Uji-asumsi-Klasik_20091

Views:
 
Category: Education
     
 

Presentation Description

No description available.

Comments

Presentation Transcript

UJI ASUMSI KLASIK: 

1 UJI ASUMSI KLASIK Oleh: Dr. Suliyanto, SE,MM http://management-unsoed.ac.id Uji Asumsi Klasik Download

Materi: 

2 Materi Uji Asumsi Klasik Normalitas Multikolinieritas Uji Asumsi Klasik Heteroskedastisitas Linieritas Outokorelasi

UJI ASUMSI KLASIK: 

3 UJI ASUMSI KLASIK Uji Normalitas Uji Non-Multikolinieritas Uji Non-Heteroskedastisitas Uji Linieritas Uji Non-Otokorelasi (time series)

Yang Dimaksud dengan Kurva Normal: 

4 Yang Dimaksud dengan Kurva Normal Distribusi normal merupakan suatu kurve berbentuk lonceng. Penyebab data tidak normal, karena terdapat nilai ekstrim dalam data seri yang diambil. Nilai ektrim adalah nilai yang terlalu rendah atau terlalu tinggi.

Penyebab Munculnya Nilai Ekstrim: 

5 Penyebab Munculnya Nilai Ekstrim Kesalahan dalam pengambilan unit sampel. Cara mengatasi: Mengganti unit sampel. Kesalahan dalam menginput data. Cara mengatasi: Memperbaiki input data yang salah. Data memang aneh dibanding lainnya. Cara mengatasi: Tambah ukuran sampel atau dengan membuang data yang aneh tersebut.

Kapan Data Dikatakan Normal: 

6 Kapan Data Dikatakan Normal Ekstrim Rendah Ektrim Tinggi -2,58 2,58 0 Ekstrim Rendah Ektrim Tinggi -1,96 1,96 0 Pada =0,01 Pada =0,05

Berikut ini manakah data yang Ekstrim: 

7 Berikut ini manakah data yang Ekstrim Ekstrim Rendah Ektrim Tinggi -2,58 2,58 0

UJI NORMALITAS: 

8 UJI NORMALITAS PENGERTIAN UJI NORMALITAS Uji normalitas di maksudkan untuk mengetahui apakah residual terstandarisasi yang diteliti berdistribusi normal atau tidak. PENYEBAB TIDAK NORMAL Disebabkan karena terdapat nilai ektrim dalam data yang kita ambil.

Uji Normalitas: 

9 Uji Normalitas CARA MENDITEKSI: 1. Dengan gambar: Jika kurva regression residual terstandarisasi membentuk gambar lonceng. 2. Dengan angka: Uji Liliefors Chi Kuadrat (X 2 ) Uji dengan kertas peluang normal Uji dengan Kolmogornov Smirnov

Uji Normalitas: 

10 Uji Normalitas Uji normalitas dapat dilakukan secara: Univariate Dilakukan dengan menguji normalitas pada semua variabel yang akan dianalisis. Multivariate Dilakukan dengan menguji normalitas pada nilai residual yang telah distandarisasi.

Contoh Kasus: 

11 Contoh Kasus Berikut ini adalah data time series, Berdasarkan data tersebut ujilah apakah data tersebut Normal secara Multivariate.

Manual Liliefors: 

12 Manual Liliefors Buat persamaan regresinya Mencari nilai Prediksinya Cari nilai residualnya Stadarisasi nilai residualnya Urutkan nilai residual terstandarisasi dari yang terkecil sampai yang terbesar. Mencari nila Z r relatif komulatif. Mencari nila Z t teoritis berdasarkan tabel Z Mengihitung selisih nilai Z r dengan Z t atau (Z r -Z t-1 ) dan diberi simbol Li hitung Bandingkan nilai Li hitung dengan tabel Liliefors. Jika Li hitung > L tabel maka data berdistribusi normal demikian juga sebaliknya.

