LAPORAN PRAKTIKUM ANALISIS REGRESI TERAPAN MODUL 4 KELAS C
UJI ASUMSI KLASIK
Nama
Nomor
Tanggal
Praktikan
Mahasiswa
Kumpul
Ummu Fitriyani
13611173
28 Mei 2015
Nama Penilai
Tanggal Koreksi
Tanda tangan Praktikan
Laboran
Tanda tangan
Nilai
Asisten
Dosen
Annas Saeful Rizal Cut Rifatmi Fadhilaini Muhammad Hasbiollah Edy Widodo, M. Si
JURUSAN STA STATISTIKA TISTI KA FAKULTAS MATMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UNIVERSITAS ISLAM INDONESIA YOGYAKARTA 2015
BAB I PENDAHULUAN
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda berganda yang berbasis yang berbasis ordinary least square (OLS). Tidak semua uji asumsi klasik harus klasik harus dilakukan pada dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak dapat tidak dapat dipergunakan pada dipergunakan pada analisis regresi linear sederhana linear sederhana dan uji autokorelasi tidak perlu perlu diterapkan pada diterapkan pada data cross sectional. Jadi, regresi linear sederhana linear sederhana memiliki 4 asumsi yaitu: asumsi linearitas, asumsi normalitas, asumsi heteroskedastisitas, dan asumsi autokorelasi. Sedang regresi linear berganda: asumsi multikolinearitas, asumsi normalitas, asumsi heteroskedastisitas, dan asumsi autokorelasi. 1.
Uji Normalitas Uji Normalitas Uji normalitas adalah untuk melihat untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik yang baik adalah adalah memiliki nilai residual yang terdistribusi normal. Jadi uji normalitas bukan normalitas bukan dilakukan pada dilakukan pada masingmasing variabel tetapi pada tetapi pada nilai residualnya. Sering terjadi kesalahan yang jamak yaitu bahwa yaitu bahwa uji normalitas dilakukan pada dilakukan pada masing-masing variabel. Hal ini tidak dilarang tidak dilarang tetapi model regresi memerlukan normalitas pada normalitas pada nilai residualnya bukan residualnya bukan pada pada masing-masing variabel penelitian. variabel penelitian. Uji normalitas dapat dilakukan dengan menggunakan Uji Chi Kuadrat, Uji Lillifors, dan Uji Kolmogorov-Smirnov
2.
Uji Autokorelasi Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode suatu periode t dengan periode dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk melihat untuk melihat pengaruh pengaruh antara variabel bebas variabel bebas terhadap variabel terikat, jadi tidak boleh tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya.
2
Uji autokorelasi dapat dilakukan dengan menggunakan Uji DurbinWatson, Lagrange Multiplier, Staistik Q, dan Run Test. 3.
Uji Heteroskedastisitas Uji
heteroskedastisitas
adalah
untuk melihat
apakah
terdapat
ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang memenuhi persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas. Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang baik didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah, menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang dapat digunakan adalah uji Gletser, uji Park atau uji White. 4.
Uji Multikolinearitas Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi (keterkaitan) yang tinggi antara variabel-variabel bebas dalam suatu model regresi linear berganda. Jika ada korelasi yang tinggi di antara variabelvariabel bebasnya, maka hubungan antara variabel bebas terhadap variabel terikatnya menjadi terganggu. Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah dengan variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas, atau dengan melihat eigenvalues dan condition index (CI). (Sumber: Budianas, Nanang. 2013)
3
BAB II DESKRIPSI KERJA
Untuk memulai pengujian asumsi menggunakan SPSS 20, berikut langkah-langkah kerja dengan menggunakan data laporan pratikum sebelumnya (laporan pratiku analisis regresi tiga) yaitu Regresi Linear Berganda yang sudah diuji dengan Metode Enter dan didapatkan variabel yang signifikan atau valid yaitu variabel Dividen Payout Rasio, Instutisional Ownership dan Perubahan Earnings Perusahaan. Berikut ini model regresi berganda dengan metode enter. Sehingga model yang didapat adalah
̂ Dimana: Y
= Dividen Payout Rasio
X2
= Institusional Ownership
X5
= Perubahan Earnings Perusahaan
Asumsi yang harus dipenuhi, yaitu: 1.
Kenormalan Sisaan
Analisis Grafik 1.
Pada Data View SPSS, Pilih menu Analyze – Regresi – Linear, pada kotak Dependent , isikan variabel dependent ( Dividen Payout Rasio) dan pada kotak independent, isikan variabel ( Instutisional Ownership, Perubahan Earnings Perusahaan)
4
Gambar 2.1 Kotak Dialog Linear Regression
2.
