Asumsi Klasik

Multikolinearitas

Heteroskedastisitas
Asumsi dalam model regresi
Residul (ei) memiliki nilai rata-rata nol
Residual memiliki varian yang konstan
Residual suatu observasi tidak saling
berhubungan dengan residual lainnya.

Asumsi dalam model regresi

Metode grafik
Uji park
Uji glejer
Uji white

Grafik
Estimasi persamaan awal
Buat variabel baru (misalnya res2) yang akan diisi
dengan rumus resid^2. Kita memerlukan residual
kuadrat untuk membuat grafik sebar (scatter plot)
antara residual kuadrat dengan variabel
independen
Klik genr ->ketik res2=resid^2 -> ok
Klik quick, graph, scatter dan entry res2 var indep
Jika berpola maka tidak terjadi hetero; jika hasil
acak dan tidak menunjukkan pola maka ada
masalah hetero.
Hati-hati menggunakan metode ini, karena
tampilan grafik akan ditentukan besaran data

Uji Park
Estimasi awal
Buat res2=resid^2
Run persamaan dengan menjadi res2
sebagai var dep serta jadikan res2 dalam
bentuk log natura (ln). Sehingga persamaan
menjadi ln(res2)= c var dep. Menurut ln
pada equation specification adalah log(res2)
Jika variabel masing-masing var indep (uji t)
signifikan maka terjadi hetero, dan
sebaliknya

Uji Glejser
Mirip dengan uji park, hanya berbeda
pada var dep. Kalau uji park pakai
ln(residu kuadrat) sedangkan uji glejser
menggunakan nilai absolut dari residual.
Buat variabel baru dengan nama resabs
(singkatan dari residual absolut) dengan
menuliskan resabs = abs(resid)
Lalu estimasi model, dengan menjadikan
resabs dengan variabel dep.
Jika variabel masing-masing var indep (uji t)
signifikan maka terjadi hetero, dan
sebaliknya

Uji White
Menggunaan residual kuadrat sebagai var
dependen, dan indep terdiri atas variabel
indep yang sudah ada, ditambah dengan
kuadrat var indep, ditambah lagi dengan
perkalian dua var indep.
Caranya
Run persamaan awal
view, residual test, white heteros (cross term)
dan oke
Lihat nilai Obs*Rsquared dan nilai probnya.
Jika diatas 0,05 maka homoske dan sebaliknya

Menghilangkan hetero
Metode white
Dikenal dengan varian heteros
terkoreksi.
Buka file-> quick, estimate equation lalu
var dep dan indep
Klik option lalu klik heteros consisten
coeffisien covariance, klik ok dan ok

Metode transformasi

Autokorelasi
Hubungan antara residual satu observasi dengan
residual observasi lainnya.
Adanya autokorelasi dalamregresi linear(Ordinary
Least Squares) menyebabkan variansi sampel tidak
dapat menggambarkan variansi populasi, model
regresi yang dihasilkan tak dapat digunakan untuk
menduga nilai variabel tak bebas dari nilai variabelbehas tertentu, koefisien regresi yang diperoleh
kurang akurat. Masalah autokorelasi ini sering
terjadi pada regresi linear dengan menggunakan
data runtut waktu atautime-series.
Positif -> biasanya terjadi pada data time series
karena variabel yang dianalisis biasanya
mengancung kecenderungan meningkat. Misalnya
gdp

Identifikasi auto
Uji durbin-watson
Uji breush-godfrey (BG)
Nama lain dari uji BG adalah uji lagrangemultiplier.
Run regresi
View, residual test, serial correlation LM test.
Perhatikan nilai prob yang sejajar dengan
obs*R-squared.
Jika prob di atas 0,05 persen artinya no auto
dan sebaliknya

 Untuk koreksi masalah autokorelasi, kita akan lakukan

prosedurCochrane-Orcutt, yang dinyatakan dengan
(rho). Metode perulangan dalamcochraneorcuttdilakukan dengan dua tahapan antara lain; (1)
menentukan korelasi antar beberapa pasang
pengamatan dalam model, kemudian (2) menjalankan
persamaan regresi dengan AR(1) atau sampai AR(2),
untuk menghilangkan korelasi antarerror.
Oleh karena itu kita akan merubah persamaan menjadi;
Yt = gnpt rho*gnpt-1,
dan
Xt = cpit rho*cpit-1
dengan;
t = rho*t-1 + t

 Proseduriterasi cochraneorcuttkemudian akan kita lakukan dengan

bantuaneviews 9.
1. Pada data gnp dan cpi,open as group,
2. KemudianProc Make Equation,

 3. Kemudian Buat persamaan regresi

dengan AR(1) OK,

 4. Output regresi dengan AR(1),

Persamaan regresi
dengan AR(1) masih
mengandung masalah
autokorelasi yang
diindikasikan dengan
nilai statistikdurbinwatsonsebesar 0,72.

 5. Kemudian kita masukkan kembali

model AR(2) ke dalam persamaan,

 6.Outputregresi dengan AR(1) dan AR(2),

Nilai statistikdurbinwatsontelah
mengindikasikan model
telah terkoreksi dari
masalah autokorelasi
sebesar1,75. Keragaman
gnp yang dapat dijelaskan
oleh cpi telah meningkat
menjadi 96.09 persen.
Dengan demikian
persamaan untuk kondisi
yang ideal (white
noise)yang kita peroleh dari
model AR(2) adalah:
GNP = 2419.87 1.09*CPI
+ [AR(1)=1.74,AR(2)=0.78,UNCOND]
atau dalam bentuk lain:
GNPt = 2419,87

Contoh Soal

1.
2.
3.
4.
5.

Carilah nilai parameter (0 dan 1)

Carilah nilai Standar error (1) dan Se 0
Carilah nilai R2
Tentukan hasil uji t
Tentukan hasil uji F

Dependent Variable: DSPDMOTOR

Method: Least Squares

Date: 10/15/16 Time: 09:40

Sample: 1990 1997

Included observations: 8

Variable
Coefficient
Std. Error
t-Statistic

C
2321.750
128.6322
18.04952
PRICE
-225.0000
12.98656
-17.32560

R-squared
0.980403Mean dependent var
Adjusted R-squared
0.977137S.D. dependent var
S.E. of regression
0.841625Akaike info criterion
Sum squared resid
4.250000Schwarz criterion
Log likelihood
-8.821418Hannan-Quinn criter.
F-statistic
300.1765Durbin-Watson stat
Prob(F-statistic)
0.000002

Prob.

0.0000
0.0000

93.12500
5.566161
2.705355
2.725215
2.571404
0.794118