Mahasiswa Uji Asumsi Klasik 366v4a
This document was ed by and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this report form. Report r6l17
Overview 4q3b3c
& View Mahasiswa Uji Asumsi Klasik as PDF for free.
More details 26j3b
- Words: 1,066
- Pages: 7
UJI ASUMSI KLASIK (UJI HETEROSKEDASTISITAS, UJI MULTIKOLINEARITAS, DAN UJI AUTOKORELASI, UJI NORMALITAS)
Contoh Soal : Manajer pemasaran suatu perusahaan sedang mengembangkan suatu model untuk memperkirakan besarnya penjualan berdasarkan perkembangan biaya advertensi dan pangsa pasar (share) selama 15 periode. Adapun datanya adalah sebagai berikut : TAHUN
SALES(dependen)
IKLAN(independen)
SHARE(independen
) 1985 10.8 4.3 26.2 1986 12.6 4 32.2 1987 8.3 4.1 17.3 1988 9.2 4.6 16.7 1989 11.1 5.5 18.9 1990 10.9 4.5 13.2 1991 7.9 4.3 14.4 1992 11.6 2.8 27.1 1993 8.2 2.6 20.8 1994 9 3.1 22 1995 8.5 3 22.1 1996 7.1 2.7 19.9 1997 5.9 2.6 22.2 1998 8.6 3.2 22.6 1999 13.3 2.4 29.6 Tentukan apakah terdapat heteroskedastisitas, multikolinearitas dan autokorelasi dengan alpha 5%!
Jawaban: 1. UJI HETEROSKEDASTISITAS Cara mendeteksi heteroskedastisitas: Nilai Probabilitas Obs*R-Squared > Alpha (tingkat keyakinan) → Tidak Ada Heteroskedastisitas
Nilai Probabilitas Obs*R-Squared < Alpha (tingkat keyakinan) → Ada Heteroskedastisitas
Berdasarkan Uji White di atas, diperoleh hasil sebagai berikut: Nilai Probabilitas Obs*R-Squared
= 0.144932
Alpha
= 0.05
Oleh karena nilai probabilitas Obs*R-Squared > Alpha (tingkat keyakinan) maka tidak ada heteroskedastisitas dalam data tersebut.
2. UJI MULTIKOLINEARITAS0 Cara mendeteksi multikolinearitas : Jika korelasi antara nilai variabel independen yang satu dengan variabel independen lainnya < Adj Rsquare → Tidak Ada Multikolinearitas Jika korelasi antara nilai variabel independen yang satu dengan variabel independen lainnya > Adj Rsquare → Ada Multikolinearitas
SALES IKLAN SHARE
SALES 1.000000 0.234235 0.534528
Dependent Variable: SALES Method: Least Squares Date: 11/11/15 Time: 15:16 Sample: 1985 1999 Included observations: 15
IKLAN 0.234235 1.000000 -0.428718
SHARE 0.534528 -0.428718 1.000000
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C IKLAN SHARE
-1.526567 1.258202 0.302377
2.994155 0.475645 0.083425
-0.509849 2.645251 3.624537
0.6194 0.0214 0.0035
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.548813 0.473615 1.517087 27.61865 -25.86239 7.298259 0.008436
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
9.533333 2.091024 3.848318 3.989928 3.846810 1.522312
Sales dan Iklan = 0.234235 < 0.473615 – Tidak ada multikolinearitas Iklan dan Share = -0.428718 < 0.473615 – Tidak ada multikolinearitas Share dan Sales = 0.534528 > 0.473615 ada multikolinearitas Berdasarkan korelasi di atas, diperoleh hasil sebagai berikut : Korelasi antara nilai variabel advertensi dan share
=
Kesimpulan: dalam model persamaan estimasi terdapat korelasi ringan
Catatan Penting!!! Jika suatu saat korelasi antara nilai variabel independen yang satu dengan variabel independen lainnya > Adj Rsquare (ada multikolinearitas), pastikan dahulu apakah multikolinearitas yang terjadi serius (parah) atau tidak. Cara memastikannya adalah dengan melakukan Uji Klein’s Rule of Thumb. Uji ini dilakukan dengan membandingkan nilai Adusted R-Squared pada model regresi awal dengan R-Squared pada regresi auxilliary (regresi antar variabel independen). Jika Adjusted R-Squared awal > R-Squared Regresi Auxilliary → Multikolinearitas tidak serius, sehingga boleh diabaikan atau dianggap tidak terjadi multikolinearitas. Jika Adjusted R-Squared awal < R-Squared Regresi Auxilliary → Multikolinearitas serius, sehingga perlu dilakukan perbaikan model.
