dapat dihindarkan melalui penggunaan variabel perbedaan yang tetap di dalam model, namun tanpa menghilangkan informasi jangka panjang yang
diakibatkan oleh penggunaan data perbedaan semata. Dengan demikian, dapat dikatakan bahwa model koreksi kesalahan dengan konsep
kointegrasi atau dikenal dengan Granger Representation Theorem Jaka Sriyana, 2003.
3. Uji Asumsi Klasik
Sebelum dilakukan regresi, terlebih dahulu dilakukan uji asumsi klasik untuk melihat apakah data terbebas dari masalah multikolinieritas,
heteroskedastisitas, dan autokorelasi. Uji asumsi klasik penting dilakukan untuk menghasilkan estimator yang linier tidak bias dengan varian yang
minimum Best Linier Unbiased Estimator = BLUE, yang berarti model regresi tidak mengandung masalah. Untuk itu perlu dibuktikan lebih lanjut
apakah model regresi yang digunakan sudah memenuhi asumsi tersebut. Berikut ada tiga asumsi yang digunakan:
a. Multikolinieritas
Multikolinieritas adalah situasi di mana terdapat korelasi variabel-variabel bebas diantara satu dengan lainnya. Hubungan linier
antara variabel independen dapat terjadi dalam bentuk hubungan linier yang sempurna perfect dan hubungan linier yang kurang sempurna
imperfect. Salah satu cara mendeteksi ada atau tidaknya
multikolinieritas adalah dengan uji korelasi. Pada uji korelasi, kita
menguji multikolinieritas hanya dengan melihat hubungan secara individual antara satu variabel independen dengan satu variabel
independen yang lain. Tetapi multikolinieritas bisa juga muncul karena satu atau lebih variabel independen merupakan kombinasi linier dengan
variabel independen lain. Dalam penelitian ini penulis akan melihat multikolienieritas
dengan menguji koefisien korelasi r antarvariabel independen. Sebagai aturan main yang kasar rule of thumb, jika koefisien korelasi
cukup tinggi katakanlah diatas 0,7 maka diduga ada multikolinieritas dalam model. Sebaliknya jika koefisien korelasi relatif rendah maka
diduga model tidak mengandung multikolinieritas.
b. Heteroskedastisitas
Salah satu asumsi penting OLS adalah varian dari residual adalah konstan. Namun dalam kenyataannya seringkali varian residual
adalah tidak konstan atau disebut dengan heteroskedastisitas. Heteroskedastisitas biasanya terdapat pada data cross section.
Sementara itu data time series jarang mengandung unsur heteroskedastisitas, dikarenakan ketika menganalisis perilaku data yang
sama dari waktu ke waktu fluktuasinya akan relatif lebih stabil Agus Widarjono,
2005:146. Untuk
mendeteksi ada
tidaknya heteroskedastisitas, maka bisa menggunakan uji White, yang pada
prinsipnya meregres residual yang dikuadratkan dengan variabel bebas
pada model. Di mana keputusan ada tidaknya heteroskedastisitas berdasarkan besar kecilnya Obs R square.
Ho : tidak ada heteroskedastisitas Ha : ada heteroskedastisitas
Kriteria Uji White adalah jika: Obs R square
χ
2
tabel, tidak signifikan, Ho ditolak Obs R square
χ
2
tabel, signifikan, Ho diterima Dengan tingkat signifikan α sebesar 5 bisa juga dengan
menggunakan probabilitas Probabilitas Chi-Square, maka :
Prob
Chi-Square 0,05, tidak signifikan, Ho ditolak
Prob Chi-Square 0,05, signifikan, Ho diterima
c. Autokorelasi
Autokorelasi adalah suatu keadaan di mana kesalahan penggangguan dari periode tertentu µ
t
berkorelasi dengan kesalahan pengganggu dari periode sebelumnya µ
t-1
. Pada kondisi ini kesalahan pengganggu tidak bebas tetapi satu sama lain saling berhubungan. Bila
kesalahan pengganggu periode t dengan t-1 berkorelasi maka terjadi kasus korelasi serial sederhana tingkat pertama first order
autocorrelation Yahya Hamja, 2008:117
Secara harfiah autokorelasi berarti adanya korelasi antara anggota observasi satu dengan observasi lain yang berlainan waktu.
Dalam kaitannya dengan asumsi metode OLS, autokorelasi merupakan korelasi antara satu residual dengan residual yang lainnya. Sedangkan
salah satu asumsi penting metode OLS berkaitan dengan residual adalah tidak adanya hubungan antara residual satu dengan residual yang lain
Agus Widarjono, 2005:177. Dalam penelitian ini untuk melihat adanya autokorelasi atau
tidak maka dapat menggunakan uji autokorelasi yang dikembangkan oleh Bruesch dan Godfrey yang lebih umum dan dikenal dangan uji
Lagrange Multiplier LM-test.
Ho : tidak ada autokorelasi Ha : ada autokorelasi
Dengan tingkat signifikan α sebesar 5 dan menggunakan distribusi Chi-Square
, maka : Jika
Prob Chi-Square
0,05, tidak signifikan, Ho ditolak Jika Prob Chi-Square 0,05, signifikan, Ho diterima
Atau dengan cara lain untuk mendeteksi adanya autokorelasi dalam model bisa dilakukan dengan menggunakan uji Durbin-Watson
DW, yaitu dengan cara membandingkan antara DW statistik d dengan dl dan du. Jika hipotesis nol menyatakan bahwa tidak terjadi
penyakit autokorelasi, maka:
Ada autokorelasi
positif Inconclusive
Tidak ada autokorelasi
Inconclusive Ada
autokorelasi negatif
dl du 2 4-du 4-dl
4
Gambar 3.1 Statistik Durbin-Watson
4. Error Correction Term ECT
