Modul 4. Met Kuan Pelanggaran Asumsi Klasik1

7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1

1/12

SELF-PROPAGATINGEN

TREPRENEURIALEDUC

ATIONDEVELOPMENT

MODUL

1

A. Uraian Materi Materi Praktikum Kegiatan 4

B. Tujuan Praktikum

C. Pelaksanaan Praktikum

D. Laporan Praktikum (Lembar Kerja)

A. Uraian Materi

1. Uji Normalitas

Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal

atau tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi

normal. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada

nilai residualnya. Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas

dilakukan pada masing-masing variabel. Hal ini tidak dilarang tetapi model regresi

memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel

penelitian. Jika asumsi untuk uji normalitas ini dilanggar, maka uji statistik menjadi

tidak valid atau bias terutama untuk sampel kecil.

Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi

Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang

paling baik atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik

sering menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga

penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak

ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan

metode grafik.

Jika residual tidak normal tetapi dekat dengan nilai kritis maka dapat dicoba

dengan metode lain yang mungkin memberikan justifikasi normal. Tetapi jika jauh dari

nilai normal, maka dapat dilakukan beberapa langkah yaitu: melakukan transformasidata, melakukan trimmingdata outliers atau menambah data observasi. Transformasi

dapat dilakukan ke dalam bentuk Logaritma natural, akar kuadrat, inverse, atau bentuk

yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri, ke kanan,

mengumpul di tengah atau menyebar ke samping kanan dan kiri.

Praktikum Metode KuantitatifPELANGGARAN ASUMSI KLASIK

Lab. Agricultur al Economics, Faculty of Agri culture, University of Br awijaya

Website:http://fp.ub.ac.id/ekonomipertanian

Email : [email protected]

MODUL

4
http://www.konsultanstatistik.com/search/label/Normalitashttp://www.konsultanstatistik.com/2010/05/data-outliers.htmlhttp://fp.ub.ac.id/ekonomipertanianhttp://fp.ub.ac.id/ekonomipertanianhttp://www.konsultanstatistik.com/2010/05/data-outliers.htmlhttp://www.konsultanstatistik.com/search/label/Normalitas


2/12

2 | P a g e

Metode Kuantitatif 2015Brawijaya University

2. Autokorelasi

Autokorelasi adalah korelasi (hubungan) yang terjadi di antara anggota-anggota dari

serangkaian pengamatan yang tersusun dalam rangkaian waktu (seperti pada data runtun

waktu atau time series rate) atau yang tersusun dalam rangkaian ruang (seperti pada data

silang waktu atau cross-sectional data). Asumsi yang keempat dari model OLS (Ordinary

Least Squares) adalah :

Cov (UiLj) = E[{UiE[Ui](UjE[Uj}]

= E[UiUj] = E[Ui] E[Ujj

= 0 untuk i j karena E[Ui]=E[Uj] = 0

Asumsi di atas mengandung arti nilai-nilai faktor gangguan U yang berurutan tidak

tergantung secara temporer; yaitu gangguan yang terjadi pada satu titik pengamatan, tidak

berhubungan dengan faktor-faktor gangguan lainnya. Ini berarti bila pengamatan-

pengamatan dilakukan sepanjang waktu, pengaruh faktor gangguan yang terjadi dalam satuperiode tidak terbawa ke periode lainnya.

Jika asumsi di atas dilanggar atau tidak dipenuhi (yaitu jika nilai U dalam setup

periode berkorelasi dengan nilai-nilai U dalam periode sebelumnya), maka berarti ada

"autokorelasi" dari variabel-variabel random.

Autokorelasi adalah sebuah kasus khusus dari korelasi. Kalau "korelasi"

menunjukkan huburgan antara dua atau Iebih variabel-variabel yang berbeda, maka

"autokorelasi" menunjukkan hubungan antara nilai nilai yang berurutan dari variabel

yang sama.

