VIF = ................................................................................4
Semakin tinggi VIF, semakin berat dampak dari multikolinearitas. Pada umumnya, multikolinearitas dikatakan berat apabila angka VIF dari suatu variabel
melebihi 10. Jika VIF lebih besar dari 10 maka terdapat multikolinearitas dalam model.
3.1.2.2 Uji Heteroskedastisitas
Asumsi dari model regresi linear adalah bahwa ragam sisaan sama atau
homogen. Jika ragam sisaan tidak sama atau Var = E
²= ² untuk tiap
pengamatan ke-I dari peubah-peubah bebas dalam model regresi, maka dikatakan ada masalah heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas
dapat menggunakan metode grafik atau dengan menggunakan uji Park, uji Glejser, Uji Breusch-Pagan, Uji Goldfield-Quadnt dan white test.
Untuk menguji ada-tidaknya gejala heteroskedastisitas dapat digunakan Park Test, dengan bentuk fungsi sebagai berikut:
ln = ln
Dimana adalah unsur gangguan yang stokastik karena
biasanya tidak diketahui, maka digunakan
sebagai pendekatan dan melakukan regresi berikut Gujarati 2006 :
ln = ln
= ₃₅
Jika ternyata signifikan secara statistik, ini akan menyarankan bahwa
dalam data terdapat heteroskedastisitas. Apabila ternyata tidak signifikan, maka dapat menerima asumsi homoskedastisitas.
Selain menggunakan uji Park, pengujian heteroskedastisitas juga dapat dilakukan dengan menggunakan uji White. Langkah-langkah untuk pengujian
White-test oleh Halbert White, sebagai berikut: 1 Melakukan regresi dengan menggunakan model empiris yang sedang
diamati, kemudian mendapatkan nilai estimasi residual 2 Melakukan estimasi dengan menggunakan regresi bantuan auxillary
regression
3 Menolak hipotesis
yang mengatakan
bahwa terdapat
masalah heteroskedastisitas dalam model empiris yang sedang diamati, jika nilai R²
hasil regresi langkah kedua dikalikan dengan jumlah data n dengan degree of freedom n. R² = X²hitung lebih kecil dibandingkan dengan X²tabel, dan
sebaliknya menolak hipotesis yang mengatakan bahwa terdapat masalah heteroskedastisitas dalam model empiris yang sedang diestimasi X²hitung
lebih besar dibandingkan dengan X²tabel.
3.1.2.3 Uji Autokorelasi
Uji ini dilakukan untuk melihat ada atau tidaknya korelasi antara serangkaian data menurut waktu time series atau menurut ruang cross section.
Nilai statistik Durbin Watson berada pada kisaran 0 hingga 4, dan jika nilainya mendekati dua maka menunjukan tidak adanya autokorelasi ordo kesatu.
Pendeteksi autokorelasi dilakukan dengan pengujian Durbin –Watson DW.
: tidak ada serial autokorelasi baik positif maupun negatif : terdapat serial autokorelasi
Tolak H0 jika d dL atau d 4 – dL dan terima H0 jika dU d 4 – dU.
DW =
∑ ∑
................................................................................5
3.1.2.4 Uji Normalitas
Uji normalitas digunakan untuk menguji apakah error term dari data observasi mendekati sebaran normal sehingga statistik t dapat dikatakan sah. Uji
tersebut dapat dilakukan dengan “normality test” pada residual hasil persamaan model. Jika dalam grafik hasil uji tersebut keberadaan titik-titik pada garis
berbentuk linier dan didapat P-value lebih besar dari taraf nyata, maka asumsi kenormalan dapat terpenuhi. Adapun prosedur pengujian normalitas data :
1 Merumuskan formula hipotesis : Data berdistribusi normal
: Data tidak berdistribusi normal 2. Menentukan taraf nyata
untuk mendapatkan nilai chi-square tabel X² tabel =
; dk = ? dk = k
– 3 dk = Derajat kebebasan
