Asumsi Klasik

1. Uji Autokorelasi
Autokorelasi terjadi apabila antar variabel pengganggu dalam observasi
saling berkolerasi. Untuk mendeteksi adanya autokorelasi digunakan uji
Durbin Watson (DW) dengan kriteria keputusan (2004).
Kesimpulan nilai DW hitung

Nilai Hitung
1.
2.
3.
4.

Du < DW < (4-Du)

DW <Dl
DW >(4-Du)
Dl < DW <Du atau (4-Du) < DW
< (4-dL)

Kesimpulan
1. Tidak terjadi autokorelasi
2. Terjadi autokorelasi positif
3. Terjadi autokorelasi negatif
4. Tidak ada kesimpulan atau tanpa
keputusan.

Selain itu dapat juga menggunakan uji breushch-godfrey serial correlation

LM test dengan kriteria:
Ho : Tidak ada serial correlations
H1 : Terdapat serial correlations
A = 1% dengan tingkat keyakinan 90% tolak Ho jika Obs* R-square > X2
df=26 atau probability ( P-value) < a maka Ho diterima
2. Uji normalitas
Salah satu asumsi dalam analisis statistika adalah data berdistribusi
normal. Dalam analisis multivariat, para peneliti menggunakan pedoman
kalau tiap variabel terdiri atas 30 data maka data sudah berdistri normal.
Apabila analisis melibatkan 3 variabel, maka diperlukan data sebanyak 3 x
30 = 90. Meskipun demikian untuk menguji dengan lebih akurat,
diperlukan alat analisis dan eviews menggunakan dua cara , yaitu dengan
histogram dan uji Jarqe-Bera adalah uji statistik untuk mengetahui apakah
perbedaan skewness dan kurtosis data dan dibandingkan dengan apabila
datanya bersifat normal.
3. Uji Multikolinieritas
Uji multikolinieritas dapat didefenisikan sebagai adanya hubungan linier
yang sempurna atau hampir sempurna atau hampir sempurna, antara
beberapa atau semua variabel independen dalam model regresi. Ada
beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya
multikolinieritas didalam model regresi, yaitu:

Menurut Gujarati (2004, multikolinearitas dapat dideteksi dengan melihat

nilai R2 dan jumlah rasio t yang signifikan. Multi kolinearitas dikatakan
terjadi didalam model yang digunakan jika nilai R2 yang di peroleh tinggi
namun hanya sedikit rasio t yang signifikan. Bila nilai R2 tinggi, seringkali
uji F menunjukan hasil yang signifikan, namun tidak ada atau sedikit sekali
rasio t yang signifikan. Bila hal ini terjadi, jelas terdapat multikolinearitas
didalam model yang digunakan.
4. Uji Heterokedastistas
Uji heterokedastistas dilakukan untuk melihat apakah varians dari
setiap variabel pengganggu dalam model linier adalah konstan. Jika
varians variabel pengganggu tidak konstan maka hasil uji F statistik
menjadi tidak berguna dan menyesatkan. Uji heterokedastistas ini
dillakukan dengan menggunakan white heterocedasticity no croos term
(tidak ada interaksi diantara variabel bebas) jika variabel bebas berjumlah
banyak atau white heterocedasticity cross term (ada interaksi diantara
variabel bebas ) jika variabel bebasnya berjumlah sedikit. Adapun
kriterianya antara lain.
Ho : Tidak ada heterokedastisitas (homokedastisitas)
H1 : Terdapat heterokedastisitas
A = 1% dengan tingkat keyakinan 90% tolak H0 jika Obs* R-square > X2
Df = 26 atau probability (P-value) < a maka h0 diterima