Uji Penyimpangan Asumsi Klasik


Pengujian penyimpangan asumsi klasik dilakukan terlebih dahulu sebelum dilakukan pengujian terhadap hipotesis penelitian. Pengujian ini dimaksudkan untuk mengetahui apakah model yang diajukan dalam penelitian ini dinyatakan lolos dari penyimpangan asumsi klasik. Uji asumsi klasik merupakan persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS).

Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji heteroskedastisitas, uji normalitas, uji autokorelasi. Tidak ada ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung pada data yang ada. Masing-masing pengujian penyimpangan asumsi klasik adalah sebagai berikut:

 a.      Uji Heterosekdastisitas

Uji heteroskedastisitas digunakan untuk melihat apakah terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang memenuhi persyaratan yaitu model yang terdapat kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas.

Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang baik didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah, menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang dapat digunakan adalah uji Glejser, uji Park atau uji White.

Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua data bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel yang mengalami gangguan heteroskedastisitas.

b.      Uji Autokorelasi

Uji autokorelasi digunakan untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). Secara sederhana, analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section.

Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi berkurang.

c.       Uji Multikolinearitas

Uji multikolinearitas dilakukan untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam suatu model regresi linear berganda. Jika ada korelasi yang tinggi di antara variabel-variabel bebasnya, maka hubungan antara variabel bebas terhadap variabel terikatnya menjadi terganggu.

Cara untuk menguji gangguan multikolinearitas adalah dengan variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas, atau dengan melihat eigenvalues dan condition index (CI).

Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:

  1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.
  2. Menambah jumlah observasi.

Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk first difference delta.

d.         Uji normalitas

Uji normalitas dilakukan untuk melihat apakah nilai residual berdistribusi normal atau tidak. Model regresi yang baik memiliki nilai residual yang berdistribusi normal. Uji normalitas bukan dilakukan pada masing-masing variabel, tetapi pada nilai residualnya. Kesalahan yang sering terjadi adalah uji normalitas dilakukan pada masing-masing variabel. Hal tersebut tidak dilarang, tetapi model regresi memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel penelitian.

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. Hanya saya, pengujian dengan metode grafik sering menimbulkan perbedaan persepsi di antara peneliti, sehingga penggunaan uji normalitas dengan uji statistik lebih dipilih karena bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik.

Apabila data jauh dari nilai normal, maka dapat dilakukan beberapa langkah yaitu: melakukan transformasi data, melakukan penghilangan data 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.

*dari berbagai sumber

 

 

Iklan

15 thoughts on “Uji Penyimpangan Asumsi Klasik

  1. shinta berkata:

    thx you 🙂

  2. mbak gisa, saya sedang melakukan analisa regresi ganda dengan 3 variabel independen. yang menjadi masalah adalah ternyata “unstandardized residualnya” tidak berdistribusi normal (kebanyakan referensi baik buku maupun situs internet untuk mengetahui kenormalan dengan menguji tiap variabel. dan saya yakin cara ini TIDAK BENAR, karena khusus untuk regresi yang diuji kenormalannya adalah residu-nya). Langkah apakah yang harus saya lakukan? Apakah ada uji statististik non-parametrik untuk analisis regresi?

    • Gisa Putri berkata:

      Mengujinya memang dari variabel2nya, dari situ nanti bisa ketahuan errornya normal gak. Kalo error normal, maka var.dependent nya juga normal.

      Coba datanya dilihat dulu, apa ada outlier atau enggak. Kalo ada outlier,hilangin aja karena itu yg bikin data gak berdistribusi normal.

      Sebaiknya dicoba pake yg statistik parametrik dulu, jangan buru-buru pake statistik nonparametrik. Statistik nonparametrik itu jadi opsi terakhir saja kalo datanya emang gak bisa diapa2in lagi.

      Kalo boleh tau, anda sedang meneliti apa ya?

      • meneliti tentang pengaruh produktivitas pekerja dan motivasi pekerja terhadap pendapatan di perusahaan X (ini tugas dari atasan). Kalo dilihat dari sebaran datanya sie masing2 variabel tidak terlalu jauh dari mean. Saya bermaksud melakukan transformasi data karena errornya gak normal, mungkin dengan inverse. Yang jadi pertanyaan apakah semua data (baik var independent maupun dependent) harus di-inverse semua? Jika iya, apakah data yang “baru” hasil inverse harus diuji lagi normal errornya? terima kasih atas penjelasannya

      • Gisa Putri berkata:

        coba satu-satu variabel dulu, pilih mana yg bisa menormalkan datanya.iya, harus diuji lagi error nya biar ketahuan normal apa enggak. oiya, kalo di transformasi jgn lupa intepretasinya juga beda ya 🙂

  3. andri berkata:

    assalamualakum mbak gisa…
    saya mw nanya sedikit tentang uji penyimpangan ini..kalo menggunakan analisi non parametik, apakah perlu menggunakan uji normalitas dan uji2 asumsi klasik / penyimpangan ini ya mbak..
    soalnya saya ada dosen saya berbeda pendapat gitu soal uji normalitas padahal dosen itu udah senior gitu….??
    mohon bantuannya..

  4. Gisa Putri berkata:

    Wa’alaikumsalam.
    data nonparametrik merupakan data yang bukan berdistribusi normal, jadi tidak perlu dilakukan uji normalitas. hanya saja masih tetap perlu dilakukan untuk uji lain selain normalitas, yaitu dilakukan uji homoskedastisitas, uji non autokorelasi, dan uji non multikolinearitas. setau saya seperti itu 🙂

  5. mir atul latifah berkata:

    Assalaamu’alaykum, Mba Gisa
    saya mw nanya
    data penelitian saya dengan 4 variable (1 terikat, 3 bebas) mengalami masalah autokorelasi, setelah transformasi dengan lag, variable bertambah menjadi 5. alhamdulilah terbebas dari autokol.selanjutnya juga terbebas dari uji asumsi klasik lainnya seperti normalitas, heteroskedastis dan multikol
    untuk uji model hipotesa apakah tetap memasukkan variable lag y sebagai variable bebas?
    atau tetap menggunakan variabel awal tanpa memasukkan variable lag y sebagai variable bebas?
    terimakasih atas bantuannya Mba…
    Wassalam

    • Gisa Putri berkata:

      Wa’alaikumsalam.
      maaf sebelumnya saya mau tanya, anda menggunakan regresi linear berganda kah atau bagaimana? ketika menambahkan variabel lag, berarti ada unsur autregressive di model anda. maksud anda uji model tersebut itu apakah model bisa merepresentasikan hasil estimasinya ya? kalo itu, tetap dimasukkan.

  6. Vivin Chandra berkata:

    mbak gisa, saya mau bertanya, setelah memasukkan variabel lag, variabel lag tersebut apakah juga harus diiuji normalitas dgn signifikan > 0, 05? mohon bantuannya mbak gisa.

  7. Tri Widiantoro berkata:

    mohon maaf sebelumnya, saya butuh referensi buku cetaknya yang menyatakan bahwa data cross section tidak perlu diuji autokorelasi, bs tlg dikirim email k 10.6467@stis.ac.id , trmkasih seblumnya.

  8. Aditya Widiagma berkata:

    Mbak Gisa…
    Apakah dengan memakai variabel lag pada Uji Aukorelasi. Variabel lag tersebut harus saya gunakan juga pada Uji Normalitas, Multikolienaritas, dan Heteroskedasitas ?

    Terimakasih

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s