Uji Autokorelasi Uji Normalitas

3.4.4.3 Uji Autokorelasi

Autokorelasi akan muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain Hanke Reitsch, dalam Mudrajad Kuncoro, 2004. Masalah autokorealasi dapat timbul karena residual tidak bebas dari satu observasi ke observasi lainnya. Dengan kata lain, masalah ini sering ditemukan pada data runtut waktu. Akibat autokorelasi, OLS tidak dapat menghasilkan nilai estimasi BLUE. Hasil parameter masih tetap linier-unbiased tetapi tidak efisien varians under estimate. Nilai standard error yang dihasilkan oleh estimasi OLS akan lebih kecil dibandingkan dengan standard error yang sebenarnya, sehingga cenderung untuk menolak H . Ada beberapa cara untuk mendeteksi ada atau tidaknya autokorelasi, yaitu Uji Durbin Watson, Uji Lagrange Multiplier atau Breusch-Godfrey, Statistik Q atau Box-Pierce dan Ljung Box. Dalam penelitian ini, uji yang digunakan untuk memastikan ada atau tidaknya autokolinearitas adalah Uji korelasi serial The Breusch-Godfrey Serial Correlation LM Test, yang dikembangkan oleh Breusch-Godfrey. Nilai probability dari ObsR- squared dibandingkan dengan α. Apabila probabilitas dari ObsR- squared α, maka H yang menyatakan tidak terdapat autokorelasi ditolak, dengan kata lain model mengandung autokorelasi. Jadi, untuk memastikan model tersebut mengandung autokolinearitas atau tidak, nilai ObsR-squared harus lebih besar dari α.

3.4.4.5 Uji Normalitas

Untuk memenuhi asumsi bahwa data harus terdistribusi secara normal, maka uji normalitas perlu dilakukan. Uji ini dapat dilakukan dengan histogram dan juga uji Jarque-Bera. Uji Jarque-Bera adalah uji statistik untuk mengetahui apakah data terdistribusi normal. Uji ini mengukur perbedaan skewness dan kurtosis data. Uji normalitas dapat dilakukan per variabel dapat juga beberapa variabel sekaligus yakni dengan menggunakan residual dari regresi yang telah dilakukan. Nilai residual itulah yang digunakan untuk pengujian normalitas. Apabila nila koefisien J-B lebih kecil dari 2, maka data terdistribusi normal atau dengan melihat probabilitasnya, jika lebih besar dari tingkat signifikansi maka data terdistribusi normal Wing Wahyu, 2000 3.4.5 Uji Statistika 3.4.5.1 Uji t-statistik