Materi: Uji Asumsi Klasik dalam Regresi Linear

Topik:

1. Uji Normalitas

2. Uji Linearitas

3. Uji Multikolinearitas

4. Uji Heteroskedastisitas

5. Uji Autokorelasi

🎯 Tujuan Pembelajaran

Setelah mempelajari materi ini, mahasiswa diharapkan mampu:

• Memahami pentingnya uji asumsi klasik dalam regresi linear.

• Melakukan uji asumsi klasik menggunakan SPSS.

• Menginterpretasikan hasil uji dan menarik kesimpulan apakah model regresi memenuhi asumsi yang diperlukan.

🧩 A. Uji Normalitas

1. Tujuan:

Menilai apakah data residual (kesalahan prediksi) terdistribusi normal.

2. Cara di SPSS:

• Klik: Analyze ΓåÆ Regression ΓåÆ Linear

• Masukkan variabel dependen dan independen

• Centang "Save" ΓåÆ Pilih "Unstandardized residual"

• Klik: Analyze ΓåÆ Descriptive Statistics ΓåÆ Explore

• Masukkan residual ke "Dependent List"

• Klik "Plots" ΓåÆ Centang Normality plots with tests

• Lihat hasil uji Kolmogorov-Smirnov atau Shapiro-Wilk

3. Interpretasi:

• p > 0,05 ΓåÆ Residual terdistribusi normal (lolos uji normalitas)

• Lihat juga grafik histogram dan P-P Plot untuk visualisasi

📐 B. Uji Linearitas

1. Tujuan:

Menilai apakah hubungan antara variabel independen dan dependen berbentuk linear.

2. Cara di SPSS:

• Klik: Analyze ΓåÆ Compare Means ΓåÆ Means

• Atau: Analyze ΓåÆ Regression ΓåÆ Linear

• Centang Plots ΓåÆ Masukkan ZPRED (predicted) ke X dan ZRESID (residual) ke Y

• Klik OK

3. Interpretasi:

• Hubungan linear terlihat jika pola titik pada scatterplot acak dan menyebar merata di sekitar garis horizontal nol (tidak membentuk kurva U atau pola sistematis).

🔁 C. Uji Multikolinearitas

1. Tujuan:

Menilai apakah terjadi korelasi tinggi antar variabel independen.

2. Cara di SPSS:

• Klik: Analyze ΓåÆ Regression ΓåÆ Linear

• Klik Statistics ΓåÆ Centang Collinearity diagnostics

3. Interpretasi:

• Lihat nilai VIF (Variance Inflation Factor)

  • VIF < 10 ΓåÆ Tidak ada multikolinearitas

• Tolerance > 0,1 ΓåÆ Tidak ada multikolinearitas

• VIF tinggi artinya ada redundansi antar variabel bebas.

📉 D. Uji Heteroskedastisitas

1. Tujuan:

Menilai apakah varians residual sama di semua nilai prediktor (homoskedastik).

2. Cara di SPSS:

• Simpan residual dan predicted value seperti pada uji normalitas.

• Klik: Graphs ΓåÆ Legacy Dialogs ΓåÆ Scatter/Dot

• Pilih Simple Scatter ΓåÆ Plot ZPRED (X) vs ZRESID (Y)

3. Interpretasi:

• Jika pola menyebar acak dan membentuk pita horizontal, maka tidak terjadi heteroskedastisitas.

• Jika pola membentuk kerucut atau pola tertentu, maka terjadi heteroskedastisitas.

🔄 E. Uji Autokorelasi

1. Tujuan:

Menilai apakah terjadi korelasi antar residual secara berurutan (penting untuk data time series).

2. Cara di SPSS:

• Klik: Analyze ΓåÆ Regression ΓåÆ Linear

• Klik Statistics ΓåÆ Centang Durbin-Watson

3. Interpretasi:

• Nilai Durbin-Watson (DW):

  • Sekitar 2,0 ΓåÆ Tidak ada autokorelasi

  • < 1,5 ΓåÆ Ada autokorelasi positif

  • > 2,5 ΓåÆ Ada autokorelasi negatif

📝 Kesimpulan