UJI ASUMSI KLASIK (Analisis Asumsi Klasik Regresi Linier Berganda)

Salah satu analisis yang paling banyak digunakan dalam penelitian adalah regresi linier berganda. yaitu suatu analisis regresi yang mengujikan adanya pengaruh dua atau lebih varibel variabel bebas/ variabel indepen / (variabel x) terhadap satu variabel dependen (Y).

 

Kenapa model regresi lionier lebih banyak dipakai? ada beberapa alasan, salah satu satu model linier merupakan model yang model yang paling model dipahami dibanding teori model nonlinier. selain itu model linier merupakan dasar dari asumsi data normal. namun ternyata pembentukan model linier berganda tidak sesederhana model regresi linier sederhana yang hanya melibatkan satu variabel x kepada satu variabel y.

salah satu kendala besar dalam membentuk model regresi linier berganda adalah adanya 4 asumsi klasik yang harus dipenuhi. secara sederhana, asumsi di sini dapat diartikan sebagai syarat bahwa model regresi yang terbentuk merupakan model yang benar dan bisa dipakai secara tepat. bila ada satu asumsi yang belum lolos alias terkena masalah maka model regresi yang dibuat dapat dikatakn belum bisa mengestimasi pengaruh variabel independen terhadap variabel terikat secara tepat.

 

Asumsi pertama yang pertama adalah, normalitas residual. kesalahan yang biasa terjadi adalah banyak peneliti mengira normalitas yang dimaksud adalah normalitas data, padahal dalam regresi linier normalitas yang dimaksud adalah normalitas residual. setelah menyadari kesalahannya akhirnya peneliti semakin bingung karena untuk menampilkan nilai residual regresi yang dibuat masih bingung...apalagi sampai menguji normalitas. dan paling parahnya setelah bisa menguji normalitas residual , ternyata hasilnya tidak normal. apa yang harus dilakukan agar bisa lolos normalitas?

 

Asumsi regresi kedua, multikolinieritas, multikolinieritas sederhananya adalah menghindari hubungan linier antara variabel independen. sehingga bila ada hubungan linier antara variabel x1 terhadap x2 maka dapat dipastikan model regresi bergandanya akan  bias dan tidak bisa digunakan. pengujian kasus multikolinieritas dapat digunakan nilai VIF. walaupun sederhana, namun masalah ini akan membingungkan ketika terjadi kasus multikolinieritas . secara teoritis, bila terjadi kasus multikolinieritas maka direkomendasikan agar variabel yang multikolinieritas harus dibuang dari model. masalahnya bagaimana bila varaibel yang harus dibuang tersebut adalah variabel yang sangat penting yang tidak mungkin dibuang dari model?

 

Asumsi regresi berganda ketiga adalah autokorelasi, yaitu adanya kondisi dimana terdapat korelasi atau hubungan antar pengamatan (observasi),yaitu  berbentuk observasi deret waktu. Untuk data-data tertentu asumsi autokorelasi bisa disingkirkan dari kewajiban uji. namun yang paling berat adalah bila ternyata terdapat kasus autokorelasi namun terlalu kuat. apa solusinya?

 

Terakhir adalah asumsi heterokedastisitas, yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi.. menurut saya teknik uji heterokedastisitas yang paling sederhana adalah uji Glejser. bila hasil uji Glejser menunjuka bahwa varian resiudal tidak seragam maka solusi yang bisa dilakukan adalah transformasi seperti transformasi log / ln. namun tidak semua data bisa dilakukan tranformasi seperti data dengan nilai negatif.

 

Solusi apa yang bisa dilakukan untuk data yang tidak lolos asumsi klasik?

secara logika, semakin banyak variabel nbebas x maka semakin sulit model regresi yang tersebut bebas asumsi klasik.

Sumber:
Dapat dilihat disini