Autokorelasi merupakan peristiwa yang biasa terdapat pada sebagian besar

variabel-variabel ekonomi. Umpamanya dalam suatu penelitian mengenai hubungan antara

output dan input-input dari sebuah perusahaan didasarkan atas pengamatan bulanan, nir-

autokorelasi (nonautocorrelation) dari faktor-faktor gangguan mengandung arti

kejadiankejadian yang tidak biasa, mempengaruhi produksi perusahaan pada bulan

tertentu hanya bersifat sementara, dalam artian hanya output pada bulan sekarang saja yang

dipengaruhi.

Autokorelasi dalam sampel runtun waktu (time-series sample) menunjukkan

kecenderungan sekuler atau perubahan jangka panjang sepanjang waktu. Fluktuasi siklis

juga memperlihatkan keteraturan pengamatan variabel yang berurutan sepanjang waktu,

dan menjadi penyebab autokorelasi.Autokorelasi juga bisa diakibatkan oleh adanya bias spesifikasi, misalnya, karena

dikeluarkannya variabel-variabel yang benar dari persamaan regresi atau karena asumsi

yang salah mengenai bentuk fungsional model regresi. Di samping itu, timbulnya masalah

autokorelasi kadang-kadang karena salah satu variabel bebas dalam model regresi

merupakan nilai lag (lag_qed value) dari variabel terikat, misalnya :

Konsumsi (t) = f[ Penghasilan (t), Konsumsi (t-1) ]

Jika faktor "lag" itu diabaikan/dibuang, maka faktor gangguannya menunjukkan suatu

pola sistematis karena pengaruh dari konsumsi "lag" terhadap konsumsi tahun t. Padaumumnya, autokorelasi disebut korelasi berseri (serial cortelation). Akan tetapi beberapa


3/12

3 | P a g e


pakar ekonometri lebih suka membedakannya. Menurut G. Tintner, autokorelasi adalah

korlasi "lag" dari suatu rangkaian itu sendiri, tetapi "lag" karena sejumlah satuan waktu.

Sedangkan serial korelasi adalah korelasi lag di antara dua rangkaian yang berbeda. Oieh

karena itu, menurut Tintner, korelasi di antara dua rangkaian waktu seperti U 1, U2, ... U20

dan U2, U3, ., U21 (di mana rangkaian yang pertama merupakan rangkaian lag yang

kedua, sebesar satu periode waktu) adalah autokorelasi. Sedangkan korelasi di antara

rangkaian waktu yang berbeda seperti U1, U2, . U20dan V2, V3, .., V21, (dirnana U dan

V adalah dua rangkaian waktu yang berbeda) disebut serialkorelasi. Pembedaan semacam

ini mungkin bermanfaat, tetapi pembahasan berikutnya dalam buku ini, dianggap kedua

pengertian itu sama.

Autokorelasi biasanya tidak muncul dalam data cross-section. Data cross-section

menunjukkan satu titik waktu, sehingga ketergantungan sementara tidak dimungkinkan

oleh sifat data itu sendiri. Misalnya, data penghasilan dan pengeluaran dari berbagai

keluarga dalam suatu sampel cross-section, ketergantungan di antara perilaku pengeluaran

dari dua keluarga adalah sangat tidak mungkin terjadi.

Uji autokorelasi yang digunakan dalam berbagai penelitian biasanya menggunakan UjiDurbin Watson. Uji ini bertujuan untuk mengatahui apakah dalam suatu model regresi

linier memiliki korelasi antara kesalahan pengganggu dengan kesalahan sebelumnya.

Apabila hal ini terjadi, maka terdapat masalah autokorelasi. Adapun kritik pengujiannya

adalah jika du < d < 4-du maka Ho ditolak yang berarti dalam data tersebut tidak memiliki

autokorelasi baik positif maupun negatif.

2. Heteroskedastisitas

Asumsi yang ketiga mengenai faktor-faktor gangguan adalah distribusi probabilitas

gangguan dianggap tetap sama untuk seluruh pengamatan-pengamatan atas X; yaitu varian

setiap Ui adalah sama untuk seluruh nilai-nilai variabel bebas.

