51
Suatu persamaan tidak mengalami masalah autokorelasi pada kondisi normal yaitu taraf 5 persen, bila nilai h hitung berada diantara -1.96 sampai 1.96.
Namun, nilai durbin-h statistic tidak akan diperoleh hasilnya jika hasil kali T var lebih besar dari satu. Hal ini berarti terdapat angka negatif sehingga
tidak dapat dihitung nilai akarnya.
4.5.4. Uji Multicollinearity
Multicollinearity adalah suatu hubungan linier antara dua atau lebih
variabel bebas dalam satu persamaan tertentu. Jika terjadi korelasi yang sempurna diantara sesama variabel penjelas maka koefisien parameter menjadi tidak dapat
ditaksir dan nilai standard error setiap koefisien estimasi menjadi tidak terhingga. Multicollinearity
sempurna jarang terjadi, tetapi umumnya memiliki derajat interkorelasi diantara variabel bebas yang disebabkan saling ketergantungan
berbagai variabel ekonomi sepanjang waktu Sitepu dan Sinaga, 2006. Salah satu cara untuk menentukan masalah multicollinearity dapat dilihat
dari nilai Variance Inflation Factor VIF. VIF merupakan suatu cara untuk mendeteksi Multicollinearity dengan melihat sejauh mana sebuah variabel
penjelas dapat diterangkan oleh semua variabel penjelas lainnya di dalam persamaan regresi. VIF yang tinggi menunjukkan bahwa multicollinearity telah
menaikkan sedikit varian pada koefisien estimasi, akibatnya menurunkan nilai t. Semakin tinggi nilai VIF maka semakin berat dampak dari multicollinearity. Pada
umumnya, masalah multicollinearity yang serius terjadi apabila nilai VIF dari suatu variabel lebih besar dari 10 Sarwoko, 2005.
52
4.5.5. Uji Heteroscedasticity
Salah satu asumsi penting dari estimasi metode kuadran terkecil adalah varian residual bersifat konstan atau homoscedasticity. Heteroscedasticity adalah
suatu keadaan dimana asumsi tersebut tidak tercapai. Dampak adanya heteroscedasticity
adalah tidak efisiennya proses estimasi, sementara hasil estimasi tetap konsisten dan tidak bias. Masalah heteroscedasticity akan
mengakibatkan hasil uji statistik-F dan uji statistik-t menjadi tidak berguna. Salah satu cara untuk mendeteksi terjadinya masalah heteroscedasticity
adalah dengan menggunakan metode park. Metode park mengandung prosedur dua tahap Sitepu dan Sinaga, 2006. Tahap pertama, melakukan estimasi suatu
model persamaan regresi tanpa mempersoalkan apakah ada masalah heteroscedasticity
atau tidak. Misalkan spesifikasi model yang ditentukan adalah sebagai berikut:
PPBεR = +
1
PKBεR +
2
δPPBεR + ………………………4.12 Estimasi persamaan 4.12 dengan menggunakan metode OLS, sehingga akan
menghasilkan nilai estimasi residual error έ = Ŷ-Y. Karena umumnya nilai
2
tidak diketahui, maka hal ini ditaksir dengan menggunakan
2
sebagai proxy sehingga model regresi untuk menaksir
2
adalah: Ln
έ
2
= +
1
δn PKBεR +
2
δn δPPBεR + v ………………….4.1γ dimana v adalah error term.
Persamaan 4.13 merupakan tahap kedua dari metode park. Apabila koefisien parameter
i
berpengaruh nyata secara statistik pada taraf α sebesar 5
persen, maka hal ini mengindikasikan adanya masalah heteroscedasticity pada data yang digunakan dan sebaliknya.
53
4.5.6. Konsep Elastisitas
