yang serupa dengan Chow Test yaitu program Eviews. Hipotesis yang dibentuk dalam Hausman Test adalah sebagai berikut :
H : Model Random Effect
Ha : Model Fixed Effect H
ditolak jika P-value lebih kecil dari nilai a. Sebaliknya, H diterima jika P-value lebih besar dari nilai a. Nilai a yang digunakan
sebesar 5.
43
3. Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistic yang harus dipenuhi pada analisisi regresi linier berganda yang berbasis Ordinary Least Square
OLS. Beberapa alat uji yang sering dilakukan dalam uji asumsi klasik adalah:
44
a. Uji Normalitas
45
Uji normalitas dilakukan untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah yang
memiliki nilai residual yang terdistribusi normal. Jadi uji normalitasbukan dilakukan pada masing-masing variabel tetapi pada
nilai residualnya. Jika asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Metode untuk menguji
normalitas data adalah dengan melihat Tes Normalitas Jarque-Bera.
43
Ibid, h. 157
44
Albert Kurniawan, 2014, h. 156
45
Ibid, h. 156
Data dianggap normal ketika nilai Jarque-Bera lebih kecil dari nilai Chi-Square tabel dengan degree of freedom sebanyak data sampel yang
ada dan nilai probability lebih besar dari nilai signifikansi 0,05.
46
Selain itu dapat juga digunakan one-Sample Kolgomorov-Smirnov Test
dengan melihat tingkat signifikasinya, jika 0,05 maka data terdistribusi secara normal.
b. Uji Multikolinearitas
47
Uji multikolinearitas bertujuan untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam suatu model
regresi linear berganda. Jika ada korelasi yang tinggi diantara variabel- variabel bebasnya, maka hubungan antara variabel bebas terhadap
variabel terikatnya menjadi terganggu. Pada kasus multikolinearitas serius, koefisien regresi tidak lagi menunjukkan pengaruh murni dari
variabel independen dalam model. Beberapa kriteria untuk mendeteksi multikolinearitas dalam suatu
model adalah sebagai berikut: 1 Jika nilai Variance Inflation Factor VIF tidak lebih dari 10 dan
nilai Tolerance tidak kurang dari 0,1, maka model dapat dikatakan terbebas dari multikolinearitas. Semakin tinggi VIF, maka semakin
rendah Tolerance.
46
Wing Wahyu Winarno, “Analisis Ekonometrika dan Statistika dengan Eviews”,
Edisi 3, UPP STIM YKPM, Yogyakarta, 2011, h. 5.37
47
Albert Kurniawan, 2014, h. 157
2 Jika nilai koefisien korelasi antar masing-masing variabel independen kurang dari 0,70, maka model dapat dikatakan
terbebas dari multikolinearitas. Jika lebih dari 0,70 maka diasumsikan terjadi korelasi interaksi hubungan yang sangat kuat
antar variabel independen sehingga terjadi multikolinearitas.
48
3 Jika nilai koefisien determinasi, baik nilai R
2
maupun Adjusted R
2
di atas 0,60, namun tidak ada variabel independen yang berpengaruh terhadap variabel dependen, maka diasumsikan model
terkena multikolinearitas.
c. Uji Heteroskedastisitas
49
Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan
yang lain. Model regresi yang memenuhi persyaratan adalah dimana terdapat kesamaan varians dari residual satu pengamatan ke
pengamatan lain tetap atau disebut homoskedastisitas. Jika terjadi heteroskedastisitas, maka akan berpengaruh kepada penaksiran standar
error yang bias sehingga menyebabkan nilai t hitung menjadi bias. t hitung yang bias menyebabkan pengambilan keputusan melalui
pengujian hipotesis menjadi bias juga sehingga dapat menghasilkan kesimpulan yang salah.
48
Dedi Rosadi, 2012, h. 80
49
Ibid, h. 158
Deteksi heteroskedastisitas dapat dilakukan dengan uji Park
50
, dimana nilai residual data yang telah di log natural diregresikan dengan
variabel independen yang ada. Jika dari salah satu variabel independen ada yang signifikan mempengaruhi nilai residual, maka dapat dikatakan
model terkena heteroskedastisitas.
d. Uji Autokorelasi
Menguji autokorelasi dalam suatu model bertujuan untuk mengetahui ada atau tidaknya korelasi antara variabel pengganggu et
pada periode tertentu dengan variabel pengganggu periode sebelumnya et-1. Jika dalam model regresi terjadi autokorelasi yang kuat maka
dapat menyebabkan dua variabel yang berhubungan menjadi tidak berhubungan, biasa disebut spourious regression. Hal ini dapat terlihat
dari R
2
. Untuk mendeteksi ada atau tidaknya autokorelasi diuji dengan
Durbin-Watson.
51
Dasar pengambilan keputusan ada tidaknya autokorelasi dalam model regresi adalah sebagai berikut:
52
1 Bila nilai D-W terletak antara batas atas atau upper bound du dan 4-du maka koefisien autokorelasi = 0, berarti tidak ada
autokorelasi.
50
Wing Wahyu Winarno, 2011, h. 5.12
51
Ibid, h. 158
52
Imam Ghozali, 2011, h.111
2 Bila nilai D-W lebih rendah daripada batas bawah atau lower bound dl maka koefisien autokorelasi 0, berarti ada
autokorelasi positif. 3 Bila nilai D-W lebih besar dari 4-dl maka koefisien autokorelasi
0, berarti ada autokorelasi negatif. 4 Bila nilai D-W terletak antara batas atas du dan batas bawah dl
atau D-W terletak antara 4-du dan 4-dl, maka hasilnya tidak dapat disimpulkan.
4. Analisis Regresi Berganda