UJI ASUMSI KLASIK DENGAN SPSS 16.

0

Disusun oleh: Andryan Setyadharma

FAKULTAS EKONOMI UNIVERSITAS NEGERI SEMARANG 2010

1995: 228).5 42.9 1977 44.8 459.5 93.7 1021.6 1980 50.4 931.2 79.4 1969 38.4 624.9 1975 40.2 77. Uji Normalitas b. Uji Multikolinieritas d.4 80.4 94.6 139.1 1974 40.2 1961 29.1 1165.8 114 124.7 69. 1960-1982 Tahun Y X2 X3 1960 27.6 38.7 1973 40. Uji Linieritas Dalam modul ini hanya akan di bahas empat asumsi klasik pertama saja.9 64.5 48.1 1970 40.9 117.2 492.5 70 73.7 39. Uji Heteroskedastisitas e.6 130.1 61.8 65.5 129.6 37.1 1449.3 528.7 52 54 55.2 67.8 439.2 58.6 57.7 1979 50.3 1963 30. Uji Autokorelasi.8 911.5 1964 31.7 2258.6 1971 40.2 123.8 1972 41. MENGAPA UJI ASUMSI KLASIK PENTING? Model regresi linier berganda (multiple regression) dapat disebut sebagai model yang baik jika model tersebut memenuhi Kriteria BLUE (Best Linear Unbiased Estimator).7 666.2 40.1 66.3 39.6 221.8 40. BLUE dapat dicapai bila memenuhi Asumsi Klasik.4 56.1 1966 35.6 39.7 63.1 1994. Permintaan Ayam di AS. yaitu: a.4 717.6 142.3 79.8 128 141 168.7 70.1 52.1 104.3 1965 33.2 X5 78.9 37.3 39.3 1976 42.8 1968 36. 2.9 129.3 843.9 58.4 Sumber: Gujarati (1995: 228) Adapun variabel yang digunakan terdiri atas: Y = konsumsi ayam per kapita X2 = pendapatan riil per kapita X4 50.5 63. Sedikitnya terdapat lima uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut.9 1981 51.6 232.4 1982 52. DATA Contoh aplikasi ini adalah kasus permintaan ayam di AS selama periode 1960-1982 (Gujarati.3 54.6 Andry@an Setyadharma – Uji Asumsi Klasik Page 1 .1 95.6 560.1 127.2 38.1.2 80. Tabel 1.9 143.9 85. c.8 397.3 219.5 203.3 1967 36.2 79.7 106.9 2478.1 1962 29.7 1575.5 1978 46.3 38.7 1349.2 165.8 79.6 1759.9 413.4 768.4 38.4 83.

dan harga barang komplementer. Cara ini menjadi fatal karena pengambilan keputusan data berdistribusi normal atau tidak hanya berpatok pada pengamatan gambar saja. Analyze Regression Linear. kita dapat mengestimasi fungsi permintaan ayam di AS adalah: Ŷi = b1 + b2 X2 + b3 X3 + b4 X4 + b5 X5 + error 3. X4 dan X5 ke kotak Independent(s) dengan mengklik tombol tanda panah. Rasio skewness adalah nilai skewnes dibagi dengan standard error skewness. Dengan data yang ada. Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau tidak. Ada cara lain untuk menentukan data berdistribusi normal atau tidak dengan menggunakan rasio skewness dan rasio kurtosis. akan muncul tampilan sebagai berikut: Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent. dan variabel X2.0 Lakukan regresi untuk data permintaan ayam di atas. 2000: 53). Sebagai pedoman.X3 = harga ayam eceran riil per unit X4 = harga babi eceran riil per unit X5 = harga sapi eceran riil per unit Teori ekonomi mikro mengajarkan bahwa permintaan akan suatu barang dipengaruhi oleh pendapatan konsumen. X3. sedang rasio kurtosis adalah nilai kurtosis dibagi dengan standard error kurtosis. harga barang itu sendiri. LANGKAH-LANGKAH DALAM SPSS 16. bila rasio kurtosis dan skewness berada di antara –2 hingga +2. harga barang substitusi. UJI NORMALITAS Cara yang sering digunakan dalam menentukan apakah suatu model berdistribusi normal atau tidak hanya dengan melihat pada histogram residual apakah memiliki bentuk seperti “lonceng” atau tidak. Kemudian pilih Save dan muncul tampilan sebagai berikut: Andry@an Setyadharma – Uji Asumsi Klasik Page 2 . maka distribusi data adalah normal (Santoso.

Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri.Centang pilihan Unstandardized pada bagian Residuals. selanjutnya pilih Options akan muncul tampilan sebagai berikut Andry@an Setyadharma – Uji Asumsi Klasik Page 3 . kemudian pilih Continue dan pada tampilan awal pilih tombol OK. akan menghasilkan variabel baru bernama Unstandardized Residual (RES_1). Selanjutnya Analyze Descriptive Statistics Descriptives akan muncul tampilan sebagai berikut.

