ae ea ee a
38] Badan Penerhit Universitas Diponegero ll —
of bead in years
xt Matket experience of the head in years
AGE
EXP
EXP AGE~ BD 5
MONTHS — The numbers of months during which the head Worked.
RACE The race of the head, coded { for whires and 2 for blacks
REG The region of residence, eaded 1 for Northeast, 2 for
Northcentral, 3 for South, and 4 for West
EARNS The wage and salary eaminys of the head expressed in
thousand of Dollars.
INCOME The total income of the family members.expressed in
thousand of dollars:
WEALTH The wealth of the family on December 31, 1962. im
thousand of dollars:
SAVING The saving (flow) of the family, in thousand ofdoltars,
iD The observation number, repeated as a variable for
B
., conyenience:
Jenis data kedua yang akan digunakan dalam buku ini adalah data
rut waktu permintaan vang dari tahun 1984 sampai tahun 1997
ra kuartalan (Firmansyah, 2000) tersimpan pada file timeseri-xls
gan variabel pengamatan sebagai berikut:
Juralah Uang Kartal sil.
+ Pendapaam nasignal rill.
kat sk bungs dalam neger
Ting! it Sul ane
porintah Fi File/Open/Daia
ss menu Analyce kemudan pilib
rive as Deseriptives.
windows Deseriptives 3.3 Data Outlier
Setelah melakukan transformasi untuk mendapatkan normalitas data
langkah screening berikutnya yang harus dilakukan adalah mendeteksj
adanya data outlier. Outlier adalah kasus atau data yang memiliki
karakteristik unik yang terlihat sangat berbeda jauh dari observasi.
observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk
sebuah variabel tunggal atau variabel kombinasi. Ada empat penyebab
timbulnya data outlier: (1) kesalahan dalam meng-entri data, (2) gagal
menspesifikasi adanya missing value dalam program komputer, (3)
outlier bukan merupakan anggota populasi yang Kita ambil sebagai
sampel, dan (4) outlier berasal dari populasi yang kita ambil sebagai
sampel, tetapi distribusi dari variabel dalam populasi tersebut memiliki
nilai ekstrim dan tidak terdistribusi secara normal.
Deteksi terhadap univariate outlier dapat dilakukan dengan
menentukan nilai batas yang akan dikategorikan sebagai data outlier
yaitu dengan cara mengkonyersi nilai data kedalam skor standardized
atau yang biasa disebut z-score, yang memiliki nilai means (rata-rata)
sama dengan nol dan standar deviasi sama dengan satu. Menurut Hair
(1998) untuk kasus sampel kecil (Kurang dari 80), maka standar skor
dengan nilai > 2.5 dinyatakan outlier, Untuk sampel besar standar skor
dinyatakan outlier jika nilainya pada kisaran 3 sampai 4. Jika standar
skor tidak digunakan, maka kita dapat menentukan data outlier jika
data tersebut nilainya lebih beasr dari 2.5 standar deyiasi atau antara 3
sampai 4 standar deviasi tergantung dari besarnya sampel.
Data yang akan kita deteksi outliemya adalah data yang sudah kita
screening normalitasnya, jadi dalam hal ini adalah variabel SQREARNS
dan SQRWEALLT. Berikut ini cara mendeteksi outlier.
Langkah Analisis:
a, Dari menu utama SPSS pilih Analyze, alu Descriptive Statist
dan kemudian Deseriptive.
b, Tampak dilayar tampilan windows Descriptive 6.1 Pendahuluan
Istilah “regresi” pertama kali diperkenalkan oleh Sir Francis Galton
pada tahun 1886. Galton menemukan adanya tendensi bahwa orang tua
yang memiliki tubuh tinggi, memiliki anak-anak yang tinggi pula dan
orang tua yang pendek memiliki anak-anak yang pendek pula. Kendati
demikian, ia mengamati ada kecenderungan bahwa tinggi anak bergerak
menuju rata-rata tinggi populasi secara kescluruhan. Dengan kata lain
ketinggian anak yang amat tinggi atau orang tua yang amat pendek
cenderung bergerak ke arah rata-rata tinggi populasi. Inilah yang disebut
hukum Galton mengenai regresi universal. Dalam bahasa Galton ia
menyebutnya sebagai regresi menuju mediokritas (Maddala, 1992).
