Evaluasi Model Regresi

1. Evaluasi Model Regresi Oleh: KastanaSapanli

2. EvalusiModel • Evalusimodeldarisetiapmetodeestimasidilakukanmelaluipengujianberdasarkankriteriaekonomi dan pengujian secara statistik. • Evaluasimodelberdasarkankriteriaekonomidan sumberdayadapatdilakukandenganmelihat tanda pada koefisienmasing-masingpeubahbebas. • Dengandemikiansebelumdilakukanestimasimodel, perludisusunhipotesisagardapatdibandingkandenganhasilestimasi, sehinggadapatdiketahuiapakahhasilestimasitersebuttelahsesuai secara ekonomi dan sumberdaya.

3. EvalusiModel • UjiF • Uji t • Uji Statistik R2 (Koefisien Determinasi) • Multikolinearitas • Heteroskedastisitas • Autokorelasi

4. Uji F Uji F ditujukanuntukmengetahuiapakahvariabel-variabel independen secara bersama-sama memberipengaruh yang signifikanterhadapvariabeldependennyaatautidak. Langkah-langkah yang harusdilakukandalamUji F adalahsebagaiberikut: PerumusanHipotesis H0: β1 = β2 = …. = βk = 0 H1 : minimaladasatunilaiβ yang tidak sama dengannol Perhitungannilai F-statistik. F-statistikinidapatdiperolehdariperhitungankomputerataudengan manual denganmenggunakan. Bandingkan F-statisticdengan F-Tabel pada αataubandingkanprobabilitasF statistic(prob(F-statistic)) denganα ( tarafnyata 5 %). Jika F-statistic> F-tabel pada αatauprob (F-statistic) < α (0.05), makaterima H1. Artinya, variabel-variabel independen secara bersama-sama berpengaruhsignifikanterhadapvariabeldependennya.

5. Uji t Uji t dalambeberapabukudisebutsebagaiujistatistikparsial. Ujiinidilakukanuntukmengetahuiapakahmasing-masingparameter bebas yang dipakaiberpengaruhnyataatautidakterhadapparametertidak bebas. Perumusanhipotesis H0: β = β0atauvariabel bebas (Xi) tidakberpengaruhnyataterhadapvariabeltidakbebas (Yi) H1: β β0 atauvariabel bebas (Xi) berpengaruhnyataterhadapvariabeltidakbebas (Yi) Perhitungannilai t-statistik. T-statistikinidapatdiperolehdariperhitungankomputerataudenganmenggunakan cara manual Bandingkandengan t-tabelyaitunilai t padadf n – k dantarafnyata α untukone-tailed testdan α/2 untuktwo-tailed test. TolakH0 ataudapatdisimpulkanbahwakoefisienadalahsignifikanjika p-valuelebihkecildaritarafnyata α (one tailed t-test) atau α/2 (two tailed t-test). Tarafnyata yang digunakanpadapenelitianiniadalah lima persen (5 %).

6. Uji Statistik R2(Koefisien Determinasi) Nilai R2 menunjukanpersentasevariabeltakbebasdapatdijelaskanolehvariabelbebas. Semakintingginilai R2 makasemakinbaik model karenasemakinbesarkeragamanpeubahdependen yang dapatdijelaskanolehpeubahindependen. Perhitungan R2 dapatdilakukandenganmengikutirumus : 0 ≤ R2 ≤ 1 Dimana : ESS = Error Sum Square atauJumlahKuadratGalat RSS = Regression Sum Square atauJumlahKuadratRegresi TSS = Total Sum Square atauJumlahKuadrat Total = Variabelpengganggu (error term) dari model yang diestimasi Variabeldependen = Variabeldependen rata-rata

7. Multikolinearitas • Multikolinearitasadalahhubungan linier yang kuatantaravariabelbebasdalampersamaanregresiberganda. • Gejalamultikolinearitasinidapatdideteksidarinilai R2tinggitetapitidakterdapatatausedikitsekalikoefisiendugaan yang berpengaruhnyatadantandakoefisienregresitidaksesuaidenganteori. • Ujiformal untukmenentukanadaatautidaknyamultikolinearitasdilakukanjikaterdapatsuatukeraguanapakahnilaikoefisiendeterminasitermasuktinggiatautidak. Akantetapijikasuatu model sudahdapatditetapkanmemilikinilaikoefisiendeterminasi yang tinggi, uji formal untukmenentukanmultikolinearitasdapatdideteksidaridampak yang ditimbulkanakibatadanyamultikolinearitas. • Multikolinearitasdalampooled data dapatdiatasidenganmemberikanpembobotan (cross section weight) atau GLS, sehingga parameter dugaanpadatarafujitertentumenjadisignifikan .

