4.5.2. Uji F
Uji F adalah pengujian dugaan persamaan secara keseluruhan. Uji F- statistik dapat menjelaskan kemampuan variabel bebas bersama-sama dalam
menjelaskan keragaman dari variabel dependen. Langkah uji F-statistik ialah : H
: tidak ada variabel yang berpengaruh nyata H
1
: minimal ada satu variabel independen yang berpengaruh nyata terhadap variabel dependen
Statistik uji F ialah :
⎥ ⎥
⎥ ⎦
⎤ ⎢
⎢ ⎢
⎣ ⎡
− −
= 1
k n
RSS k
ESS F
hitung
dimana : RSS = Residual of Sum Squared
ESS = Explained of Sum Squared k = jumlah parameter
n = jumlah pengamatan Bila setelah dihitung
│F
hitung
│ F tabel, maka tolak Ho dan simpulkan bahwa minimal terdapat satu variabel bebas yang berpengaruh nyata terhadap keragaman
variabel dependen. Bila │ F
hitung
│ F tabel maka terima Ho dan simpulkan bahwa variabel bebas tidak bisa menjelaskan secara nyata keragaman dari variabel
dependen.
4.5.3. Uji t
Uji t merupakan suatu pengujian yang bertujuan untuk mengetahui signifikansi koefisien regresi secara individu. Hipotesis untuk uji t adalah :
H :
β = 0 H
1
: β ≠ 0
Berdasarkan data yang tersedia dilakukan pengujian terhadap β. Koefisien regresi
yang bernilai nol berarti tidak mempunyai pengaruh signifikan terhadap variabel dependen. Koefisien tidak sama nol berarti bahwa variabel independen
mempengaruhi variabel dependen. Uji t didefinisikan sebagai berikut :
i i
hitung
b SE
b t
=
dimana : b
i
= koefisien parameter dugaan SE = standar error
Bila setelah dihitung │t│ t
α2
, maka tolak Ho. Bila │t│ t
α2,
maka terima Ho.
4.5.4. Multikolinieritas
Asumsi-asumsi yang harus dipenuhi dalam regresi linier ganda bersifat BLUE Best Linier Unbiased Estimator yaitu sebagai berikut :
1. Eu
i
= 0 2.
cov u
i
, u
j
= 0 ; i ≠ j
3. var u
i
│x
i
= σ
2
sama untuk setiap i homoscedasticity 4.
cov u
i
, x
i
= 0 5.
Model regresi dispesifikasi secara benar 6.
Tidak ada hubungan linier kolinieritas antara regressor
Apabila keseluruhan asumsi BLUE terpenuhi, maka koefisien regresi dalam model telah sesuai dengan prosedur OLS. Pemeriksaan model bertujuan
untuk melihat apakah koefisien regresi merupakan taksiran yang paling baik dan tidak bias.
Interpretasi dari persamaan regresi ganda secara implisit bergantung pada asumsi bahwa variabel-variabel bebas dalam persamaan tersebut tidak saling
berkorelasi. Koefisien-koefisien regresi biasanya diinterpretasikan sebagai ukuran perubahan variabel terikat jika salah satu variabel bebas naik sebesar satu unit dan
seluruh variabel bebas lainnya dianggap tetap. Namun, interpretasi ini menjadi tidak benar apabila terdapat hubungan linier antara variabel bebas Chatterjee and
Price dalam Nachrowi, 2005 Kolinieritas yang terdapat di antara variabel-variabel regressornya
menyebabkan model menjadi kurang baik. Koefisien regresi berganda tidak dapat ditaksir akibat terjadinya multikolinieritas sempurna. Berbeda dengan
multikolinieritas tidak sempurna, koefisien regresi berganda masih dapat dicari, tetapi menimbulkan akibat yaitu :
a. Variansi besar dan Interval kepercayaan lebar. Variansi besar menyebabkan
standar error besar sehingga interval kepercayaan menjadi lebar. b.
Uji-t t rasio tidak signifikan. c.
R
2
tinggi, tetapi banyak variabel yang tidak signifikan dari uji t. d.
Taksiran koefisien yang didapat akan mempunyai nilai yang tidak sesuai dengan substansi sehingga interpretasi menjadi berbeda.
Pengujian multikolinieritas dapat dilakukan dengan melihat nilai VIF Variance Inflation Factor untuk koefisien regresi ke-j. Nilai VIF didefinisikan
sebagai berikut : k
j j
R VIF
,...., 2
, 1
, 1
1
2
= −
=
R
2 j
adalah koefisien determinasi antara variabel bebas ke j dengan variabel bebas lainnya. Nilai j = 2 berarti bahwa koefisien determinasinya sama dengan
korelasi antara X
1
dan X
2
. Jika R
2 j
= 0 atau antar variabel bebas tidak berkorelasi maka nilai VIF sama dengan satu. Jika R
2 j
≠ 0 atau ada korelasi antar variabel bebas, maka nilai VIF lebih besar dari satu. Oleh karena itu, multikolinieritas
tidak terjadi jika nilai VIF mendekati angka 1.
4.5.5. Autokorelasi
Kategori