×

E-book: Analisis Data Penelitian Menggunakan SPSS: Langkah Praktis dan Studi Kasus

Rp 30.000

Informasi Lengkap

Mengenali Asumsi Klasik pada Regresi Linear

Pada pembahasan kali ini, kita akan melanjutkan dari dua artikel sebelumnya, yaitu bagaimana menginterprestasikan asumsi klasik pada regresi linear dengan menggunakan aplikasi STATA. Asumsi klasik ini terdiri dari beberapa uji penting, di antaranya uji normalitas, uji heteroskedastisitas, dan uji multikolinearitas.

Uji Normalitas pada Regresi Linear

Ingatlah bahwa asumsi normalitas pada regresi linear berkaitan dengan residual. Residual merupakan selisih antara nilai observasi sebenarnya (Y) dengan nilai prediksi (Y Prediksi) dari model regresi. Yang pertama kali kita lakukan dalam membuat Interprestasi Asumsi Klasik Regresi Linear dengan STATA adalah melakukan uji normalitas pada residual.

Metode Uji Skewness Kurtosis STATA

Salah satu metode yang digunakan untuk menguji normalitas adalah uji Skewness Kurtosis. Dalam uji ini, kita perhatikan nilai Prob>chi2 pada hasil skewness/kurtosis test for Normality. Jika nilai ini lebih besar dari 0,05, maka residual dapat dianggap berdistribusi normal.

Metode Uji Shapiro Wilk dan Shapiro Francia

Metode lain yang dapat digunakan adalah uji Shapiro Wilk dan uji Shapiro Francia. Pada kedua uji ini, kita perhatikan nilai Prob>Z pada hasil shapiro-wilk w test atau shapiro-Francia w test for Normal data. Jika nilai ini lebih besar dari 0,05, maka residual dianggap berdistribusi normal.

Pilihan Uji Normalitas Residual

Penting untuk memilih metode uji yang sesuai berdasarkan ukuran sampel. Jika sampel kecil (< 50), disarankan menggunakan uji Shapiro-Wilk atau Shapiro-Francia. Sedangkan untuk sampel besar (> 5.000), lebih baik menggunakan metode skewness kurtosis. Perlu diingat bahwa batas validitas uji Shapiro Wilk hanya sampai 1000 observasi, sementara Shapiro Francia hingga 5000.

Baca Juga: Tutorial Uji Heteroskedastisitas dengan Glejser SPSS

Metode Uji Normalitas dengan Grafik

Selain metode uji statistik, kita juga dapat menggunakan metode grafik untuk menguji normalitas. Misalnya, dengan melihat grafik Histogram. Jika diagram histogram menyerupai bentuk lonceng, maka dapat diasumsikan bahwa residual berdistribusi normal.

Mengatasi Heteroskedastisitas

Langkah berikutnya dalam Interprestasi Asumsi Klasik Regresi Linear dengan STATA adalah menguji heteroskedastisitas. Heteroskedastisitas terjadi ketika variansi residual tidak konstan sepanjang rentang nilai prediksi. Untuk menguji heteroskedastisitas, kita dapat menggunakan berbagai metode, salah satunya adalah Uji Breusch Pagan.

Uji Breusch Pagan

Uji Breusch Pagan adalah metode yang dapat digunakan untuk mengidentifikasi gejala heteroskedastisitas dalam model regresi. Jika nilai P value pada hasil uji ini lebih besar dari 0,05, maka model regresi dianggap bebas dari gejala heteroskedastisitas atau bersifat homoskedastisitas.

Mengatasi Multikolinearitas

Asumsi terakhir yang perlu diperhatikan dalam Interprestasi Asumsi Klasik Regresi Linear dengan STATA adalah multikolinearitas. Multikolinearitas terjadi ketika terdapat korelasi yang kuat antara variabel independen dalam model regresi.

Menggunakan VIF untuk Uji Multikolinearitas

Variabel Inflation Factor (VIF) merupakan metode yang umum digunakan untuk menguji multikolinearitas. Jika nilai VIF dari suatu variabel lebih kecil dari 10 dan nilai 1/VIF lebih besar dari 0,1, maka model regresi dianggap bebas dari gejala multikolinearitas.

Kesimpulan

Dalam tutorial ini, kita telah membahas secara mendalam tentang “Interprestasi Asumsi Klasik Regresi Linear dengan STATA.” Kami menjelaskan tiga asumsi klasik yang penting dalam regresi linear, yaitu normalitas, heteroskedastisitas, dan multikolinearitas. Dengan memahami dan menguji ketiga asumsi ini, Anda dapat melakukan analisis regresi linear dengan lebih akurat dan reliabel menggunakan aplikasi STATA.

FAQ

1. Apa itu asumsi normalitas pada regresi linear? Asumsi normalitas pada regresi linear berkaitan dengan distribusi normal dari residual, yaitu selisih antara nilai observasi dan nilai prediksi dari model regresi.
2. Bagaimana cara menguji heteroskedastisitas dalam regresi linear? Salah satu metode yang dapat digunakan adalah Uji Breusch Pagan, di mana jika nilai P value lebih besar dari 0,05, maka model dianggap bebas dari gejala heteroskedastisitas.
3. Apa yang dimaksud dengan multikolinearitas dalam regresi linear? Multikolinearitas terjadi ketika terdapat korelasi kuat antara variabel independen dalam model regresi.
4. Bagaimana cara mengatasi asumsi multikolinearitas? Anda dapat menggunakan metode Variabel Inflation Factor (VIF) untuk menguji multikolinearitas. Jika nilai VIF < 10 dan nilai 1/VIF > 0,1, maka model dianggap bebas dari gejala multikolinearitas.
5. Mengapa penting untuk memahami dan menguji asumsi klasik dalam regresi linear? Memahami dan menguji asumsi klasik penting untuk memastikan hasil analisis regresi linear yang akurat dan valid.