Interpretasi modern mengenai regresi agak berlainan dengan regresi
versi Galton. Secara umum , analisis regresi pada dasarnya adalah studi
mengenai ketergantungan variabel dependen (terikat) dengan satu atau
lebih variabel independen (variabel penjelas/bebas), dengan tujuan
untuk mengestimasi dan/atau memprediksi rata-rata populasi atau nilai
rata-rata variabel dependen berdasarkan nilai variabel independen yang
diketahui (Gujarati, 2003).
Hasil analisis regresi adalah berupa koefisien untuk masing-masing
variabe] independen. Koefisien ini diperoleh dengan cara memprediksi
nilai variabel dependen dengan suatu persamaan. Koefisien regresi
dihitung dengan dua tujuan sekaligus: pertama, meminimumkan
penyimpangan antara nilai aktual dan nilai estimasi variabel dependen
dasarkan data yang ada (Tabachnick, 1996).
si vs Korelasi .
korelasi bertujuan_untuk_mengukur kekuatan asosiast
near antara dua variabel. Korelasi tidak menunjukkan
-_—_— = a
hubungan fungsional atau dengan kata lain analisis korelasi tidak
membedakan antara vari snden dengan variabel independen, —
membedakan antara variabel dependen dengan varia den,
Dalam analisis regresi, selain mengukur kekuatan hubungan antara
dua variabel atau Icbih, juga menunjukkan arah hubungan antara
variabel dependen dengan variabel independen. Variabel dependen
diasumsikan randonvstokastik, yang berarti_ mempunyat di tribusi
probabilistik. Variabel independen/bebas diasumsikan memiliki nilai
tetap (dalam pengambilan sampel yang berulang).
Teknik estimasi variabel dependen yang melandasi analisis regresi
disebut Ordinary Least Squares (pangkat kuadrat terkecil biasa). Metode
OLS diperkenalkan pertama kali oleh Carl Friedrich Gauss, scorang
ahli matematika dari Jerman. Inti metode OLS adalah mengestimasi
suatu garis regresi dengan jalan meminimalkan jumlah dari kuadrat
kesalahan sctiap observasi terhadap garis tersebut.
6.3 Asumsi Ordinary Least Squares
Menurut Gujarati (2003) asumsi utama yang mendasari model
regresi linear klasik dengan menggunakan model OLS adalah:
a. Model regresi linear, artinya linear dakim parameter seperti
dalam persamaan di bawah ini :
Yi=bl +b2 Nit ui
b. Nilai X diasumsikan non-stokastik, artinya nilai X dia
tetap dalam sampel yang berulang.
c¢. Nilai rata-rata kesalahan adalah nol, atau E(ui/Xi) = 0.
d. Homoske . artinya variance kesalahan) sama_ untuk
ctiap periode (Homo = sama, Skedastisilas = sebaran) dan
dinyatakan dalam bentuk matematis Var (ui/Xi) = 6°.
e. Tidak ada autokorelasi antar kesalahan (antara ui dan uj tidak
ada korclasi) atau secara matematis Cov (ui.uj/Ni,Xj) = O.
f Antara ui dan Xi saling bebas, schingwa Cov (ui/Xi) = 00
Jumlah observasi, n, harus lebih besar daripada jummlah parameter
ing diestimasi (jumali variabel bebas).
bh. Adanya variabilitas dalam nilai X, artinya nilai X harus berbeda.
i, Madel regresi telah dispesifi ra benar, Dengan ki
lain tidak ads bias (kesalahan) spesifikasi dalam model yang
digunakan dalam analisis empirik.
j- Tidak ada multikolinearitas sempurna antar variabel bebas.
astisi
© 6.4 Menilai Goodnes,
Ketepatan fungs}
diukur dari ( ~ lan yy
“Giukur dat nilai koetision gee Seeara ot, ee
t Perhitungan statistik diset
uji Statistiknya berada ¢.
