Download to read offline
uji-hipotesis.ppt
- 1.
- 2. Persamaan Regresi LinierBerganda • Y = a + b1x1 + b2x2 + bnxn + … + e • Y = variabel dependen • a = konstanta • b = koefisien determinasi • X = variabel independen • e = error term
- 3. Uji Asumsi Klasik •Analisis regresi memerlukan beberapa asumsi agar model layak digunakan. Asumsi yang digunakan adalah: – Uji Normalitas – Uji Multikolinieritas – Uji Heterosdastisitas – Uji Autokorelasi
- 4. Uji Normalitas • Untukmenentukan apakah data terdistribusi secara normal atau tidak. • Menggunakan plot grafik dimana asumsi normalitas terpenuhi jika titik-titik pada grafik mendekati sumbu diagonalnya • Untuk memperkuat pengujian dapat dipergunakan Uji Kolmogorov-Smirnov
- 5. Uji Kolmogorov-Smirnov Grafik Uji Normalitas Nilaisignifikansi 0,868 > 0,05 menunjukkan data terdistribusi normal (asumsi signifikansi 0,05)
- 6. Uji Multikolinieritas • Multikolinieritas:kondisi dimana terjadi korelasi yang kuat diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan model regresi linier. • Kondisi yang menyalahi asumsi regresi linier. • TIDAK MUNGKIN TERJADI apabila variabel bebas (X) yang diikutsertakan hanya satu.
- 7. Uji Multikolinieritas • Ciri-ciriyang sering ditemui apabila model regresi linier kita mengalami multikolinieritas adalah: – Terjadi perubahan yang berarti pada koefisien model regresi (misal nilainya menjadi lebih besar atau kecil) apabila dilakukan penambahan atau pengeluaran sebuah variabel bebas dari model regresi. – Diperoleh nilai R-square yang besar, sedangkan koefisien regresi tidak signifikan pada uji parsial. – Tanda (+ atau -) pada koefisien model regresi berlawanan dengan yang disebutkan dalam teori (atau logika). Misal, pada teori (atau logika) seharusnya b1 bertanda (+), namun yang diperoleh justru bertanda (-). – Nilai standard error untuk koefisien regresi menjadi lebih besar dari yang sebenarnya (overestimated)
- 8. Uji Multikolinieritas • Untukmendeteksi apakah model regresi mengalami multikolinieritas, dapat diperiksa menggunakan VIF (Variance Inflation Factor). • Nilai VIF > 10 berarti telah terjadi multikolinieritas yang serius di dalam model regresi kita.
- 9.
- 10. Uji Heteroskedastisitas • situasidimana keragaman variabel independen bervariasi pada data yang kita miliki. Salah satu asumsi kunci pada metode regresi biasa adalah bahwa error memiliki keragaman yang sama pada tiap-tiap sampelnya. Asumsi inilah yang disebut homoskedastisitas. • Jika keragaman residual/error tidak bersifat konstan, data dapat dikatakan bersifat heteroskedastisitas. Karena pada metode regresi ordinary least-squares mengasumsikan keragaman error yang konstan, heteroskedastisitas menyebabkan estimasi OLS menjadi tidak efisien. • Model yang memperhitungkan perubahan keragaman dapat membuat penggunaan dan estimasi data menjadi lebih efisien.
- 11. Uji Heteroskedastisitas • Beberapaasumsi dalam model regresi yang terkait dengan heteroskedastisitas antara lain adalah residual (e) memiliki nilai rata-rata nol, keragaman yang konstan, dan residual pada model tidak saling berhubungan, sehingga estimator bersifat BLUE. • Jika asumsi ini dilanggar maka prediksi model yang dibuat tidak dapat diandalkan.
- 12.
- 13. Uji Heteroskedastisitas • UjiGoldfeld-Quandt • Uji Korelasi Spearman • Uji Glejser • Uji Bruesch-Pagan-Godfrey • dll
- 14. Uji Autokorelasi • Ujiautokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu (data time series). • Uji autokorelasi perlu dilakukan apabila data yang dianalisis merupakan data time series (Gujarati, 1993). • Menggunakan Uji Durbin Watson
- 16. Goodness of FitTest • Setelah kita melakukan uji normalitas data, maka kita perlu melakukan Uji kesesuaian model atau seberapa besar kemampuan variable bebas dalam menjelaskan varian variabel terikatnya
- 17. Goodness of FitTest - R2 • R2 adalah perbandingan antara variasi Y yang dijelaskan oleh x1 dan x2 secara bersama-sama dibanding dengan variasi total Y. • Jika selain x1 dan x2 semua variabel di luar model yang diwadahi dalam E dimasukkan ke dalam model, maka nilai R2 akan bernilai 1. • Ini berarti seluruh variasi Y dapat dijelaskan oleh variabel penjelas yang dimasukkan ke dalam model. • Contoh Jika variabel dalam model hanya menjelaskan 0,4 maka berarti sebesar 0,6 ditentukan oleh variabel di luar model, nilai diperoleh sebesar R2 = 0,4.
- 18. Goodness of FitTest – Uji F • Selain R2 ketepatan model hendaknya diuji dengan uji F. Hipotesis dalam uji F adalah sebagai berikut: • Hipotesis mengenai ketepatan model: • Ho : b1 = b2 = 0 (Pengambilan variabel X1 dan X2 tidak cukup tepat dalam menjelaskan variasi Y, ini berarti pengaruh variabel di luar model terhadap Y, lebih kuat dibanding dengan variabel yang sudah dipilih). • Ha : b1 ≠b2 ≠0 (Pengambilan variabel X1 dan X2 sudah cukup tepat karena mampu menjelaskan variasi Y, dibanding dengan pengaruh variabel di luar model atau errror terhadap Y).
- 19. Uji F • UjiF adalah uji simultan untuk melihat pengaruh variabel-variabel independen/bebas (x1, x2, x3…) secara serempak terhadap variabel terikatnya/dependen
- 20. Uji t • Ujit adalah uji parsial untuk melihat pengaruh masing-masing variabel independen atau bebas (x) berpengaruh nyata atau tidak secara parsial terhadap variabel dependen/terikatnya (Y)