ε
it =
u
it
+ v
it
+ w
it
Keterangan : u
it
~ N0,δu
2
: komponen cross section error v
it
~ N0,δv
2
: komponen time series error w
it
~ N0,δw
2
: komponen combinations error, Diasumsikan bahwa error secara individual tidak saling berkolerasi dan begitu
juga dengan error kombinasinya. Penggunakan model efek acak dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya
seperti yang dilakukan pada model efek tetap. Hal ini berimplikasi, parameter yang merupakan hasil estimasi akan menjadi semakin efisien.
5.
Evaluasi Model
Sebagai upaya untuk menghasilkan model yang efisien, tidak bias, dan konsisten, maka perlu dilakukan pendeteksian terhadap
pelanggarangangguan asumsi dasar ekonometrika, yang berupa gangguan antar waktu time-related disturbance, gangguan antar individu atau variabel
cross sectional disturbance, dan gangguan akibat keduanya. Pengujian model yang perlu dilakukan adalah sebagai berikut.
a. Uji Normalitas Data
Uji ini digunakan dalam tahap awal dalam metode pemilihan analisis data. Uji normalitas digunakan untuk mengetahui apakah
distribusi data penelitian masing-masing variabel telah menyebar
Universitas Sumatera Utara
secara normal. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati data normal.
Untuk menguji apakah normal atau tidaknya faktor pengganggu, maka perlu dilakukan uji Normalitas dengan menggunakan Jarque
Bera Test J-B Test. Uji Jarque Bera menggunakan hasil estimasi residual dan chi square probability distribution.
b. Uji 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 hitungnya signifikan, maka patut diduga adanya multikolinearitas. Multikolinearitas dapat
diatasi dengan menghilangkan variabel yang tidak signifikan.
c. Uji Autokorelasi Durbin Watson
Autokorelasi dapat mempengaruhi efisiensi dari estimatornya, untuk mendeteksi adanya autokorelasi adalah dengan melihat nilai
Durbin Watson DW dalam eviews. Untuk mengetahui ada tidaknya autokorelasi, maka dilakukan dengan membandingkan DW-
statistiknya dengan DW tabel. Autokorelasi 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 autokorelasi,
maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Penanganan untuk pelanggaran ini adalah dengan menambahkan
Universitas Sumatera Utara
AR1 atau AR2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model regresi yang digunakan.
Tabel 3.2 Kerangka Identifikasi Autokorelasi
Hipotesis nol Keputusan
Jika
Tidak ada autokeralasi positif Tolak
0 DW d
L
Tidak ada autokeralasi positif No decision
d
L
≤ DW ≤ d
U
Tidak ada autokeralasi negatif Tolak
4- d
L
DW 4 Tidak ada autokeralasi negatif
No decision 4- d
U
≤ DW ≤ 4- d
L
Tidak ada autokeralasi positif atau negatif Tidak ditolak d
U
DW 4-d
U
Universitas Sumatera Utara
F. Jadwal Penelitian Tabel 3.3