Contoh Data Lain : Obs
Y
X1
X2
0.50000 2.00000 1 0 0 0.65000 2.25000 2 0 0 0.60000 2.60000 3 0 0 0.90000 2.85000 4 0 0 0.80000 3.10000 5 0 0 1.00000 3.20000 6 0 0 1.20000 3.70000 7 0 0 1.30000 4.10000 8 0 0 1.10000 4.20000 9 0 0 1.60000 4.50000 10 0 0 Adjusted R-Squared awal
20.00000 0 25.00000 0 35.00000 0 42.00000 0 48.00000 0 50.00000 0 59.00000 0 65.00000 0 70.00000 0 76.00000 0 =
Dependent Variable: Y Method: Least Squares Date: 11/11/15 Time: 15:31 Sample: 1 10 Included observations: 10 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C X1 X2
-0.510609 0.615492 -0.010709
0.586372 0.553310 0.025091
-0.870794 1.112381 -0.426797
0.4127 0.3027 0.6823
0.889524 0.857960 0.129965 0.118236 7.998883 28.18121 0.000448
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
R-Squared Regresi Auxilliary
=
0.965000 0.344843 -0.999777 -0.909001 -1.099357 2.809126
Dependent Variable: X1 Method: Least Squares Date: 11/11/15 Time: 15:34 Sample: 1 10 Included observations: 10 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C X2
1.037320 0.045157
0.076684 0.001470
13.52728 30.71178
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.991590 0.990538 0.083045 0.055172 11.81007 943.2135 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
3.250000 0.853750 -1.962014 -1.901497 -2.028401 1.049178
Dependent Variable: X2 Method: Least Squares Date: 11/11/15 Time: 15:36 Sample: 1 10 Included observations: 10 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C X1
-22.36623 21.95884
2.394814 0.714997
-9.339445 30.71178
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.991590 0.990538 1.831287 26.82889 -19.12386 943.2135 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
R-Squared awal
= 0.889524
R-Squared Regresi Auxilliary
= 0.991590
49.00000 18.82669 4.224771 4.285288 4.158384 1.045538
Kesimpulan: Maka terdapat multikolinearitas serius, sehingga perlu dilakukan perbaikan model.
3. UJI AUTOKORELASI Cara mendeteksi autokorelasi : Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared
0.091555 0.269725
Prob. F(2,10) Prob. Chi-Square(2)
0.9133 0.8738
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 11/11/15 Time: 15:46 Sample: 1985 1999 Included observations: 15 Presample missing value lagged residuals set to zero. Variable
Coefficient
Std. Error
t-Statistic
Prob.
C IKLAN SHARE RESID(-1) RESID(-2)
-0.301820 -0.003130 0.015060 0.157998 -0.117401
3.352878 0.517413 0.098800 0.427195 0.394477
-0.090018 -0.006049 0.152428 0.369849 -0.297612
0.9301 0.9953 0.8819 0.7192 0.7721
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.017982 -0.374826 1.646877 27.12202 -25.72630 0.045777 0.995378
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
1.60E-15 1.404550 4.096840 4.332856 4.094326 1.736685
Nilai Probabilitas Obs*R-Squared > Alpha (tingkat keyakinan) → Tidak Ada Autokorelasi Nilai Probabilitas Obs*R-Squared < Alpha (tingkat keyakinan) → Ada Autokorelasi
Berdasarkan Uji Breusch-Godfrey di atas, diperoleh hasil sebagai berikut : Nilai Probabilitas Obs*R-Squared
= 0.8738
Alpha
= 0.05
Kesimpulan: Tidak ada autokorelasi
4. UJI NORMALITAS data kita normal atau tidak Parametik dan Nonparametik 10
Series: Residuals Sample 1985 1999 Observations 15
8
6
4
2
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
1.60e-15 -0.337932 2.856517 -2.557532 1.404550 0.753709 3.431076
Jarque-Bera Probability
1.536335 0.463862
0 -3
-2
-1
0
1
2
3
Nilai yang akan kita gunakan adalah Probability nya. Berikut adalah kriteria untuk uji normalitas: Jika Probability > α Maka data terdistribusi secara normal. Jika Probability ≤ α Maka data tidak terdistribusi secara normal. Probability
= 0.463862
α
= 0.05
Kesimpulan: Maka data terdostrobusi secara normal maka kita bisa menggunakan statistik parametrik
Contoh Soal : Manajer pemasaran suatu perusahaan sedang mengembangkan suatu model untuk memperkirakan besarnya penjualan berdasarkan perkembangan biaya advertensi dan pangsa pasar (share) selama 15 periode. Adapun datanya adalah sebagai berikut : TAHUN
SALES(dependen)
IKLAN(independen)
SHARE(independen
) 1985 10.8 4.3 26.2 1986 12.6 4 32.2 1987 8.3 4.1 17.3 1988 9.2 4.6 16.7 1989 11.1 5.5 18.9 1990 10.9 4.5 13.2 1991 7.9 4.3 14.4 1992 11.6 2.8 27.1 1993 8.2 2.6 20.8 1994 9 3.1 22 1995 8.5 3 22.1 1996 7.1 2.7 19.9 1997 5.9 2.6 22.2 1998 8.6 3.2 22.6 1999 13.3 2.4 29.6 Tentukan apakah terdapat heteroskedastisitas, multikolinearitas dan autokorelasi dengan alpha 5%!
