Statistika: Uji Asumsi Klasik (Pengertian, dan Macam-macam)

Pada postingan kali ini saya hanya akan membahas secara teoritis terlebih dahulu ya, untuk praktek Uji Asumsi Klasik akan dibahas pada kesempatan berikutnya.

Pengertian Uji Asumsi Klasik

Uji Asumsi Klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Yang tidak memenuhi syarat tidak perlu diadakan uji asumsi klasik.

Untuk   menguji   kelayakan   model   regresi   yang   digunakan, maka  harus  terlebih  dahulu  memenuhi  uji  asumsi  klasik.

Macam-macam Uji Asumsi Klasik

Terdapat 5 macam Uji Asumsi Klasik yang biasa dilakukan, semua uji tidak perlu dilakukan, uji asumsi klasik dilakukan atas kepentingannya saja, jika data bersifat cross section (meneliti banyak objek dengan satu periode yang sama) tidak perlu dilakukan uji autokorelasi dan lain sebagainya.

Berikut adalah jenis-jenis dari uji asumsi klasik:

1. Uji Normalitas
2. Uji Multikolinearitas
3. Uji Heteroskedastisitas
4. Uji Autokorelasi
5. Uji Linearitas

Uji Normalitas

Uji normalitas digunakan untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah terdistribusi normal. Jadi uji normalitas tidak dilakukan pada setiap masing-masing variabelnya, melainkan nilai residualnya.

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 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.

Kriteria Pengujian: Jika Asym sig. Pada output Kolomogorov Smirnov > 0,05 (5%), maka data (nilai residual) terdistribusi normal dan sebaliknya.

Uji Multikolinearitas

Uji multikolinearitas digunakan 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.

Kriteria Pengujian:  Jika nilai Tolerance > 0,1  (10%) dan nilai VIF < 10 maka data tidak mengalami multikolinearitas, dan sebaliknya.

Uji Heteroskedastisitas

Uji heteroskedastisitas digunakan untuk melihat apakah terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya.

Model regresi yang memenuhi persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke pengamatan lainnya tetap atau disebut homoskedastisitas.

Kriteria pengujian: Jika Asym. Sig pada masing masing variable independen  >  5% maka data tidak mengalami heteroskedastisitas.

Uji Autokorelasi

Uji autokorelasi digunakan untuk melihat apakah terjadi korelasi antara satu periode t dengan periode sebelumnya (t-1).

Analisis regresi digunakan untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya.

Uji autokorelasi menggunakan data Time Series, yang berarti satu data yang diteliti namun meneliti dalam periode yang lama. Tidak bisa jika data bersifat cross section dan kuisioner.

Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run Test, dan uji Lagrange Multiplier.

Kriteria Pengujian : Nilai Durbin Watson pada Model Summary terletak antara batas atas (du) dan (4-du), maka koefisien autokorelasi sama dengan nol, atau tidak terjadi auto korelasi. (Lihat Tabel Durbin Watson)

Uji Linearitas

Linearitas merupakan asumsi awal yang seharusnya ada dalam model regresi linear. Uji Linearitas dapat dengan mudah dilakukan pada regresi linear sederhana, yaitu membuat scatter diagram dari variabel bebas dan terikatnya.

Apabila scatter diagram menunjukkan bentuk garis lurus maka dapat dikatakan bahwa asumsi linearitas terpenuhi.

Untuk regresi linear berganda, pengujian terhadap linearitas dapat menggunakan Ramsey Reset Test.

Perbedaan dari regresi linear sederhana dengan regresi linear berganda adalah regresi linear sederhana memiliki satu variabel bebas sedangkan regresi linear berganda memiliki dua atau lebih variabel bebas.

Linear hanya memiliki satu pangkat dan non-linear berpangkat dua (kuadrat) atau lebih.

Interprestasinya adalah: lihat kolom Sig. deviation from Linearity pada Table Anova, jika nilainya > 0,05 maka bersifat linear sehingga dapat disimpulkan memenuhi syarat linearitas.

Demikian postingan saya kali ini mengenai Statistika: Uji Asumsi Klasik (Pengertian, Macam-macam). Semoga bermanfaat untuk kita semua dan khususnya untuk pengunjung setia blog Mata Univ. Di kesempatan selanjutnya saya akan membahas praktik uji asumsi klasik dengan langkah-langkahnya menggunakan aplikasi spss 25.