8. Heteroskedastisitas • Dalammenurunkansuatu model OLS, diasumsikanbahwa residual utterdistribusisecaraidentikdengan mean = 0 danseluruhnyamemilikivarian residual yang konstan, yaitu σ2 sebesaruntuksetiap t. • Asumsivarian residual inidisebuthomoskedastisitas, yang berartivarian residual tersebarsecaramerataatausemuapengamatanmemilikipenyebaran yang sama. Dalamkenyataannya, asumsiinitidakselaluterpenuhi. Situasitersebutdinamakanheteroskedastisitas. Hal tersebutakanmenyebabkan model menjaditidakefisienmeskipuntidak bias dankonsisten. • Heteroskedastisitasdapatjugadideteksidenganmembandingkansum square residual padaweighted statistics dengansum square residual unweighted statistics. Jikasum square residual padaweighted statisticslebihkecildibandingkandengansum square residual unweighted statisticsmakadapatdisimpulkanterjadiheteroskedastisitas. Masalahheteroskedastisitastersebutdapatdiatasidenganmetodewhite Heteroskedasticity yang diestimasidenganGLS.

9. Autokorelasi • Suatu model dikatakanmemilikiautokolerasiterjadijikaerror dariperiodewaktu (time series) yang berbedasalingberkorelasi. Masalahautokorelasiiniakanmenyebabkan model menjaditidakefisienmeskipunmasihtidak bias dankonsisten. • Autokorelasimenyebabkanestimasistandar errordanvariankoefisienregresi yang diperolehakanunderestimate. Sehingga R2akanbesardanuji-t, uji-F menjaditidak valid. • Autokorelasiyang kuatdapatmenyebabkanduavariabel yang tidakberhubunganmenjadiberhubungan. Bila OLS digunakan, makaakanterlihatkoefisiensignifikansi, dan R2 yang besarataudisebutjugasebagairegresilancungataupalsu. • UntukmendeteksiadatidaknyaautokorelasidapatdilakukanujiDurbin Watson (DW) yaitudenganmembandingkannilai Durbin-Watson dari model dengan DW-Tabel. • Jikad < dL, makaterjadi auto korelasi. Jika d > 4-dL, makaadaautokorelasidanjika du < d < du–4, dapatdisimpulkantidakadaautokorelasi. Untukmengatasimasalahinidapatdilakukanmetodepembedaanpertama (The First-DiffereceMethode).

10. Autokorelasi MetodePembedaanPertama (The First-DiffereceMethode) memberikansebuahkriteriauntukmenggunakanmetodeinijikastatistik DW lebihkecildibandingkandengan R2. Padametodepembedaanpertamatersebutdapatdiasumsikanbahwa ρ mendekatisatuataudiasumsikanmempunyaiautokorelasi yang kuat. Akantetapijikadiinginkannilai ρ yang lebihtepat, ρ dapatdiestimasiberdasarkan Durbin Watson. Denganformulasisebagaiberikut. Dimana: = estimasi koefisien korelasi DW = Statistik Durbin-Watson Kemudian data variabelbebasdanvariabelterikatditransformasikandengancara: SetelahditransformasikandapatdilakukanestimasidenganmetodeLeast SquareBiasa.

11. PeranKomputerDalamAnalisisRegresi • Dalammempelajariketergantungansatuvariabelpadasatuataulebihvariabel lain, analisisregresiseringmelibatkanperhitungan yang lama danmenjemukan. • Kalaujumlahpengamatansangatsedikit, 10 sampai 15, perhitunganinidapatdikerjakandengankalkulatormejaataubahkandengankalkulatorsaku. • Dalamsebagianbesarpersoalan yang sebenarnyamelibatkanjumlahpengamatan yang cukupbesardanbeberapavariabel yang menjelaskan, komputerelektronik modern hampir-hampirmerupakankebutuhanpokok. Karenakecepatan, ketepatan (akurasi), kelenturan (fleksibilitas) dankeserbagunaankalkulatormejaataukalkulatorsakutidaksebandingdengankomputer. • Olehkarenaitudapatdikatakanbahwapadasaatdanjamaninianalisisregresitanpakomputerhampir-hampirtakterpikirkan; keduanyatakmungkinmelepaskandiridariketerkaitansatusama lain.

12. SEKIAN DAN TERIMA KASIH