Jawaban: 1. UJI HETEROSKEDASTISITAS Cara mendeteksi heteroskedastisitas: Nilai Probabilitas Obs*R-Squared > Alpha (tingkat keyakinan) → Tidak Ada Heteroskedastisitas
Nilai Probabilitas Obs*R-Squared < Alpha (tingkat keyakinan) → Ada Heteroskedastisitas
Berdasarkan Uji White di atas, diperoleh hasil sebagai berikut: Nilai Probabilitas Obs*R-Squared
= 0.144932
Alpha
= 0.05
Oleh karena nilai probabilitas Obs*R-Squared > Alpha (tingkat keyakinan) maka tidak ada heteroskedastisitas dalam data tersebut.
2. UJI MULTIKOLINEARITAS0 Cara mendeteksi multikolinearitas : Jika korelasi antara nilai variabel independen yang satu dengan variabel independen lainnya < Adj Rsquare → Tidak Ada Multikolinearitas Jika korelasi antara nilai variabel independen yang satu dengan variabel independen lainnya > Adj Rsquare → Ada Multikolinearitas
SALES IKLAN SHARE
SALES 1.000000 0.234235 0.534528
Dependent Variable: SALES Method: Least Squares Date: 11/11/15 Time: 15:16 Sample: 1985 1999 Included observations: 15
IKLAN 0.234235 1.000000 -0.428718
SHARE 0.534528 -0.428718 1.000000
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C IKLAN SHARE
-1.526567 1.258202 0.302377
2.994155 0.475645 0.083425
-0.509849 2.645251 3.624537
0.6194 0.0214 0.0035
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.548813 0.473615 1.517087 27.61865 -25.86239 7.298259 0.008436
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
9.533333 2.091024 3.848318 3.989928 3.846810 1.522312
Sales dan Iklan = 0.234235 < 0.473615 – Tidak ada multikolinearitas Iklan dan Share = -0.428718 < 0.473615 – Tidak ada multikolinearitas Share dan Sales = 0.534528 > 0.473615 ada multikolinearitas Berdasarkan korelasi di atas, diperoleh hasil sebagai berikut : Korelasi antara nilai variabel advertensi dan share
=
Kesimpulan: dalam model persamaan estimasi terdapat korelasi ringan
Catatan Penting!!! Jika suatu saat korelasi antara nilai variabel independen yang satu dengan variabel independen lainnya > Adj Rsquare (ada multikolinearitas), pastikan dahulu apakah multikolinearitas yang terjadi serius (parah) atau tidak. Cara memastikannya adalah dengan melakukan Uji Klein’s Rule of Thumb. Uji ini dilakukan dengan membandingkan nilai Adusted R-Squared pada model regresi awal dengan R-Squared pada regresi auxilliary (regresi antar variabel independen). Jika Adjusted R-Squared awal > R-Squared Regresi Auxilliary → Multikolinearitas tidak serius, sehingga boleh diabaikan atau dianggap tidak terjadi multikolinearitas. Jika Adjusted R-Squared awal < R-Squared Regresi Auxilliary → Multikolinearitas serius, sehingga perlu dilakukan perbaikan model.
