Category Archives: ASUMSI KLASIK

UJI AUTOKORELASI dengan spss

By Hendry

Tentang Uji Autokorelasi

Autokorelasi umumnya terjadi pada data time series. Hal ini karena observasi-observasi pada data timeserie mengukuti urutan alamiah antarwaktu sehingga observasi-observasi secara berturut-turut mengandung interkorelasi, khususnya jika rentang waktu diantara observasi yang berurutan adalah rentang waktu yang pendek, seperti hari, minggi atau bulan. Gujarati (2012)

Istilah autokorelasi adalah korelasi di antara anggota seri dari observasi-observasi yang diurutkan berdasarkan waktu. Dalam kaitannya dengan asumsi OLS, autokorelasi merupakan korelasi antara satu variabel gangguan dengan variabel gangguan lain.

Konsekuensi Autokorelasi

Menurut Gujarati (2012), keberadaan autokorelasi pada OLS memiliki konsekuensi antara lain : estimasi OL masih linier dan tidak bias, serta konsisten dan secara asumtotis terdistribusi secara normal, namun estimator-estrimator tersebut tidak lagi efisien (memiliki varian terkecil).

Widarjono (2009) melanjutkan, jika varian tidak minimum, maka menyebabkan perhitungan standar error metode OLS tidak lagi dipercaya kebenarannya. Selanjutnya, interval estimasi maupun uji hipotesis yang didasarkan pada distribusi t maupun F tidak lagi bisa dipercaya untuk evaluasi hasil regresi.

 

DOWNLOAD TUTORIAL SPSS UJI AUTOKORELASI

Uji Autokorelasi

Oleh : Hendry

Tentang Uji Autokorelasi

Autokorelasi umumnya terjadi pada data time series. Hal ini karena observasi-observasi pada data timeserie mengukuti urutan alamiah antarwaktu sehingga observasi-observasi secara berturut-turut mengandung interkorelasi, khususnya jika rentang waktu diantara observasi yang berurutan adalah rentang waktu yang pendek, seperti hari, minggi atau bulan. Gujarati (2012)

Istilah autokorelasi adalah korelasi di antara anggota seri dari observasi-observasi yang diurutkan berdasarkan waktu. Dalam kaitannya dengan asumsi OLS, autokorelasi merupakan korelasi antara satu variabel gangguan dengan variabel gangguan lain.

Read the rest of this entry

ASUMSI KLASIK : UJI HETEROKEDASTIS

UJI HOMOKEDASTIS

Dalam regresi linier, kita mengenal beberapa asumsi klasik seperti

Bahasan kita kali ini adalah mengenai uji heterokodastisitas.

Read the rest of this entry

Uji Heterokedastis metode Glejser

undercontruction

Uji Heterokedastis Metode Park

undercontruction…

Uji Heterokedastis Metode Korelasi Rank Spearman

Uji heterokedastisitas dengan korelasi Spearman banyak disarankan untuk menguji homogenitas sampel kecil (<30 observasi). Untuk sampel besar dapat digunakan uji Glesjer.

Datanya Liat disini

Step-stepnya :

Pertama. Buat Residual dengan mengaktifkan “undstandardized” pada box Residual

 

Langkah Kedua. Setelah ada variabel baru yaitu Res_1, maka korelasikan seluruh prediktor dengan Res_1. Pilih Korelasi Spearman

Hasil

 

Penjelasan

Model tidak terkena masalah heterokedastis jika nilai korelasi Spearman Rank tidak signifikan (sig > 0.05)

Dari hasil analisis terlihat bahwa seluruh korelasi antara variabel bebas dengan residual tidak signifikan, sehingga dapat dinyatakan bahwa model terbebas dari masalah heterokedastisitas.

 

 

 

 

 

Contoh Uji Multikolinieritas

Seperti dibahas sebelumnya mengenai uji multikolinitas, maka pada bagian ini kita akan mempraktikkan cara menguji multikolinieritas

Berikut ini akan diuji multikolinieritas sebuah model regresi dengan variabel Kepuasan Kerja (X1), Gaya Kepemimpinan (X2), dan Motivasi (X3). Variabel dependen adalah kinerja (Y)

Data dikumpulkan dari angket dengan jumlah sampel sebanyak 60 orang pegawai.

Read the rest of this entry

UJI MULTIKOLINIERITAS

Salah satu persyaratan dalam analisis regresi ganda selain normalitas adalah Multikolinieritas. Multikolinieritas adalah tidak adanya hubungan yang linier antara variabel  independen. Jika terdapat hubungan linier antar sesama variabel independen maka dapat dikatakan model terkena masalah multikolinier. Jika terjadi hubungan antar sesama variabel independen maka variabel ini tidak orthogonal. variabel orthogonal adalah variabel independen yang nilai korelasi antar independen sama dengan nol.

Deteksi Multikolinieritas

Beberapa ciri model terkena masalah multikolinier antara lain :

Model mempunyai koefisien determinasi tinggi namun sedikit variabel independen yang signifikan berpengaruh terhadap dependen melalui uji t

Misal, koefisien determinasi dari pengaruh X1, X2 dan X3 adalah sebesar 0,82. Namun secara individual hanya X1 yang berpengaruh terhadap Y. Hal ini merupakan indikasi awal adanya multikolinier atau hubungan yang kuat antar sesama independen.

Penyelesaian Masalah Multikolinieritas

Beberapa alternative untuk menyelesaikan masalah multikoloinier antara lain :

  1. Menggabungkan data crosssection dan time series
  2. Mengeluarkan satu atau lebih variabel independen yang mempunyai korelasi tinggi dari model regresi dan indentifikasikan variabel independen lainnya untuk membantu prediksi
  3. Melakukan transformasi variabel. Transformasi dapat dilakukan dalam bentuk Logaritma Natural (LN)
  4. Menggunakan model dengan variabel independen yang mempunyai korelasi tinggi hanya semata-mata untuk prediksi, dan tidak menginterpretasikan koefisien regresinya
  5. Menggunakan metode analisis yang lebih baik seperti Bayesian Regression atau dalam kasus tertentu dengan Ridge Regression

Lanjut ke contoh Kasus

UJI NORMALITAS

UJI NORMALITAS

Normalitas dalam statistik parametric seperti regresi dan Anova merupakan syarat pertama. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal.  Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid atau bias terutama untuk sampel kecil. Uji normalitas dapat dilakukan melalui dua pendekatan yaitu melalui pendekatan grafik (histogram dan P-P Plot) atau uji kolmogorov-smirnov, chi-square, Liliefors maupun Shapiro-Wilk

Read the rest of this entry