1. Uji Asumsi Kalsik Normalitas.
Pengujian asumsi normalitas untuk menguji
data variabel bebas (X) dan variabel terikat (Y) pada persamaan regresi
yang dihasilkan, apakah berdistribusi normal atau berdistribusi tidak
normal. Jika distribusi data normal, maka analisis data dan pengujian
hipotesis digunakan statistik parametrik. Pengujian normalitas data
menggunakan uji kolmogorov-smirnov one sampel test dengan rumus:
Dimana:
Fo (X) = fungsi distribusi komulatif yang ditentukan.
SN (X) = distribusi frekuensi komulatif yang diobservasi dari suatu sampel random dengan N observasi.
i = 1,2,…N
Adapun kriteria uji : jika probabilitas signifikan > 0,05 maka data berdistribusi normal.
Fo (X) = fungsi distribusi komulatif yang ditentukan.
SN (X) = distribusi frekuensi komulatif yang diobservasi dari suatu sampel random dengan N observasi.
i = 1,2,…N
Adapun kriteria uji : jika probabilitas signifikan > 0,05 maka data berdistribusi normal.
2. Uji Asumsi Klasik Autokorelasi
Persamaan regresi yang baik adalah tidak
memiliki masalah autokorelasi. Jika terjadi autokorelasi maka perasamaan
tersebut menjadi tidak baik atau tidak layak dipakai prediksi. Ukuaran
dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin-Watson (DW), dengan ketentuan sebagai berikut:
(a). Terjadi autokorelasi positif jika DW di bawah -2 (DW < -2).
(b). Tidak terjadi autokorelasi jika DW berada di antara -2 dan +2 atau -2 < DW +2.
Berikut langkah prosesnya:
1. Klik menu analyze.
2. Pilih submenu regresion, klik linier.
3. Box dependent: variabel terikat (Y)
4. Box independent: variabel bebas (X)
5. Pada case labels isikan periode waktunya.
6. Klik tombol statistic.
7. Aktifkan durbin-Watson.
8. Klik continue.
9. Klik OK.
Contoh bagian output:
(b). Tidak terjadi autokorelasi jika DW berada di antara -2 dan +2 atau -2 < DW +2.
Berikut langkah prosesnya:
1. Klik menu analyze.
2. Pilih submenu regresion, klik linier.
3. Box dependent: variabel terikat (Y)
4. Box independent: variabel bebas (X)
5. Pada case labels isikan periode waktunya.
6. Klik tombol statistic.
7. Aktifkan durbin-Watson.
8. Klik continue.
9. Klik OK.
Contoh bagian output:
Dari hasil output di atas,
Durbin-Watson test = 2,397 dan DW > 2, maka, disimpulkan bahwa data
di atas terjadi autokorelasi negatif.
3. Uji Asumsi Klasik Multikolinieritas.
Uji asumsi klasik ini digunakan untuk mengukur tingkat asosiasi (keeratan)
hubungan/pengaruh antar variabel bebas tersebut melalui besaran
koefisien korelasi (r). Multikolinieritas terjadi jika koefisien
korelasi antar variabel bebas lebih besar dari 0,60 (pendapat lain: 0,50
dan 0,90). Dikatakan tidak terjadi multikolinieritas jika koefisien
korelasi antar variabel bebas lebih kecil atau sama dengan 0,60 (r <
0,60). Dengan cara lain untuk menentukan multikolinieritas, yaitu dengan
:
1. Nilai tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik (a).
2. Nilai variance inflation factor (VIF) adalah faktor inflasi penyimpangan baku kuadarat.
1. Nilai tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik (a).
2. Nilai variance inflation factor (VIF) adalah faktor inflasi penyimpangan baku kuadarat.
Nilai tolerance (a) dan variance inflation factor (VIF) dapat dicari dengan, sebagai berikut:
☑ Besar nilai tolerance (a): a = 1 / VIF
☑ Besar nilai variance inflation factor (VIF): VIF = 1 / a
~ Variabel bebas mengalami multikolinieritas jika a hitung VIF.
~ Variabel bebas tidak mengalami multikolinieritas jika a hitung > a dan VIF hitung < VIF.
Berikut langkah prosesnya:
1. Klik menu analyze.
2. Pilih submenu regresion, klik linier.
3. Box dependent: variabel terikat (Y)
4. Box independent: variabel bebas (X)
5. Klik method, pilih enter
6. Klik tombol statistic, akan muncul linier regression statistic: nonaktifkan estimates dan model fit, aktifkan: covariance matrix dan collinieritas diagnostics.
