best = yang terbaik
linear = merupakan fungsi linear dari sampel
unbiased = rata-rata nilai harapan Eb
i
harus sama dengan nilai yang sebenarnya b
i
efficient estimator = memiliki varians yang minimal diantara pemerkiraan lain yang tidak bias
3.6.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel bebas dan variabel terikatnya mempunyai distribusi normal atau tidak.
Suatu model regresi dikatakan baik, apabila memiliki distribusi normal ataupun mendekati normal. Normalitas dapat dideteksi dengan melihat gambar histogram,
tetapi seringkali polanya tidak mengikuti bentuk kurva normal, sehingga sulit untuk disimpulkan. Pengujian asumsi normalitas dapat dilakukan dengan Jarque
Bera Test atau dengan melihat plot dari sisaan. Pada penggunakan software SPSS, dapat dilihat berdasarkan nilai Asymp. Sig. 2-tailed pada N-par test, jika nilai
Asymp. Sig. 2-tailed lebih besar dari alpha, maka data terdistribusi normal.
3.6.2 Uji Multikolinearitas
Istilah multikolinearitas berarti terdapat hubungan linier antar variabel independennya. Gujarati 2006 menyatakan indikasi terjadinya multikolinearitas
dapat terlihat melalui: a.
Nilai R-squared yang tinggi tetapi sedikit rasio yang signifikan. b.
Korelasi berpasangan yang tinggi antara variabel-variabel independennya. c.
Melakukan regresi tambahan auxiliary dengan memberlakukan variabel independen sebagai salah satu variabel dependen dan variabel independen
lainnya tetap diberlakukan sebagai variabel independen. Cara untuk mendeteksi multikolinearitas adalah dengan menghitung
korelasi antara dua variabel bebas. Cara untuk mengatasi masalah multikolinearitas antara lain dengan menambah jumlah data atau mengurangi
jumlah data observasi, menambah atau mengurangi jumlah variabel independennya yang memiliki hubungan linear dengan variabel lainnya,
mengkombinasikan data cross section dan time series, mengganti data, dan mentransformasi variabel.
3.6.3 Uji Autokorelasi
Gujarati 2006 menyatakan autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data time
series atau diurutkan menurut ruang seperti dalam data cross section. Suatu model dikatakan memiliki autokorelasi jika error dari periode waktu time series yang
berbeda saling berkorelasi. Masalah autokorelasi ini akan menyebabkan model menjadi tidak efisien meskipun masih tidak bias dan konsisten. Autokorelasi
menyebabkan estimasi standar error dan varian koefisien regresi yang diperoleh akan underestimate, sehingga R
2
akan besar tetapi di uji t-statistic dan uji F- statistic menjadi tidak valid.
Cara mendeteksi ada tidaknya autokorelasi bisa dilakukan dengan melihat nilai Durbin Watson DW
statistik
, kemudian membandingkannya dengan DW
tabel
. Sebuah model dapat dikatakan terbebas dari autokorelasi jika nilai DW
statistik
terletak di area nonautokorelasi. Penentuan area tersebut dibantu dengan nilai table d
l
dan d
u
. Pengujian menggunakan hipotesis sebagai berikut: H
: Tidak terdapat autokorelasi H
1
: Terdapat autokorelasi Tabel 4. Kerangka Identifikasi Autokorelasi
Nilai DW Hasil
4 − �
�
DW 4 Tolak
H , korelasi serial negatif
4 − �
�
DW 4
− �
�
Hasil tidak dapat ditentukan 2 DW
4 − �
�
Terima H
, tidak ada korelasi serial �
�
DW 2 Terima
H , tidak ada korelasi serial
�
�
DW �
�
Hasil tidak dapat ditentukan 0 DW
�
�
Tolak H
, korelasi serial positif Solusi dari masalah autokorelasi adalah:
1. Penghilangan variabel yang sebenarnya berpengaruh terhadap variabel endogen.
2. Kesalahan spesifikasi model. Hal tersebut diatasi dengan mentransformasi model, misalnya dari model linear menjadi model non linear atau sebaliknya.
3.6.4 Uji Heteroskedastisitas