Secara simbolis:

Var(Uj) = E [(UiE[Ui])]2 = E[Uj

2] = u2; merupakan suatu nilai konstan. homogenitas

varian (atau varian konstan) ini dikenal sebagai "homoskedastisitas" (homosceoasticity).

Ada kasus di mana seluruh faktor gangguan tidak memiliki varian yang sama atau

variannya tidak konstan. Kondisi varian nir-konstan atau varian nir-homogin ini disebut

"heteroskedastisitas" (heteroscedasticity). Jadi, U adalah heteroskedastis bila:

Var(Ui) u2(suatu nilai konstan) tapi = ui

2(suatu nilai yang bervariasi).

Dalam kenyataan, asumsi varian konstan dari faktor-faktor gangguan mungkin tidak

bisa dipenuhi. Hal ini dapat dipahami jika diperhitungkan faktor-faktor yang menjadi

penyebab masuknya faktor U dalam model regresi. Faktor gangguan dimasukkan ke dalam

model untuk memperhitungkan kesalahan-kesalahan yang mungkin terjadi dalam

pengukuran, dan kesalahan karena mengabaikan variabel-variabel tertentu. Dengan

memperhatikan kedua perhitungan itu, maka terdapat alasan-alasan untuk memperkirakan

bahwa varian U bervariasi secara sistematis dengan variabel bebas.

Misalnya, dengan naiknya Y, kesalahan pengukuran diperkirakan juga meningkat;

karena akan menjadi lebih sulit, mengumpulkan data dan mengoreksi keyakinannya.

Dalam kasus ini varian Uj menaik dengan meningkatnya nilai-nilai X. Di pihak lain,


4/12

4 | P a g e


variabel-variabel (dengan alasan tertentu) yang diabaikan (tidak dimasukkan atau dibuang)

dari model cenderung berubah dengan arah yang sama dengan variabel bebas; dan

menyebabkan kenaikan variasi pengamatan-pengamatan dari garis regresi yang ditaksir.

Jadi, bisa dikatakan atas dasar apriori ada alasan-alasan untuk percaya bahwa asumsi

homoskedastisftas sering kali dilanggar dalam praktek.

Secara ringkas, dapat dikatakan bahwa heteroskedastisitas terjadi apabila variasi u t

tidak konstan atau berubah-ubah secara sistematik seiring dengan berubahnya nilai variabel

independen (Gujarati, 1997). Ada beberapa cara untuk mendetaksi ada tidaknya

heteroskedastisitas. Uji Glejser dilakukan dengan membuat model regresi yang melibatkan

nilai mutlak residu sebagai variabel terikat terhadap semua variabel bebas. Jika semua

variabel bebas signifikan secara statistik maka dalam regresi terdapat heteroskedastisitas

(Iqbal, 2008).

3. Multikolinearitas

Masalah multikolinearitas muncul jika terdapat hubungan yang sempurna atau pasti

diantara salah satu atau lebih variabel independen dalam model. Dalam kasus terdapatmultikolinearitas yang serius, koefisien regresi tidak lagi menunjukkan pengaruh murni

dari variabel independen dalam model. Dengan demikian, bila tujuan dari penelitian adalah

mengukur arah besarnya pengaruh variabel independen secara akurat, masalah

multikolinearitas penting untuk diperhatikan.

Multikolinearitas dapat dideteksi dengan melihat serius atau tidaknya hubungan antar

variabel independen (x) yang dianalisis. Jika terjadi multikolinearitas yang serius dalam

model, maka masing-masing variabel independen terhadap independennya (y) tidak dapat

dipisahkan, sehingga estimasi yang diperoleh akan menyimpang atau bias. Selain itu,

multikolinearitas dapat dilihat dari nilai R2yang tinggi, tetapi tidak ataupun sangat sedikit

koefisien regresi yang ditaksir yang berpengaruh signifikan secara statistik pada saat

dilakukan uji-t dan nilai VIF (Variance Inflation Factor) pada masing-masing variabel

bebasnya lebih dari 10.