Pilih metode Enter, kemudian klik button Plots, dan aktifkan atau berikan tanda centang pada Histogram dan Normal Probability Plot, tekan button Continue dan OK .
Gambar 2.2 Kotak Dialog Linear Regression:Plots
Analisis Statistik Kormogorof Smirnov 1.
Pada Data View SPSS, Pilih menu Analyze – Regresi – Linear, pada kotak Dependent , isikan variabel dependent ( Dividen Payout Rasio) dan pada kotak independent, isikan variabel ( Instutisional Ownership, Perubahan Earnings Perusahaan)
2.
Pilih metode Enter, kemudian klik Button Save.
5
Gambar 2.3 Kotak Dialog Linear Regression
3.
Berikan tanda centang pada Unstandardized pada kolom Residuals , lalu klik Continue, kemudian pilih OK .
Gambar 2.4 Kotak Dialog Linear Regression Save
4.
Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama kolom RES_1, ini merupakan residual regresi.
6
5.
Pilih menu Analyze – Nonparametric Test – Legacy Dialogs – (1Sample K-S),
kemudian pindahkan Unstandardized Residual ke
kolom Test Variable List di sebelah kanan, centang pada Normal , lalu klik OK .
Gambar 2.5 Kotak Dialog One-Sample Kolmogorov-Smirnov Test 2.
Tidak Ada Autokorelasi Atau Sisaan Saling Bebas
1.
Pada Data View SPSS, Pilih menu Analyze – Regresi – Linear, pada kotak Dependent , isikan variabel dependent ( Dividen Payout Rasio) dan pada kotak independent, isikan variabel ( Instutisional Ownership, Perubahan Earnings Perusahaan)
2. Pilih metode Enter, kemudian klik Button Statistics.
Gambar 2.6 Kotak Dialog Linear Regression
7
3. Berikan tanda centang seperti gambar berikut ini, lalu klik Continue, kemudian pilih OK .
Gambar 2.7 Kotak Dialog Linear Regression:Statistics
Karena tidak ada keputusan dari uji Durbin-Watson maka yang dilakukan pratikan adalah menguji dengan uji Run Test. Berikut langkah langkah kerjanya: 1.
Pada Data View SPSS, Pilih menu Analyze – Regresi – Linear, pada kotak Dependent , isikan variabel dependent ( Dividen Payout Rasio) dan pada kotak independent, isikan variabel ( Instutisional Ownership, Perubahan Earnings Perusahaan)
2.
Pilih metode Enter, kemudian klik Button Save.
Gambar 2.8 Kotak Dialog Linear Regression
8
3.
Berikan tanda centang pada Unstandardized pada kolom Residuals, lalu klik Continue, kemudian pilih OK .
Gambar 2.9 Kotak Dialog Linear Regression Save
4.
Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama kolom RES_1, ini merupakan residual regresi.Pilih menu Analyze – Nonparametric Test – Legacy Dialogs – Run Test,
kemudian
pindahkan Unstandardized Residual ke kolom Test Variable List di sebelah kanan, centang pada Normal, lalu klik OK .
Gambar 2.10 Kotak Dialog Run Test
9
3.
Homoscedasticity Atau Kehomogenan Ragam Sisaan
Uji Asumsi Homoscedasticity dengan metode grafik 1.
Pada Data View SPSS, Pilih menu Analyze – Regresi – Linear, pada kotak Dependent , isikan variabel dependent ( Dividen Payout Rasio) dan pada kotak independent, isikan variabel ( Instutisional Ownership, Perubahan Earnings Perusahaan)
2.
Pilih metode Enter, kemudian masukkan *SRESIDE ke dalam kolom axis Y dan *Zpred ke kolom axis X, tekan button Continue dan OK .
Gambar 2.11 Kotak Dialog Linear Regression:Plots
Uji Asumsi Homoscedasticity dengan metode Gletser 1.
Pada Data View SPSS, Pilih menu Analyze – Regresi – Linear, pada kotak Dependent , isikan variabel dependent ( Dividen Payout Rasio) dan pada kotak independent, isikan variabel ( Instutisional Ownership, Perubahan Earnings Perusahaan)
2.
Pilih metode Enter, kemudian klik Button Save.
10
Gambar 2.12 Kotak Dialog Linear Regression
3.
Berikan tanda centang pada Unstandardized pada kolom Residuals, lalu klik Continue, kemudian pilih OK .
Gambar 2.13 Kotak Dialog Linear Regression Save
4.
Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama kolom RES_1, ini merupakan residual regresi. Sekarang yang harus dialakukan adalah meng-absolutkan nilai Residual tersebut, SPSS juga sudah menyedihkan fasilitas tersebut.
5.
Klik menu Transform – Compute Variable , kemudian lakukan seperti gambar dibawah ini, kotak Target Variable diisi dengan nama variabel atau kolom baru (ABS_RES1) dan pada kotak Numeric Expression
11
merupakan formula dalam SPSS diisi dengan ABS(RES_1). Selanjutnya klik OK .
Gambar 2.14 Kotak Dialog Compute Variaable
6.
Setelah variabel RES_1 diablsolutkan, maka langkah selanjutnya adalah klik menu Analyze -
Regression – Linear, masukkan variabel
ABS_RES1 pada kotak dependent dan masukkan variabel Instutisional Ownership, Perubahan Earnings Perusahaan pada kotak Independent . 7.
Pada Button Save. Hilangkan centang di Unstandardized pada kolom Residuals, lalu klik Continu kemudian pilih OK.
4.
Tidak ada multikolinearitas
1.
Pada Data View SPSS, Pilih menu Analyze – Regresi – Linear, pada kotak Dependent , isikan variabel dependent ( Dividen Payout Rasio) dan pada kotak independent, isikan variabel ( Instutisional Ownership, Perubahan Earnings Perusahaan)
2.
Pilih metode Enter, kemudian klik Button Statistics.
12
Gambar 2.15 Kotak Dialog Linear Regression
3.
Berikan tanda centang seperti gambar berikut ini, lalu klik Continue, kemudian pilih OK .
Gambar 2.16 Kotak Dialog Linear Regression:Statistics
13
BAB III PEMBAHASAN
Setelah memberikan langkah-langkah dalam melakukan uji asumsi, selanjutnya paraktikan akan memeberikan pembahasan dari output yang dihasilkan dan akan dilakukan uji hipotesis. Terdapat empat bagaian uji asumsi yang akan praktikan bahas, mulai dari Kenormalan Sisaan, Tidak Ada Autokorelasi, Homoscedasticity, dan Tidak Ada Multikolinearitas. Praktikan ingin mengetahui apakah data yang tersedia memenuhi asumsi klasik sebagai salah satu syarat dalam melakukan analisis regresi linear berganda. Sehingga hasil akhirnya dapat diketahui model regresi linear yang baik atau yang tidak. Berikut pembahasan yang akan praktikan berikan. A. Kenormalan Sisaan
Analisis Grafik
Gambar 3.1 Output Normal P-Plot of regression Standardized Residual
14
Gambar 3.2 Output Histogram
Berdasarkan tampilan Output chart diatas pratikan dapat melihat grafik histogram maupun grafik plot. Dimana grafik histogram memberikan pola distribusi yang melenceng ke kanan yang artinya adalah data berdistribusi normal. Selanjutnya pada gambar P-Plot terlihat titik mengikuti dan mendekati garis diagonalnya sehingga dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas. Analisis Statistik Kormogorof Smirnov
15
Gambar 3.3 Output One-Sample Kolmogorov-Smirnov Test
a.
Hipotesis: H0 : Sisaan menyebar Normal H1 : Sisaan tidak menyebar Normal
b.
Tingkat Signifikansi: α=5% =0,05 α⁄
c.
: 2,5%=0,025
Daerah Kritis: Asymp.Sig.(2-tailed) < α⁄ , maka tolak H0
d.
Statistika Uji: P-value = 0,142
e.
Keputusan: 0,142 > 0,025, maka gagal tolak H0 Asymp.Sig.(2-tailed) > α⁄ , maka gagal tolak H0
f.
Kesimpulan: Dengan
menggunakan
tingkat
kerpercayan
95%
dan
karena
Asymp.Sig.(2-tailed) > α⁄ maka gagal tolak H0 berarti sisaan menyebar Normal dan Asumsi Kenormalan telah terpenuhi. Dari metode grafik dan uji hipotesis menggunakan One-Sample Kolmogorov-Smirnov Test yang dilakukan, maka didapatkan bahwa data yang ada dalam kasus tersebut berdistribusi normal, sehingga asumsi normalitas dari data tersebut terpenuhi. B. Tidak Ada Autokorelasi Atau Sisaan Saling Bebas
Uji Asumsi Tidak Ada Autokorelasi dengan Durbin Watson Test
Gambar 3.4 Output dari Durbin-Watson Test
a.
