UJI HIPOTESIS

Persamaan Regresi Linier Berganda

• Y = a + b1x1 + b2x2 + bnxn + … + e

• Y = variabel dependen

• a = konstanta

• b = koefisien determinasi

• X = variabel independen

• e = error term

Uji Asumsi Klasik

• Analisis regresi memerlukan beberapa asumsi agar model layak digunakan. Asumsi yang digunakan adalah:

– Uji Normalitas

– Uji Multikolinieritas

– Uji Heterosdastisitas

– Uji Autokorelasi

Uji Normalitas

• Untuk menentukan apakah data terdistribusi secara normal atau tidak.

• Menggunakan plot grafik dimana asumsi normalitas terpenuhi jika titik-titik pada grafik mendekati sumbu diagonalnya

• Untuk memperkuat pengujian dapat dipergunakan Uji Kolmogorov-Smirnov

Uji Kolmogorov-Smirnov Grafik Uji Normalitas

Nilai signifikansi 0,868 > 0,05 menunjukkan data terdistribusi normal

(asumsi signifikansi 0,05)

Uji Multikolinieritas

• Multikolinieritas: kondisi dimana terjadi korelasi yang kuat diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan model regresi linier.

• Kondisi yang menyalahi asumsi regresi linier.

• TIDAK MUNGKIN TERJADI apabila variabel bebas (X) yang diikutsertakan hanya satu.

Uji Multikolinieritas

• Ciri-ciri yang sering ditemui apabila model regresi linier kita mengalami multikolinieritas adalah: – Terjadi perubahan yang berarti pada koefisien model regresi

(misal nilainya menjadi lebih besar atau kecil) apabila dilakukan penambahan atau pengeluaran sebuah variabel bebas dari model regresi.

– Diperoleh nilai R-square yang besar, sedangkan koefisien regresi tidak signifikan pada uji parsial.

– Tanda (+ atau -) pada koefisien model regresi berlawanan dengan yang disebutkan dalam teori (atau logika). Misal, pada teori (atau logika) seharusnya b1 bertanda (+), namun yang diperoleh justru bertanda (-).

– Nilai standard error untuk koefisien regresi menjadi lebih besar dari yang sebenarnya (overestimated)

Uji Multikolinieritas

• Untuk mendeteksi apakah model regresi mengalami multikolinieritas, dapat diperiksa menggunakan VIF (Variance Inflation Factor).

• Nilai VIF > 10 berarti telah terjadi multikolinieritas yang serius di dalam model regresi kita.

Uji Multikolinieritas

Uji Heteroskedastisitas

• situasi dimana keragaman variabel independen bervariasi pada data yang kita miliki. Salah satu asumsi kunci pada metode regresi biasa adalah bahwa error memiliki keragaman yang sama pada tiap-tiap sampelnya. Asumsi inilah yang disebut homoskedastisitas.

• Jika keragaman residual/error tidak bersifat konstan, data dapat dikatakan bersifat heteroskedastisitas. Karena pada metode regresi ordinary least-squares mengasumsikan keragaman error yang konstan, heteroskedastisitas menyebabkan estimasi OLS menjadi tidak efisien.

• Model yang memperhitungkan perubahan keragaman dapat membuat penggunaan dan estimasi data menjadi lebih efisien.

Uji Heteroskedastisitas

• Beberapa asumsi dalam model regresi yang terkait dengan heteroskedastisitas antara lain adalah residual (e) memiliki nilai rata-rata nol, keragaman yang konstan, dan residual pada model tidak saling berhubungan, sehingga estimator bersifat BLUE.

• Jika asumsi ini dilanggar maka prediksi model yang dibuat tidak dapat diandalkan.

Uji Heteroskedastisitas

Uji Heteroskedastisitas

• Uji Goldfeld-Quandt

• Uji Korelasi Spearman

• Uji Glejser

• Uji Bruesch-Pagan-Godfrey

• dll

Uji Autokorelasi

• Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu (data time series).

• Uji autokorelasi perlu dilakukan apabila data yang dianalisis merupakan data time series (Gujarati, 1993).

• Menggunakan Uji Durbin Watson

Goodness of Fit Test

• Setelah kita melakukan uji normalitas data, maka kita perlu melakukan Uji kesesuaian model atau seberapa besar kemampuan variable bebas dalam menjelaskan varian variabel terikatnya

Goodness of Fit Test - R2

• R2 adalah perbandingan antara variasi Y yang dijelaskan oleh x1 dan x2 secara bersama-sama dibanding dengan variasi total Y.

• Jika selain x1 dan x2 semua variabel di luar model yang diwadahi dalam E dimasukkan ke dalam model, maka nilai R2 akan bernilai 1.

• Ini berarti seluruh variasi Y dapat dijelaskan oleh variabel penjelas yang dimasukkan ke dalam model.

• Contoh Jika variabel dalam model hanya menjelaskan 0,4 maka berarti sebesar 0,6 ditentukan oleh variabel di luar model, nilai diperoleh sebesar R2 = 0,4.

Goodness of Fit Test – Uji F

• Selain R2 ketepatan model hendaknya diuji dengan uji F. Hipotesis dalam uji F adalah sebagai berikut:

• Hipotesis mengenai ketepatan model: • Ho : b1 = b2 = 0 (Pengambilan variabel X1 dan X2

tidak cukup tepat dalam menjelaskan variasi Y, ini berarti pengaruh variabel di luar model terhadap Y, lebih kuat dibanding dengan variabel yang sudah dipilih).

• Ha : b1 ≠ b2 ≠ 0 (Pengambilan variabel X1 dan X2 sudah cukup tepat karena mampu menjelaskan variasi Y, dibanding dengan pengaruh variabel di luar model atau errror terhadap Y).

Uji F

• Uji F adalah uji simultan untuk melihat pengaruh variabel-variabel independen/bebas (x1, x2, x3…) secara serempak terhadap variabel terikatnya/dependen

Uji t

• Uji t adalah uji parsial untuk melihat pengaruh masing-masing variabel independen atau bebas (x) berpengaruh nyata atau tidak secara parsial terhadap variabel dependen/terikatnya (Y)