Sebaliknya disebut tig,
dalam daerah dimana Ho ditetima, Ui sta A hetadh
@ Koetisien Determinasi “
Koefisien determing
kemampuan model dal
koefisien determina
SOF Fj
but
i H Secarg
‘tam dara kine SS
*K signifikan pity
i adalah anty
berarti kKemampuan y
ariabel-ya
ariabel ing wt Sane ki
variasi variabel dependen ar
“Penden datain menjelasken
terbatas. Nilaj
variabel.wart “NHS yang mendeka
berarti variabel-variabelindependen Memberikan hampir : satu
in yang di k: semua
informasi yang dibutuhkan untuk Memprediksi variagi Vatiabel
5 ‘riasi Variabe
dependen. Secara umum koetfisien '
determinasi untuk data sila
adanya variasi a
yang besar antara
langkan untuk data runt
series) biasanya mempunyai nilai koefig
tun waktu (time
en determinasi yang tinggi,
Satu hal yang perlu dicatat
(spurious n
adalah masalah regresi lancung
‘ession). Insukindro (1998) menekankan bahwa koefisien
determinasi hanyalah salah satu dan bukan salu-satunya_ kriteria
memilih model yang baik. Alasannya bila suatu estimasi regresi linear
menghasilkan kocfisien determinasi yang tinggi. tetapi tidak konsisten
dengan teori ekonomika yang dipilih olch peneliti, atau tidak lolos dari
ji asumsi Klasik, maka model tersebut bukanlah model penaksir yang
buik dan scharusnya tidak dipilih menjadi model empirik. 7
Kelemahan mendasar penggunaan kocfisien determinasi adalah
bias terhadap jumlah variabel independen yang dimasukkan Kedalam
model. Setiap tambahan satu variabel independen, maka R? pel
Meningkat tidak perduli apakah variabel tersebut iii ane
signifikan terhadap variabel dependen. Oleh arena we oh
Peneliti menganjurkan untuk menggunakan nila nse ie an
“at mengevaluasi mana model regresi terbai + Tidak iden i
Adjusted R? dapat naik ataw turun apabila satu variabe
ditambahkan kedalam model. agi caaniifl waladun
Dalam kenyataan nilai adjusted R? dapat bemila nO) i
*08 dikehendaki haras bernilai positif. Menurut Guja
(crossection) relatif rendah karena
masing-masing pengamatan, se
OU omg __ _
adjusted Ee negatil naka nilai adjusted
ra maternatis JIN nilai B 1, maka
jika nial RO ~ 0 ‘maka adjusted R= (1
adjusted RP akan bemil
dalany uj empees didapat nilai
yap pemilar nol, Sec
Re 1 sedan!
ke | maka
R diang
Adjusted R=!
Kyun ky. Jika
neyatit
¥ i » (Uji Stati
1. Uji Signifikansi Keselurahian dori Regeest Sample © matte
ansi koefisien parsial
nwt setiap Setiap
hipotesia bahwa
signt
F)
yang mengu!
sis ter
Tidak seperti Wt t
si secara individu d
rere
ochiensn regresi sama dengan
a sama dene
bl, b2 dan b3 secara bersat
jengan ui hipote ppisah bal
My pji E meme Jour"
n nol, atau 2
W b= b2 bh.
amakanujisignifikansts cerakeseluruhan
Ujihipotesissepertiinidin: “
rerhadap garis regresi yang diobserv’X, maupun estimasi. apakalt Y
berhubngan linear terhadap XT, Xx2.dan X3- Apak
diyji dengan signifikanst bi. b2 dan b3 secara individu. Jawabannya
tidak. Alasannya dalam Ww! signifikansi individu. terhadap parsial
koefieisn regresi diasumsikan bahwa setiap uji signilkansi berdasarkan
sample (independen ) yang berbedaJadi meneuy signifikansi b2
dengan hipotesis b2-0 diasumsikan pengujian ini berdast
yang berbeda ketika kita akan menguji b3 dengan hipotesis b3=-0.