Dalam hal ini, terdapat beberapa konsekuensi jika masalah multikolinearitas ini

diabaikan diantaranya yaitu:

a. Jika dua atau lebih variable yang menjelaskan dalam suatu model regresi berganda

adalah benar-benar berhubungan secara linear, maka selanjutnya model tidak dapat di

estimasi.

b.

Jika beberapa variable yang menjelaskan adalah mendekati berhubungan secara linear,

maka selanjutnya estimator OLS (dan karenanya prediksi didasarkan padanya) adalahtidak bisa menghasilkan BLUE .

c.

Pengaruh dari kedekatan multikolinearitas sejumlah variable yang menjelaskan adalah

meningkatkan kesalahan standar dari koefisien regresi dan pengurangan t statistic,

jadi membuat siginifikansi koefisien berkurang (hilang). Walaupun begitu, pengujian

hipotesa model seringkali adalah valid.

d. Kovarian antara koefisien regresi dari setiap pasangan dari variable yang berkorelasi

tinggi akan sangat tinggi, dalam nilai absolute, jadi membuatnya sulit menginterpretasi

koefisien secara individu.

e.

Multikolinearitas mempengaruhi performance prediksi dari suatu model.


5/12

5 | P a g e


Dalam suatu situasi praktis, multikolinieritas sering muncul dalam banyak indikasi

sebagai berikut :

R2 Tinggi dengan Nilai t-statistik yang Rendah. Sebagaimana kita lihat pada

contoh di atas, kemungkinan menemukan suatu situasi yang mana setiap koefisien regresi

adalah insignifikan (yaitu, mempunyai nilai t rendah), tetapi Wald F statisticnya adalah

signifikasnsinya sangat tinggi.

Nilai Koefisien Korelasi Tinggi. Korelasi pasangan sejumlah variable yang

menjelaskan boleh jadi tinggi. Itu secara umum merupakan praktek yang baik untuk

memperoleh korelasi antara setiap pasangan dari variable dalam model regresi dan untuk

mengecek tingginya nilai dari sejumlah variable yang menjelaskan. Sesungguhnya korelasi

seperti menjadi penyebab utama munculnya multikolinearitas antar variabel. Bisa jadi

dalam analisis path, variabel yang digunakan tidak mampu dijelaskan dalam satu

persamaan.

Spesifikasi Sensitif Koefisien Regresi. Walaupun korelasi yang tinggi antara

pasangan-pasangan dari variable independent adalah suatu kondisi kecukupan untum

multikolieritas, tidak selalu hal ini merupakan kebenaran mutlak. Dengan kata lain,kolinieritas mungkin hadir meskipun korelasi antara dua variable yang menjelaskan tidak

muncul tinggi. Ini disebabkan tiga atau lebih variable mungkin mendekati linier.

Tes Formal untuk Multikolinieritas. Walaupun test telah diusulkan, prosedur ini

hanya kelulusan terlewatkan, karena masih dipertentangkan. Hal ini disebabkan karena

multicollinearitas adalah lebih merupakan masalah data dibanding dengan suatu model itu

sendiri. Banyak econometricians membantah - test yang formal itu adalah bisa

mempunyai arti atau tidak memberikan hasil.

Farrar dan Glauber (1967) sudah mengusulkan suatu kelompok uji untuk

mengidentifikasi kekejaman multicollinearitas. Test tersebut terdiri dari : uji chi-square ,

uji F, dan uji t. Chi-Square test akan mengidentifikasi apakah multicollinearitas secara

umum hadir. Ini diikuti oleh suatu F-Test, untuk menemukan variabel mana yang

menyebabkan multicollinearitas; dan akhirnya dengan t-test, untuk menemukan sifat alami

multicollinearitas itu. Test ini dirumuskan dalam kaitan dengan konsep yang melibatkan

suatu pengetahuan aljabar linier.

