Uji Asumsi Klasik Pada Data Panel

Data panel adalah regresi yang menggabungkan data time series dan data cross section (Widarjono, 2009). Ada beberapa keuntungan yang diperoleh dengan menggunakan estimasi data panel. Pertama, meningkatkan jumlah obeservasi (sampel), dan kedua, memperoleh variasi antar unit yang berbeda menurut ruang dan variasi menurut waktu (Kuncoro, 2012). Menurut Gujarati (2012) data panel sedikit terjadi kolinearitas antar variabel sehingga sangat kecil kemungkinan terjadi multikolinearitas. Berdasarkan uraian tersebut asumsi klasik yang digunakan dalam penelitian adalah uji autokorelasi dan uji heterokedastisitas.

Uji Multikolinearitas

Menurut Ghozali (2001), uji ini bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antarvariabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi antarvariabel independen. Deteksi ada-tidaknya multikolinearitas dalam model regresi dapat dilihat dari tolerance value atau variance inflation factor (VIF). Kriteria untuk mendeteksi ada atau tidaknya multikolinearitas dalam model ini adalah sebagai berikut.

1. Nilai R square sangat tinggi, tetapi secara individual variabel-variabel bebas banyak yang tidak signifikan memengaruhi variabel terikat.
2. Menganalisis matriks korelasi antar variabel bebas. Jika terdapat korelasi antarvariabel bebas yang cukup tinggi (>0.9), hal ini merupakan indikasi adanya multikolinearitas 
3. Dilihat dari nilai tolerance dan VIF. Nilai cut off tolerance <0.10 dan VIF>10 berarti terdapat multikolinearitas. Jika terjadi gejala multikolinearitas yang tinggi, standard error koefisien regresi akan semakin besar dan mengakibatkan confidence interval untuk pendugaan parameter semakin lebar. Dengan demikian, terbuka kemungkinan terjadinya kekeliruan atau menerima hipotesis yang salah. Uji multikolinearitas dapat dilaksanakan dengan jalan meregresikan model analisis dan melakukan uji korelasi antarvariabel independen dengan menggunakan variance inflating factor (VIF). Batas VIF adalah 10. Apabila nilai VIF lebih besar daripada 10, maka dapat dikatakan terjadi multikolinearitas 

Uji Heterokedastisitas

Heterokedastisitas timbul apabila nilai residual dari model tidak memiliki varians yang konstan. Artinya, setiap observasi mempunyai reliabilitas yang berbeda-beda akibat perubahan kondisi yang melatarbelakangi tidak terangkum dalam model (Kuncoro, 2011). Gejala ini sering terjadi pada data cross section (Gujarati, 2012), sehingga sangat dimungkinkan terjadi heterokedastisitas pada data panel 

Uji Autokorelasi

Autokorelasi muncul karena residual yang tidak bebas antar satu observasi ke observasi lainnya (Kuncoro, 2011). Hal ini disebabkan karena error pada individu cenderung mempengaruhi individu yang sama pada periode berikutnya. Masalah autokorelasi sering terjadi pada data time series (runtut waktu). Deteksi autokorelasi pada data panel dapat melalui uji Durbin-Watson. Nilai uji Durbin-Watson dibandingkan dengan nilai tabel Durbin-Watson untuk mengetahui keberadaan korelasi positif atau negatif (Gujarati, 2012). Keputusan mengenai keberadaan autokorelasi sebagi berikut :

1. Jika d < dl, berarti terdapat autokorelasi positif
2. Jika d > (4 – dl), berarti terdapat autokorelasi negatif
3. Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi
4. Jika dl < d < du atau (4 – du), berarti tidak dapat disimpulkan