UJI HIPOTESIS

1. UJI HIPOTESIS

2. Persamaan Regresi Linier Berganda • Y = a + b1x1 + b2x2 + bnxn + … + e • Y = variabel dependen • a = konstanta • b = koefisien determinasi • X = variabel independen • e = error term

3. Uji Asumsi Klasik • Analisis regresi memerlukan beberapa asumsi agar model layak digunakan. Asumsi yang digunakan adalah: • Uji Normalitas • Uji Multikolinieritas • Uji Heterosdastisitas • Uji Autokorelasi

4. Uji Normalitas • Untuk menentukan apakah data terdistribusi secara normal atau tidak. • Menggunakan plot grafik dimana asumsi normalitas terpenuhi jika titik-titik pada grafik mendekati sumbu diagonalnya • Untuk memperkuat pengujian dapat dipergunakan Uji Kolmogorov-Smirnov

5. UjiKolmogorov-Smirnov Grafik Uji Normalitas Nilai signifikansi 0,868 > 0,05 menunjukkan data terdistribusi normal (asumsi signifikansi 0,05)

6. Uji Multikolinieritas • Multikolinieritas: kondisi dimana terjadi korelasi yang kuat diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan model regresi linier. • Kondisi yang menyalahi asumsi regresi linier. • TIDAK MUNGKIN TERJADI apabila variabel bebas (X) yang diikutsertakan hanya satu.

7. Uji Multikolinieritas • Ciri-ciri yang seringditemuiapabila model regresi linier kitamengalamimultikolinieritasadalah: • Terjadiperubahan yang berartipadakoefisien model regresi (misalnilainyamenjadilebihbesarataukecil) apabiladilakukanpenambahanataupengeluaransebuahvariabelbebasdari model regresi. • Diperolehnilai R-square yang besar, sedangkankoefisienregresitidaksignifikanpadaujiparsial. • Tanda (+ atau -) padakoefisien model regresiberlawanandengan yang disebutkandalamteori (ataulogika). Misal, padateori (ataulogika) seharusnya b1 bertanda (+), namun yang diperolehjustrubertanda (-). • Nilai standard error untukkoefisienregresimenjadilebihbesardari yang sebenarnya (overestimated)

8. Uji Multikolinieritas • Untuk mendeteksi apakah model regresi mengalami multikolinieritas, dapat diperiksa menggunakan VIF (Variance Inflation Factor). • Nilai VIF > 10 berarti telah terjadi multikolinieritas yang serius di dalam model regresi kita.

9. Uji Multikolinieritas

10. Uji Heteroskedastisitas • situasidimanakeragamanvariabelindependenbervariasipada data yang kitamiliki. Salah satuasumsikuncipadametoderegresibiasaadalahbahwaerrormemilikikeragaman yang samapadatiap-tiapsampelnya. Asumsiinilah yang disebuthomoskedastisitas. • Jikakeragaman residual/error tidakbersifatkonstan, data dapatdikatakanbersifatheteroskedastisitas. Karenapadametoderegresiordinary least-squaresmengasumsikankeragaman error yang konstan, heteroskedastisitasmenyebabkanestimasi OLS menjaditidakefisien. • Model yang memperhitungkanperubahankeragamandapatmembuatpenggunaandanestimasi data menjadilebihefisien.

11. Uji Heteroskedastisitas • Beberapa asumsi dalam model regresi yang terkait dengan heteroskedastisitas antara lain adalah residual (e) memiliki nilai rata-rata nol, keragaman yang konstan, dan residual pada model tidak saling berhubungan, sehingga estimator bersifat BLUE. • Jika asumsi ini dilanggar maka prediksi model yang dibuat tidak dapat diandalkan.

12. Uji Heteroskedastisitas

13. Uji Heteroskedastisitas • Uji Goldfeld-Quandt • Uji Korelasi Spearman • Uji Glejser • Uji Bruesch-Pagan-Godfrey • dll

14. Uji Autokorelasi • Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu (data time series). • Uji autokorelasi perlu dilakukan apabila data yang dianalisis merupakan data time series (Gujarati, 1993). • Menggunakan Uji Durbin Watson

16. Goodness of Fit Test • Setelah kita melakukan uji normalitas data, maka kita perlu melakukan Uji kesesuaian model atau seberapa besar kemampuan variable bebas dalam menjelaskan varian variabel terikatnya

17. Goodness of Fit Test - R2 • R2 adalahperbandinganantaravariasi Y yang dijelaskanoleh x1 dan x2 secarabersama-samadibandingdenganvariasi total Y. • Jikaselain x1  dan x2 semuavariabel di luar model yang diwadahidalam E dimasukkankedalam model, makanilai R2akanbernilai 1. • Iniberartiseluruhvariasi Y dapatdijelaskanolehvariabelpenjelas yang dimasukkankedalam model. • ContohJikavariabeldalam model hanyamenjelaskan 0,4 makaberartisebesar 0,6 ditentukanolehvariabel di luar model, nilaidiperolehsebesar R2 = 0,4.

18. Goodness of Fit Test – Uji F • Selain R2ketepatan model hendaknyadiujidenganuji F. Hipotesisdalamuji F adalahsebagaiberikut: • Hipotesismengenaiketepatan model: • Ho : b1 = b2 = 0      (Pengambilanvariabel X1 dan X2 tidakcukuptepatdalammenjelaskanvariasi Y, iniberartipengaruhvariabel di luar model terhadap Y, lebihkuatdibandingdenganvariabel yang sudahdipilih). • Ha : b1 ≠ b2 ≠ 0      (Pengambilanvariabel X1 dan X2 sudahcukuptepatkarenamampumenjelaskanvariasi Y, dibandingdenganpengaruhvariabel di luar model atauerrrorterhadap Y).

19. Uji F • Uji F adalah uji simultan untuk melihat pengaruh variabel-variabel independen/bebas (x1, x2, x3…) secara serempak terhadap variabel terikatnya/dependen

20. Uji t • Uji t adalah uji parsial untuk melihat pengaruh masing-masing variabel independen atau bebas (x) berpengaruh nyata atau tidak secara parsial terhadap variabel dependen/terikatnya (Y)