UJI ASUMSI KLASIK MODEL REGRESI BERGANDA A. UJI ASUMSI KLASIK MULTIKOLIERITAS Uji asumsi klasik jenis ini diterapkan untuk analisis regresi berganda yang terdiri atas dua atau lebih variabel bebas/ independent variable (x1,x2,x3,x4,…….xn), dimana akan diukur tingkat asosiasi (keeratan) hubungan/pengaruh antar variabel bebas tersebut melalui besaran koefisien korelasi (r). dikatakan terjadi multikolieritas, jika koefisien korelasi antar variabel bebas (x1 dan x2, x2 dan x3, x3 dan x4 dan seterusnya) lebih besar dari 0,60 (pendapat lain : 0,50 dan 0,90). Dikatakan tidak terjadi multikolieritas jika koefisien korelasi antar variabel bebas lebih kecil atau sama dengan 0,60 (r 0,60 ). Atau dalam menentukan ada tidaknya multikolieritas dapat digunakan cara lain yaitu dengan : 1. Nilai tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik (). 2. Nilai variance inflation factor (VIF) adalah faktor inflasi penyimpangan baku kuadrat. Nilai tolerance () dan variance inflation factor (VIF) dapat dicari dengan menggabungkan kedua nilai tersebut sebagai berikut : Besar nilai tolerance () : = 1/VIF Besar nilai variance inflation factor (VIF) : VIF = 1/Variabel bebas mengalami multikolieritas jika : dihitung < dan VIF dihitung > VIF 1
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
UJI ASUMSI KLASIK MODEL REGRESI
BERGANDA
A. UJI ASUMSI KLASIK MULTIKOLIERITAS
Uji asumsi klasik jenis ini diterapkan untuk analisis regresi berganda yang terdiri atas dua atau
lebih variabel bebas/ independent variable (x1,x2,x3,x4,…….xn), dimana akan diukur tingkat asosiasi
(keeratan) hubungan/pengaruh antar variabel bebas tersebut melalui besaran koefisien korelasi (r).
dikatakan terjadi multikolieritas, jika koefisien korelasi antar variabel bebas (x1 dan x2, x2 dan x3, x3
dan x4 dan seterusnya) lebih besar dari 0,60 (pendapat lain : 0,50 dan 0,90). Dikatakan tidak terjadi
multikolieritas jika koefisien korelasi antar variabel bebas lebih kecil atau sama dengan 0,60 (r
0,60 ).
Atau dalam menentukan ada tidaknya multikolieritas dapat digunakan cara lain yaitu dengan :
1. Nilai tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik ().
2. Nilai variance inflation factor (VIF) adalah faktor inflasi penyimpangan baku kuadrat.
Nilai tolerance () dan variance inflation factor (VIF) dapat dicari dengan menggabungkan kedua
nilai tersebut sebagai berikut :
Besar nilai tolerance () :
= 1/VIF
Besar nilai variance inflation factor (VIF) :
VIF = 1/
Variabel bebas mengalami multikolieritas jika : dihitung < dan VIF dihitung > VIF
Variabel bebas tidak mengalami multikolieritas jika : hitung > dan VIF hitung < VIF
Cara mengatasi multikolieritas:
1. Menghilangkan salah satu atau lebih variabel bebas yang mempunyai koefisien korelasi tinggi
atau menyebabkan multikolieritas.
2. Jika tidak dihilangkan (n0.1 ) hanya digunakan untuk membantu memprediksi dan tidak untuk
di interpretasikan.
3. Mengurangi hubungan linier antar variabel bebas dengan menggunakan logaritma natural (ln).
4. Menggunakan metode lain misalnya metode regresi Bayesian, dan metode regresi ridge.
Langka pengujian :
1. Buka file data (atau sebelumnya buat dulu data mengenai satu variabel terikat dan dua
Analisis hasil output SPSS (gambar scatterplot) diatas didaptkan titik-titik dibawah dan diatass sumbu
Y, dan tidak mempunyai pola yang teratur, jadi kesimpulannya variabel bebas di ats tidak terjadi
heteroskedastisitas tatu bersifat homoskedastisitas.
C. UJI ASUMSI KLASIK NORMALITAS
Selain uji asumsi klasik multikolinieritas dan heteroskedastisitas, uji asumsi klasik yang lain
adalah uji normalitas, dimana akan menguji data variabel bebas (X) dan data variabel terikat (Y) pada
persamaan regresi yang dihasilkan. Berdistribusi normal atau berdistribusi tidak normal.
