Autokorelasi Heteroskedastisitas METODOLOGI PENELITIAN

3.2.3 Evaluasi Model a.

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. Hal ini dapat diatasi dengan memberi perlakuan cross section weights , sehingga baik t statistik maupun F hitung menjadi signifikan. Multikolinearitas juga dapat dilihat berdasarkan Correlation Matrix dalam regresi. Jika nilai korelasi antar variabel 0,8 maka tidak ada multikolinearitas dalam persamaan Winarno, 2007.

b. Autokorelasi

Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson Dw dalam Eviews. Untuk mengetahui ada tidaknya autokorelasi, maka dilakukan dengan membandingkan Dw statistiknya dengan tabel Dw. Adapun kerangka identifikasi autokorelasi terangkum dalam tabel berikut: Tabel 3.1 Kerangka Identifikasi Autokorelasi Sumber: Gujarati, 1995 Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Jika ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Cara mengatasi masalah ini adalah dengan menambahkan AR 1 atau AR 2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model regresi yang kita gunakan.

c. Heteroskedastisitas

Dalam regresi linier berganda, salah satu asumsi yang harus dipenuhi agar tafsiran parameter dalam model tersebut BLUE adalah Var ui = σ 2 konstan, semua varian memiliki variabel yang sama. Pada umumnya heteroskedastisitas diperoleh pada data cross section. Jika pada model dijumpai heteroskedastisitas, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Dengan kata lain, jika regresi tetap dilakukan, maka hasilnya akan terjadi misleanding. Untuk mendeteksi ada tidaknya gejala ini digunakan uji White Heteroscedasticity yang diperoleh dalam program Eviews. Uji White membandingkan antara ObsR-Squared dengan X 2 -table . Jika nilai ObsR- Squared lebih kecil daripada X 2 -table , maka tidak ada heteroskedastisitas pada model. Data panel dalam Eviews menggunakan General Least Square Cross Section Weight , maka untuk mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Sum Square Resid pada Weighted Statistics dengan dengan Sum Square Resid Unweighted Statistics. Jika Sum Square Resid pada Weighted Statistics Sum Square Resid Unweighted Statistics maka terjadi heteroskedastisitas. Untuk mengatasinya bisa mengestimasi GLS dengan White Heteroscedasticity .

3.3 Definisi Operasional