Pengujian Manual: 

13 Y =2,553-1,092X 1 +1,961X 2 Y pred =2,553-1,092(2) +1,961(3) = 6,252 Resid = 5-6,252 Zresid = (-1,252—0,002)/1,042 = -1,200 Zr = (1/10) = 0,1, (2/10) = 0,2, dts Tabel Z cum = 1,20 ditabel Z = 0,885 Luas Z = Karena < 0,5 maka Luas Z = 1-0,858 =0,142 Li = Zt-Zr (t-1) = 0,142-0,10=0,042 Pengujian Manual

Pengujian Normalitas Dengan SPSS: 

14 Pengujian Normalitas Dengan SPSS Memunculkan Nilai Residual Terstandarisasi Buka file : Data_Regresi_1 A nalyze  R egression  L inear... Masukan variabel Y  pada kotak Dependent X1, X2,  pada kotak Independent Save…:  pada kotak Residual : klik Standardized  Continue (bertujuan untuk membuat variabel / kolom baru pada data yaitu Zre_1 ) Abaikan pilihan yang lain  OK Uji Kolmogornov Smirnov Buka file : Data Regresi_1 A nalyze  N on Parametrics Test  1 Sample K-S... Masukan variabel Standardized Residual pada kotak Test Variable List Abaikan pilihan yang lain (biarkan pada posisi defaultnya)  OK

PowerPoint Presentation: 

15 Memunculkan Nilai Residual Terstandarisasi Uji Komogornov Smirnov

Output Kolmogornov Smirnov: 

16 Output Kolmogornov Smirnov Karena Nilai Sig. > 0,05 maka tidak signifikan. Tidak siginifikan berarti data relatif sama dengan rata-rata sehingga disebut normal.

Cara Mengatasi Data yang Tidak Normal: 

17 Cara Mengatasi Data yang Tidak Normal Menambah jumlah data. Melakukan transformasi data menjadi Log atau LN atu bentuk lainnya. Menghilangkan data yang dianggap sebagai penyebab data tidak normal. Dibiarkan saja tetapi kita harus menggunakan alat analisis yang lain.

UJI MULTIKOLINIERITAS: 

18 UJI MULTIKOLINIERITAS PENGERTIAN Uji multikolinieritas berarti terjadi korelasi yang kuat (hampir sempurna) antar variabel bebas. Tepatnya multikolinieritas berkenaan dengan terdapatnya lebih dari satu hubungan linier pasti, dan istilah kolinieritas berkenaan dengan terdapatnya satu hubungan linier.

Uji Multikolinieritas: 

19 Uji Multikolinieritas PENYEBAB Karena sifat-sifat yang terkandung dalam kebanyakan variabel ekonomi berubah bersama-sama sepanjang waktu. Besaran-besaran ekonomi dipengaruhi oleh faktor-faktor yang sama.

Uji Non-Multikolinieritas: 

20 Cara menditeksi: 1. Dengan melihat koefesien korelasi antar variabel bebas: Jika koefesien korelasi antar variabel bebas ≥ 0,7 maka terjadi multikolinier . 2. Dengan melihat nilai VIF (Varian Infloating Factor): Jika nilai VIF ≤ 10 maka tidak terjadi multikolinier. Uji Non-Multikolinieritas

Contoh KasusMultikolinieritas: 

21 Contoh KasusMultikolinieritas Berikut ini adalah data time series, Berdasarkan data tersebut ujilah apakah data tersebut terjadi gejala Multikolikolinier ?.

Pengujian Manual VIF: 

22 Pengujian Manual VIF Hitung nilai korelasi antar varibel bebas (r) Kuadratkan nilai korelasi antar variabel bebas (r 2 ). Hitung nilai tolenrance (Tol) dengan rumus (1-r 2 ). Hitung nilai VIF dengan rumus 1/TOL Jika VIF < 10, maka tidak terjadi multikolinier.

Pengujian Manual VIF: 

23 Pengujian Manual VIF

Pengujian Multikolinier Dengan SPSS: 

24 Pengujian Multikolinier Dengan SPSS Buka file : Data_Regresi_1 A nalyze  R egression  L inear... Masukan variabel Y  pada kotak Dependent X1, X2,  pada kotak Independent Statistics…:  klik Colinier Diagnosis  Continue

PowerPoint Presentation: 

25 Output: Karena nilai VIF < 10 maka tidak terjadi otokorelasi

CARA MENGATASI MULTIKOLINIER: 

26 CARA MENGATASI MULTIKOLINIER Memperbesar ukuran sampel Memasukan persamaan tambahan ke dalam model. Menghubungkan data cross section dan data time series. Mengeluarkan suatu variabel dan bias spesifikasi. Transformasi variabel.

UJI NON-HETEROSKEDASTISITAS: 

27 UJI NON-HETEROSKEDASTISITAS PENGERTIAN Uji heteroskedastisitas berarti adanya varian dalam model yang tidak sama (konstan). PENYEBAB Variabel yang digunakan untuk memprediksi memiliki nilai yang sangat beragam, sehingga menghasilkan nilai residu yang tidak konstan.