Persamaan regresi dikatakan baik jika mempunyai data variabel bebas dan data variabel terikat
berdistribusi mendekati normal atau normal sama sekali. Uji asumsi klasik normalitas dalam diktat ini
ada dua cara yang dibahas yaitu:
6
1. Cara Statistik
Dalam menguji data variabel bebas dan data variabel terikatberdistribusi normal atau tidak pada cara
statistic ini melalui nilai kemiringan kurva (skewness = 3) atau nilai keruncingan kurva (kurtosis =
4) diperbandingkan dengan nilai Z table
Rumus nilai Z untuk kemiringan kurva (skewness)
Z skewness = skewness / 6/N atau Z3 = 3/v6/N
Rumus nilai Z untuk keruncingan kurva (kurtosis)
Z kurtosisi = kurtosis / 24/N atau Z4 = 4/24/N
Dimana N = banyak data
Ketentuan analisis:
a) Variabel (bebas atau terikat) berdistribusi normal jika Z hitung (Z3 atau Z4) < Z tabel
Misal diketahui Z5% = 1,96 (Z tabel) lebih besar dari Z hitung atau dengan kata lain Z hitung
lebih kecil dari Z tabel (1,96), dapat dituliskan Z hitung < 1,96
b) Variabel berdistribusi tidak normal jika Z hitung (Z3 atau Z4) > Z tabel.
Misal nomor (a), dapat ditulis Z hitung >1,96
Adapun langkah pengujian asumsi klasik normalitas dapat dilakukan semi manual, maksudnya kita
dalam mecari nilai skewness (3) dan nilai kurtosis (4) dari data variabel bebas (X) maupun data
variabel terikat (Y)menghitung denga rumus yang ada dalam buku statiska deskriptif, baru setelah
ketemu nilainy, kemudian dicari Z3 dan Z4 rumus diatas. Atau dapat pula melalui perhitungan
computer program SPSS untuk mencari nilai skewness (3) dan nilai kurtosis (4) dengan langkah
sebagai berikut:
a. Buka file yang berisi variabel bebas dan variabel bebas terikat.
b. Klik menu statistic/analyze, pilih descriptive statistic
c. Klik frequencies
d. Kemudian masukkan data variabel (bebas atau terikat, hanya satu variabel dulu diolah)
e. Klik tombol statistic, tandai pada skewness atau kurtosis
f. Klik continue, kemudian tekan OK
g. muncul output SPSS
contoh soal sama dengan diatas
7
Frequencies
Statistics
Motivasi finansial
N Valid 40
Missing 0
Skewness -.491
Std. Error of Skewness .374
Kurtosis .618
Std. Error of Kurtosis .733
8
motivasifinansial
Frequency Percent Valid Percent
Cumulative
Percent
Valid 1.6 1 2.5 2.5 2.5
1.9 1 2.5 2.5 5.0
2.2 1 2.5 2.5 7.5
2.3 2 5.0 5.0 12.5
2.4 1 2.5 2.5 15.0
2.6 3 7.5 7.5 22.5
3.2 4 10.0 10.0 32.5
3.4 6 15.0 15.0 47.5
3.5 1 2.5 2.5 50.0
3.6 2 5.0 5.0 55.0
3.7 1 2.5 2.5 57.5
3.8 1 2.5 2.5 60.0
3.9 1 2.5 2.5 62.5
4.0 1 2.5 2.5 65.0
4.1 1 2.5 2.5 67.5
4.2 1 2.5 2.5 70.0
4.3 4 10.0 10.0 80.0
4.4 1 2.5 2.5 82.5
4.5 3 7.5 7.5 90.0
4.6 2 5.0 5.0 95.0
4.7 1 2.5 2.5 97.5
4.8 1 2.5 2.5 100.0
Total 40 100.0 100.0
Frequencies
9
Statistics
motivasinonfinansial
N Valid 40
Missing 0
Skewness -.290
Std. Error of Skewness .374
Kurtosis -.893
Std. Error of Kurtosis .733
motivasinonfinansial
Frequency Percent Valid Percent Cumulative Percent
Valid 1.6 1 2.5 2.5 2.5
2.3 1 2.5 2.5 5.0
2.4 1 2.5 2.5 7.5
2.5 3 7.5 7.5 15.0
2.6 3 7.5 7.5 22.5
2.7 2 5.0 5.0 27.5
3.0 2 5.0 5.0 32.5
3.2 1 2.5 2.5 35.0
3.3 1 2.5 2.5 37.5
3.4 3 7.5 7.5 45.0
3.5 4 10.0 10.0 55.0
3.6 1 2.5 2.5 57.5
3.7 1 2.5 2.5 60.0
3.9 1 2.5 2.5 62.5
4.0 3 7.5 7.5 70.0
4.3 5 12.5 12.5 82.5
4.4 1 2.5 2.5 85.0
4.5 3 7.5 7.5 92.5
4.6 2 5.0 5.0 97.5
4.7 1 2.5 2.5 100.0
Total 40 100.0 100.0
10
Frequencies
Statistics
kepuasankerja
N Valid 40
Missing 0
Skewness -.119
Std. Error of Skewness .374
Kurtosis -.734
Std. Error of Kurtosis .733
11
kepuasankerja
Frequency Percent Valid Percent Cumulative Percent
Valid 1.9 1 2.5 2.5 2.5
2.0 3 7.5 7.5 10.0
2.3 1 2.5 2.5 12.5
2.4 1 2.5 2.5 15.0
2.5 2 5.0 5.0 20.0
2.7 2 5.0 5.0 25.0
3.0 5 12.5 12.5 37.5
3.2 2 5.0 5.0 42.5
3.3 1 2.5 2.5 45.0
3.4 6 15.0 15.0 60.0
