C.3. Pendeteksian Heteroskedastisitas
Untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilakukan dengan berbagai cara seperti uji grafik, uji Park, Uji Glejser, uji Spearman’s Rank Correlation, dan uji Whyte menggunakan Lagrange Multiplier (Setiaji,
2004: 18)21.
Pengujian heteroskedastisitas menggunakan uji grafik, dapat dilakukan dengan membandingkan sebaran
21 Ditunjukkan pula oleh Gozali, 2001.
antara nilai prediksi variabel terikat dengan residualnya, yang output pendeteksiannya akan tertera berupa sebaran data pada scatter plot. Dengan menggunakan alat bantu komputer teknik ini sering dipilih, karena alasan kemudahan dan kesederhanaan cara pengujian, juga tetap mempertimbangkan valid dan tidaknya hasil pengujian.
Pengujian heteroskedastisitas menggunakan uji Arch, dilakukan dengan cara melakukan regresi atas residual, dengan model yang dapat dituliskan e 2 = a + bYˆ 2 + u . Dari hasil regresi tersebut dihitung nilai R2. Nilai R2 tadi dikalikan dengan jumlah sampel (R2 x N). Hasil perkalian ini kemudian dibandingkan dengan nilai chi-square (χ2) pada derajat kesalahan tertentu. Dengan df=1 (ingat, karena hanya memiliki satu variabel bebas). Jika R2 x N lebih besar dari chi-square (χ2) tabel, maka standar error mengalami heteroskedastisitas. Sebaliknya, jika R2 x N lebih kecil dari chi-square (χ2) tabel, maka standar error telah bebas dari masalah heteroskedastisitas, atau telah homoskedastis.
D. Uji Multikolinieritas
D.1. Pengertian Multikolinearitas
Multikolinieritas adalah suatu keadaan dimana terjadi korelasi linear yang ”perfect” atau eksak di antara variabel penjelas yang dimasukkan ke dalam model. Tingkat kekuatan hubungan antar variabel penjelas dapat ditrikotomikan lemah, tidak berkolinear, dan sempurna. Tingkat kolinear dikatakan lemah apabila masing-masing variabel penjelas hanya mempunyai sedikit sifat-sifat yang sama. Apabila antara variabel penjelas memiliki banyak sifat-sifat yang sama dan serupa sehingga hampir tidak dapat lagi dibedakan tingkat pengaruhnya terhadap
Y, maka tingkat kolinearnya dapat dikatakan serius, atau perfect, atau sempurna. Sedangkan Tidak berklinear jika antara variabel penjelas tidak mempunyai sama sekali kesamaan.
Sebagai gambaran penjelas, dapat dilihat pada gambar berikut ini:
Y Y
X2 X2
X1 X1
Gb.Tidak berkolinear Gb. Berkolinear lemah
Y
X1 X2
Gb. Berkolinear sempurna
D.2. Konsekuensi Multikolinearitas
Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan dalam suatu penelitian, karena apabila belum terbebas dari masalah multikolinearitas akan menyebabkan nilai koefisien regresi (b) masing-masing variabel bebas dan nilai standar error-nya (Sb) cenderung bias, dalam arti tidak dapat ditentukan kepastian nilainya, sehingga akan
berpengaruh pula terhadap nilai t (Setiaji, 2004: 26). Logikanya adalah seperti ini, jika antara X1 dan X2 terjadi kolinearitas sempurna sehingga data menunjukkan bahwa X1=2X2, maka nilai b1 dan b2 akan tidak dapat ditentukan hasilnya, karena dari formula OLS sebagaimana dibahas terdahulu,
2
b (∑ x1 y)(∑ x2 ) − (∑ x2 y)(∑ x1 x2 )
1
2
1 = (∑ x 2 )(∑
x 2 ) − (∑
2
x1 x2 )
0
akan menghasilkan bilangan pembagian, b1 =
, sehingga
0
nilai b1 hasilnya tidak menentu. Hal itu akan berdampak pula pada standar error Sb akan menjadi sangat besar, yang tentu akan memperkecil nilai t.
