mendasar yang perlu diuji dalam membuat persamaan adalah heteroskedastisitas, multikolinearitas, dan autokorelasi.
3.6.1. Uji Heteroskedastisitas
Heteroskedastisitas adalah salah satu penyimpanan pada asumsi klasik statistika. Heteroskedastisitas terjadi jika ragam sisaan tidak konstan, hal ini
dilambangkan dengan Var μ
i 2
=
i 2
. Masalah ini sering terjadi jika ada penggunaan data cross section dalam estimasi model, namun masalah ini juga
dapat terjadi dalam data time series. Pada umumnya heteroskedastisistas diperoleh pada data kerat lintang 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 hasil regresi akan terjadi “misleading” Gujarati, 1995.
Untuk mendeteksi adanya pelanggaran asumsi heteroskedastisistas, digunakan uji-White Heteroskedasticity yang diperoleh dalam program Eviews 6.
Dalam pengolahan data panel dalam Eviews 6 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 Square Resid pada Unweighted Statistics. Jika
Sum Square Resid pada Weighted Statistics Sum Square Resid pada Unweighted Statistics, maka terjadi heteroskedastisitas. Untuk men-treatmen pelanggaran
tersebut, bisa mengestimasi GLS dengan White Heteroskedasticity.
3.6.2. Uji Multikolinearitas
Multikolinearitas merupakan suatu penyimpangan asumsi akibat adanya keterkaitan atau hubungan linier antar variabel bebas penyusun model. Indikasi
adanya multikolinearitas dapat dilihat jika dalam model yang dihasilkan terbukti signifikan secara keseluruhan uji-F dan memiliki nilai R-Squared yang tinggi
namun banyak variabel yang tidak signifikan uji-t. salah satu cara mengatasi masalah ini adalah dengan menggabungkan data cross section dengan data time
series Juanda, 2009.
3.6.3. Uji Autokorelasi
Kategori