Uji Heteroskedastisitas: 

28 Uji Heteroskedastisitas CARA MENDITEKSI: 1. Dengan Uji Park Yaitu dengan meregresikan variabel bebas terhadap nilai log-linier kuadrat. 2. Dengan Uji Glejser Yaitu dengan meregresikan variabel bebas terhadap nilai residual mutlaknya. 3. Dengan Uji Korelasi Rank Spearman Mengkorelasikan nilai residual dengan variabel bebas dengan menggunakan Rank-spearman.

Contoh Kasus Heteroskedastisitas: 

29 Contoh Kasus Heteroskedastisitas Berikut ini adalah data time series, Berdasarkan data tersebut ujilah apakah data tersebut apakah terjadi gejala Heteroskedastisitas ?

Langkah-Langkah Metode Glejser: 

30 Langkah-Langkah Metode Glejser Regresikan variabel bebas (X) terhadap variabel tergantung (Y). Hitung nilai prediksinya Hitung nilai residualnya Multakan nilai residualnya Regresikan variabel bebas terhadap nilai mutlak residualnya. Jika signifikan berarti terjadi gejala heteroskedastisitas dan sebaliknya jika tidak signifikan berarti tidak terjadi gejala heteroskedastisitas.

PowerPoint Presentation: 

31

Hasil Nilai Regresi Variabel Bebas terhadap Nilai Mutlak Residualnya: 

32 Hasil Nilai Regresi Variabel Bebas terhadap Nilai Mutlak Residualnya X 1 tidak signifikan karena p-value > 0,05 sehingga X 1 tidak terjadi gejala heteroskedastisitas. X 2 signifikan karena p-value < 0,05 sehingga X 2 terjadi gejala heteroskedastisitas.

Pengujian Heteroskedastisitas Dengan SPSS: 

33 Pengujian Heteroskedastisitas Dengan SPSS Memunculkan Nilai Residual Buka file : Data_Regresi_1 A nalyze  R egression  L inear... Masukan variabel Y  pada kotak Dependent X1, X2,  pada kotak Independent Save…:  pada kotak Residual : klik unstandardized  Continue (bertujuan untuk membuat variabel / kolom baru pada data yaitu res_1 ) Abaikan pilihan yang lain  OK Mutlakan Nilai Residualnya Buka file : Data Regresi_1 T ranform  Compute Pada Target Variabel diisi dengan ABRES Pada Numeric Expresion diisi dengan ABS(RES_1) Abaikan pilihan yang lain  OK Meregresikan variabel bebas terhadap Nilai Mutlak Residual Buka file : Data_Regresi_1 A nalyze  R egression  L inear... Masukan variabel ABRES  pada kotak Dependent X1, X2,  pada kotak Independent Abaikan pilihan yang lain  OK

Prose Memunculkan Nilai Residual dan Memutlakannya: 

34 Prose Memunculkan Nilai Residual dan Memutlakannya Memutlakan Nilai Residual Memunculkan Nilai Residual

PowerPoint Presentation: 

35 Meregresikan variabel bebas terhadap Nilai Mutlak Residual X 1 tidak signifikan karena p-value > 0,05 sehingga X 1 tidak terjadi gejala heteroskedastisitas. X 2 signifikan karena p-value < 0,05 sehingga X 2 terjadi gejala heteroskedastisitas.

Cara Mengatasi Heteroskedastisitas: 

36 Cara Mengatasi Heteroskedastisitas Tambah jumlah pengamatan. Tranformasikan data ke bentuk LN atau Log atau bentuk laiannya.

UJI NON-AUTOKORELASI: 

37 UJI NON-AUTOKORELASI PENGERTIAN Uji ini dilakukan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan menurut waktu (time series) atau ruang (cross section).

Uji Otokorelasi: 

38 Uji Otokorelasi PENYEBAB: Adanya kelembaman waktu Adanya bias spesifikasi model Manipulasi data

Uji Otokorelasi: 

39 Uji Otokorelasi Uji Durbin Watson Uji Lagrange Multiplier Uji Breusch-Godfrey

Contoh Kasus Otokorelasi: 

40 Contoh Kasus Otokorelasi Berikut ini adalah data time series, Berdasarkan data tersebut ujilah apakah data tersebut apakah terjadi gejala otokorelasi ?

