1 / 83

UJI ASUMSI KLASIK

UJI ASUMSI KLASIK. Tujuan Pengajaran :. Mengerti apa yang dimaksud dengan uji asumsi klasik Mengerti item-item asumsi Menjelaskan maksud item-item asumsi Menyebutkan nama-nama asumsi yang harus dipenuhi Mengerti apa yang dimaksud dengan autokorelasi.

peigi
Télécharger la présentation

UJI ASUMSI KLASIK

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. UJI ASUMSI KLASIK

  2. TujuanPengajaran: • Mengertiapa yang dimaksuddenganujiasumsiklasik • Mengerti item-item asumsi • Menjelaskanmaksud item-item asumsi • Menyebutkannama-namaasumsi yang harusdipenuhi • Mengertiapa yang dimaksuddenganautokorelasi

  3. Mengertiapa yang dimaksuddenganMultikolinearitas • Mengertiapa yang dimaksuddenganHeteroskedastisitas • Mengertiapa yang dimaksuddenganNormalitas • Menjelaskantimbulnyamasalah-masalahdalamujiasumsiklasik

  4. Menjelaskandampakdariautokorelasi, heteroskedastisitas, multikolinearitas, normalitas • Menyebutkanalatdeteksidarimasalah-masalahtersebut

  5. Menggunakansebagianalat-alatdeteksi • Menjelaskanketerkaitanasumsi-asumsi • Menjelaskankonsekuensi-konsekuensidariAsumsi

  6. asumsi-asumsiklasik • Jikahasilregresitelahmemenuhiasumsi-asumsiregresimakanilaiestimasi yang diperolehakanbersifat BLUE: (Best,Linear, Unbiased,Estimator.)

  7. Gauss-Markov Theorem. • BLUE: (Best, Linear, Unbiased, Estimator.) Adalahasumsi yang dikembangkanoleh Gauss dan Markov, yang kemudianteoritersebutterkenaldengansebutanGauss-Markov Theorem.

  8. Best dimaksudkansebagaiterbaik • HasilregresidikatakanBestapabilagarisregresi yang dihasilkangunamelakukanestimasiatauperamalandarisebaran data, menghasilkanerror yang terkecil.

  9. Linear • Linear dalam model artinya model yang digunakandalamanalisisregresitelahsesuaidengankaidah model OLS dimanavariabel-variabelpenduganyahanyaberpangkatsatu. • Sedangkan linear dalam parameter menjelaskanbahwa parameter yang dihasilkanmerupakanfungsi linear darisampel

  10. Unbiased atautidak bias, Suatu estimator dikatakanunbiased jikanilaiharapandari estimator b samadengannilai yang benardari b. Artinya, nilai rata-rata b = b. Bila rata-rata b tidaksamadengan b, makaselisihnyaitudisebutdengan bias.

  11. 10 asumsi yang menjadisyaratpenerapan OLS, • Gujarati (1995): • Asumsi 1: Linear regression Model. • Model regresimerupakanhubungan linear dalam parameter. • Y = a + bX +e

  12. Untuk model regresi: • Y = a + bX + cX2 + e • Walaupunvariabel X dikuadratkan, initetapmerupakanregresi yang linear dalam parameter sehingga OLS masihdapatditerapkan.

  13. Asumsi 2: Nilai X adalahtetapdalam sampling yang diulang-ulang (X fixed in repeated sampling). • Tepatnyabahwanilai X adalahnonstochastic (tidak random).

  14. Asumsi 3: Variabelpengganggu e memiliki rata-rata nol (zero mean of disturbance).

  15. Asumsi 4: Homoskedastisitas, atauvariabelpengganggu e memilikivariance yang samasepanjangobservasidariberbagainilai X. Iniberarti data Y padasetiap X memilikirentangan yang sama. Jikarentangannyatidaksama, makadisebutheteroskedastisitas

  16. Asumsi 5: Tidakadaotokorelasiantaravariabel e padasetiapnilai xi danji (No autocorrelation between the disturbance).

  17. Asumsi 6: Variabel X dandisturbance e tidakberkorelasi.

  18. Asumsi 7: Jumlahobservasiataubesarsampel (n) haruslebihbesardarijumlah parameter yang • diestimasi.

  19. Asumsi 8: Variabel X harusmemilikivariabilitas. Jikanilai X selalusamasepanjangobservasimakatidakbisadilakukanregresi.

  20. Asumsi 9: Model regresisecarabenartelahterspesifikasi. • Artinya, tidakadaspesifikasi yang bias, karenasemuanyatelahterekomendasiatausesuai • denganteori.

  21. Asumsi 10. Tidakadamultikolinearitasantaravariabelpenjelas. Jelasnyakolinearantaravariabelpenjelastidakbolehsempurnaatautinggi.

