Uji Asumsi Analisis Regresi linear

Selamat Pagi Semua.....

kali ini saya akan sedikit menshare saja tentang asumsi-asumsi apaa saja yang harus dipenuhi untuk melakukan analisis regresi. nah buat teman-teman yang blm tahu atau mau tahu tidak akan saya jelaskan disini. tapi saya buat dipostingan saya sebelumnya. silahkan saja kesini. postingan ini tercipta karena banyaknya tugas yang berkeliaran. nah salah satunya adalah ini. jadi, tulisan ini merupakan hasil dari kerja kelompok saya. dan mudahan bisa di jadikan referensi buat teman-teman sekalian.

Sebelum dimulai kita sedikit mengulang apa itu analisis regresi.

Analisis regresi adalah suatu teknik statistikal yang dipergunakan untuk menganalisis pengaruh di antara suatu variabel dependen dan variabel independen (Gujarati, 2003; Hair et al, 1998).

Tapi dalam menggunakan Analisis regresi ada hal-hal yang harus dipenuhi, yaitu asumsi-asumsinya.

Asumsi adalah sebuah perkiraan yang biasa dibuat oleh manusia untuk menyederhanakan suatu masalah. Biasanya ia digunakan ketika menganalisa suatu masalah dikarenakan adanya variabel-variabel tertentu yang tidak terukur / diketahui. Asumsi juga biasa digunakan untuk menyingkat waktu penyelesaian masalah dan biasanya amat erat terkait dengan pengalaman pribadi penggunanya.

Dari konsep

Mungkin ada yang bertanya, maksud dari gambar diatas apa? hubungan dengan asumsi?  yaa, gambar diatas sdkit mengilustrasikan bagaimana asumsi berlaku untuk regresi. dalam hal ini pekerjaan itu regresi sedangkan  syarat-syarat adalah asumsi. orang itu akan bisa mendapatkan pekerjaan ketika dia memenuhi semua syarat-syarat dari perusahaan terpenuhi. artinya dalam regresi, kita dapat menggunakan regresi apabila semua asumsi terpenuhi. 

Bagaimana kalau tidak terpenuhi? ada berbagai cara. bisa dengan mengubah sedikit datanya atau kah dengan menggunakan tehnik lain yang sedikit kurang baik dari regresi. hal ini hampir sama dengan gmabar diatas. karena persyartan  tidak terpenuhi maka dia coba mencari pekerjaan dengan dia yang meng-iklankan   diri sendiri, tapi dengan konsukensi mendapatkan gaji yang kurang. postingan kali ini saya tidak menjelaskan lebih panjang bagaimana 

Inilah dia Asumsi-asumsi Regresi Linear: 1. Heterosekdastisitas Dalam regresi  linear salah satu yang harus dipenuhi agar taksiran parameter dalam model tersebut bersifat BLUE (Best, Linear, Unbiased, and Estimator) adalah var (ui) = σ2 mempunyai variasi yang sama. Pada kasus-kasus tertentu terjadi variasi ui tidak konstan atau variabel berubah-ubah. Untuk mendeteksi heteroskedastisitas dapat dilakukan pengujian dengan metode grafik. Dengan pengujian ini dapat dideteksi apakah kesalahan pengganggu dari model yang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya. Dengan metode grafik, hasilnya dapat menunjukkan ada tidaknya pola-pola tertentu yang terbentuk seperti bergelombang, melebar kemudian menyempit serta titik-titik menyebar di atas dan di bawah angka 0 (nol) pada sumbu Y. 2.  Autokorelasi Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti data deret waktu atau ruang seperti data cross-section. Untuk mengetahui autokorelasi digunakan uji Durbin-Watson (DW-test). Adanya autokorelasi dalam regresi dapat diketahui dengan menggunakan beberapa cara antara lain metode grafik dan uji Durbin-Watson. Langkah-langkah Uji Durbin-Watson adalah sebagai berikut (Gujarati, 1999): 1. Regres model lengkap untuk mendapatkan nilai residual. 2. Hitung d (Durbin-Watson Statistik) dengan rumus: (Hasan, 1999) 3. Hasil rumus tersebut yaitu nilai d kemudian dibandingkan dengan nilai d tabel Durbin- Watson. Pada tabel d tersebut terdapat dua nilai yaitu nilai batas atas (du) dan nilai batas bawah (dL) untuk berbagai nilai n dan k. Untuk autokorelasi positif (0 < p < 1), hipotesis nol (H0) diterima jika d > du, sebaliknya H0 ditolak jika d < dL. Untuk autokorelasi negatif, hipotesis nol (H0) diterima jika (4-d)>du, sebaliknya H0 ditolak jika (4-d) < dL. untuk lebih lengkapnya tentang autokorelasi bisa .[Mendeteksi Autokorelasi]. 3. Multikolinearitas Multikolinearitas muncul jika terdapat hubungan yang sempurna atau pasti di antara beberapa variabel atau semua variabel independen dalam model. Pada kasus multikolinearitas yang serius, koefisien regresi tidak lagi menunjukkan pengaruh murni dari variabel independen dalam model. Terdapat beberapa metode untuk mendeteksi keberadaan multikolinearitas (Gujarati, 1995;Ramanathan, 1995). Untuk mendeteksi multikolinearitas digunakan pengukuran terhadap nilai VIF (Variable Inflation Factor) dan nilai Tolerance .  Berikut ini langkah-langkahnya: a)      Regres model lengkap untuk mendapatkan nilai  R2       Y = f (x1 ....... x7)b)      Regres masing-masing variabel independen terhadap seluruh variabel independen lainnya, dapatkan nilai R2. Regres ini disebut auxiliary regression. xi = f (xj) c)      Jika terdapat Ri2>R2 berarti terdapat masalah multikolinearitas yang serius. 4. Normalitas Normalitas dalam statistik parametric seperti regresi dan Anova merupakan syarat pertama. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid atau bias terutama untuk sampel kecil. Uji normalitas dapat dilakukan melalui dua pendekatan yaitu melalui pendekatan grafik (histogram dan P-P Plot) atau uji kolmogorov-smirnov, chi-square, Liliefors maupun Shapiro-Wilk.