2. Apabila nilai F-hitung lebih kecil dari F
αk-1, n-k
, maka terima H
o.
Hal ini berarti secara bersama variabel yang digunakan tidak bisa menjelaskan secara nyata
keragaman dari variabel tak bebas.
3.2.6. Permasalahan OLS
Dalam menggunakan metode OLS dapat ditemukan beberapa permasalahan yang dihadapi, yaitu masalah autokorelasi, heteroskedastisitas, dan
multikolinieritas. 1.
Autokorelasi Didalam berbagai penelitian seringkali terdeteksi adanya hubungan serius
antara gangguan estimasi satu observasi dengan gangguan estimasi observasi yang lain. Nisbah antara observasi inilah yang disebut sebagai masalah autokorelasi.
Adanya autokorelasi akan menyebabkan terjadinya : a.
Dugaan parameter tidak bias. b.
Nilai galat baku ter-autokorelasi, sehingga ramalan tidak efisien. c.
Ragam galat terbias. d.
Terjadi pendugaan kurang pada ragam galat standar error underestimated, sehingga Sb underestimated. Oleh karena itu, t overestimate cenderung lebih
besar dari yang sebenarnya. Gejala autokorelasi dapat dideteksi dengan uji Breusch Godfrey Serrial
Correlation Langrange Multiplier Test dengan hipotesis sebagai berikut :
= =
ρ
o
H tidak terdapat serial korelasi
1
≠ =
ρ H
terdapat serial korelasi
Kriteria uji yang digunakan untuk melihat adanya autokorelasi adalah sebagai berikut :
1. Apabila nilai obsR-squared-nya lebih besar dari taraf nyata yang digunakan
maka model persamaan yang digunakan tidak mengalami masalah autokorelasi.
2. Apabila nilai obsR-squared-nya lebih kecil dari taraf nyata yang digunakan
maka model persamaan yang digunakan mengalami masalah autokorelasi. Solusi dari masalah autokorelasi yaitu dihilangkannya variabel yang
sebenarnya berpengaruh terhadap variabel tak bebas. Jika terjadi kesalahan dalam spesifikasi model, hal ini dapat diatasi dengan mentransformasi model, misalnya
dari model linier menjadi nonlinier atau sebaliknya. 2.
Heteroskedastisitas Heteroskedastisitas adalah suatu penyimpangan asumsi OLS dalam bentuk
varians gangguan estimasi yang dihasilkan oleh estimasi OLS yang tidak bernilai konstan. Heteroskedastisitas tidak merusak sifat ketidakbiasan dan konsistensi
dari penaksir OLS tetapi penaksir yang dihasilkan tidak lagi mempunyai varian minimum efisien. Menurut Gujarati 1993, jika terjadi heteroskedastisitas maka
akan berakibat sebagai berikut : 1.
Estimasi dengan menggunakan OLS tidak akan memiliki varians yang minimum atau estimator tidak efisien.
2. Prediksi nilai Y untuk X tertentu dengan estimator dari data yang sebenarnya
akan mempunyai varians yang tinggi, sehingga prediksi menjadi tidak efisien.
3. Tidak dapat diterapkannya uji nyata koefisien atau selang kepercayaan dengan
menggunakan formula yang berkaitan dengan nilai varians. Untuk memeriksa keberadaan heteroskedastisitas salah satunya dapat
ditunjukkan dengan uji Hal White, dimana tidak perlu asumsi normalitas dan relatif mudah. Kriteria uji yang digunakan untuk melihat adanya
heteroskedastisitas adalah sebagai berikut : 1.
Apabila nilai probability obsR-squared-nya lebih besar dari taraf nyata yang digunakan maka model persamaan yang digunakan tidak mengalami masalah
heteroskedastisitas. 2.
Apabila nilai probability obsR-squared-nya lebih kecil dari taraf nyata yang digunakan maka model persamaan yang digunakan mengalami masalah
heteroskedastisitas. Solusi dari masalah ini adalah mencari transformasi model asal sehingga
model yang baru akan memiliki error-term dengan varians yang konstan. 3.
Multikolinearitas Multikolinearitas adalah adanya hubungan linear yang sempurna atau pasti
diantara beberapa atau semua variabel yang menjelaskan dari model regresi. Tanda-tanda adanya multikolinearitas adalah sebagai berikut :
1. Tanda tidak sesuai dengan yang diharapkan.
2. R-squared-nya tinggi tetapi uji individu tidak banyak bahkan tidak ada yang
nyata. 3.
Korelasi sederhana antara variabel individu tinggi r
ij
tinggi. 4.
R
2
lebih kecil dari r
ij 2
menunjukkan adanya masalah multikolinieritas.
Konsekuensi multikolinieritas adalah estimasinya tidak dapat ditentukan dan galat baku menjadi tinggi sehingga prediksi menjadi tidak benar. Kriteria
ekonometrik untuk melihat adanya multikolinieritas diantara peubah-peubah penjelas dalam suatu persamaan dapat dilihat dari R-squared
dan kuadrat korelasi sederhana peubah-peubah penjelas r
2
yang dirumuskan sebagi berikut :
2 2
2 2
2 1
2 1
2 1
2 1
2 1
X X
n X
X n
X X
X n
X rX
Σ −
Σ Σ
− Σ
Σ Σ
− Σ
= 3.9
2 2
2 1
2
... ,...,
, Y
YX b
YX b
YX b
X X
Y R
k k
i k
i
Σ Σ
+ +
Σ +
Σ =
3.10 dimana :
2 1
X rX
= koefisien korelasi X
1
dan X
2
X
1
dan X
2
= peubah-peubah penjelas Y
= peubah tak bebas
k i
X X
Y R
,..., ,
2
= koefisien determinasi Untuk menguji adanya multikolinearitas adalah sebagai berikut :
1. Jika nilai R-squared lebih besar dari nilai kuadrat korelasi sederhana peubah-
peubah penjelas r
2
, maka tidak ada masalah multikolinieritas. 2.
Jika nilai R-squared lebih kecil dari nilai kuadrat korelasi sederhana peubah- peubah penjelas r
2
, maka terdapat masalah multikolinieritas. Solusi dari permasalahan multikolinearitas yaitu menggunakan extraneous
atau informasi sebelumnya, mengkombinasikan data cross-sectional dan data time-series
, meninggalkan variabel yang sangat berkorelasi, mentransformasikan data, dan mendapatkan tambahan data baru.
3.3. Hipotesis Penelitian
