3.4 Evaluasi Model
Sebagai upaya untuk menghasilkan model yang efisien, fleksibel dan konsisten, maka perlu dilakukan pendeteksian terhadap pelanggaran atau
gangguan asumsi model, yaitu gangguan antar waktu time-related disturbance, gangguan antar individu cross sectional disturbance dan gangguan akibat
keduanya. Pengestimasian terhadap model tersebut hasilnya diharapkan memperoleh konstanta intersep yang berbeda-beda untuk masing-masing bandara
di masing-masing tahun. a. Multikolinearitas
Indikasi multikolinearitas tercermin dengan melihat hasil t dan F statistik hasil regresi. Jika banyak koefisien paramater dari t statistik diduga tidak
signifikan sementara hasil dari F hitungnya signifikan, maka patut diduga adanya multikolinearitas. Multikolinearitas dapat diatasi dengan memberi perlakuan cross
section weight , sehingga baik t statistik maupun F hitung menjadi signifikan.
b. Autokorelasi Autkorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk
mendeteksi adanya korelasi serial dalah dengan meliht nilai Durbin Watson DW dalam Eviews. Untuk mengetahui ada tidaknya autokorelasi, maka dilakukan
dengan membandingkan DW-statistiknya dengan DW tabel. Adapun kerangka identifikasi autokorelasi terangkum dalam Tabel 1.
Tabel 1 Kerangka Identifikasi Autokorelasi
Nilai DW Hasil
4-dl DW 4 Tolak H
, Korelasi serial negatif 4-du DW 4-dl
Hasil tidak dapat ditentukan 2 DW 4-du
Terima H
0,
tidak ada korelasi serial du DW 2
Terima H
0,
tidak ada korelasi serial dl DW du
Hasil tidak dapat ditentukan 0 DW dl
Tolak H
0,
korelasi positif
Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random error dari
hasil regresi. Pada analisis seperti yang dilakukan dalam model, jika ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan
konsisten. Treatment untuk pelanggaran ini adalah dengan menambahkan AR1 atau AR2 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 taksiran parameter dalam model tersebut BLUE adalah Var u
i
= σ
2
konstan, semua sesatan yang mempunyai variasi 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 meskipun ada masalah heteroskedastisitas maka hasil regresi akan terjadi “misleading” Gujarati, 2003.
Untuk mendeteksi adanya pelanggaran asumsi heteroskedastisitas, digunakan uji White Heteroskedasticity yang diperoleh dalam program E-Views.
Dengan uji White, dibandingkan Obs R-Squared dengan X Chi-Squared tabel,
jika nilai Obs R-Squared lebih kecil daripada X Chi-Squared tabel maka tidak
ada heteroskedastisitas pada model. Data panel dalam E-Views 4.1 yang menggunakan metode General Least Square Cross Section Weights, maka untuk
mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Sum Square Residual
pada Weighted Statistic dengan Sum Square Resid Unweighted Statistics.
Jika Sum Square Resid pada Weighted Statistic Sum Square Resid Unweighted Statistic
, maka terjadi heteroskedastisitas. Untuk men –treatment pelanggaran tersebut, bisa mengestimasi GLS dengan White Heteroskedasticity.
3.5 Batasan Operasional Variabel
Kategori