Asumsi-Asumsi pada Regresi Linear

Dalam analisis regresi linear (baik sederhana maupun ganda), terdapat beberapa asumsi klasik yang harus dipenuhi agar hasil analisis valid dan interpretasi model akurat. Pelanggaran terhadap asumsi ini dapat menyebabkan estimasi yang bias, tidak efisien, atau tidak valid secara statistik.

✅ Asumsi-Asumsi Regresi Linear:

1. Linearitas

Hubungan antara variabel independen dan variabel dependen harus linear.

• Γ£ö Cek dengan scatter plot atau residual plot.

• Γ¥î Jika tidak linear, bisa menggunakan transformasi data (log, sqrt) atau model non-linear.

2. Independensi (Tidak ada autokorelasi)

Observasi harus independen satu sama lain, terutama dalam data time series.

• Γ£ö Uji: Durbin-Watson test

• Γ¥î Jika ada autokorelasi ΓåÆ model tidak valid (misalnya residual bergantung pada waktu sebelumnya).

3. Homoskedastisitas

Varians dari residual harus konstan di seluruh nilai prediksi.

• Γ£ö Residual plot harus menunjukkan sebaran acak (tidak berpola).

• Γ¥î Jika pola seperti kerucut/gelombang ΓåÆ terjadi heteroskedastisitas

4. Normalitas Residual

Residual (kesalahan prediksi) harus berdistribusi normal.

• Γ£ö Cek dengan histogram residual atau uji Shapiro-Wilk.

• Γ¥î Jika tidak normal ΓåÆ uji statistik dan prediksi menjadi tidak andal, terutama untuk sampel kecil.

5. Tidak Ada Multikolinearitas

Variabel independen tidak boleh saling berkorelasi tinggi satu sama lain.

• Γ£ö Cek dengan VIF (Variance Inflation Factor):

  • VIF > 10 ΓåÆ indikasi multikolinearitas.

• Γ¥î Multikolinearitas membuat sulit menginterpretasi koefisien regresi.

📌 Ringkasan Asumsi