Setelah melakukan ketiga pengujian pemilihan model estimasi terbaik yaitu Uji F, Uji LM dan Uji Hausman, dapat disimpulkan bahwa model
estimasi random effect adalah model yang paling tepat digunakan untuk mengestimasi data penelitian ini, karena terlihat jelas model estimasi random
effect lebih baik dibandingkan dua model estimasi lainnya pooled least square dan fixed effect.
C. Pengujian Asumsi Klasik
Untuk memastikan bahwa hasil estimasi adalah konsisten dan tidak bias maka dilakukan pengujian asumsi klasik. Pengujian tersebut meliputi uji
multikolinearitas, heteroskedastisitas dan autokorelasi. 1.
Uji Multikoleniaritas Asumsi dasar model regresi linear yang pertama adalah tidak
terjadinya multikolinearitas, artinya antara variabel bebas tidak terjadi keterkaitan yang kuat. Kasus multikolinearitas ini biasanya hanya terjadi
pada regresi linear berganda. Berikut adalah hasil uji multikolinearitas menggunakan software STATA 12:
Tabel 6. Hasil Uji Multikolinearitas Menggunakan STATA 12
Variabel VIF
Toleransi Jalan
6.28 0.1593
Listrik 2.86
0.3499 Kesehatan
5.62 0.1781
Pendidikan 2.28
0.4395
Sumber: Output Stata 12 diolah
Tabel hasil uji multikolinearitas menggunakan software STATA diatas memperlihatkan besarnya nilai VIF Variance Inflation Factor
dan nilai toleransi setiap variabel penelitian. Apabila VIF 10 dan nilai
toleransi 0.05 maka tidak terjadi multikolinearitas, begitu juga sebaliknya. Terlihat nilai VIF semua variabel lebih kecil dari 10 dan nilai
toleransi semua variabel juga lebih besar dari 0,05 sehingga bisa disimpulkan tidak ada multikolinearitas diantara variabel penelitian.
2. Uji Heteroskedatisitas
Dalam analisis regresi, heteroskedatisitas terjadi apabila varian gangguan galat tidak konstan dari satu observasi ke observasi lainnya.
Sehingga setiap observasi mempunyai reliabilitas yang berbeda. Kasus heteroskedatisitas sering muncul pada data cross-section dan dapat juga
ditemui pada data time-series. Dalam menguji heteroskedastisitas peneliti menggunakan metode Breusch-Pagan dibantu oleh software STATA 12.
Dalam metode Breusch-Pagan pada STATA dikatakan tidak terjadi gejala heteroskedastisitas apabila nilai probabilitas chi squares lebih
besar d ari α 0,05. Hasil pengujian heteroskedastisitas menunjukkan nilai
probabilitas chi squares sebesar 0.2844 yang nilainya lebih besar dibandingkan α. Sehingga data penelitian ini tidak mengandung gejala
heteroskedatisitas. 3.
Uji Autokorelasi Autokorelasi terjadi bila terdapat korelasi antar residual, dimana
residual pada waktu ke t akan dipengaruhi oleh residual pada waktu sebelumnya t-1. Kondisi ini umumnya terjadi pada data time-series,
sementara pada data cross-section tidak terjadi. Untuk menguji autokorelasi dalam penelitian ini, peneliti menggunakan metode
Woldridge test dibantu oleh software STATA 12. Dalam metode Woldridge test dikatakan tidak terjadi gejala autokorelasi apabila nilai
probabilitas F lebih besar dari α yang pada penelitian ini berada pada taraf 5 atau 0,05. Hasil uji autokorelasi menunjukkan nilai Prob F data
penelitian lebih kecil dari α yaitu sebesar 0,00 sehingga data penelitian diduga mengandung autokorelasi.
Berdasarkan ketiga uji asumsi klasik diatas dapat dilihat bahwa model sudah
terbebas dari
pelanggaran asumsi
multikolinearitas dan
heteroskedatisitas namun masih memiliki masalah autokorelasi. Untuk mengatasi masalah autokorelasi dalam model regresi maka dapat dilakukan
robust method dalam melakukan regresi Akbar, 2011. Dengan demikian standar error sudah terkoreksi untuk model di atas dan parameter yang
diestimasi bisa dipercaya.
D. Hasil Estimasi dan Interpretasi