Sementara itu ketika kita meng ji joint hipotesis dengan sample yang
sama akan menyalahi asumsi prosed
Untuk menguji hipotesis ini di
pengambilan keputusan sebagai berikut:
2 (ich bila nilr F lebih besar daripada 4 maka Tt
ge: daca ipo i _
f patesis alternatif, yang menyatakan baliwal
secara seremtak dan signtfikar
ah joint hipotesis dapst
Ju pengujian.
inakan statistik F dengan kriteria
semua yariabel independe
mempenganuhy varied dependen
© Membandin
noni al pei
vila Fo hasil perhitungan dengan nilar |
tenurnt bibel Br
Whibel Bike nila} hitune lebih besar daripada nar t
belt
tubel make Ho citolak dan menerima HA
aie ats des Individual (Uji Statistik t)
Hi pada dasa. menunjukkan seroma ene
penden secara individual dalam menerangkan
dis
‘APLIBASI AN
IALISIS MULTIVARIATE Dengan Program 18M SPSS _
bila jumlah di fom af) adalah 20 at
‘ 20 atau
Jebih, dan derajat kepereayaan sebesar 5%, maka Ho yang
akan bi ~ 0 dapat ditolak bike nilai ¢ lebih besar ari?
jsolut), Dengan kata lain kita menerima hipotesis
vrematif, yang menyatakan bubwst suatu varibel independen
individual mempengaruhi variabel dependen,
ai statistik t dengan ttik: kris menurut
ngan lebib tinggi
liematif yang
adalah sebagai berikut
ree of tre
met!
(dalam nil
secara
Membandingkan nil
tabel. Apabila nilai statistik t hasil perhitu
dibadingkan nilai t tabel, kita menerima hipote:
takan bahwa suatu variabel independen secant individual
ariabel dependen.
esi diatas marilah kita analisis
men}
mempengaruhi ¥@
Untuk menjelaskan aplikasi dari teort
file CROSSESC L als dengan program SPS
Kasus yang ingin dianalisisaidalsh aps total income anggota keluarga
(INCOME) dipengaruhi oleh yjunilah anggols keluarya (SIZE). gai
juarea (EARNS), Besamya kekaya keluarga
keluarga (SAVING) ara matematis
yang diperoleh kepata ke
(WEALTH), dan tabungan
dapat dituliskan se i berikut:
INCOM si SIZE + b2 EARNS © 0
Coro p?
Vauyhaly Aualisis
y suibyitiet!
print) mucrig darady se be
" ih Linea:
~ oe seornast anda
akan dive kan kedua sisi dengan Safe
sedikit perks peweteh Feeresi yong mirip dengan regress analy ada
Kian nilai slope atau koetisien an stand
ai Koetisien ; andar
dibandinuken a Tegresi transformasi. lebih keel
a gkan regresi awa a euresi OLS
I memiliki standar i eo") elena os
perti telah dijelaskan
sebelumnya bahy i
(s
aw
7.4 Uji Normalit
regresi, 1 bensgaugen atau residual memilii <
normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa
nilai residual mengikuti distribusi normal. Kalau asuinsi ini dilegescy
maka uji statistik menjadi tidak valid untuk jumlah sampel Kecil, Ada
dua cara untuk mendeteksi apakah residual berdistribusi normal atau
tidak yaitu dengan analisis grafik dan uj statistik,
is Grafik
Salah satu cara termudah untuk melihat nomalitas residual adalah
dengan melihat grafik histogram yang membandingkan antara data
observasi dengan distribusi yang mendekati distribusi normal, Namun
demikian hanya dengan melihat histogram hal ini dapat menyesatkan
khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal
adalah dengan melihat normal probability plot yang membandingkan
distribusi kumulatif dari distribusi normal. Distribusi normal akan
membentuk satu garis lurus diagonal, dan ploting data residual akan
dibandingkan dengan garis diagonal. Jika distribusi data residual
normal, maka garis yang menggambarkan data sesungguhnya akan
mengikuti garis diagonalnya.
Cara menguji normalitas residual dengan ana
dapat dilakukan dengan langkah sebagai beriku
uniaan INCOME
s grafik lewat SPSS
{{SIZ1. EARNS.
a, Lakukan regresi dengan pet
WEALTH.SAVING)
b. Lanjutkan dengan menekan te
\
unpak
so} Plats hingga di havar
iampilan wit lee
UJ! ASUMSI KLAsik
(7.1 Uji Multikotonieritas
\ Uji_multikolonieritas bertujuan untuk menguji
regresi_ditemukan. adanya korelasi antar variabel Boba Hae anoeel
Model regresi yang baik scharusnya tidak trad Koreas ine
variabel indeper riabel independen saling berkorelasi maka
variabel-variabe Lini tidak ortogonal. Variabel ortogonal adalah variabel
independen yang nilai Korclasi antar sesama variabel independen sama
dengan-nol. Untuk mendeteksi ada atau tidaknya multikoloniertas di
dalam model regresi adalah sebagai berikut: —
Nilai R? yang dihasilkan olch suatu estimasi model regresi empiris
sangat tinggi, tetapi secara individual variabel-variabel independen
banyak yang tidak signifikan mempengaruhi variabel dependen.
b. Menganalisis matrik korelasi variabel-variabel independen.