Masalah multikolinearitas dapat diselesaikan dengan beberapa cara diantaranya taitu:

a. Menghilangkan Variabel-variabel

Karena multikolinearitas disebabkan oleh hubungan tertutup seluruh variabel yang

menjelaskan, malam cara pasti untuk menghilangkan atau mengurangi efek dari

multikolinearitas adalah menghilangkan satu atau lebih varibel-variabel dari sebuah model.Seperti kita catat dalam banyak contoh, langkah ini sering memperbaiki kesalahan-

kesalahan standar dari koefisien-koefisien sisa dan mungkin membuat tadinya tidak

signifikan menjadi variabel signifikan.

Sedikitnya dalam sebuah kasus, penghilangan variabel-variabel dengan menurunkan

t-statistik secara umum akan memperbaiki signifikan dari variabel-variabel sisa. Apakah

kejadian penting dalam situasi ini, adalah bahwa variabel-variabel sisa ada untuk

menangkap akibat dari penghilangan variabel-variabel dimana mereka adalah hubungan

tertutup. Ini akan diakui bahwa data base model sederhana ini adalah pusat untuk

Hendry/LSE umum untuk menyederhanakan pendekatan model. Ini adalah berbahaya,bagaimanapun, dalam penghilangan juga banyak variabel-variabel dari spesifikasi model,

persis sebab akan berperan penting untuk bias dalam estimasi.


6/12

6 | P a g e


b. Memformulasi kembali model

Pada beberapa keadaan membuat lebih spesifik kembali model dapat mengurangi

multikolinieritas. Contoh, kita dapat menggunakan variabel sebagai perkapita daripada

memasukkan populasi sebagai variabel yang menjelaskan. Pada contoh di atas variabel

terikat akan menjadi hunian/populasi bukan hunian dan populasi secara terpisah. Kita juga

akan mendapat GNP/populasi. GNP/kapita lebih mendekati intrate dari pada GNP dan

populasi.

c. Menggunakan informasi tambahan

Metode penggunaan informasi tambahan sering digunakan dalam studi pada

peramalan fungsi permintaan. Data time series pada pendapatan dan harga dari suatu

komoditi sering memperlihatkan suatu korelasi yang tinggi, yang membuat peramalan

pendapatan dan elastisitas harga permintaan sulit.

Solusi untuk permasalahan ini adalah mengestimasi elastisitas pendapatan dari studi

cross section dan kemudian menggunakan informasi tersebut dalam model time series

untuk mengestimasi elastisitas harga. Elastisitas harga tidak dapat diestimasi dari data

cross section karena, walaupun konsumen sangat berbeda dalam tingkat pendapatan,mereka pada dasarnya menghadapi harga yang sama.. Karenanya tidak ada variasi dalam

harga, yang mana merupakan hal yang esensial untuk keberhasilan estimasi elastisitas

harga.

Suatu problem yang serius untuk pendekatan ini adalah bahwa elastisitas pendapatan

cross section dan elastisitas pendapatan time series mungkin pengukuran secara

keseluruhan berbeda.

d. Peningkatan Jumlah Sampel.

Prosedur meningkatkan jumlah sampel juga direkomendasikan yang dapat

meningkatkan ketepatan dari estimator sehingga dapat mengurangi dan menghilangkan

dampak dari multikolinieritas.

B. Tujuan Praktikum

Setelah mengikuti kegiatan praktikum ini, mahasiswa diharapkan mampu:

1. Mengetahui jenis pelanggaran asumsi klasik yang meliputi uji normalitas,

autokorelasi, heteroskedastisitas, dan multikolinearitas.

2. Melakukan pengujian data untuk mengidentifikasi apakah terdapat pelanggaran

asumsi klasik di dalamnya.3. Mengintepretasikan hasil pengujian data.

C.Pelaksanaan Praktikum

1)

Prosedur Praktikum

1.

Praktikan telah memiliki Modul 3 tiga hari sebelum pelaksanaan praktikum.2.

