Eviews : Pengujian Asumsi Klasik

Hai... untuk temen-temen ekonomi pembangunan yang sedang membaca tulisan ini tentu saja tidak asing dengan ekonometrika. Ekonometrika merupakan ilmu perpaduan antara ilmu ekonomi, statistika dan matematika yang membahas berbagai fenomena ekonomi dengan menterjemahkannya dalam bentuk kuantitatif atau angka (sesuatu yang dapat diukur).

Salah satu program yang dapat digunakan untuk olah data yaitu aplikasi Eviews.

Dalam model regresi linier sederhana untuk mengetahui hubungan antara dua variabel yang salah satu variabel menjadi variabel dependen (tidak bebas) dan variabel lainnya independen (bebas). Ada beberapa metode yang dapat digunakan untuk mengestimasi fungsi regresi, salah satunya OLS (Ordinary Least Square). Dalam model regresi linier memiliki beberapa asumsi dasar yang harus dipenuhi untuk menghasilkan estimasi yang BLUE (best, linear, unbiased dan Estimator) yaitu dengan uji heterokedastisitas, multikolinearitas dan autokorelasi.

Pengujian Asumsi Klasik :

1. Uji Normalitas dengan Metode Jarque-Bera 

Uji signifikasi pengaruh variabel independen terhadap variabel dependen melalui uji-t hanya akan valid jika residual yang didapatkan mempunyai distribusi normal.

Tujuan : untuk menguji apakah dalam model regresi, variabel-variabel terdistribusi normal/tidak.

Dalam Eviews normalitas sebuah data dapat diketahu dengan membandingkan nilai Jarque Bera (JB) dan nilai chi-square tabel. Uji JB dapat di dapat dari histogram normality. Hipotesis yang digunakan :

H0 : data terdistribusi normal

H1 : data tidak terdistribusi normal

Jika hasil JB hitung > chi-square tabel, maka H0 ditolak atau H1 diterima

Jika hasil JB hitung < chi-square tabel, maka H0 diterima atau H1 di tolak

Dari histogram diatas nilai JB sebesar 0,671 sementara chi-square dengan melihat jumlah variabel independen yang dipakai dalam hal ini dua variabel independen dan nilai signifikasi yang dipakai yaitu 0,05 atau 5%. Dapat nilai chi-square sebesar 5,991 yang berarti nilai JB lebih kecil dari nilai chi-square (0,671<5,991). Sehingga dapat disimpulkan bahwa data dalam penelitian ini terdistribusi normal.

Di Eviews : Klik kanan - Open (as equation) - View - residual diagnostic - Histogram normality test

2. Uji Multikolinearitas 

Deteksi multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya multikolinearitas.

Pada pembahasan ini akan dilakukan deteksi multikolinearitas dengan melihat nilai inflation factor (VIF) pada model regresi dan membandingkan nilai koefisien determinasi individual (r²)dengan nilai determinasi secara serentak (R²). Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factor) dan Tolerance. Apabila nilai VIF berada dibawah 10,00 dan nilai Tolerance lebih dari 0,100, maka diambil kesimpulan bahwa model regresi tersebut tidak terdapat masalah multikolinearitas.

Deteksi multikolinearitas menggunakan Variance inflation dan tolerance dengan ketentuan:

Jika VIF > 10 (Multikolinieritas tinggi)

Jika 5 ≤ VIF ≤ 10 (Multikolinieritas sedang)

Jika 1 ≤ VIF ≤ 5 (Multikolinieritas rendah)

dengan perhitungan VIF, nilainya lebih kecil dari 10 sehingga diduga tidak adanya multikolinearitas.

Di Eviews : Klik kanan - Open (as equation) - View - coefficient diagnostic - Variance Inflation Factor (VIF)

3. Uji Heterokedastisitas

Uji hetrerokedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heterokedastisitas yaitu adanya ketidaksamaan varians dari residual untuk semua pengamanatan pada model regresi. Heterokedastisitas merupakan salah satu faktor yang menyebabkan model regresi linier sederhana tidak efisien dan akurat juga mengakibatkan penggunaan metode kemungkinan maksimum dalam mengestimasi parameter (koefisien) regresi akan terganggu.

Beberapa metode yang dapat digunakan diantaranya (metode park, metode glejser, metode korelasi sperman, metode GoldFeld-Quandt, metode Breush-Pagan, metode white,)

Pada pembahasan ini menggunakan metode white. Prosedur pengujian dilakukan dengan hipotesis sebagai berikut :

H0 : tidak ada heterokedastisitas

H1 : ada heterokedastisitas

Interpretasi 2 : Berdasarkan table diatas, nilai Prob Chi-Square (yang Obs*R-squared) sebesar 0,72>0,05 maka tidak terjadi masalah heterokedastisitas.

Penyembuhan masalah heterokedastisitas dapat dilakukan dengan :

1. ketika variabel ganggunag diketahui dan dilakukan melalui metode WLS

2. ketika variabel gangguan tidak diketahui, dilakukan melalui metode white dan metode transformasi (mengetahui pola heterokedastisitas) (sumber : Ansofino dkk, 2016)

Di Eviews : Klik kanan - Open (as equation) - View - residual diagnostic - heterokedastisity test - white - ok

4. Uji Autokorelasi

Metode yang dapat digunakan diantaranya dengan metode Durbin-Watson (DW) dan Breusch Godfrey.

Hasil dari pengujian nilai X2 hitung sama dengan nilai Obs R-Square sebesar 3,3933

tabel df =2 a=5% adalah 5,991. 

Jadi X2 hitung < X2 tabel

maka model tidak mengandung masalah autokorelasi atau nilai probabilitas X2 hitung (0,1833) > dari a 5% (0,05), maka tidak ada masalah autokorelasi.

atau interpretasi 2 : Nilai Prob Chi Square (yang Obs*R-square) sebesar 0,18 > 0,05 maka tidak terjadi masalah autokorelasi.

Di Eviews : Klik kanan - Open (as equation) - View - residual diagnostic - serial corelation LM test