Jika antar variabel independen_ada.korelasi-yang. cukup tinggt
(umumnya di atas 0.90), maka hal ini merupakan indikasi adanye
multikolonicritas. Tidak adanya korelasi yang tinggi antar
variabel independen tidak berarti bebas dari multikolonieritas.
Muitikolonieritas dapat discbabkan Karena adanya efek Kombinss
dua atau lebih variabel independen. .
Multikolonieritas dapat juga dilihat dari (1) nila tolerance si
lawannya (2) variance inflation factor (VIFJ, Keaua okt
ménunjukkan setiap variabel independen ranakah ¥°% oop
olch variabel independen lainnya, Dalam pengertian Si dan
setiap variabel independen menjadi variabel dependen (er uk?
diregres terhadap variabel indeponden lninny®= TOT san
Vaiahihine variebel independen yang trpilt YANBU gh
oleh variabel independen lainnya. Jadi nilal tolerance iti cutoll
sama dengan igi (karena VI IF [/Tolerance). NI"
°
107
ULASUMSIKLASIK. > |
yang umum di j j
eee Ti Ta antek menunkkan adanya multkolonierig
enelit rence $0.10 atau sama dengan nilal VIF > 10 Si a
wee ous Menentukan tingkat kolonicritas yang mmasth sid
uu rir. ebagai misal nilai tolerance = 0.10 sama dengan ti ola
Olonicritas 0.95. Walaupun multikolonieritas dapat dideteksj man
nilai Tolerance dan VIF, tetapi kita masih tetap tidak men —
variabel-variabel independen mana sajakah yang saling berkorelan _
menpenalia galt cara mendeteksi multikolonieritas dengan
“ile yolane ne ve asi antar variabel independen dan perhitungan
Langkah Analisis
a. Buka file Crossec1.xls
b. Dari menu uiama SPSS, pilih menu Ana
regression, lalu pilih linear,
kemudian submenu
ssion.
ec. Tampak di layar windows Linear Regi
d. Pada kotak Dependent isikan variabel Income
Pada kotak Independent isikan variabel SIZE, EARNS,
e.
WEALTH and SAVING
Pada kotak method, pilih Enter.
g. Untuk menampilkan matrik korelasi dan nilai Tolernace sera
VIF
h. Pilih Statistics, dilayar akan muncul tampilan windows Linear
Regression Statistics
i. Aktifkan pilihan Covariance
Diagnostics
matrix dan Collinierity
EB Linear Regression: Statisties
Regression Coefficien...) [% Model fit
fa [Estimate [Cl squared change
confidence intervals | {-] Deseripives
[Jean and pattial conrelations
Levels) 0
(& Covariance matrix [M% Collineaity ctagnostcs:
Residuals a. Menggy
data)
b. Keluarkan
Satu atay . 8
“aU lebih yar
Mempunyai korelec: Vatiabel inde
identifi y k Korelasi (ingei day m wn Peteen yang
Ikan variabe) j . y
; . in variabel independen taj | regresi dan
prediksi, “Mnya unty
¢. Transformasi Variabel mer
hubungan linear di ; i
ngan linear di antara variabel independen T
. dapat dilakukan dalam bentuk logaritma natu: peril
first difference atau delta, Caranya en
Yt
Yt-
Upakan sala Satu cara me ran,
Pakan sal “ard mengura
- 7
bl + b2 X21+b3 X3t+ut a,
= bl +b2 X2t-1 +63 X3t-l tuted...
(1)
(2)
(2) dari (1) didapat first difference
Kurangkan persamaan
Yt Yt-l = b2(X2t-X20-1 ) + b3(X3t-X3t-1) + vt... sesee(3)
d. Gunakan model dengan variabel independen yang
mempunyai_ korelasi tinggi hanya semata-mata untuk
prediksi (jangan mencoba untuk menginterpretasikan
koefisien regresinya). ;
e. Gunakan metode analisis yang lebih canggih seperti Bayesian
regression atau dalam kasus khusus ridge regression.
