehingga t-statistik maupun F hitung menjadi signifikan. Gujarati 2006 mengatakan bahwa multikolinearitas dapat dideteksi
dengan beberapa indikator sebagai berikut : a.
R
2
sangat tinggi b.
Dalam model yang hanya meliputi dua variabel yaitu dengan memeriksa korelasi derajat nol atau sederhana antara dua variabel. Apabila terdapat
korelasi yang tinggi maka dapat dipastikan bahwa terdapat gejala multikolinearitas.
c. Dengan memeriksa koefisien korelasi parsial apabila dalam model yang
meliputi lebih dari dua variabel x mempunyai korelasi derajat nol. d.
Jika terdapat R
2
tetapi korelasi parsial rendah.
3.3.3.3. Pengujian Heteroskedastisitas