7. Klik continue
8. Klik OK.
Contoh bagian output:
☑ Besar nilai tolerance (a): a = 1 / VIF
☑ Besar nilai variance inflation factor (VIF): VIF = 1 / a
~ Variabel bebas mengalami multikolinieritas jika a hitung VIF.
~ Variabel bebas tidak mengalami multikolinieritas jika a hitung > a dan VIF hitung < VIF.
Berikut langkah prosesnya:
1. Klik menu analyze.
2. Pilih submenu regresion, klik linier.
3. Box dependent: variabel terikat (Y)
4. Box independent: variabel bebas (X)
5. Klik method, pilih enter
6. Klik tombol statistic, akan muncul linier regression statistic: nonaktifkan estimates dan model fit, aktifkan: covariance matrix dan collinieritas diagnostics.
7. Klik continue
8. Klik OK.
Contoh bagian output:
Analisis Output:
a). Melihat besaran koefisien korelasi antar variabel bebas, terlihat koefisien korelasi antar variabel bebas sebesar 0,142 jauh di bawah 0,60. Disimpulkan bahwa antara variabel bebas tidak terjadi multikolinieritas.
(b). Menggunakan besaran tolerance (a) dan variance inflation factor (VIF) jika menggunakan alpha/tolerance = 10% atau 0,10 maka VIF = 10. Dari hasil output VIF hitung dari kedua variabel = 1,021 < VIF = 10 dan semua tolerance variabel bebas 0,980 = 98% diatas 10%, dapat disimpulkan bahwa antara variabel bebas tidak terjadi multikolinieritas.
a). Melihat besaran koefisien korelasi antar variabel bebas, terlihat koefisien korelasi antar variabel bebas sebesar 0,142 jauh di bawah 0,60. Disimpulkan bahwa antara variabel bebas tidak terjadi multikolinieritas.
(b). Menggunakan besaran tolerance (a) dan variance inflation factor (VIF) jika menggunakan alpha/tolerance = 10% atau 0,10 maka VIF = 10. Dari hasil output VIF hitung dari kedua variabel = 1,021 < VIF = 10 dan semua tolerance variabel bebas 0,980 = 98% diatas 10%, dapat disimpulkan bahwa antara variabel bebas tidak terjadi multikolinieritas.
Dalam persamaan regresi berganda perlu
diuji mengenai sama atau tidak varians dari residual dari observasi yang
satu dengan observasi lainnya. Jika residual mempunyai varians yang
sama, disebut homoskedastisitas. dan jika varoansnya tidak sama disebut
terjadi heteoskedastisitas. Persamaan regresi yang baik jika tidak
terjadi heteroskedastisitas.
Analisis uji asumsi heteroskedastisitas
hasil output SPSS melalui grafik scatterplot antara Z prediction (ZPRED)
untuk variabel bebas (sumbu X=Y hasil prediksi) dan nilai residualnya
(SRESID) merupakan variabel terikat (sumbu Y=Y prediksi – Y rill).
Homoskedastisitas terjadi jika
titik-titik hasil pengolahan data antara ZPRED dan SRESID menyebar di
bawah ataupun di atas titik origin (angka 0) pada sumbu Y dan tidak
mempunyai pola yang tertentu.
Heteroskedastisitas terjadi jika pada
scatterplot titik-titiknya mempunyai pola yang teratur, baik menyempit,
melebar maupun bergelombang-gelombang.
Berikut langkah prosesnya:
1. Klik menu analyze.
2. Pilih submenu regresion, klik linier.
3. Box dependent: variabel terikat (Y)
4. Box independent: variabel bebas (X,…)
5. Klik plots, muncul linier regresion plot dan isikan: variabel SRESID di sumbu Y dan variabel ZPRED di sumbu X.
6. Klik continue.
7. Klik OK.
Contoh bagian output:
Berikut langkah prosesnya:
1. Klik menu analyze.
2. Pilih submenu regresion, klik linier.
3. Box dependent: variabel terikat (Y)
4. Box independent: variabel bebas (X,…)
5. Klik plots, muncul linier regresion plot dan isikan: variabel SRESID di sumbu Y dan variabel ZPRED di sumbu X.
6. Klik continue.
7. Klik OK.
Contoh bagian output:
Dari hasil output gambar scatterplot,
didapat titik menyebar di bawah serta di atas sumbu Y, dan tidak
mempunyai pola yang teratur. Maka dapat disimpulakan variabel bebas di
atas tidak terjadi heteroskedastisitas atau bersifat homoskedastisitas.
Sumber:
Dapat dilihat disini
Tidak ada komentar:
Posting Komentar