Apa saja uji asumsi klasik yang ada pada regresi?

Penting! Update Uji Asumsi Klasik untuk Regresi Data Panel (REM).
Saya dapat masukan dari pembaca. Katanya artikel ini tidak menjelaskan Uji Asumsi Klasik untuk Random Effect Model. Sebetulnya untuk Random Effect Model udah lengkap pembahasan di bagian komentar. Tapi biar enak, artikel ini Saya update aja. Tapi, Big Thanks buat yang ngasih saran 🙂

Pada Model Regresi Linier Data Time Series uji Heteroskedastisitas tidak perlu dilakukan tapi wajib dilakukan uji Autokorelasi.

Sedangkan pada Model Regresi Linier Data Cross Section uji Autokorelasi tidak perlu dilakukan tapi wajib dilakukan uji Heteroskedastisitas.

Lantas bagaimana dengan Model Regresi Linier Data Panel yang merupakan gabungan dari ke dua data tersebut (time series & cross section) ? Apakah kedua uji tersebut harus dilakukan ? Terus bagaimana dengan uji lainnya seperti Normalitas, Multikolinearitas dll ?

Panduan ini lah jawabannya! Saya akan bahas Uji Asumsi Klasik apa saja yang diperlukan untuk Model Regresi Data Panel.

• Makna Model Regresi Linier Berganda Pada Data Panel
• Uji Asumsi Klasik untuk Regresi Data Panel [Update]
  • #1 Uji Normalitas
  • #2 Uji Heteroskedastisitas
  • #3 Uji Multikolinearitas
  • #4 Uji Autokorelasi
• Kesimpulan Uji Asumsi Klasik Untuk Regresi Data Panel
• Pintasan Panduan Regresi Data Panel

Makna Model Regresi Linier Berganda Pada Data Panel

Seperti yang telah kita pelajari sebelumnya, model regresi linier data panel merupakan gabungan dari data cross section dan time series. Maka model regresi linier pada data panel di tulis sbb:

Yit = α + β1X1it + β2X2it  + … + βnXnit + eit

dimana:

• Yit            = variabel terikat (dependent)
• Xit            = variabel bebas (independent)
• i               = entitas ke-i
• t               = periode ke-t

Persamaan di atas disebut juga dengan model regresi linier berganda dari 1 variabel terikat (Y) dan beberapa variabel bebas (X). Tujuan model regresi linier berganda adalah untuk memprediksi nilai konstanta (α) dan koefisien regresi (βi) atau disebut juga dengan parameter model regresi.

Konstanta (α) sering disebut juga dengan intercept sedangkan koefisien regresi (βi) disebut juga dengan slope. Naah, Regresi Data Panel juga memiliki tujuan yang sama dengan Regresi Linier Berganda untuk memprediksi nilai intercept dan slope.

Hanya saja, pada Data Panel akan menghasilkan intercept dan slope yang berbeda pada setiap objek (perusahaan/emiten/entitas) dan pada setiap periode waktu penelitian.

Penting! Ada teman yang sedang bingung mencari judul penelitian ? Coba beri tahu mereka konten ini: 200 Judul Skripsi Manajemen Keuangan Download PDF

Menurut Widarjono (2007), terdapat beberapa kemungkinan yang akan muncul atas adanya asumsi terhadap intercept, slope, dan variabel gangguannya (e). Untuk itu, model regresi data panel yang akan di estimeasi wajib membutuhkan asumsi terhadap intercept, slope, dan variabel gangguannya (e). Asumsi-asumsi tersebut sebagai berikut:

1. Intercept dan slope di asumsikan tetap sepanjang periode waktu dan seluruh objek penelitian (perusahaan/entitas/emiten). Sehingga perubahan terhadap intercept dan slope telah dijelaskan oleh variabel gangguan (e) atau residual.
2. Slope di asumsikan tetap tetapi intercept berbeda antara objek penelitian (perusahaan/entitas/emiten)
3. Slope di asumsikan tetap tetapi intercept berbeda pada antar waktu dan individu.
4. Intercept dan slope di asumsikan berbeda antar individu.
5. Intercept dan slope di asumsikan berbeda antar waktu (periode) dan individu.

Dengan adanya beberapa asumsi tersebut, maka munculah beberapa kemungkinan model/teknik yang dapat mengestimasi Model Regresi Data Panel.

Seperti yang telah kita bahas sebelumnya, model/teknik pada Regresi Data Panel pada umumnya ada 3 yaitu Common Effect, Fixed Effect, dan Random Effect.

Regresi data panel terdiri dari 3 model yaitu Common Effect Model (CEM), Fixed Effect Model (FEM) dan Random Effect Model (REM).

Common Effect Model (CEM) dan Fixed Effect Model (FEM) pada Regresi Data Panel menggunakan pendekatan Ordinary Least Squared (OLS) untuk mengestimasi model.

Sedangkan Random Effect Model (REM) menggunakan pendekatan Generalized Least Squared (GLS) untuk mengestimasi model.

Uji Asumsi Klasik Untuk pendekatan OLS (Common Effect Model & Fixed Effect Model) dan pendekatan GLS (Random Effect Model) berbeda. Untuk itu silahkan pahami terlebih tujuan masing-masing uji tersebut.

Note: Selanjutnya jika Saya menyebutkan OLS, artinya berlaku untuk model FEM dan CEM. Sementara GLS untuk model REM.

