Evaluasi Model Metode Analisis

3.3.4. Evaluasi Model

3.3.4.1.Multikolinearitas Indikasi multikolinearitas tercermin dengan melihat hasil t dan F-statistik hasil regresi. Jika banyak koefisien parameter dari t-statistik diduga tidak signifikan sementara dari hasil F- hitung signifikan, maka patut diduga adanya multikolinearitas. Multikolinearitas dapat diatasi dengan menghilangkan variabel yang tidak signifikan. 3.3.4.2.Autokorelasi Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin-Watson DW dalam Eviews. Untuk mengetahui ada atau tidaknya autokorelasi, maka dilakukan dengan membandingkan DW-statistik dengan DW-tabel. Adapun kerangka identifikasi autokorelasi terangkum dalam Tabel 3.1. Tabel 3.1 Kerangka Identifikasi Autokorelasi Nilai DW Hasil 4-dl DW 4 Tolak H , korelasi serial negatif 4-dl DW 4-du Hasil tidak dapat ditentukan 2 DW 4-du Terima H , tidak ada korelasi serial du DW 2 Terima H , tidak ada korelasi serial dl DW dl Hasil tidak dapat ditentukan 0 DW dl Tolak H , korelasi serial positif Sumber: Holis 2006. 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 dalam model, jika ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Perlakuan untuk pelanggaran ini adalah dengan menambahkan AR1 atau AR2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model regresi yang kita gunakan. 3.3.4.3.Heteroskedastisitas Dalam regresi linear ganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut BLUE adalah Var ui = 2 σ konstan, semua varian mempunyai variasi yang sama. Pada umumnya, heteroskedastisitas diperolah pada data cross section. Jika pada model dijumpai heteroskedastisitas, 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 menguji adanya pelanggaran asumsi Heteroskedastisitas, digunakan uji White-heteroskedasticity yang diperoleh dalam program Eviews. Dengan uji white, membandingkan Obs R-Squared dengan 2 χ Chi-Squared tabel, jika nilai Obs R-Squared lebih kecil daripada 2 χ -tabel maka tidak ada heteroskedastisitas pada model. Dalam pengolahan data panel dalam Eviews 4.1 yang menggunakan metode General Least Square Cross Section Weights, maka untuk mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Sum Square Resid pada Weighted Statistics dengan Sum Squared Resid Unweighted Statistics. Jika Sum Square Resid pada Weighted Statistics Sum Squared Resid Unweighted Statistics, maka terjadi heteroskedastisitas. Perlakuan untuk pelanggaran tersebut adalah dengan mengestimasi GLS dengan White Heteroscedasticity.

3.3.5. Model Umum Penelitian