Hasilnya sebagai berikut (Beberapa bagian dipotong untuk menghemat tempat). • Bila nilai DW terletak di antara 4 – dU dan 4.935 Terlihat bahwa rasio skewness = 0. • Bila nilai DW lebih kecil daripada dL.002 Std.Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan pada tampilan awal pilih OK. sedang rasio kurtosis = -1. Pertama. maka dapat disimpulkan bahwa distribusi data adalah normal. koefisien autokorelasi lebih besar daripada nol. Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept dalam model regresi dan tidak ada variabel lag di antara variabel penjelas.002/ 0. maka tidak dapat disimpulkan. Artinya. tidak ada autokorelasi. Andry@an Setyadharma – Uji Asumsi Klasik Page 4 .dU maka koefisien autokorelasi sama dengan nol. Artinya ada autokorelasi positif. maka tidak dapat disimpulkan. koefisien autokorelasi lebih besar daripada nol.dL. 4. UJI AUTOKORELASI Ada beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi.481 = 0.105 Std. • Bila nilai DW terletak di antara dL dan dU.dL.935 = 1. Skewness Statistic Unstandardized Residual Valid N (listwise) .105/ 0. Error . Karena rasio skewness dan rasio kurtosis berada di antara –2 hingga +2. Hipotesis yang diuji adalah: Ho: p = 0 (baca: hipotesis nolnya adalah tidak ada autokorelasi) Ha: p ≠ 0 (baca: hipotesis alternatifnya adalah ada autokorelasi) Keputusan ada tidaknya autokorelasi adalah: • Bila nilai DW berada di antara dU sampai dengan 4 . Error .071. Artinya ada autokorelasi negatif. Uji Durbin-Watson (DW Test).481 Kurtosis Statistic -1. • Bila nilai DW lebih besar daripada 4 .218.

Gambar 1 di bawah ini merangkum penjelasan di atas. Gambar 1. Pengambilan Keputusan Ada Tidaknya Autokorelasi Dengan Durbin Watson Test LANGKAH LANGKAH DALAM SPSS 16. Hasil dari perhitungan Durbin-Watson Statistik akan muncul pada tabel Model Summary seperti di bawah ini. Kemudian centang pilihan Durbin-Watson setelah itu pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK. Andry@an Setyadharma – Uji Asumsi Klasik Page 5 . Setelah itu pilih Statistics akan muncul tampilan seperti di bawah ini.0 Lakukan regresi untuk data permintaan ayam di atas seperti pada Uji Normalitas.

005 . pada modul ini hanya diperkenalkan 2 cara.064 .0 Analyze Correlate Partial akan muncul tampilan sebagai berikut. Uji VIF. Bila nilai VIF lebih besar dari 10 maka diindikasikan model tersebut memiliki gejala Multikolinieritas.078 dan 1.001 . Maka dapat disimpulkan bahwa model ini memiliki gejala autokorelasi positif. 5.930 Std.024 -3.053 .019 .1.232 .065 a.319 .753 3.611 .034 .420 -. Partial Correlation Cara kedua adalah dengan melihat keeratan hubungan antara dua variabel penjelas atau yang lebih dikenal dengan istilah korelasi. dan variabel penjelas sebanyak 4 maka dapatkan nilai dL dan dU sebesar 1. Caranya adalah dengan menggunakan derajat kepercayaan 5%.660. Hasilnya sebagai berikut.015 1.0 Kembali Lakukan regresi untuk data permintaan ayam di atas seperti pada Uji Normalitas. LANGKAH-LANGKAH DALAM SPSS 16.006 . Andry@an Setyadharma – Uji Asumsi Klasik Page 6 .Model Summary Model 1 R .163 .051 39. yaitu VIF dan Uji Korelasi.971 a b R Square . UJI MULTIKOLINIERITAS Ada banyak cara untuk menentukan apakah suatu model memiliki gejala Multikolinieritas. Error of the Estimate 1. X3. sampel (n) yang kita miliki sebanyak 23 observasi. X5.005 -.000 .761 Dapat dilihat bahwa seluruh variabel penjelas memiliki nilai VIF lebih besar 10 maka dapat disimpulkan bahwa model regresi ini memiliki masalah Multikolinieritas 5. . Dependent Variable: Y Langkah selanjutnya adalah menetapkan nilai dL dan dU.95320 Durbin-Watson 1. LANGKAH-LANGKAH DALAM SPSS 16.901 29.363 Sig.718 . X2 b.198 .070 Std.2. Predictors: (Constant).922 . 5. hanya melihat apakah nilai VIF untuk masing-masing variabel lebih besar dari 10 atau tidak. Coefficients Unstandardized Coefficients Model 1 (Constant) X2 X3 X4 X5 a.025 52. Dependent Variable: Y B 37.943 Adjusted R Square . Error 3.190 Collinearity Statistics Tolerance VIF .485 a Standardized Coefficients Beta t 10. Cara ini sangat mudah. Setelah itu pilih Statistics kemudian centang pilihan Collinearity Diagnostics setelah itu pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK. X4.701 18.948 .051 .114 1.