D.3. Pendeteksian Multikolinearitas
Terdapat beragam cara untuk menguji multikolinearitas, di antaranya: menganalisis matrix korelasi dengan Pearson Correlation atau dengan Spearman’s Rho Correlation, melakukan regresi partial dengan teknik auxilary regression, atau dapat pula dilakukan dengan mengamati nilai variance inflation factor (VIF). Cara mendeteksi ada tidaknya multikolinieritas dengan menghitung nilai korelasi antar variabel dengan menggunakan Spearman’s Rho Correlation dapat dilakukan apabila data dengan skala ordinal (Kuncoro, 2001: 114). Sementara untuk data interval atau nominal dapat dilakukan dengan Pearson Correlation. Selain itu metode ini lebih mudah dan lebih sederhana tetapi tetap memenuhi syarat untuk dilakukan.
Pengujian multikolinearitas menggunakan angka korelasi dimaksudkan untuk menentukan ada tidaknya
multikolinearitas. Mengacu pendapat Pindyk dan
Rubinfeld22, yang mengatakan bahwa apabila korelasi antara dua variabel bebas lebih tinggi dibanding korelasi salah satu atau kedua variabel bebas tersebut dengan variabel terikat. Juga pendapat Gujarati (1995:335) yang mengatakan bahwa bila korelasi antara dua variabel bebas melebihi 0,8 maka multikolinearitas menjadi masalah yang serius. Gujarati juga menambahkan bahwa, apabila korelasi antara variabel penjelas tidak lebih besar dibanding korelasi variabel terikat dengan masing-masing variabel penjelas, maka dapat dikatakan tidak terdapat masalah yang serius. Dengan demikian, dapat disimpulkan bahwa apabila angka korelasi lebih kecil dari
0,8 maka dapat dikatakan telah terbebas dari masalah multikolinearitas.
Dalam kaitan adanya kolinear yang tinggi sehingga
menimbulkan tidak terpenuhinya asumsi terbebas dari masalah multikolinearitas, dengan mempertimbangkan sifat data dari cross section, maka bila tujuan persamaan hanya sekedar untuk keperluan prediksi, hasil regresi dapat ditolerir, sepanjang nilai t signifikan.
Tugas:
1. Buatlah rangkuman dari pembahasan di atas!
2. Cobalah untuk menyimpulkan maksud dari uraian bab ini!
3. Jawablah pertanyaan-pertanyaan di bawah ini:
a. Coba jelaskan apa yang dimaksud dengan asumsi klasik!
b. Sebutkan apa saja asumsi-asumsi yang ditetapkan!
c. Coba jelaskan mengapa tidak semua asumsi perlu lakukan pengujian!
22 Lihat Kuncoro, 2001:146
d. Jelaskan apa yang dimaksud dengan autokorelasi!
e. Jelaskan kenapa autokorelasi timbul!
f. Bagaimana cara mendeteksi masalah autokorelasi?
g. Apa konsekuensi dari adanya masalah autokorelasi dalam model?
h. Jelaskan apa yang dimaksud dengan heteroskedastisitas!
i. Jelaskan kenapa heteroskedastisitas timbul!
j. Bagaimana cara mendeteksi masalah heteroskedastisitas?
k. Apa konsekuensi dari adanya masalah heteroskedastisitas dalam model?
l. Jelaskan apa yang dimaksud dengan
multikolinearitas!
m. Jelaskan kenapa multikolinearitas timbul!
n. Bagaimana cara mendeteksi masalah multikolinearitas?
o. Apa konsekuensi dari adanya masalah multikolinearitas dalam model?
p. Jelaskan apa yang dimaksud dengan normalitas!
q. Jelaskan kenapa normalitas timbul!
r. Bagaimana cara mendeteksi masalah normalitas?
s. Apa konsekuensi dari adanya masalah normalitas dalam model?
t. Bagaimana cara menangani jika data ternyata tidak normal?
DAFTAR PUSTAKA
Djarwanto, Pangestu Subagyo, 2000, “Statistik Induktif”, Edisi 4, BPFE Yogjakarta.