Praktikan melakukan pre-test sebelum praktikum dimulai. Pre-test terdiri dari

maksimal 4 pertanyaan berkaitan dengan pemahaman konsep di bab yang akan

dipraktikumkan.

3.

Praktikan wajib mendapatkan nilai lebih dari 70 untuk dapat mengikuti praktikum

ini. Jika nilai pre-test di bawah nilai yang disyaratkan maka praktikan tidak


7/12

7 | P a g e


diijinkan mengikuti praktikum dan wajib mengulang pre-test. Jika setelah dua kali

tidak lulus pre-test maka praktikan mendapat tugas tambahan ditentukan oleh

asistent dengan nilai tugas maksimal 70.

Pertanyaan Pre-Test

1. Jelaskan apa manfaat dilakukan pengujian asumsi klasik!

2. Jelaskan perbedaan autokorelasi, heteroskedastisitas, dan multikolinearitas!

Tugas Tambahan

Buatlah contoh hipotetis pada kondisi riil pengujian autokorelasi, heteroskedastisitas,

dan multikolinearitas!

2) Analisis Data

Dengan menggunakan data di bawah ini, lakukanlah pengujian asumsi klasik dengan

panduan asisten!

Tabel. Data Penggunaan Faktor Produksi Luas Lahan, Benih, Pupuk, dan Produksi Jagung

di Desa Sukamaju

No. Total Produksi (kg)Luas Lahan

(m2)

Benih

(kg)

Pupuk

(kg)

Tenaga

Kerja

(HOK)

1. 600 2400 8 165 19,52. 1750 3000 10 275 26

3. 250 400 4 10 3,5

4. 2400 4500 12 140 26,25

5. 780 1200 6 42 14

6. 250 1000 4 25 8,5

7. 600 1500 6 115 14

8. 467 1000 5 25 8,5

9. 1300 3000 8 175 25,5

10. 787 1200 4 35 13,5

11. 170 375 4 10 10

12. 360 500 3 65 14

13. 864 1600 5 100 28,5

14. 1000 2000 5 50 8,5

15. 2000 6000 15 175 27,29

16. 3400 8000 18 350 28,5

17. 2900 4500 13 125 29

18. 600 2400 8 165 19,5

19. 1750 3000 10 275 26

20. 250 400 4 10 3,5

21. 4000 4500 13 120 120

22. 1300 2000 8 65 6523. 150 350 4 40 40

24. 350 500 2 35 35


8/12

8 | P a g e


25. 463 1100 4 75 75

26. 200 200 4 10 10

27. 1400 3000 8 115 115

28. 1250 2500 7 65 65

29. 2500 4800 13 325 325

30. 400 750 2 20 20

31. 400 780 2 70 7032. 525 1000 3 65 65

33. 840 1500 4 40 40

34. 1100 2000 5 55 55

35. 125 250 2 8 8

36. 850 1500 4 40 40

37. 2500 4500 13 120 120

38. 2400 4000 11 110 110

Jumlah 42761 82405 253 3710 588,165

Rerata 1125,28 2168,55 6,65 97,63 15,47

DAFTAR PUSTAKA

Iqbal, Hasan. 2008.Pokok-Pokok Materi Statistik 2. PT Bumi Aksara. Jakarta.

Gujarati, Damodar. 2006.Dasar-Dasar Ekonometrika. Penerbit Erlangga. Jakarta.


9/12

9 | P a g e


D. Laporan/ Lembar Kerja Praktikum Kegiatan 4

Data Hipotesis


10/12

10 | P a g e


Olahan Program


11/12

11 | P a g e


Penyajian Hasil Olahan


12/12

12 | P a g e


Interpretasi

PRAKTIKUM 4

Tanggal :

Nama Praktikan :

NIM :

Kelas :

Nilai :

Nama Asisten :

Tanda Tangan :

Modul 4. Met Kuan Pelanggaran Asumsi Klasik1

Documents

Transcript of Modul 4. Met Kuan Pelanggaran Asumsi Klasik1