43
3.4.3. Asumsi Klasik BLUE Best Linier Unbiased Estimator
Persamaan Regresi harus bersifat BLUE artinya pengambilan melalui uji F dan uji t tidak boleh bias. Tetapi untuk melaksanakan operasi
regresi linier tersebut diperlukan asumsi yang harus dipenuhi : a.
Tidak terjadi autokorelasi b.
Tidak terjadi heterokedastisitas c.
Tidak terjadi multikolinieritas Apabila salah satu dari ketiga asumsi tidak dipenuhi, maka
persamaan regresi yang diperoleh tidak lagi bersifat BLUE Best Linier Unbiased Estimator sehingga berakibat pada hasil estimasi yang tidak
efisien dan tidak konsisten, dengan nilai estimasi parameter regresi yang biasanya akan mengakibatkan upaya pengujian hipotesis menjadi tidak
efisien sehingga penetapan kesimpulan analisis menjadi tidak obyektif. Adapun sifat-sifat BLUE antara lain :
1. Best
Yaitu pentingnya sifat ini bila diterapkan dalam uji signifikan baku terhadap
dan β. 2.
Linier Yaitu sifat yang dibutuhkan untuk memindahkan dalam penaksiran.
3. Unbiased
Yaitu penaksiran parameter yang diperoleh dari data sampel yang besar kira-kira mendekati parameter yang sebenarnya.
44
4. Estimator
Yaitu kesalahan diharapkan sekecil mungkin.
Penerapan asumsi klasik pada model regresi linier berganda tergantung ada tidaknya gangguan pada asumsi klasik tersebut.
Dalam pengujian BLUE Best Linier Unbiased ini dihindari penyimpangan yang bersifat sebagai berikut :
1. Autokorelasi
Autokorelasi didefinisikan sebagai korelasi yang terjadi antara anggota observasi yang terletak berderetan secara series dalam bentuk waktu
jika datanya time series atau korelasi antara tempat yang berderet
atau berdekatan kalau datanya cross sectional. Gujarati, 1995 : 201.
Gambar 5. Daerah Uji Durbin Watson
Tidak ada Autokorelasi
Positif dan Negatif Ada
Autokorelasi Positif
dL dU 4-dU
4-dL 4
Ada Autokorelasi
Positif Daerah
Keraguan Daerah
Keraguan
Sumber : Gujarati, 1995, Ekonometrika Dasar, hal.216.
45
2. Multikolinieritas
Multikolinieritas adalah adanya hubungan yang sempurna antara semua atau beberapa variabel yang menjelaskan dari dalam model
regresi yang dikemukakan. Gujarati, 1995:157.
Untuk mendeteksi adanya multikolinieritas dapat dilihat dengan ciri- ciri :
1. Kolinieritas sering ditandai dengan nilai R
2
yang tinggi. 2.
Koefisien korelasi sederhananya tinggi. 3.
Nilai F
hitung
tinggi signifikan. Gujarati, 1995:166-167.
Untuk mengetahui ada tidaknya gejala multikolinieritas dapat dilakukan dengan menghitung Varience Inflation Factor VIF.
Apabila VIF lebih besar dari 10 VIF 10 maka terjadi multikolinieritas dan jika VIF kurang dari 10 VIF 10 maka tidak
terjadi multikolinieritas. 3.
Heterokedastisitas Istilah Heterokedastisitas berarti variabel independentnya
adalah tidak konstan berbeda untuk setiap nilai tertentu variabel independent.
Uji heterokedastisitas dengan menggunakan uji rank spearman, yaitu dengan cara mengambil nilai mutlak dengan mengasumsikan
bahwa koefisien korelasi adalah nol. Jika hasil regresi menunjukkan nilai signifikan t nilai
, maka regresi linear terdapat heterokedastisitas. Nilai Residual Kuadrat adalah Y observasi – Y
46
Prediksi
2
. Selain itu pada scatter plot akan mengambil gambar yang memancar atau menyebar dan tidak hanya mengumpul pada suatu titik
ataupun membentuk suatu pola tertentu apabila pada persamaan regresi
terjadi heterokedastisitas. Gujarati 1995:177.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
Kategori