Model Efek Acak Model dan Metode Estimasi

3.5. Evaluasi Model

Gujarati 1995 menjelaskan, sebagai upaya untuk menghasilkan model yang efisien, tak bias, dan konsisten, maka perlu dilakukan pendeteksian terhadap pelanggarangangguan asumsi dasar ekonometrika yang berupa gangguan antar waktu time-related disturbance, gangguan antar daerah atau antar propinsi cross sectional disturbance, dan gangguan akibat keduanya. Pengujian model yang perlu dilakukan adalah sebagai berikut: 1 Multikolinearitas Indikasi multikolinearitas tercermin dengan melihat hasil uji t dan F statistik hasil regresi. Jika banyak koefisien parameter dari t statistik diduga tidak signifikan sementara dari hasil F hitungnya signifikan, maka patut di duga adanya multikolinearitas. Multikolinearitas salah satunya dapat diatasi dengan menghilangkan variabel yang tidak signifikan. 2 Autokorelasi Autolorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson DW dalam Eviews. Untuk mengetahui ada tidaknya autokorelasi, maka dilakukan dengan membandingkan DW-statistikanya dengan DW-tabel. Adapun kerangka identifikasi Autokorelasi terangkum dalam tabel 3.1. Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random error dari hasil regresi. Pada analisis seperti yang dilakukan pada model, jika ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Treatmen untuk pelanggaran ini adalah dengan menambahkan AR 1 atau AR 2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model regresi yang kita gunakan. Tabel 3.1. Kerangka Identifikasi Autokorelasi Nilai DW Hasil 4-dl DW 4 Tolak Ho, korelasi serial negatif 4-dl DW 4-dl Hasil tidak dapat ditentukan 2 DW 4-du Terima Ho, tidak ada korelasi serial du DW 2 Terima Ho, tidak ada korelasi serial dl DW du Hasil tidak dapat ditentukan 0 DW dl Tolak Ho, korelasi serial positif Sumber : Gujarati 2000 3 Heteroskedastisitas Dalam regresi linear berganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut adalah Var u i = σ² konstan, semua varian mempunyai variasi yang sama. Pada umumnya heteroskedastisitas diperoleh pada data kerat lintang cross section. Jika pada model dijumpai heteroskodestisitas, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Dengan kata lain, jika regresi tetap dilakukan meskipun ada masalah heteroskedastisitas maka pada hasil regresi akan terjadi “misleading” Gujarati, 1995. Untuk mendeteksi adanya pelanggaran asumsi heteroskedastisitas, digunakan uji-White Heteroskedasticity yang diperoleh dalam program Eviews 4.1. Dengan uji White, membandingkan ObsR-Squared dengan X Chi-Squared tabel, jika nilai ObsR-Squared lebih kecil dari X Chi-Squared tabel maka tidak ada heteroskedastisitas pada model. Dalam pengolahan data panel dalam Eviews 4.1 yang menggunakan metode General Least Square Cross Section Weights,