Langsung ke konten utama

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
Labels:

Komentar

Posting Komentar

Postingan populer dari blog ini

Cara Uji Kelayakan Model Goodness of fit Pada SmartPLS

Uji Kelayakan Model Goodness of fit Pada SmartPLS,  Untuk melakukan uji kualitas model pengukuran, caranya adalah:  Klik menu Calculate  => PLS Algoritm (lihat pada bagian yang dilingkari  pada gambar dibawah ini !) Setelah itu, maka akan muncul tampilan seperti gambar di bawah ini.  Selanjutnya, pilih (klik) Start Calculation. Setelah proses Calculation selesai, maka akan keluar hasil pengujian kualitas model pengukuran (lihat gambar di bawah ini !). Penyimpulan mengenai kualitas model pengukuran mengacu pada rule of  tumbs berikut ini: Pada gambar di bawah ini nampak hasil outer loadings (di SPSS diistilahkan  dengan Factor Loadings ) digunakan untuk mengukur validitas konvergen  dari model pengukuran (instrumen). Pada kasus ini, hasil uji outer loadings menunjukkan skor yang rendah pada variabel AKT (Akuntabilitas) yaitu  kurang dari rule of tumbs 0,70 (Chin, 1998). Skor kurang dari 0,70 juga  nampak pada konstruk KMUK4 dan KSI...
Read more »

Cara Uji Validitas dengan Corrected Item-Total Correlations SPSS

Uji validitas item merupakan uji instrumen data untuk mengetahui seberapa cermat suatu item dalam mengukur apa yang ingin diukur. Item dapat dikatakan valid jika adanya korelasi yang signifikan dengan skor totalnya, hal ini menunjukkan adanya dukungan item tersebut dalam mengungkap suatu yang ingin diungkap. Item biasanya berupa pertanyaan atau pernyataan yang ditujukan kepada responden dengan menggunakan bentuk kuesioner dengan tujuan untuk mengungkap sesuatu. Teknik uji validitas item dengan teknik Corrected ItemTotal Correlation , yaitu dengan cara mengkorelasikan skor item dengan skor totalnya dan melakukan koreksi terhadap nilai koefisien korelasi yang overestimasi. Hal ini dikarenakan agar tidak terjadi koefisien item total yang overestimasi (estimasi nilai yang lebih tinggi dari yang sebenarnya). Pada metode ini tidak perlu memasukkan skor total, karena sudah dihitung secara otomatis.    Cara Uji Validitas Metode Analisis Faktor (KMO) dengan SPSS Kemudian pengujian sign...
Posting Komentar
Read more »

Rumus Fungsi If Dengan Conditional Formatting di Excel

Fungsi if merupakan fungsi yang sering digunakan pada aplikasi ms.excel untuk mendapatkan nilai berdasarkan kriteria yang ditentukan. Kadangkala kita ingin menambahkan warna-warna atau simbol-simbol tertentu pada setiap nilai yang dikembalikan dengan fungsi if. Untuk memberikan perbedaan ini, kita dapat menggunakan tools conditional formatting pada fungsi if tersebut. Mencari Nilai Dengan Fungsi If Sebelum menambahkan style pada hasil dari fungsi if, berikut ini adalah sebuah contoh data mencari score dengan fungsi if. Nilai score pada kolom E, merupakan nilai berdasarkan persentase pencapaian yang didapat pada kolom D berdasarkan nilai-nilai pada tabel pertama (A1:B4) Ketentuan score pada kolom E berdasarkan tabel pertama adalah : Jika nilai pada kolom D adalah lebih kecil dari 75%, maka akan mendapat score 1. Jika nilai pada kolom D antar 75% sampai 100%, maka akan mendapat score 2. Dan Jika nilai pada kolom D lebih besar dari 100%, maka akan mendapatkan score 3. If Dan Conditional F...
Posting Komentar
Read more »