7.2 Uji Autokorelasi dalam model regresi
Uji autokorelasi_bertujuan menguji_apakah a periode t dengan
linear ada Korelasi antara kesalahan penggeneg PoP Tika teal
{csalahan pengganggu pada periods t-1 (Sebel orl
Korelasi, maka dinamakan ada problem auto vwaktu berkaitansa")
Muncul karenao cbsevas yang Beran SE gna 2
Sama lainnya. Masalah ini timbu - Jainnya. Hal in! aaa
tidak bebas dari satu observasi ke observasi
wt ee
Coens, x
Mestmates | @oaery,
TD contdence | DR acvared ep,
| Leveitny eet | El denen mae
ns 5
© anand pare
™@ ” Covanance maine | conan Cometatong
Residuals = ies
4 Duron watsen
WlEasewise anpaaze
© Qutters oursice
Oaneanee 2 snes esaing
Hasil output SPSS
Mode! Summary?
Adjusted — | Sid, enor of
Model R | RSquare | Square | the Esters | a
Kissy 902] B14 807 | 2.456274 2087
®. Predictors: (Constan!), SIZE, EARNS, SAVING, WEALTH
b. Dependent Variable: INCOME
Nilai DW sebesar 2.061, nilai ini akan kita bandingkan dengan nilai
tabel dengan menggunakan nilai signifikansi 5%, jumlah sampel 100
(n) dan jumlah variabel independen 4 (k=4), maka di tabel Durbin
Watson akan didapatkan nilai sbb:
Tabel 7.1 Durbin Watson Test Bound
keg
a
E 2 Bt 197
15 0.69 .
116
. : 4
100 159
. ‘du) 1.76 dan
Oleh Karena nilai DW 2.061 lebih besar dari batas ais Ma kita
Kurang dari 4 — 1.76 (4 — du), maka dapat dis a autores
tidak bisa menolak HO yang menyatakan bahwa ti
3
>=
H}ASUMSIKLASIK Case Laas
|
ie |
@ Linear Regression: Statistics
Regression Coeticien...
WZ Estates
D1 Contgence intervals
Levels) 95
BZ mocei tt
DR squaredchange
ODesciptves
© Ban ang partial corelations
i Cottinearity tagnostics
Residuals
Dyrbin-Watson
Wlcasewise aagnasted
© Qutlersoutsice: [3] standard cevatons
Oalcases
(Genanus) Geanest) Cree)
Mode! Summary?
| Adjusted R | SUB. EmOr Of | on
Mode R RSquare_| vere _ he Esta 308
a ae “953 | set yo
a. Predictors: (Constant), RF, R, LGDPR
». Dependent Variable: LMSCR
ANOVA® if Si
Model Sum of Squares_|_of Mean Sara oar 708 one
rst ass te
_—————
Total 4.566 | !
a. Dependent Variable: LMSCR
». Predictors: (Constant), RF, R, LGDPR
15
UML ASUMS! KLASIK Ut tagiy 7” Wat
om” sj) Son my
: 9247]
a Predictors: (Constant, 1, ,
+o St
a. Predictors: (Constay
nt), 3
b. Dependent Variable: Pe tet@ 354
He: Laie
Watson. Pada Persamaan asli nilai Durbi
terjadi_autokorelasi positif, sedangkan dengan persamaan_regresi
transformasi nilai Durbin Watson sebesar 1.774 yang berarti sudah
tidak ada lagi autokorelasi
73 Uji Heteroskedastisitas |
i ‘sites bertyi ruji_apakab_dalam model
Uji Heteroskedastisitas_be dari residual satu pengamatan
2 > = = f ir!
hee tetjadi_Ketidaksamaan oe da i residual satu pengamatan
ke pengataman yang lain. Jika variance dar Homoskedastisitas_dan
€ pengamatan lain tetap, maka disebut Tel regres yang balk
Jika_berbeda disebut Heteroske astisilas. eal Hotere
adalah yang Homoskesdatisitas atau tidak tener ‘eel
. kectt,
ebanyakan data crossection meng gi ukuran
Karena data ini menghimpun data yang
Sedang dan besar).
