Nama :

NIM :

PERMASALAHAN YANG TERJADI

DALAM UJI ASUMSI KLASIK

A. UJI MULTIKOLINIERITAS
1. Cara mendeteksi Uji Multikolineritas
- Nilai R² tinggi,
Tetapi hanya sedikit nilai t ratio yang signifikan, hal ini berarti bahwa
koefisien regresi variable parsial dengan nol semua diterima.
- Menghitung koefisien regresi sederhana antar dua variable,
Bila nilai r nya lebih besar berarti ada korelasi antar kedua variable
bebas.
- Koefisien regresi parsial,
Bila R² tinngi dan korelasi koefisiensi parsial tinggi dimungkinkan
terdapat kasus Multikolineritas.
- Menggunakan varian Inflation Factor,
Melalui output computer, multikolinearitas dapat dilihat dari tolerance
dan lawannya variance inflation factor (VIF). Jika nilai toleran lebih
besar dari VIF, maka terjadi Multikolinearitas.
2. Cara mengatasi Uji Multikolinieritas
- Menggunakan informasi sebelumnya (a priori information),
Informasi sebelumnya dapat diperoleh dari teori ekonomi, maupun
berdasarkan hasil penelitian empiris sebelumnya.
- Menggabungkan data cross section dan data series,
Penggabungan data tersebut merupakan langkah analisis yang dikenal
dengan istilah analisis tren yang sifatnya dinamis.
 - Mengeluarkan variable yang kolinearitasnya tinggi,
Pengeluaran variable dalam regresi dilakukan terhadap variable
Independen.
- Menambah data,
Penambahan data dapat dilakukan misalnya dengan menambah sampel
penelitian.
- Menstransformasi data,
Masalah Multikolinieritas mungkin bias diatasi dengan menyajikan
secara ekspirit hubungan diantara variable-variable yang
bermultikolinier. Hubungan senacam ini kemudian ditambahkan dalam
bentuk model aslinya dan penambahan persamaan model akan
mengubah model persamaan tunggal (asli) menjadi persamaan
simultan.

B. UJI HETEROSKEDASTISITAS
1. Cara mendeteksi Uji Heteroskedastisitas
- Dengan melihat sifat persoalan,
Seringkali sifat persoalan dijadikan sebagai tolak ukur dalam melihat
gejala Heterokedastisitas.
- Metode grafik,
Bila tidak diketahui sebelumnya bisa dilakukan plot terhadap nilai
residualnya, dengan nilai dugaan Y, pola yang terbentuk dapat
dijadikan dasar transformasi apakah yang bisa dilakukan dengan data.
- Park test,
Terdiri dari 2 tahapan,
1. Dengan membuat regresi dengan OLS dan didapatkan nilai ei.
2. Membentuk persamaan regresi .

Setelah itu ujilah estimasi parameter β nya, apabila signifikan

maka terdapat Heteroskedastisitas.
- Uji Glejser
Digunakan khusus untuk data besar, tahap pertama dengan Park test,
tahap kedua buat regresi dengan model:
 │ ei │ = β Xi + Vi
 │ ei │ = β √Xi + Vi
 │ ei │ = β ( 1 / Xi ) + Vi
 │ ei │ = β( 1 / √Xi ) + Vi

Dan langkah selanjutnya seperti Park test.