  22. meskipunnilai t sudahsignifikanataupuntidaksignifikan, keduanyatidakdapatmemberiinformasi yang sesungguhnya.

  23. Untukmemenuhiasumsi-asumsidiatas, makaestimasiregresihendaknyadilengkapidenganuji-uji yang diperlukan, seperti: • ujinormalitas, autokorelasi, heteroskedastisitas, atupunmultikolinearitas.

  24. Secarateoretis model OLS akanmenghasilkanestimasinilai parameter model penduga yang sahihbiladipenuhiasumsiTidakadaAutokorelasi, TidakAdaMultikolinearitas, danTidakadaHeteroskedastisitas.

  25. A. UjiAutokorelasi

  26. A.1. Pengertianautokorelasi • Autokorelasiadalahkeadaandimanavariabelgangguanpadaperiodetertentuberkorelasidenganvariabelgangguanpadaperiode lain.

  27. Asumsiterbebasnyaautokorelasiditunjukkanolehnilai e yang mempunyai rata-rata nol, danvariannyakonstan.

  28. A.2. Sebab-sebabAutokorelasi • 1. Kesalahandalampembentukan model, • 2. Tidakmemasukkanvariabel yang penting. • 3. Manipulasi data • 4. Menggunakan data yang tidakempiris

  29. A.3. AkibatAutokorelasi • Akibatnyaadalahnilai t hitungakanmenjadi bias pula, karenanilai t diperolehdarihasilbagiSbterhadap b (t = b/sb). BerhubungnilaiSb bias makanilai t jugaakan bias ataubersifattidakpasti (misleading). • ( Karenaadanyamasalahkorelasidapatmenimbulkanadanyabias padahasilregresi.)

  30. 1. Uji Durbin-Watson (DW Test).

  31. dapat pula ditulisdalamrumussebagaiberikut:

  32. DW test initerdapatbeberapaasumsipenting • 1. Terdapatintercept dalam model regresi. • 2. variabelpenjelasnyatidak random (nonstochastics).

  33. 3. Tidakadaunsur lag darivariabeldependendidalam model. 4. Tidakada data yang hilang. 5. υ t = ρυt −1 + ε t

  34. Langkah-langkahpengujianautokorelasimenggunakanuji Durbin Watson (DW test) dapatdimulaidarimenentukanhipotesis. • (H◦)erdapatautokorelasipositif, atau, terdapatautokorelasinegatif.

  35. Terdapatbeberapastandarkeputusan yang perludipedomaniketikamenggunakan DW test, yang semuanyamenentukanlokasidimananilai DW berada.

  36. Jelasnyaadalahsebagaiberikut: •  DW < dL = terdapatatokorelasipositif • dL< DW <dU = tidakdapatdisimpulkan • (inconclusive) • dU > DW >4-dU = tidakterdapatautokorelasi • 4-dU < DW <4-dL = tidakdapatdisimpulkan • (inconclusive) • DW > 4-dL = terdapatautokorelasinegatif

  37. Dimana: • DW = Nilai Durbin-Watson d statistik • dU = Nilaibatasatas (didapatdaritabel) • dL = Nilaibatasbawah (didapatdaritabel)

  38. Ketentuan-ketentuandaerahhipotesispengujian DW dapatdiwujudkandalambentukgambarsebagaiberikut:

  39. Gambar 3.3.: Daerah Uji Durbin Watson

  40. Bantuandenganspss: 109-110

  41. (α)=5%, • N = 22 • Prediktor : 2 • batasatas (U) =1,54 • sedangbatasbawah (L) = 1,15. • DW = 0,883

  42. 0,883 yang berartilebihkecildarinilaibatasbawah, makakoefisienautokorelasilebihkecildari nol. • Dengandemikiandapatdisimpulkanbahwahasilregresitersebutbelumterbebasdarimasalahautokorelasipositif.

  43. Dengankata lain, Hipotesisnol (H◦) yang menyatakantidakterdapatmasalahautokorelasidapatditolak, • sedanghipotesisnol (H◦) yang menyatakanterdapatmasalahautokorelasidapatditerima

  44. Uraiandiatasdapat pula dijelaskandalambentukgambarsbb

  45. B. UjiNormalitas • Tujuandilakukannyaujinormalitasadalahuntukmengujiapakahvariabelpenganggu (e) memilikidistribusi normal atautidak.

  46. Beberapacarauntukmelakukanujinormalitas, antara lain: • 1. tendesisentral (mean – median = 0) • 2. Menggunakan formula JarqueBera (JB test),

  47. formula JarqueBera (JB test),

  48. dimana: • S = Skewness (kemencengan) distribusi data • K= Kurtosis (keruncingan)

  49. Skewness

  50. Kurtosis

More Related