Hipotesis: H0 : Tidak terdapat autokorelasi ordo 1 pada sisaan H1 : Terdapat autokorelasi ordo 1 pada sisaan
16
b.
Tingkat Signifikansi: α=5% =0,05
c.
Daerah Kritis: 4-
≤ DW ≤ 4, maka tolak H0 ≤ DW ≤ (4≤ DW ≤
d.
), maka gagal tolak H0 atau 4-
≤ DW ≤ 4-
, maka tidak ada keputusan
Statistika Uji: Sampel (n=52) dan jumlah variabel independent (K=2) Nilai DW = 1,364 =1,33741 =1,41314
e.
Keputusan:
f.
, maka tidak dapat diputuskan
Kesimpulan: Tidak ada kesimpulan yang pasti
Dari uji hipotesis menggunakan Durbin-Watson maka didapatkan bahwa tidak ada kesimpulan yang pasti dari data yang ada. Sehingga model yang dihasilkan dari data tersebut harus diuji lagi dengan Runs Test.
Gambar 3.5 Output Runs Test
a.
Hipotesis: H0 : Residual berubah secara acak (tidak terjadi autokorelasi) H1 : Residual berubah secara tidak acak (terjadi autokorelasi)
b.
Tingkat Signifikansi:
17
α=5% =0,05 α⁄
c.
: 2,5%=0,025
Daerah Kritis: Asymp.Sig.(2-tailed) <α⁄ , maka tolak H0
d.
Statistika Uji: Asymp.Sig.(2-tailed)=0,401
e.
Keputusan: 0,401 > 0,025, maka gagal tolak H0 Asymp.Sig.(2-tailed) < α⁄ , maka gagal tolak H0
f.
Kesimpulan: Dengan
menggunakan
tingkat
kerpercayan
95%
dan
karena
Asymp.Sig.(2-tailed) > α⁄ maka gagal tolak H0 berarti residual berubah secara acak atau tidak terjadi autokorelasi. Dari uji hipotesis menggunakan Runs Test maka didapatkan kesimpulan bahwa no autocorrelation dari data yang ada sehingga asumsi tidak ada autokorelasi sehingga model tersebut terpenuhi dan menyebabkan model yang dihasilkan dari data tersebut baik atau layak digunakan dalam menaksir variabel dependent pada domain nilai variabel independent . C. Homoscedasticity Atau Kehomogenan Ragam Sisaan
Metode Grafik
Gambar 3. 6 Output Scatterplot
18
Pada gambar Scatterplot diatas terlihat bahwa titik-titik menyebar secara acak diatas maupun dibawa angka 0 pada sumbu Y. Maka dapat disimpulakan bahwa data residual tersebut tidak terjadi heterokedastisitas pada model regresi berganda. Hal ini mengindikasikan bahwa terjadi Homoscedasticity atau tidak terjadi heterokedastis, atau model dinyatakan Homoscedasticity atau terbebas dari masalah heterokedastis. Selanjutnya untuk semakin menguatkan asumsi dari plot data maka perlu dilakukan uji hipotesis. Untuk uji asumsi homoskedastisitas maka praktikan akan menggunkan uji gletser dalam uji hipotesisnya.
Gambar 3.7 Output Uji Asumsi Homoscedasticity dengan metode Gletser
a.
Hipotesis: H0 : Homoscedasticity atau tidak terdapat heteroskedastisitas H1 : Terdapat masalah heteroskedastisitas
b.
Tingkat Signifikansi: α=5% =0,05
c.
Daerah Kritis: P-value < α, maka tolak H0
d.
Statistika Uji: P-value ( Institusional Ownership) = 0,181 P-value (Perubahan Eranings Perusahaan) = 0,257
e.
Keputusan: 0,181 > 0,05, maka gagal tolak H0 0,257 > 0,05, maka gagal tolak H0 P-value > α, maka gagal tolak H0
f.
Kesimpulan:
19
Dengan menggunakan tingkat kerpercayan 95% dan karena P-value > α maka gagal tolak H0 berarti tidak terjadi masalah heteroskedastisitas atau tidak ada satupun variabel independent yang signifikan secara statistics mempengaruhi variabel dependent. Jadi dapat disimpilkan bahwa model regresi mengandung adanya kehomogenan ragam sisaan. Dari metode Gletser yang dilakukan, maka semakin menguatkan asumsi plot data. Bahwa data yang ada merupakan tidak terjadi heterokedastis, atau setiap nilai variabel independen memiliki variansi yang sam. Sehingga model tersebut dinyatakan layak atau baik digunakan karena Homoscedasticity atau terbebas dari masalah heterokedastis. D. Tidak ada multikolinearitas
Gambar 3.8 Output Coefficient Correlations
Melihat besaran koefisien korelasi antar variabel bebas, terlihat koefisien korelasi anatar variabel bebas sebesar 0,033 jauh lebih kecil dari 0,06. Disimpulkan bahwa antara variabel bebas tidak terjadi multikolinieritas.