#1 Uji Normalitas

Uji Normalitas bertujuan untuk melihat apakah data pada penelitian berdistribusi normal atau tidak. Akan tetapi, uji normalitas bukan merupakan syarat BLUE (Best Linier Unbias Estimator) menurut Prof. Mudrajad Kuncoro.

Fyi, buku karangan Prof. Mudrajad Kuncoro (Judul: Metode Riset untuk Bisnis & Ekonomi) ini membahas uji Asumsi Klasik pada pendekatan OLS. Pada Regresi Data Panel, Model FEM dan CEM menggunakan pendekatan OLS.

Jadi uji normalitas tidak wajib pada pendekatan OLS, sementara wajib untuk pendekatan GLS.

#2 Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk melihat apakah data terjadi gejala heteroskedastisitas atau tidak. Uji ini hanya akan akurat jika Anda lakukan untuk data cross section.

Naah.. data panel memiliki ciri-ciri yang lebih dekat ke data cross section dari pada data time series. Sehingga Uji Heteroskedastisitas Wajib Anda lakukan untuk pendekatan OLS.

Sementara untuk pendekatan GLS, uji Heteroskedastisitas tidak Wajib.

Kenapa ? Karena pendekatan GLS berguna untuk menyembuhkan gejala heteroskedastisitas. Sehingga model REM diasumsikan terbebas dari gejala heteroskedastisitas.

#3 Uji Multikolinearitas

Uji Multikolinearitas bertujuan untuk melihat korelasi antara variabel bebas. Sudah jelas uji ini hanya dilakukan pada model regresi yang memiliki lebih dari 1 variabel bebas.

Jadi, jika penelitian Anda menggunakan lebih dari 1 variabel bebas, maka model apapun yang terpilih (FEM / CEM / REM) wajib dilakukan uji Multikolinearitas.

#4 Uji Autokorelasi

Uji Autokorelasi hanya akan terjadi pada model regresi linier data time series. Jika Anda gunakan pada data cross section maupun data panel maka hanya sia-sia saja.

Apa alasannya ?

Karena sifat Cross Section lebih mewakili data panel. Sementara sifat time series tidak begitu dominan.

Menurut Nachrowi dan Mahyus Eka, uji autokorelasi hanya memiliki satu nilai dalam 1 model regresi. Jika dalam satu model ada beberapa nilai (hasil) uji autokorelasi (misalnya DW) maka uji tersebut tidak lagi sah.

Hasil uji autokorelasi akan berubah jika urutan data diubah-ubah (dalam hal ini lebih mengarah ke cross section).

Sedangkan data time series hanya memiliki satu kemungkinan urutan data (urutan data bulanan / tahunan / periode lain tidak bisa diubah toh ?), sedangkan data cross section dan data panel memiliki kemungkinan urutan.

Apa itu benar ? Saya buktikan

Ilustrasinya begini, dalam data panel, data disusun berdasarkan urutan cross section kemudian time series untuk masing-masing variabel. Kurang lebih urutan tabulasi data tampak seperti gambar berikut:

Data Perusahaan adalah type cross section. Sedangkan data berdasarkan tahun adalah tipe Time Series.

Pada table pertama (susunan data 1), susunan data cross section di mulai dari PT A, PT B kemudian PT C. Sedangkan pada table kedua (susunan data 2). Data Cross section dimulai dari PT B, PT C, kemudian PT A.

Pembuktiannya, jika Anda melakukan uji autokorelasi, sudah pasti hasil dari kedua urutan data berbeda.

Misalnya, Saya menggunakan durbin watson untuk uji Autokorelasi. Saya olah kedua susunan data tersebut menggunakan EViews. Perhatikan hasil durbin Watson berikut:

Benar bukan ? Hasil Durbin Watson untuk kedua susunan data tidak sama.

Artinya apa ? Jika Anda melakukan uji autokorelasi pada Regresi linier data panel, maka hasil uji autokorelasi tersebut tidak akurat.

Atas dasar inilah kenapa uji Autokorelasi tidak wajib untuk pendekatan OLS maupun GLS.

Kesimpulan Uji Asumsi Klasik Untuk Regresi Data Panel

Dari penjelasan tersebut, Saya rangkum uji asumsi klasik yang wajib untuk regresi linier data panel untuk masing-masing model (FEM / CEM / REM) sebagai berikut:

Pintasan Panduan Regresi Data Panel

1. Metode Analisis: Uji apa saja yang wajib pada Regresi data Panel ?
2. Method Successive Interval: Lakukan Msi jika Anda menggunakan Quetioner dalam penelitian (abaikan jika tidak)
3. Uji Asumsi Klasik: (Anda Disini)
4. Estimasi Model: Cara Estimasi Model Regresi Data Panel (CEM, FEM, dan REM) untuk melihat hasil uji t, uji F, dan R2
5. Memilih Model: Cara memilih model Regresi data panel (CEM, FEM, atau REM) menggunakan Chow Test, Hausman Test, dan LM Test.
6. Variable Dominan: Cara menentukan Variable Paling Dominan dalam Penelitian Regresi data Panel

×

"Hidup ini singkat - bermimpilah yang besar dan wujudkan impianmu di tahun 2022 sebaik- baiknya!"

Apa saja uji asumsi klasik regresi?

Apa saja asumsi asumsi yang mendasari analisis regresi?

Apa saja asumsi klasik yang ada pada regresi linear berganda?

Apakah uji asumsi klasik diperlukan untuk analisis regresi linear?