Ghozali, Imam, 2001, “Aplikasi Analisis Multivariate
dengan Program SPSS”, BP Undip, Semarang
Gujarati,Damodar N., 1988, “Basic Econometrics”
Second Edition, McGraw-Hill Book Company. Gujarati,Damodar N., 1999, “Essentials of
Econometrics”, Second Edition, Irwin McGraw
Hill.
Hill, Carter, William E. Griffiths, George G. Judge, 1997, “Undergraduate Econometrics”, John Wiley &
Sons, Inc.
Johnston, Jack, and John DiNardo, 1997, “Econometric
Methods” Fourth Edition, The McGraw-Hill
Companies, Inc.
Kuncoro, Mudrajad, 2001, “Metode Kuantitatif Teori dan
Aplikasi Untuk Bisnis dan Ekonomi”, UPP AMP YKPN, Yogjakarta
Salvatore, Dominick, 1996, “Managerial Economics in a
Global Economy”, International Edition, Third
Edition, McGraw-Hill, inc.
Santoso, Singgih, 2001, “Buku Latihan SPSS Statistik
Parametrik”, Elex Media Komputindo, Jakarta. Setiaji, Bambang, 2004, “Module Ekonometrika Praktis”,
Fakultas Ekonomi Universitas Muhammadiyah
Surakarta.
Supranto, J., 1983, “Ekonometrik”, Buku Satu, Lembaga
Penerbit Fakultas Ekonomi Universitas Indonesia.
Regresi Logit
128
-
X1
|
Y
|
X1
|
X12
|
Y2
|
XY
|
13.06
|
8.28
|
13.06
|
170.5636
|
68.5584
|
108.1368
|
13.81
|
9.14
|
13.81
|
190.7161
|
83.5396
|
126.2234
|
13.97
|
10.62
|
13.97
|
195.1609
|
112.7844
|
148.3614
|
13.79
|
10.51
|
13.79
|
190.1641
|
110.4601
|
144.9329
|
14.03
|
10.82
|
14.03
|
196.8409
|
117.0724
|
151.8046
|
14.14
|
12.11
|
14.14
|
199.9396
|
146.6521
|
171.2354
|
14.39
|
13.04
|
14.39
|
207.0721
|
170.0416
|
187.6456
|
14.97
|
12.23
|
14.97
|
224.1009
|
149.5729
|
183.0831
|
15.67
|
13.01
|
15.67
|
245.5489
|
169.2601
|
203.8667
|
15.91
|
12.47
|
15.91
|
253.1281
|
155.5009
|
198.3977
|
16.02
|
12.91
|
16.02
|
256.6404
|
166.6681
|
206.8182
|
16.21
|
12.55
|
16.21
|
262.7641
|
157.5025
|
203.4355
|
16.19
|
14.42
|
16.19
|
262.1161
|
207.9364
|
233.4598
|
15.88
|
15.13
|
15.88
|
252.1744
|
228.9169
|
240.2644
|
15.76
|
14.08
|
15.76
|
248.3776
|
198.2464
|
221.9008
|
15.55
|
13.3
|
15.55
|
241.8025
|
176.89
|
206.815
|
15.16
|
12.93
|
15.16
|
229.8256
|
167.1849
|
196.0188
|
14.85
|
11.48
|
14.85
|
220.5225
|
131.7904
|
170.478
|
14.22
|
10.05
|
14.22
|
202.2084
|
101.0025
|
142.911
|
13.93
|
10.6
|
13.93
|
194.0449
|
112.36
|
147.658
|
13.58
|
10.48
|
13.58
|
184.4164
|
109.8304
|
142.3184
|
13.13
|
10.33
|
13.13
|
172.3969
|
106.7089
|
135.6329
|
324.22
|
260.49
|
324.22
|
4800.525
|
3148.48
|
3871.398
|
129
t = b
= 1.4498
= 7.4348
sb 0.195
Penemuan nilai b di sini penting untuk menentukan nilai B. Nilai b sendiri merupakan perkiraan tungga dari parameter B, yaitu koefisien regresi sebenarnya (Y = A + BX + e). Perbedaan antara nilai b dan B disebabkan adanya fluktuasi sampling. Nilai B sendiri besarnya adalah sama dengan nilai rata-rata b, karena nilai rata-rata b adalah pemerkira tak bias. Ingat E(b) = B. Permasalahannya adalah nilai b yang dihasilkan dengan perhitungan di atas adalah nilai b individual, maka kita perlu menguji apakah B berada pada interval atau tidak. Untuk menguji tingkat kepercayaannya maka kita perlu mengukur interval kepercayaan ( confidence interval) apakah B berada di antara batas atas dengan batas bawah interval atau tidak. Kalau berada pada interval tersebut, maka dipastikan bahwa B mempunyai tingkat kepercayaan yang baik (reliabel), jika tidak, maka B tidak reliabel.
