57
4.5.2 Uji Linearitas
Uji linieritas sangat penting, karena uji ini sekaligus dapat melihat apakah spesifikasi model yang kita gunakan sudah benar atau tidak. Dengan
menggunakan uji ini kita dapat mengetahui bentuk model empiris dan menguji variabel yang relevan untuk dimasukkan kedalam model empiris. Dengan kata
lain, dengan menggunakan uji linieritas, specification error atau mis-spesification error. Salah satu uji yang digunakan untuk menguji linieritas adalah uji Ramsey
atau Ramsey RESET Test Pratomo, 2007 :93.
Ramsey RESET Test: F-statistic
0.830512 Prob. F1,73 0.365124
Log likelihood ratio 0.882386 Prob. Chi-Square1
0.347549 Test Equation:
Dependent Variable: LogY Method: Least Squares
Date: 021710 Time: 10:54 Sample: 1 78
Included observations: 78 Variable
Coefficient Std. Error
t-Statistic Prob.
C -0.769171
7.583785 -0.101423
0.9195 LogX1
-1.551077 2.080250
-0.745620 0.4583
LogX2 -1.721498
2.298918 -0.748830
0.4564 LogX3
0.860862 1.155029
0.745316 0.4585
FITTED2 0.283466
0.311049 0.911324
0.3651 R-squared
0.525989 Mean dependent var 9.919524
Adjusted R-squared 0.500016 S.D. dependent var
0.427546 S.E. of regression
0.302316 Akaike info criterion 0.507267
Sum squared resid 6.671824 Schwarz criterion
0.658338 Log likelihood
-14.78340 F-statistic 20.25123
Durbin-Watson stat 2.145552 ProbF-statistic
0.000000
Hasil pengujian dengan Ramsey RESET Test diperoleh nilai F-statistik yang cukup besar yakni 0.830512 dan diikuti dengan probabilitas yang besar pula
Universitas Sumatera Utara
58 0.365124. Dari sini kita menyimpulkan bahwa model persamaan di atas adalah
linear.
4.5.3 Uji Multikolinearitas
Multikolinearitas sering terjadi jika diantara variabel bebas X saling berkorelasi sehingga tingkat penelitian pemerkiraan semakin rendah. Di samping
itu interval keyakinan kesimpulan yang diambil keliru. Multikolinearitas yang berat dapat mengubah tanda koefisien regresi yang seharusnya bertanda +
berubah - atau sebaliknya. Uji multikolinearitas diperoleh dengan beberapa langkah yaitu :
1. Melakukan regresi model lengkap Y = f X1…Xn sehingga kita mendapatkan R square;
2. Melakukan regresi X1 terhadap seluruh X lainnya, maka diperoleh nilai Ri square regresi ini disebut auxiliary regression; dan
3. Membandingkan nilai Ri square dengan R square. Hipotesa yang dapat dipakai adalah Ho diterima apabila Ri square R square model pertama
berarti tidak terjadi multikolinearitas dan Ha diterima apabila Ri square R square model pertama berarti terjadi masalah multikolinearitas.
Universitas Sumatera Utara
59 Model analisis :
LogY = α + β1LogX1 + β2LogX2 + β3LogX3 + μ
Hasilnya :
LogY = 6.110250 + 0.343551 LogX1 + 0.371683 LogX2 − 0.190061 LogX3 + µ
R-squared = 0.520596; F-statistic = 26.78615
Pengujian di antara masing – masing variabel dependen sebagai berikut: log X1 =
α + β2log X2 + β3log X3 + μ………………………… 1 R-squared = 0.490910 ; F-statistic = 36.16089
log X2 = α + β1log X1 + β3log X3 + μ………………………… 2
R-squared = 0.308608 ; F-statistic = 16.73843 log X3 =
α + β1log X1 + β2log X2 + μ………………………… 3 R-squared = 0.304345 ; F-statistic = 16.40605
Dari hasil regresi diantara variabel dependen terlihat bahwa koefisien determinasinya masih lebih kecil dari koefisien determinasi dari hasil regresi
antara variabel dependen Y dengan variabel independen, yaitu sebesar 52,06. Hal ini berarti bahwa diantara variabel independen tidak terdapat
multikolinearitas.
4.5.4 Uji Heteroskedastisitas
Kategori