Gambar 3.9 Output Coefficient
a.
Hipotesis: H0 : Tidak terjadi Multikolinearitas H1 : Terjadi Multikolinearitas
20
b.
Tingkat Signifikansi: α=5% =0,05
c.
Daerah Kritis: Tolerance <0,10, maka tolak H0 VIF >10, maka tolak H0
d.
Statistika Uji: Tolerance = 0,999 VIF = 1,001
e.
Keputusan: 0,999 > 0,10, maka gagal tolak H0 Tolerance > 0,10, maka gagal tolak H0 1,001 < 10,0, maka gagal tolak H0 VIF >10, maka gagal tolak H0
f.
Kesimpulan: Dengan menggunakan tingkat kerpercayan 95% dan karena Tolerance > 0,10, maka gagal tolak H0 dan VIF >10, maka gagal tolak H0, maka gagal tolak H0 berarti tidak terjadi multinolinearitas antara variabel independent dalam model regresi. Dari uji hipotesis menggunakan nilai VIF (Variance Inflation Factor )
dan Tolerance maka didapatkan hasil bahwa setiap variabel independent yang ada menunjukkan nonmultikolinearitas. Sehingga antar variabel independent tidak memiliki keeratan hubungan. Maka asumsi awal dalam melakukan analisis regresi linear berganda terpenuhi. Jadi jika dihasilkan model dari data yang ada maka model tersebut valid. Dari praktikum sebelumnya telah ditemukan model ̂ Setelah dilakukan uji asumsi, maka ke-4 asumsi terpenuhi (Kenormalan Sisaan, Tidak Ada Autokorelasi, Homoscedasticity, dan Tidak Ada Multikolinearitas) sehingga model yang didapatkan baik digunakan.
21
BAB IV PENUTUP
Dari langkah-langkah yang telah dilakukan pratikan dan pembahasan pada bab sebelumnya, maka didapatkan beberpa kesimpulan pada pratikun kali ini: 1.
Dari uji asumsi klasik Kenormalan sisaan didapatkan bahwa, data yang ada berdistribusi Normal sehingga sehingga asumsi Kenormalan sisaan model regresi terpenuhi.
2.
Dari uji asumsi klasik tidak ada autokorelasi didapatkan bahwa, data yang ada menunjukkan tidak terdapat autokorelasi sehingga asumsi tidak ada auto korelasi model tersebut terpenuhi.
3.
Dari uji asumsi klasik Homoscedasticity atau kehomogenan ragam sisaan didapatkan bahwa, data yang ada merupakan tidak terjadi heterokedastis, atau setiap nilai variabel independen memiliki variansi yang sam. Sehingga model tersebut dinyatakan layak atau baik digunakan karena Homoscedasticity atau terbebas dari masalah heterokedastis.
4.
Dari uji asumsi klasik tidak ada multikolinearitas didapatkan hasil bahwa setiap variabel independent yang ada menunjukkan nonmultikolinearitas. Sehingga antar variabel independent tidak memiliki keeratan hubungan. Maka asumsi awal dalam melakukan analisis regresi linear berganda terpenuhi. Jadi jika dihasilkan model dari data yang ada maka model tersebut valid.
5.
Dari ke-4 asumsi klasik (Kenormalan Sisaan, Tidak Ada Autokorelasi, Homoscedasticity, dan Tidak Ada Multikolinearitas) didapatkan bahwa, data yang ada saling berhubungan secara linear sehingga asumsi terpenuhi.
22
DAFTAR PUSTAKA
Nashiul.Ulwan. 2014. Uji Asumsi Klasik Pada Regresi Linear . http://www.portalstatistik.com/2014/05/uji-asumsi-klasik-pada-regresi-linear.html
diakses
pada tanggal 1 Juni 2015 Raharjo, Sahid. 2015. Uji Heteroskedastisitas dengan
Grafik Scatterplot
SPS S. http://www.konsistensi.com/2014/08/uji-normalitas-grafik-histogram plot.html diakses pada tanggal 1 Juni 2015 Purwaningsih, Tuti. 2015. Modul Praktikum Analisis Regresi Terapan. Yogyakarta: Statistika FMIPA UII.