- Uji Korelasi Rank Spearman

 Tahap I = buat regresi antara Y dan X, dan hitung nilai
residualnya.
 Tahap II= buat rank │ ei │ dan X, dan hitung koefisiensi
korelasi spearman.
∈ di
rs=1−6
[ ]
n=1
¿¿
n(n2−1)

Dimana:

d i = perbedaan dalam rank yang diberikan kepada dua

karakteristik yang berbeda dari observasi ke-i.
n = banyaknya obsrevasi yang diberi rank.
 Tahap III = uji dengan uji t nilai √s diatas dengan rumus:
 t=
√ s √ n−2
1−rs ²
,dengan df = n - 2

2. Cara mengatasi
- Jika Ơ²i tidak diketahui, maka:
 Asumsi 1 E (Ɛi²) = Ơ² X²i, bagi Y dan X dengan Xi.
 Asumsi 2 E (Ɛi²) = Ơ Xi, buat regresi antara Y/√Xi, 1/√Xi,
melalui titik asal sehingga tidak terdapat intercept, kemudian
kalikan model dengan √Xi.
 Asumsi 3, E (Ɛi²) = Ơ² [E (Yi)]².
 Asumsi 4, tranformasi log N.

C. UJI AUTOKORELASI
2. Cara mendeteksi Autokorelasi
- Metode Grafik, Plot residual dan urutan waktu, bila berpola ada
otokorelasi
- Uji Durbin Watson
Hanya digunakan untuk autokorelasi tingkat satu (first order
autocorrelation)
Dan mensyaratkan adanya intercept (constant) dalam model regresi
dan tidak ada variable lagi diantara variable bebas. Hipotesis yang
akan diuji adalah:
HO = tidak ada autokorelasi ( P = 0 )
HA = ada autokorelasi ( P ≠ 0 )
 Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dL
Tidak ada autokorelasi positif No decision dL ≤ d ≤ du
Tidak ada autokorelasi negatif Tolak 4 – dL < d < 4
Tidak ada autokorelasi negatif No decision 4 - du ≤ d ≤ 4 – d L
Tidak ada autokorelasi positif dan Tidak tolak du < d < 4 - du
negative
Keterangan:
du = durbin Watson upper
dL = durbin Watson lower

3. Cara mengatasi Uji Autokorelasi

Jika regresi kita memiliki autokorelasi, mak ada beberapa opsi penyelesaian
antara lain:
- Tentukan apakah autokorelasi yang terjadi merupakan pure
autocorrelation dan bukan karena kesalahan spesifikasi model regresi.
Pola residual dapat terjadi karena adanya kesalahan spesifikasi model
yaitu ada variable penting yang tidak dimasukkan ke dalam atau dapat
juga karena bentuk fungsi persamaan regresi tidak benar.
- Jika yang terjadi adalah pure autocorrelation, maka solusi autokorelasi
adalah dengan menstransformasi model awal menjadi model
difference.

D. UJI NORMALITAS
Uji Normalitas data dilakukan sebelum data diolah berdasarkan model-model
penelitian yang diajukan. Uji normalitas data bertujuan untuk mendeteksi
distribusi data dalam suatu variabel yang akan digunakan dalam penelitian. Data
yang baik dan layak untuk membuktikan model-model penelitian tersebut adalah
data yang memiliki distribusi normal.
1. Cara mendeteksi Normalitas
Ada dua cara yang biasa digunakan untuk menguji normalitas model regresi
tersebut yaitu:
- Dengan analisis grafik (normal P-P plot)
- Analisis statistik (analisis Z skor skewness dan kurtosis) one sample
Kolmogorov-Smirnov Test
Hipotesis yang diajukan adalah sebagai berikut:
Ho : Data X berdistribusi normal.
Ha : Data X tidak berdistribusi normal.
Pengambilan keputusan:
Jika Sig.(p) > 0,05 maka Ho diterima
Jika Sig.(p) < 0,05 maka Ho ditolak.
2. Cara mengatasi Uji Normalitas
- Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya
signifikansi Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba
dengan metode lain yang mungkin memberikan justifikasi normal.
Tetapi jika jauh dari nilai normal, maka dapat dilakukan beberapa
langkah yaitu: melakukan transformasi data, melakukan trimming data
outliers atau menambah data observasi.
- Transformasi dapat dilakukan ke dalam bentuk Logaritma natural, akar
kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk kurva
normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah
atau menyebar ke samping kanan dan kiri.