File dalam bentuk M.word
1. MENGAPA UJI ASUMSI KLASIK PENTING?
Model regresi linier berganda (multiple regression) dapat disebut sebagai model yang baik jika model tersebut memenuhi Kriteria BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai bila memenuhi Asumsi Klasik.
Sedikitnya terdapat lima uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut, yaitu:
A. Uji Normalitas
B. Uji Autokorelasi,
C. Uji Multikolinieritas
D.Uji Heteroskedastisitas E.Uji Linieritas
1. Uji Normalitas
Ømetode P-P Plot
Klik analize>regression>linear
Akan muncul jendela “Linear Regression”. Masukkan variabel sesuai dengan data anda. Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap (dependent), sedangkan leverage, current ratio, ROA dan ROE variabel bebas (independen). Klik tanda berbentuk seperti “panah” untuk memasukkannya ke dalam kolom data. Contohnya sebagai berikut:
Kemudian klik pada statistics (masih dalam jendela Linear Reggresion). Sehingga akan muncul jendela “Linear Regressions: Statistics”. Pada Regression Coefficients centang pada “Estimates”, Covariance matrik”, “Model Fit”, “R squared change”, “Collinearity diagnostics”. Dan pada residuals klik “Durbin-Watson”. Setelah semua dicentang klik “Continue”. Supaya jelas lihat contoh saya sebagai berikut:
Akan muncul lagi jedela “Linear Regression” yang awal. Klik pada “Plots” sehingga muncul jendela “Linnear Regression:Plots”. Masukkan *ZPRED pada Y, dan *SRESID pada X. Caranya dengan mengklik *zpred atau *sresid kemudian klik tanda yang mirip bentuk panah pada tempatnya masing-masing. Kemudian pada Standardized Residual Plots centang pada “Histogram” dan “Normal Probability Plot”. Setelah selesai klik “Continue”. Seperti contoh saya berikut ini:
Kembali ke jendela “Linear regression”. Klik “OK” untuk segera memproses data.
Dan akan muncul jendela baru. Data yang tertera disitulah yang akan menjadi dasar analisis kita.
Uji normalitas adalah pengujian tentang kenormalan distribusi data. Penggunaan uji normalitas karena pada analisis statistik parametik, asumsi yang harus dimiliki oleh data adalah bahwa data tersebut harus terdistribusi secara normal. Maksud data terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal (Santosa&Ashari, 2005:231).
Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan:
a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas (Ghozali 2007:110-112).
Untuk menganalisis dengan SPSS kita lihat hasil output kita tadi pada gambar “Normal P-P Plot of Regression Standardized Residual”. seperti contoh saya yang sebagai berikut:
Dari analisis kurva dapat dilihat bahwa data menyebar di sekitar diagram dan mengikuti model regresi sehingga dapat disimpulkan bahwa data yang diolah merupakan data yang berdistribusi normal sehingga uji normalitas terpenuhi.
ØTabel Kolmogorov Smirnov
Namun bila para pembaca kepingin cara Kolmogorov-Smirnov juga bisa. data dianalisis tidak menggunakan gambar namun dengan angka. Kelebihannya hasilnya memang lebih akurat.
Caranya yaitu untuk memasukkan data sama saja. namun tidak menggunakan jendela “Linear Regression”. Caranya masuk ke menu awal. klik pada Analize>Nonparametic test>1-Sample K-S.
Akan muncul jendela “One-Sample Kolmogorov-Smirnov Test”. Masukka semua variabel dengan menklik variabel kemudian klik tanda panah untuk memasukkannya pada kolom yang di sebelah.
Setelah selesai dimasukkan semua, klik OK. Dan akan muncul jendela One-Sample Kolmogorov-Smirnov Test seperti pada gambar contoh saya ini:
untuk menganalisisnya, kita lihat pada baris “Asymp. Sig. (2-tailed)” baris paling bawah. bila nilai tiap variabel lebih dari (>0,05) maka uji normalitas bisa terpenuhi.
ØKurtosis dan Skewness
Lakukan regresi untuk data permintaan ayam di atas.
Analyze Regression Linear, akan muncul tampilan sebagai berikut:
Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel X2, X3, X4 dan X5 ke kotak Independent(s) dengan mengklik tombol tanda panah. Kemudian pilih Save dan muncul tampilan sebagai berikut:
Centang pilihan Unstandardized pada bagian Residuals, kemudian pilih Continue dan pada tampilan awal pilih tombol OK, akan menghasilkan variabel baru bernama Unstandardized Residual (RES_1). Selanjutnya Analyze Descriptive Statistics Descriptives akan muncul tampilan sebagai berikut.
Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri, selanjutnya pilih Options akan muncul tampilan sebagai berikut
Andry@an Setyadharma – Uji Asumsi Klasik Page 3
Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan pada tampilan awal pilih OK. Hasilnya sebagai berikut (Beberapa bagian dipotong untuk menghemat tempat).
|
Skewness |
Kurtosis |
|
||
|
Statistic |
|
|
|
|
|
Std. Error |
Statistic |
Std. Error |
|
|
|
|
|
|
|
|
Unstandardized Residual |
.105 |
.481 |
-1.002 |
.935 |
|
Valid N (listwise) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Terlihat bahwa rasio skewness = 0,105/ 0,481 = 0,218; sedang rasio kurtosis = -1,002/ 0,935 = – 1,071. Karena rasio skewness dan rasio kurtosis berada di antara –2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah normal.