Langkah-Langkah Uji Durbin-Watson: 

41 Langkah-Langkah Uji Durbin-Watson Regresikan variabel bebas (X) terhadap variabel tergantung (Y). Hitung nilai prediksinya. Hitung nilai residualnya. Kuadratkan nilai residualnya. Lag-kan satu nilai residualnya. Kurangkan nilai residual dengan Lag-kan satu nilai residualnya. Masuk hasil perhitungan diatas masukan kedalam rumus Durbin-Watson

Perhitungan Manual Durbin Matson: 

42 Perhitungan Manual Durbin Matson e = Y-Ypred = 5-6,252=-1,252 e 2 = = -1,252 2 = 1,568 e t-1 = e mundur 1peiode e-e t-1 = 0,879-(-1,252) = 2,131 (e-e t-1) 2 = 2,131 = 4,541

Kriteria Pengujian: 

43 Kriteria Pengujian Tabel Durbin Watson dk =k,n K=2 dan n=10 dL = 0,697 dU = 1,641 4-dU = 2,359 4-dL = 3,303 Tidak ada Otokorelasi Tanpa Kesimpulan Tanpa Kesimpulan Otokorelasi + Otokorelasi – dL dU 4 – dU 4 – dL 2 0,697 3,303 1,641 1,641 2,359 3,386

Pengujian Otokorleasi Dengan SPSS: 

44 Pengujian Otokorleasi Dengan SPSS Memunculkan Nilai Residual Buka file : Data_Regresi_1 A nalyze  R egression  L inear... Masukan variabel Y  pada kotak Dependent X1, X2,  pada kotak Independent Klik Statistics…: Pada Residual pilih Durbin Watson Klik Continue Abaikan pilihan yang lain  OK

Proses Analisi Surbin Watson dengan SPSS: 

45 Proses Analisi Surbin Watson dengan SPSS

Output Uji Durbin Watson: 

46 Output Uji Durbin Watson

PowerPoint Presentation: 

Jika diketahui Junmlah Variabel bebas 3, pengamatan 20, dan diperoleh nilai durbin watson sebesar 2,354. Ujilah apakah terjadi gejala outokorelasi ? Gunakan gambar untuk menguji ! 47

UJI LINIERITAS: 

48 UJI LINIERITAS Uji ini dilakukan untuk mengetahui model yang digunakan apakah menggunakan model linier atau tidak. Cara menditeksi: 1. Dengan kurva: Model dikatakan linier jika plot antara nilai residual terstandarisasi dengan nilai prediksi terstandarisasi tidak membentuk pola tertentu (acak). 2. Dengan uji MWD Cara mengetahui linieritas dengan menggunakan gambar dianggap masing kurang obyektif sehingga masih dibutuhkan alat analisis Mac Kinnon White Davidson (MWD)

Langkah Analsis MWD: 

49 Langkah Analsis MWD Regresikan variabel bebas terhadap variabel tergantung dengan regresi linier dan tentukan Y pred1 Tranformasikan semua variabel ke dalam bentuk Ln, dan kemudian regresikan Ln variabel bebas terhadap Ln variabel tergantung dan tentukan Y pred2. Tentukan Z 1 = (Ln Y pred1 - Y pred2. ). Regresikan variabel bebas dan Z1 terhadap Y, jika Z 1 sigifikan maka tidak linier. Tentukan Z2 = (antilog Pred2 -Y Pred1 ) Regresikan variabel bebas dan Z2 terhadap Y, jika Z2 sigifikan maka linier.

Pengujian Linieritas Dengan SPSS: 

50 Pengujian Linieritas Dengan SPSS Memunculkan Nilai Residual ·         Buka file : Data Regresi_1 ·         A nalyze  R egression  L inear... ·         R eset.. ·         Masukan variabel Y  pada kotak D ependent X 1 , X 2 ,  pada kotak I ndependent(s) ·         P lots… :  pada Y :  diisi : ZRESID X :  diisi : ZPRED  Continue. ·         OK

Proses Uji Linieritas dengan SPSS: 

51 Proses Uji Linieritas dengan SPSS Karena plot regresi standardiz residual dengan regresi standardiz prediksi membentuk pola yang acak maka menggunakan persamaan regresi Linier.

Bagiamana Kalau tidak Linier ?: 

52 Bagiamana Kalau tidak Linier ? Jika hasil tidak linier tinggal ganti dengan persamaan non linier.