i
jung, situast
wakili beba Ada beberapa carn untuk = mendetcksi ada atau tidaknya
heteroskedastisitas:
4. Melihat Grafik Plot antara nilai prediksi variabel terikat (dependen)
yait ZPRED dengan residualnya SRESID. Deteksi ada tidaknya
heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya
pola tertentu pada grafik scatterplot antara SRESID dan ZPRED
dimana sumbu ¥ adalah Y yang telah diprediksi, dan sumbu X adalah
residual (Y prediksi — ¥ sesungguhnya) yang telah di-studentized,
Dasar analisis :
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk
pola tertentu yang teratur (bergelombang, —_melebar
kemudian menyempit), maka mengindikasikan telah terjadi
heteroskedastisitas,
Jika tidak ada pola yang jelas, serta titik-titik menyebar dj
atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas.
Untuk menggambarkan hal ini kita lihat regresi dengan data crossec,
xls dengan lan; kal analisis sbb:. x Ke ind, ¥ RB at
= ~tireow-~ * Ke ind, 4 €e tgp
a. Lakukan BERET EAR ign tre INCOME= f (SI/
EARNS, WEALTH, SAVING),
jutkan dengan menekan tombol Plots hingga di layar tampak
tampilan windows Linear Regression Plots
Liner Regression Pos x
[DEPENDNT
SID
*ORESID
*ADJPRED
*SRESIO
*SDRESID
[-zPRED
‘Standardized Residual Plots ——
Di Histogram
1] Normat provapinty plot
Ey Broguce au partal plots
Gambar 7.7 Linear Regression : Plots
C Masukkan variabel SRESID pada kotak pilihan Y, dan
d. Masukkan variabel ZPRED pada kotak pilihan X
ee an 5955 25 BS
138 APLIKASI ANALISIS MULTIVARIATE Dengan Program 8M SPSS 25 Eds —- NN
ditemukan pada data runtut waktu (time series) karena "gangeuan” pada
Seseorang individu/kelompok cenderung mempengaruhi "gangeuan”
pada individu/kelompok yang sama pada periode berikutnya.
Pada data crossection (silang waktu), masalah autokorelasi relati¢
Jarang terjadi karena "gangguan” pada observasi yang berbeda berasal
dari individu.kelompok yang berbeda. Model regresi yang baik adalah
Tegresi yang bebas dari autokorelasi, Ada beberapa cara yang dapat
digunakan untuk mendetekasi ada atau tidaknya autokorelasi.
(a) Uf Dinh — Watson (DW test)
Uji Durbin Watson hanya digunakan untuk autokorelasi tingkat
satu (first order autocorrelation) dan mensyaratkan adanya intercept
(konstanta) dalam model regresi dan tidak ada variabel lag di antara
variabel independen. Hipotesis yang akan di
| HO: tidak ada autokorelasi (
\ HA: ada autokorel
0)
#0)
Pengambilan keputusan ada tidaknya’autokorelasi: ~~
Hipotesis nol Keputusan Tika |
{Tdk ada autokorelasi Positif Tolak O
You might also like
- Kelompok 1 - Dealing With Disappointed Apple Iphone CustomersDocument25 pagesKelompok 1 - Dealing With Disappointed Apple Iphone Customersdevira terania100% (1)
- Resume Kelompok 5 - Smokers Are Good For EconomyDocument11 pagesResume Kelompok 5 - Smokers Are Good For Economydevira teraniaNo ratings yet
- KELOMPOK 3 - Case PT. KAIDocument27 pagesKELOMPOK 3 - Case PT. KAIdevira teraniaNo ratings yet
- Kelompok 2 Epa - The Case of Cesar CorreiaDocument16 pagesKelompok 2 Epa - The Case of Cesar Correiadevira teraniaNo ratings yet
- Binter Exporting, Importing, CountertradeDocument16 pagesBinter Exporting, Importing, Countertradedevira teraniaNo ratings yet
- Binter - FDI Kelompok 2Document19 pagesBinter - FDI Kelompok 2devira teraniaNo ratings yet
- Buku Manajemen LabaDocument225 pagesBuku Manajemen Labadevira teraniaNo ratings yet