Pengukuran berdasarkan interval kepercayaan dapat dituliskan dalam bentuk persamaan sebagai berikut:
P (b-d ≤ B ≤ b +d) = 1-α
Persamaan ini dapat dibaca: probabilita interval antara (b-d)
dan (b+d) akan memuat nilai B sebesar (1- α ).
Atau digambarkan sebagai berikut:
-
(b-d)
|
interval
|
(b+d)
|
batas bawah
|
|
batas atas
|
dimana:
|
|
|
(b-d) = batas keyakinan bawah atau nilai batas bawah
(b+d) = batas keyakinan atas atau nilai batas atas
(1-α ) = koefisien keyakinan (confidence coefficient) atau tingkat keyakinan (confidence level).
Simbol α sendiri disebut sebagai tingkat signifikansi (level of significance) yang diartikan juga sebagai besarnya kesalahan yang ditolerir di dalam membuat keputusan. Seandainya ditentukan bahwa tingkat keyakinannya sebesar
95%, maka kesalahan yang ditolerir adalah yang kurang dari 5%
atau 0,05. Angka ini didapat dari rumus 1-α tersebut (1 - 95%
= 5% atau 0,05). Dengan demikian, dengan menggunakan
persamaan di atas kita dapat menginterpretasi bahwa kemungkinan nilai B berada pada interval adalah sebesar 95%. Penghitungan seperti tersebut digunakan untuk menentukan apakah nilai B menerima atau menolak hipotesis (H0).
Banyak sekali konsep-konsep ekonomi yang dirumuskan dalam model matematis, seperti pengukuran GNP, tingkat Inflasi, uang beredar, dan lain-lain. Penggunaan model matematis seperti itu dimaksudkan untuk mendefinisikan hubungan antara berbagai variabel-variabel ekonomi yang saling mempengaruhi. Karena dalam pengukuran ekonomi diwujudkan dalam bentuk angka-angka maka ekonometrika bersifat kuantitatif, Dengan demikian, untuk dapat melakukan pengukuran kegiatan ekonomi, maka diperlukan alat analisisnya yang berupa gabungan dari teori ekonomi, matematika, dan statistika.
Blogger: Pondok Pangelmon Pawenang - Buat Entri
pawipawenang@gmail.com | Dasbor | Akunku | Bantuan | Keluar
Pondok Pangelmon Pawenang
● Posting
● Pengaturan
● Tata Letak
● Lihat Blog
● Buat
● Edit Entri
● Moderasi Komentar
Judul:
Tautan:
Gunakan ini untuk membuat link judul Anda ke dalam
website. Info lengkap
Edit HTML
Tulis
Pratinjau
Label untuk entri ini:
contoh skuter, liburan, musim gugur
Sembunyikan semua
Opsi Entri
Semua Label: akuntansi biaya akuntansi manajemen Filsafat Ekonomi filsafat ilmu filsafat sosial Teori Keadilan
Jalan pintas: tekan Ctrl dengan: B = Tebal, I = Italic, P = Publikasikan, S = Simpan, D = Konsep lainnya
Terbitkan Entri Simpan Sekarang Konsep disimpan otomatis di 10:56
Kembali ke daftar entri
http://www.blogger.com/post-create.g?blogID=3799599743255279943 [11/27/2008 10:46:55 AM]
Dostları ilə paylaş: |