Pada pembahasan kali ini adalah melanjutkan kedua artikel di atas, yaitu bagaimana menginterprestasikan asumsi klasik pada regresi linear dengan menggunakan aplikasi STATA. Sedikit review: Asumsi klasik yang akan kita uji antara lain uji normalitas, heteroskedastisitas dan multikolinearitas. Ingat bahwa asumsi normalitas pada regresi linear adalah pada residualnya. Residual adalah beda antara Y dan Y Prediksi. Sedangkan Y Prediksi adalah Nilai Y atau variabel dependen yang diperkirakan berdasarkan persamaan regresi yang didapat.



Interprestasi Asumsi Klasik Regresi Linear dengan STATA


Sebelumnya kita telah membahas cara melakukan uji regresi linear dengan menggunakan aplikasi STATA dalam artikel yang berjudul:
Pada pembahasan kali ini adalah melanjutkan kedua artikel di atas, yaitu bagaimana menginterprestasikan asumsi klasik pada regresi linear dengan menggunakan aplikasi STATA.

Sedikit review: Asumsi klasik yang akan kita uji antara lain uji normalitas, uji heteroskedastisitas dan uji multikolinearitas.

Normalitas

Ingat bahwa asumsi normalitas pada regresi linear adalah pada residualnya. Residual adalah beda antara Y dan Y Prediksi. Sedangkan Y Prediksi adalah Nilai Y atau variabel dependen yang diperkirakan berdasarkan persamaan regresi yang didapat.


  • Lihat nilai Prob>chi2 pada skewness/kurtosis test for Normality. Apabila nilainya lebih dari 0,05 maka residual berdistribusi normal. Di atas nilainya 0,7028 maka residual berdistribusi normal. Sehingga berdasarkan uji Skewness Kurtosis, residual dinyatakan berdistribusi normal.
  • Lihat nilai Prob>Z pada shapiro-wilk w test for Normal data. Apabila nilainya lebih dari 0,05 maka residual berdistribusi normal. Di atas nilainya 0,65937 maka residual berdistribusi normal. Sehingga berdasarkan uji Shapiro Wilk, residual dinyatakan berdistribusi normal.
  • Lihat nilai Prob>Z pada shapiro-Francia w test for Normal data. Apabila nilainya lebih dari 0,05 maka residual berdistribusi normal. Di atas nilainya 0,88523 maka residual berdistribusi normal. Sehingga berdasarkan uji Shapiro Wilk, residual dinyatakan berdistribusi normal.
  • Mengapa ada 3 jenis uji? seharusnya 1 uji saja sudah cukup. Pilihannya adalah bila jumlah sample atau observasi kecil < 50 sebaiknya menggunakan Shapiro-Wilk atau Shapiro-Francia. Sedangkan untuk sampel besar > 5.000, lebih baik menggunakan skewness kurtosis. Shapiro Wilk valid hanya sampai 1000 observasi sedangkan Shapiro Francia hingga 5000.

Berikut di bawah ini juga dilampirkan hasil uji dengan metode grafik Histogram.
Dinyatakan berdistribusi normal apabila diagram menyerupai "Bel/Lonceng" menghadap ke atas.


Di atas diagram menyerupai bel menghadap ke atas, maka dinyatakan berdistribusi normal.
Sebaiknya untuk menambah wawasan, anda baca artikel kami yang berjudul Normalitas pada STATA

Heteroskedastisitas

Uji regresi linear harus mempunyai sifat homoskedastisitas. Untuk uji heteroskedastisitas banyak metode, tetapi dalam hal ini kita menggunakan metode Breusch-Pagan. Dikatakan tidak terjadi gejala heteroskedastisitas apabila nilai P value yang ditunjukkan dengan "Prob > chi2" nilainya > 0,05.


Di atas nilai p value sebesar 0,7451 di mana > 0,05 maka model regresi bebas dari gejala heteroskedastisitas atau disebut juga bersifat homoskedastisitas.

Berikut juga dilampirkan hasil uji dengan metode grafik scatter antara fitted value dan residual. Apabila plot menyebar merata di atas dan di bawah sumbu 0 dan tidak membentuk sebuah pola tertentu, maka dinyatakan tidak ada gejala heteroskedastisitas.


Pada Diagram di atas, plot menyebar merata di atas dan di bawah sumbu 0 dan tidak membentuk sebuah pola tertentu, maka dinyatakan tidak ada gejala heteroskedastisitas. Untuk menambah wawasan sebaiknya anda baca artikel kami yang berjudul Uji Heteroskedastisitas.

Multikolinearitas

Multikolinearitas bisa diartikan dengan mudah yaitu terdapat korelasi kuat antar variabel independen. Model regresi yang bagus harus bebas dari gejala multikolinearitas. Karena multikolinearitas adalah korelasi antar variabel independen, maka asumsi ini hanya berlaku pada uji regresi linear berganda di mana terdapat lebih dari satu variabel independen.


Lihat nilai VIF dan 1/VIF di atas, apabila VIF < 10 dan 1/VIF > 0,1 maka dapat dikatakan bahwa model regresi linear berganda bebas gejala multikolinearitas. Nilai 1/VIF bisa disebut juga dengan istilah "Tolerance". Apabila anda menggunakan aplikasi SPSS maka istilah Tolerance yang digunakan.

Demikianlah serangkaian tutorial dan penjelasan tentang uji regresi linear dengan menggunakan aplikasi STATA.
Statistikian

Statistikian

Blog Untuk Mempelajari Jenis Uji Statistik, Penelitian, SPSS dan Statistik Berbasis Komputer seperti excel, Stata dan Minitab. Bantuan Olah dan Analisa Data, SMS: 085748695938.

Tinggalkan Komentar:

3 comments:

  1. ka, kenapa saat saya melakukan uji autokorelasi di stata 14 tidak terdapat outputnya ya ka ? apakah krna statanya atau ada hal lain ?
    mohon dibantu guna menyelesaikan skripsi

    terima kasih

    ReplyDelete
    Replies
    1. Autokorelasi setelah fixed effects regresi data panel pada aplikasi stata tidak terinstall secara default. Oleh karena itu anda harus menambahkannya secara manual dengan cara: pada command stata, ketik "findit xtserial" (tanpa tanda kutip). Setelah muncul jendela baru, pilih dan klik "st0039". Kemudian akan terbuka jendela baru lagi, dan anda pilih dan klik "click here to install". Tunggu proses sampai stata selesai menginstall file tersebut ke folder aplikasi stata anda. Selanjutnya anda sudah bisa menggunakan syntax autokorelasi tersebut.

      Delete
    2. Atau cara lebih cepat: ketikkan berikut pada command stata:
      . findit xtserial
      . net sj 3-2 st0039
      . net install st0039
      Selanjutnya tekan enter dan tunggu sampai dengan selesai.

      Delete

Tinggalkan Komentar Anda Di Sini