58 a. Apabila jumlah time-series T besar sedangkan jumlah cross-section N
kecil, maka hasil fixed effect dan random effect tidak jauh berbeda, sehingga dapat dipilih pendekatan yang lebih mudah untuk dihitung, yaitu FEM fixed
effect model. b. Apabila cross-section N besar dan time-series T kecil, maka hasil estimasi
kedua pendekatan akan berbeda jauh. Jadi, jika unit cross-section yang dipilih dalam penelitian diambil secara acak random maka random effect harus
digunakan. Jika unit cross-section yang dipilih dalam penelitian tidak diambil secara acak maka dapat menggunakan fixed effect.
c. Apabila komponen error εi individual berkorelasi maka penaksir random
effect akan bias dan penaksir fixed effect tidak bias. d. Apabila cross-section N besar dan time-series T kecil, dan asumsi yang
mendasari random effect dapat terpenuhi, maka penggunaan model random effect lebih efisien dibandingkan model fixed effect.
3.9.3. Redundant Fixed Effect Test
Dikarenakan model yang dipilih dalam penelitian ini adalah model fixed effect, maka perlu diketahui apakah model ini baik digunakan dalam penelitian ini
melalui uji Redundant Fixed Effects – Likelihood Ratio . Model fixed effect dapat disimpulkan sesuai dalam penelitian ini jika hasil uji tersebut menunjukkan hasil
antara lain koefisien chi-square signifikan pada α = 5 koefisien chi-square
0,05
Universitas Sumatera Utara
59
3.9.4. Uji Asumsi Klasik
Adapun syarat uji asumsi klasik yang harus dipenuhi model regresi berganda sebelum data tersebut dianalisis adalah sebagai berikut :
a. Uji Normalitas
Uji normalitas digunakan dalam tahap awal dalam pemilihan analisis data. Tujuan uji ini dilakukan untuk mengetahui apakah dalam model regresi,
variabel independen atau keduanya berdistribusi normal atau tidak. Jika data normal digunakan statistik parametrik, namun jika data tidak normal digunakan
statistik non parametrik atau lakukan treatment agar data normal. Untuk menguji normalitas data, peneliti menggunakan uji Kolmogorov Smirnov. Apabila
probabilitas 0,05, maka distribusi data normal dan dapat digunakan regresi berganda. Apabila probabilitas 0,05, maka distribusi data dikatakan tidak
normal, sehingga perlu dilakukan transformasi data atau menambah maupun mengurangi data. Cara untuk mengatasi data yang tidak normal, dapat dilakukan
transformasi data dalam bentuk lain, seperti melakukan trimming atau winsorizing.
b. Uji Multikolinearitas
Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Uji ini bertujuan untuk menguji
apakah model regresi ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel
independennya. Deteksi multikolinearitas pada suatu model dapat dilihat yaitu
Universitas Sumatera Utara
60 jika nilai VIF variance inflation factor 5 dan nilai Tolerance 0.1, maka
model dapat dikatakan terbebas dari multikolinearitas. c.
Uji Autokorelasi Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear
ada korelasi atau kesalahan penggangu pada periode t dengan kesalahan pada periode t
-1
, autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada data time
series. Pada data time series, masalah autokorelasi relatif terjadi. Model regresi yang baik adalah model regresi yang terbebas dari autokorelasi. Uji autokorelasi
ini menggunakan uji Durbin Watson DW. d.
Uji Heterokedastisitas Uji ini digunakan untuk menguji apakah dalam suatu model regresi terjadi
ketidaksamaan variabel dari residual dari suatu pengamatan ke pengamatan lainnya. Jika varian dari residual dari suatu pengamatan ke pengamatan lainnya
tetap, maka disebut homoskedastisitas, tetapi jika varian residualnya berbeda disebut heterokedastisitas. Model yang baik adalah tidak terjadi heterokedastisitas.
Mendeteksi adanya heteroskedastisitas juga dapat dilakukan dengan Uji Glejser. Uji Glejser merupakan uji statistik untuk mendeteksi ada atau tidaknya
gejala heteroskedastisitas dalam suatu model. Pengujian ini mengusulkan untuk meregres nilai absolut residual terhadap variabel independen Gujarati, 2004.
Dasar pengambilan keputusan dalam Uji Glejser adalah sebagai berikut:
Universitas Sumatera Utara
61 a Jika hasil Uji Glejser menunjukkan variabel independen signifikan secara
statistik mempengaruhi variabel dependen, maka ada indikasi heteroskedastisitas.
b Jika hasil Uji Glejser menunjukkan variabel independen tidak signifikan secara statistik mempengaruhi variabel dependen, maka model regresi tidak
mengandung adanya heteroskedastisitas.
3.9.5. Goodnes of fit test