3.5 1 2.5 2.5 62.5
3.6 2 5.0 5.0 67.5
3.7 2 5.0 5.0 72.5
4.0 2 5.0 5.0 77.5
4.1 1 2.5 2.5 80.0
4.2 1 2.5 2.5 82.5
4.3 4 10.0 10.0 92.5
4.5 1 2.5 2.5 95.0
4.6 1 2.5 2.5 97.5
4.8 1 2.5 2.5 100.0
Total 40 100.0 100.0
ANALISIS:
Dari output hasil SPSS pengolahan di atas, kita temui nilai skewness dan nilai kurtosis. Dari sini kita
secara manual menghitung Z hitung (Z3 dan Z4) sebagai berikut:
Variabel Finansial:
Z3 = = = 1,269, dan Z4= = = -0,798
Variable nonfinansial
12
Z3 = = = -0,749, dan Z4= = = -1,154
Variable kepuasan
Z3 = = = -0,749, dan Z4= = = -1,154
Misalkan kita gunakan alpha = 5%, didapat Z tabel = 1,96 dibandingkan dengan Z3 dan Z4 dari variabel financial, nonfinansial dan kepuasan kerja disimpulkan variabel diatas berdistribusi normal.
2. Cara Grafik Histogram dan Normal Probability Plots
Cara grafik histogram dalam menentukan suatu data berdistribusi normal atau tidak, cukup
membandingkan antara riil/nyata dengan garis kurva yang terbentuk, apakah mendekati normal atu
memang normal sama sekali. Jika data riil membentuk garis kurva cenderungtidak simetri terhadap
mean, maka dapat dikatakan data berdistribusi tidak normal dan sebaliknya. Cara grafik histogram
lebih sesuai untuk data yang relative banyak, dan tidak cocok untuk banyak data yang sedikit, karena
interpretasinya dapat menyesatkan.
Cara normal probability plot lebih handal daripada cara grafik histogram, karena cara ini
membandingkan data riil dengan data distribusi normal (otomatis oleh computer) secara kumulatif.
Suatu data dikatakan berdistribusi normal jika garis riil mengikuti garis diagonal.
Langkah pengujian cara grafik histogram dan normal probability plot sebagai berikut:
a) Buka file data yang mau di uji.
b) Klik menu statistic/analyze, pilih regression: linier
c) Muncul dialog linier regression
d) Box dependent isikan : variabel terikatnya (Y)
e) Box independent isikan : variabel bebasnya (X)
f) Klik plots, muncul linier regression plots
g) Klik histogram
h) Klik normal probability plots
i) Klik continue,klik OK.
j) Muncul output SPSS grafik histogram dan normal probability plots.
13
Contoh soal sama dengan di atas
Dari hasil grafik histogram didapatkan garis kurva normal, berarti data yang diteliti di atas
berdistribusi normal, demikian juga dari normal probability plots menunjukkan berdistribusi normal,
karena garis (titik-titik) mengikuti garis diagonal.
D. UJI ASUMSI KLASSIK AUTOKORELASI
Persamaan regresi yang baik adalah yang tidak memiliki masalah autokorelasi, jika terjadi
autokorelasi maka persamaan tersebut menjadi tidak baik/ tidak layak dipakai prediksi. Masalah
autokorelasi baru timbul jika ada korelasi secara linier antara kesalahan pengganggu periode t
(berada) dengan kesalahan penggangu periode t-1 (sebelumnya)
Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin-
Watson (DW) dengan ketentuan sebagai berikut :
1. Terjadi autokorelasi positif, jika nilai DW di bawah -2 (DW < -2)
14
2. Tidak terjadi autokorelasi, jika nilai DW di antara -2 dan +2 atau -2 DW +2
3. Terjadi autokorelasi negatif, jika nilai DW di atas +2 atau DW > +2
Langkah pengujian Durbin-Watson:
a) Buka file data
b) Klik menu statistic/analyze, pilih regression: pilih linier
c) Box dependent isikan : variabel terikatnya (Y)
d) Box independent isikan : variabel bebasnya (X)
e) Case labels isikan : periode waktunya
f) Klik tombol statistic
g) Aktifkan Durbin-Watson
h) Tekan continue,klik OK.
Contoh soal sama di atas.
Model Summary b
Model Durbin-Watson
1 2.397a.
a. Predictors : (constant), motivasi nonfinansial, motivasi finansial
b. Dependent Variable: kepuasan kerja
Analisis :
Dari hasil olah di atas, ditemukan Durbin-Watson test = 2,397 dan DW > 2 disimpulkan data di atas