0 .000 .Masukkan variabel X2. 0 Untuk menentukan apakah hubungan antara dua variabel bebas memiliki masalah multikoliniaritas adalah melihat nilai Significance (2-tailed).917 . Hasilnya sebagai berikut. X3.000 20 . 0 .000 20 .003 20 1.881 .000 20 .917 .000 20 X4 .000 20 1.000 20 .000 . 0 .782 .05 (α=5%) maka diindikasikan memiliki gejala Multikolinearitas yang serius. dan kemudian OK.003 20 X5 .000 .000 20 X3 . jika nilainya lebih kecil dari 0.602 .744 .000 . dapat disimpulkan seluruh variabel penjelas tidak terbebas dari masalah Multikolinearitas.744 .782 .000 20 . Dari seluruh nilai Significance (2-tailed) di atas.000 20 .000 20 1. Correlations Control Variables Y X2 Correlation Significance (2-tailed) Df X3 Correlation Significance (2-tailed) Df X4 Correlation Significance (2-tailed) Df X5 Correlation Significance (2-tailed) Df X2 1. X4 dan X5 ke dalam kotak Variables.881 .708 .602 .708 . dan variabel Y ke dalam kotak Controlling for. Andry@an Setyadharma – Uji Asumsi Klasik Page 7 .

yaitu Uji Glejser. Banyak metoda statistik yang dapat digunakan untuk menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak.0 Kita sudah memiliki variabel Unstandardized Residual (RES_1) (lihat lagi langkah-langkah uji Normalitas di atas. Modul ini akan memperkenalkan salah satu uji heteroskedastisitas yang mudah yang dapat diaplikasikan di SPSS. Cara ini menjadi fatal karena pengambilan keputusan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak hanya berpatok pada pengamatan gambar saja tidak dapat dipertanggungjawabkan kebenarannya. khususnya halaman 3). dan lain-lain. LANGKAH-LANGKAH DALAM SPSS 16. Uji Glejser. Uji Park. seperti halnya uji Normalitas. cara yang sering digunakan dalam menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak hanya dengan melihat pada Scatter Plot dan dilihat apakah residual memiliki pola tertentu atau tidak.6. UJI HETEROSKEDASTISITAS Untuk Uji Heteroskedastisitas. Selanjutnya pilih Transform Compute Variable. akan muncul tampilan sebagai berikut Andry@an Setyadharma – Uji Asumsi Klasik Page 8 . Uji Glejser secara umum dinotasikan sebagai berikut: |e| = b1 + b2 X2 + v Dimana: |e| X2 = Nilai Absolut dari residual yang dihasilkan dari regresi model = Variabel penjelas Bila variabel penjelas secara statistik signifikan mempengaruhi residual maka dapat dipastikan model ini memiliki masalah Heteroskedastisitas. seperti misalnya Uji White.

akan muncul Andry@an Setyadharma – Uji Asumsi Klasik Page 9 . Analyze tampilan sebagai berikut: Regression Linear. dan masukkan variabel Unstandardized Residual (RES_1) ke dalam kotak Numeric Expression dan tampilannya akan menjadi seperti berikut. pada kotak Function group pilih All dan dibawahnya akan muncul beberapa pilihan fungsi. Kemudian dilanjutkan dengan regresi dengan cara. Kemudian klik pada tombol tanda panah arah ke atas. Dan akhirnya pilih OK. Pilihlah Abs.Pada kotak Target Variable ketik abresid.

DAFTAR PUSTAKA Gujarati.027 . Santoso. Singgih (2000). Widarjono.356 .). Ekonometrika: Teori dan Aplikasi. Inc. Edisi Pertama. Yogyakarta: Ekonisia Andry@an Setyadharma – Uji Asumsi Klasik Page 10 .070 . dan variabel X2.002 .022 -1.471 . Basic Econometrics.971 -.001 . Damodar (1995).060 .588 Nilai t-statistik dari seluruh variabel pejelas tidak ada yang signifikan secara statistik. (3rd edition ed.957 . New York: Mc-Graw Hill.737 .552 Sig. Kuncoro. Mudrajad (2000).097 . . X3.507 -. X4 dan X5 ke kotak Independent(s) dengan mengklik tombol tanda panah dan OK.948 -.Masukkan variabel abresid pada kotak sebelah kiri ke kotak Dependent. hasilnya sebagai berikut: Coefficients a Standardized Unstandardized Coefficients Model 1 (Constant) X2 X3 X4 X5 a. Yogyakarta: Penerbit AMP YKPN.590 . Jakarta: PT Elex Media Komputindo. Dependent Variable: abresid B -1. Buku Latihan SPSS Statistik Parametrik.055 .344 .012 Std.002 . Agus (2005).068 -. Metode Kuantitatif. sehingga dapat disimpulkan bahwa model ini tidak mengalami masalah heteroskedastisitas. Error 1.866 -.713 Coefficients Beta t -.

Sign up to vote on this title
UsefulNot useful