Contoh Data Lain : Obs
Y
X1
X2
0.50000 2.00000 1 0 0 0.65000 2.25000 2 0 0 0.60000 2.60000 3 0 0 0.90000 2.85000 4 0 0 0.80000 3.10000 5 0 0 1.00000 3.20000 6 0 0 1.20000 3.70000 7 0 0 1.30000 4.10000 8 0 0 1.10000 4.20000 9 0 0 1.60000 4.50000 10 0 0 Adjusted R-Squared awal
20.00000 0 25.00000 0 35.00000 0 42.00000 0 48.00000 0 50.00000 0 59.00000 0 65.00000 0 70.00000 0 76.00000 0 =
Dependent Variable: Y Method: Least Squares Date: 11/11/15 Time: 15:31 Sample: 1 10 Included observations: 10 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C X1 X2
-0.510609 0.615492 -0.010709
0.586372 0.553310 0.025091
-0.870794 1.112381 -0.426797
0.4127 0.3027 0.6823
0.889524 0.857960 0.129965 0.118236 7.998883 28.18121 0.000448
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
R-Squared Regresi Auxilliary
=
0.965000 0.344843 -0.999777 -0.909001 -1.099357 2.809126
Dependent Variable: X1 Method: Least Squares Date: 11/11/15 Time: 15:34 Sample: 1 10 Included observations: 10 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C X2
1.037320 0.045157
0.076684 0.001470
13.52728 30.71178
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.991590 0.990538 0.083045 0.055172 11.81007 943.2135 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
3.250000 0.853750 -1.962014 -1.901497 -2.028401 1.049178
Dependent Variable: X2 Method: Least Squares Date: 11/11/15 Time: 15:36 Sample: 1 10 Included observations: 10 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C X1
-22.36623 21.95884
2.394814 0.714997
-9.339445 30.71178
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.991590 0.990538 1.831287 26.82889 -19.12386 943.2135 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
R-Squared awal
= 0.889524
R-Squared Regresi Auxilliary
= 0.991590
49.00000 18.82669 4.224771 4.285288 4.158384 1.045538
Kesimpulan: Maka terdapat multikolinearitas serius, sehingga perlu dilakukan perbaikan model.
3. UJI AUTOKORELASI Cara mendeteksi autokorelasi : Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared
0.091555 0.269725
Prob. F(2,10) Prob. Chi-Square(2)
0.9133 0.8738
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 11/11/15 Time: 15:46 Sample: 1985 1999 Included observations: 15 Presample missing value lagged residuals set to zero. Variable
Coefficient
Std. Error
t-Statistic
Prob.
C IKLAN SHARE RESID(-1) RESID(-2)
-0.301820 -0.003130 0.015060 0.157998 -0.117401
3.352878 0.517413 0.098800 0.427195 0.394477
-0.090018 -0.006049 0.152428 0.369849 -0.297612
0.9301 0.9953 0.8819 0.7192 0.7721
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.017982 -0.374826 1.646877 27.12202 -25.72630 0.045777 0.995378
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
1.60E-15 1.404550 4.096840 4.332856 4.094326 1.736685
Nilai Probabilitas Obs*R-Squared > Alpha (tingkat keyakinan) → Tidak Ada Autokorelasi Nilai Probabilitas Obs*R-Squared < Alpha (tingkat keyakinan) → Ada Autokorelasi
Berdasarkan Uji Breusch-Godfrey di atas, diperoleh hasil sebagai berikut : Nilai Probabilitas Obs*R-Squared
= 0.8738
Alpha
= 0.05
Kesimpulan: Tidak ada autokorelasi
4. UJI NORMALITAS data kita normal atau tidak Parametik dan Nonparametik 10
Series: Residuals Sample 1985 1999 Observations 15
8
6
4
2
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
1.60e-15 -0.337932 2.856517 -2.557532 1.404550 0.753709 3.431076
Jarque-Bera Probability
1.536335 0.463862
0 -3
-2
-1
0
1
2
3
Nilai yang akan kita gunakan adalah Probability nya. Berikut adalah kriteria untuk uji normalitas: Jika Probability > α Maka data terdistribusi secara normal. Jika Probability ≤ α Maka data tidak terdistribusi secara normal. Probability
= 0.463862
α
= 0.05
Kesimpulan: Maka data terdostrobusi secara normal maka kita bisa menggunakan statistik parametrik
Related Documents 171j1w
Mahasiswa Uji Asumsi Klasik 366v4a
August 2020 0
Uji Asumsi Klasik 6g172v
November 2019 44
Latihan Stata (regresi Dan Uji Asumsi Klasik) 1g406k
May 2020 6
Asumsi Linearitas 4q211w
February 2021 0
Asumsi Kenormalan.docx 33ma
November 2020 0
Mahasiswa 9306j
January 2021 0More Documents from "Wiinner Satri P" 54k5q
Mahasiswa Uji Asumsi Klasik 366v4a
August 2020 0
What Is Baby Bottle Caries And Its Difference 451w16
August 2021 0
Ebook Form Checklist Audit Smk3[1] 3uu48
May 2020 4
Market Segments Of National Stock Exchange 2q5d2y
April 2022 0
9782843718618 4l2s1j
January 2021 0