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