UJI AUTOKORELASI DALAM REGRESI...• Dalam data yang disusun secara cross section (bukan berdasarkan...
Transcript of UJI AUTOKORELASI DALAM REGRESI...• Dalam data yang disusun secara cross section (bukan berdasarkan...
UJI AUTOKORELASI DALAM REGRESI
Agus Tri Basuki
PENGERTIAN HETEROSKEDASTISITAS
• Autokorelasi dikenal sebagai korelasi serial, maksudnya adalahkorelasi antara serial data atau antara data sebelum dengan data sesudahnya dalam data yang disusun berdasarkan urutan waktu(time series).
• Dalam data yang disusun secara cross section (bukanberdasarkan waktu), maka autokorelasi sebetulnya tidakrelevan. Pada data yang disusun secara cross section, autokorelasihanya indikasi dari keterkatitan antara satu subjek penelitian denganpenelitian lainnya. Atau dapat juga dikatakan sebagai kemiripianantara satu obsevasi dengan observasi lainnya. Secara matematika, autokorelasi dapat membaca pola yang berulang dari data. haltersebut menunjukkan adanya pengaruh waktu terhadap variabelrespon.
DAMPAK AUTOKORELASI
• Autokorelasi merupakan pelanggaran atasasumsi model OLS (Ordinary Least Square) dimana mensyaratkan bahwa tidak ada korelaisantara error/residual.
• Dampak terjadinya autokorelasi adalah nilaistandard error akan cenderung lebih kecil dariseharusnya. Memang kenapa jika standard error diestimasi lebih kecil? Tentu akan menyebabkannilai t hitung membesar dari seharusnya. Padagilirannya model menjadi overestimated.
DETEKSI AUTOKORLASI
• Secara tradisional, cara untuk menguji ada tidaknyaautokorelasi adalah melalui ukuran statistik yang disebut Durbin Watson. cara mengetahui nilai durbinwatson dari model tertentu tidaklah susah.
• Dalam software statistik SPSS sudah tersedia menu untuk mengeluarkan angka durbin watson-nya. Nilaidurbin watson tersebut tinggal dibandingkan denganrentang norma durbin watson yang masih bisaditolerasi.
• Uji lain yang tersedia adalah dengan menggunakan ujiBreusch-Godfrey. Uji ini hanya tersedia di software Eviews.
CARA MENGATASI AUTOKORELASI
• Salah satu cara untuk mengatasi autokorelasi
adalah dengan membuat model GLS (Generalized
Linear Square). Prinsip dari model GLS adalah
menghilangkan efek korelasi time series dengan
cara mentrasformasi model menjadi model GLS.
Model GLS adalah model dengan selisih antara
data pada periode t dikurang periode t-1 yang
dikalikan dengan nilai Rho. Nilai Rho dianggap
sebagai representasi autokorelasi.
CONTOH KASUS
MODEL REGRESI TANPA LOG
Hasil regresi
menunjukan
nilai DW sangat
rendah
indikasi terjadi
Autokorelasi
Uji Breusch-
Godfrey
Menunjukan nilai
prob Chi-Square
dibawah 0,05
terjadi
AUTOKORELASI
PERBAIKAN DATA
Model GLS adalah
model dengan
selisih antara data
pada periode t
dikurang periode t-1
yang dikalikandengan nilai Rho
Nilai Rho (p)Rho = 1-(dw/2)
NGDP = GDPt – (1-DW/2)*GDPt-1 NMS = MSt – (1-DW/2)*MSt-1NCPI = CPIt – (1-DW/2)*CPIt-1 NIMP = IMPt – (1-DW/2)*IMPt-1
HASIL PERBAIKAN
Hasil regresi
menunjukan
nilai DW sangat
rendah
indikasi tidak
terjadi
Autokorelasi
Uji Breusch-
Godfrey
Menunjukan nilai
prob Chi-Square
diatas 0,05
terjadi
AUTOKORELASI
Nilai DW
mendekati 2,
seluruh nilai T
tidak signifikan
dan nilai F juga
tidak signifikan
tidak terjadi
Autokorelasi
MODEL REGRESI DENGAN LOG
Hasil regresi
menunjukan
nilai DW sangat
rendah
indikasi terjadi
Autokorelasi
Uji Breusch-
Godfrey
Menunjukan nilai
prob Chi-Square
dibawah 0,05
terjadi
AUTOKORELASI
PERBAIKI DATA
Model GLS adalah
model dengan
selisih antara data
pada periode t
dikurang periode t-1
yang dikalikandengan nilai Rho
Nilai Rho (p)Rho = 1-(dw/2)
NLGDP = log(GDPt) – (1-DW/2)*log(GDPt-1) NLMS = log(MSt) – (1-DW/2)*log(MSt-1)NCPI = CPIt – (1-DW/2)*CPIt-1 NLIMP = log(IMPt) – (1-DW/2)*log(IMPt-1)
HASIL PERBAIKAN
Hasil regresi
menunjukan
nilai DW
meningkat dari
0,5 menjadi
1,317
indikasi tidak
terjadi
Autokorelasi
Uji Breusch-
Godfrey
Menunjukan
peningkatan nilai
prob Chi-Square
dari 0,0000
menjadi 0,0347
Nilai DW
mendekati 2,
seluruh nilai T
tidak signifikan
dan nilai F juga
tidak signifikan
tidak terjadi
Autokorelasi
TERIMA KASIH