Uji Asumsi Klasik Pada Regresi Linear

Portal-Statistik | Salam blogger Indonesia, masih dalam edisi malam minggu tidur nyenyaks, edisi postingan spesial sebelum tidur nyenyaks beneran, pada postingan kali ini saya akan membahas sedikit tentang Uji Asumsi Klasik Pada Regresi Linear dan Langkah-langkahnya dengan SPSS, dimana ketika kita telah mendapatkan model regresi yang sesuai atau yang kita inginkan maka untuk mengatakan model kita itu baik atau tidak perlu dilakukan beberapa Uji Asumsi Klasik.

Dalam melakukan analisis data kuantitatif seringkali kita menggunakan uji persyaratan analisis. Dalam artikel ini akan dibahas tentang persyaratan uji analisis untuk Regresi Berganda yang juga sering disebut dengan istilah Uji Asumsi Klasik. Menurut Damodar Gujarati (2006) agar model regresi tidak bias atau agar model regresi BLUE (Best Linear Unbiased Estimator) maka perlu dilakukan uji asumsi klasik terlebih dahulu.

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak dapat dipergunakan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.

Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan market model, atau market adjusted model. Perhitungan nilai return yang diharapkan dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.

Setidaknya ada lima uji asumsi klasik, yaitu uji multikolinearitas, uji heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung pada data yang ada. Sebagai contoh, dilakukan analisis terhadap semua uji asumsi klasik, lalu dilihat mana yang tidak memenuhi persyaratan. Kemudian dilakukan perbaikan pada uji tersebut, dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain.

Uji persyaratan untuk analisis regresi berganda yang sering digunakan adalah sebagai berikut:

  1. Uji Normalitas Residual
    Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya.
    Beberapa peneliti sering melakukan kesalahan dalam memenuhi asumsi normalitas ini dikarenakan datanya tidak berdistribusi normal, penyebabnya adalah para peneliti tersebut melakukan pengujian normalitas pada data per variabel. Tentunya itu sangat sulit sebab sebenarnya untuk regresi linear berganda, asumsi normalitas tidak pada per variabel, melainkan pada residual. Jadi seharusnya asumsi normalitas akan mudah dicapai apabila kita mengikuti aturan yang benar, yaitu melakukan pengujian normalitas pada residual.
    Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik.
    Baca selengkapnya : Uji Normalitas Residual dengan Analisa Grafik dan Uji Kolmogorov Smirnov
  2. Uji Asumsi Heteroskedastisitas
    Uji heteroskedastisitas
    bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variansi dari residual satu pengamatan ke pengamatan lain. Jika variansi dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau yang tidak terjadi Heteroskedastisitas.
    Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang baik didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah, menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang dapat digunakan adalah uji Glejser, uji Park atau uji White.
    Baca selengkapnya :Uji Asumsi Heteroskedastisitas dengan metode Glejser
  3. Uji Asumsi Autokorelasi
    Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada bulan Februari akan rendah.
    Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.
    Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier.
    Baca selengkapnya : Uji Asumsi Autokorelasi dengan Durbin Watson Test atau Mendeteksi Autokorelasi dengan Run Test
  4. Uji Asumsi Multikolinearitas
    Multikolinieritas digunakan untuk menguji suatu model apakah terjadi hubungan yang sempurna atau hampir sempurna antara variabel bebas, sehingga sulit untuk memisahkan pengaruh antara variabel-variabel itu secara individu terhadap variabel terikat. Pengujian ini untuk mengetahui apakah antar variabel bebas dalam persamaan regresi tersebut tidak saling berkorelasi. Untuk mendeteksi Multikolinearitas adalah dengan melihat nilai tolerance dan nilai Variance Inflation Factor (VIF), di mana menurut Hair et al dalam Duwi Priyatno (2009) variabel dikatakan mempunyai masalah multikolinearitas apabila nilai tolerance lebih kecil dari 0,1 atau nilai VIF lebih besar dari 10.
    Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independent. Jika variabel independent saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel Ortogonal adalah variabel independent yang nilai korelasi antar sesame variabel independent sama dengan nol.
    Baca selengkapnya : Uji Asumsi Multikolinearitas dengan SPSS
Demikian,
Semoga Bermanfaat,
Selamat Tidur, Udah ngantuk Berrraat... :D
Have FUN.
8 Komentar untuk "Uji Asumsi Klasik Pada Regresi Linear"

selamat malah,
saya mau bertanya buat skripsi, apakah ada buku referesi untuk pernyataan ini " jadi analisis regresi yang tidak berdarkan ols tidak memerlukan persyaratan asumsi klasik misalnya regresi logistik"

thanks bangett.. gue kebantu mengenai Uji Heteroskedastisitas

terimaaksih atas info yang bermanfaat. jika boleh saran dan berkenan minta dituliskan daftar pustaka terhadap sumber referensi yang digunakan. terimaksih:-)

Ijin ngubek2 blognya untuk tugas skripsi :D
Thanks

Assalamualaikum pak saya mahasiswi yang sedang menyusun skripsi .

pak saya mau bertanya , mengenai :
"Uji autokorelasi hanya dilakukan pada data time series (runtun waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan."
Kalau tidak merepotkan , saya mau bertanya mengenai sumber buku yang menyatakan seperti di atas .
Karena saya belum mengetahui itu bersumber darimananya atau pendapat siapa.
Berarti itu berlaku untuk data cross section yang lainnya , tidak hanya berbentuk kuesioner saja pak ?
Saya menggunakan data tahun 2012 dengan n = 26 kabupaten dan kota dengan variabel x ada 6 dan y ada 1.

Saya juga mau bertanya pak .
Karena pada saat saya mencoba uji autokorelasi dengan eviews pada lag ke-2 terdapat autokorelasi , tetapi pada saat lag ke-14 baru bisa di simpulkan tidak terdapat autokorelasi.
Kalau seperti itu apakah bisa mengambil kesimpulan dari lag ke-14 bahwa tidak terdapat autokorelasi ?
saya sudah mencoba memakai spss tetapi hasilnya tidak dapat disimpulkan.

Atas perhatiannya saya ucapkan terima kasih pak.

Waalaikumsalam...
Untuk referensi saya menggunakan buku pak Imam Ghazali yang analisis multivariate dengan spss.
untuk uji autokorelasi yang tidak menghasilkan keputusan, coba gunakan Run Test
http://www.portal-statistik.com/2014/05/mendeteksi-autokorelasi-dengan-run-test.html
Terimakasih

pak saya mau bertanya, saya punya 5 hipotesis yaitu:
A berpengaruh thadap C
A berpengaruh thadap D
B berpengaruh thdap C
B berpengaruh thdap D dan
C berpengaruh thadap D.
pertanyaan saya dalam kasus ini bisakah saya menggunakan uji regresi sederhana? kalo tidak apa yg hrus saya gunakan?
terima kasih

Silahkan tinggalkan komentar, kritik, maupun saran dari sobat blogger tentang apa yang sobat rasakan setelah mengunjungi blog ini.

Back To Top