3.9.1 Multikolinieritas
Multikolinieritas timbul karena satu atau lebih variabel bebas merupakan kombinasi linier yang pasti sempurna atau mendekati pasti dari variabel penjelas
lainnya. Jika terdapat multikolinieritas sempurna, koefisien regresi dari variabel penjelas tersebut tidak dapat ditentukan dan variansnya bernilai tak terhingga. Jika
multikonilinieritas kurang sempurna, koefisien regresi dapat ditentukan, namun variansnya sangat besar, sehingga tidak dapat menaksir koefisien secara akurat.
Dalam model regresi linier, diasumsikan tidak terdapat multikolinieritas di antara variabel-variabel penjelas, untuk itu perlu dideteksi dengan mengamati besaran-
besaran regresi yang didapat, yaitu : 1.
Interval tingkat kepercayaan lebar karena varians besar maka standar error besar, sehingga interval kepercayaan lebar;
2. Koefisien determinasi tinggi dan signifikasi nitai t statistik rendah;
3. Koefisien korelasi antar variable bebas tinggi;
4. Nilai koefisien korelasi parsial tinggi.
Untuk melihat ada tidaknya multikolinieritas dalam suatu model pengamatan, dapat dilakukan dengan regresi antar variabel bebas, sehingga dapat diperoleh nilai
koefisien determinan R
2
masing-masing. Selanjutnya R
2
hasil regresi antar variabel bebas tersebut dibandingkan dengan R
2
hasil regresi model, sehingga diperoleh kesimpulan sebagai berikut:
59
- Jika nilai R
2
hasil regresi antar variabel bebas R
2
model penelitian, maka hipotesis yang menyatakan bahwa tidak ada multikolinieritas dalam model
empiris yang digunakan ditolak. -
Jika nilai R
2
hasil regresi antar variabel bebas R
2
model penelitian, maka hipotesis yang menyatakan bahwa tidak ada masalah multikolinieritas
model empiris yang digunakan tidak dapat ditolak.
3.9.2 Heteroskedastisitas
Salah satu asumsi dari model regresi linier klasik adalah varian dari setiap kesalahan pengganggu
μ
1
untuk variabel-variabel bebas yang diketahui merupakan suatu bilangan konstan dengan symbol
σ
2
. Kondisi seperti ini disebut dengan
homoskedastisitas, dengan persamaan sebagai berikut : E
μ
i
2
= σ
2
dimana i = 1,2,...,n 3.7
Sedangkan bila varian tidak konstan atau berubah-ubah disebut dengan heteroskendastisitas.
Untuk melihat atau mendeteksi adanya heteroskendastisitas dapat dilakukan dengan menggunakan Park Test Uji dari Park RE. Park memformalkan metode
grafik, dengan menganjurkan bahwa σ
2
, merupakan fungsi dari variabel bebas X
i
. Fungsi yang dianjurkan adalah sebagai berikut :
σ
i 2
= σ
2
X
i β
e
vi
3.8
atau bila ditulis dalam bentuk logaritma natural adalah sebagai berikut:
60
ln σ
i 2
= ln σ
2
+ β ln X
i
+ v
i
3.9 Karena
σ
i 2
pada umumnya tidak diketahui, maka Park menyarankan σ
i 2
digantikan dengan
μ
i
residual, sehingga diperoleh : ln
μ
i 2
= In μ
2
+
β ln X
i
+ v
i
3.10
= α + β ln X
i
+ v
i
3.11 Sebagai pedoman, apabila koefisien
β dari persamaan 3.10 signifikan secara statistik, ini menunjukkan bahwa dalam data dari model empiris yang sedang
diestimasi terdapat heteroskedastisitas, dan sebaliknya, bila koefisien parameter β
dari persamaan 3.11 tidak signifikan secara statistik, maka asumsi homoskedastisitas atau tidak adanya heteroskedastisitas dalam data dari model
empiris yang sedang diestimasi tidak dapat ditolak. Untuk dapat menerapkan uji Park, maka ada beberapa langkah yang harus
dilakukan, yaitu : 1. Melakukan regresi dengan menggunakan model yang sedang diamati,
kemudian didapatkan nilai estimasi residual, μ
i 2
. 2. Lakukan regresi dengan menggunakan persamaan 3.11
3.9.3 Normalitas
Kategori