Uji Autokorelasi pada Regresi Linear

Uji Autokorelasi adalah untuk melihat apakah pada suatu model regresi terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode sebelumnya atau periode t-1. Auto korelasi terjadi karena observasi yang berturutan sepanjang waktu yang berkaitan satu sama lainnya. Bahasa sederhana yang sering kami sampaikan adalah bahwa dalam model regresi kita ingin mencari pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada pengaruh antara variabel itu sendiri (auto). Ini bukan definisi hanya kalimat untuk menjelaskan secara sederhana saja.


Daftar Isi

  1. Pendahuluan
  2. Data Time Series
  3. Data Cross Sectional
  4. Data Panel
  5. Metode Uji Autokorelasi dengan SPSS
  6. Penutup


Pendahuluan

Sebagai ilustrasi kita, ingin menguji pengaruh antara variabel bebas Pendapatan keluarga terhadap pengeluaran keluarga itu sendiri. Kita bisa berasumsi sendiri, bahwa sebenarnya pengeluaran keluarga itu tergantung sendiri dari pengeluaran keluarga itu pada periode sebelumnya. Ketika bulan ini pengeluaran dianggap terlalu tinggi, maka pengeluaran bulan berikutnya cenderung turun. Ini hanya penjelasan sederhana. Anda bisa saja berargumen bahwa itu tidak akan terjadi bagi mereka yang berkategori 'Sultan". Ini hanya analogi saja untuk menjelaskan, dan sepertinya analogi tersebut bisa diterima sebagai penjelasan sederhana.

Dari pengertian di atas, maka uji autokorelasi hanya diterapkan pada data runtut waktu atau time series. Misalnya data inflasi bulanan, atau indek harga konsumen bulanan dan sejenisnya. Data yang tidak runtut waktu tidak perlu dilakukan uji autokorelasi. 


Data Time Series

Data Time Series (Runtut waktu/runtun waktu) adalah jenis data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu tertentu. Rentang waktu tersebut bisa harian, bulanan, tahunan dan lain-lain.

Contoh Data Time Series
Tabulasi data di atas adalah data time series. Tampak bahwa ada waktu yang muncul di situ. Data Inflasi pada bulan Juli 2016, Agustus 2016 dan seterusnya. Kita tidak dapat dengan sembarangan mengubah urutan data ke 2 kita pindah ke data urutan ke 3 karena kita juga akan membalik urutan bulan atau waktu yang ada. Itu hanya contoh saja. Masih banyak lagi data time series yang muncul dalam penelitian yang ada.


Data Cross Sectional
Data Cross Section/Data Silang adalah data yang menunjukkan pada suatu titik waktu tertentu. Contoh sederhana adalah data kuesioner tentang motivasi atau tentang kinerja atau tentang variabel tertentu. Ini adalah data yang diukur pada suatu saat saja. Memang dalam prakteknya pengukuran data bisa berselang beberapa hari atau bahkan beberapa minggu. Tetapi rentang waktu tersebut dianggap tidak mengubah variabel yang akan diukur. 
Contoh Data Cross Sectional
Tabulasi data di atas adalah tabulasi silang. Jumlah atau skor total dari kuesioner yang diberikan kepada responden. Kita bisa saja mengubah urutan nomor responden, misalnya nomor 15 kita pindah ke nomor 16 karena memang tidak urutan tertentu dalam tabulasi tersebut. Jenis data seperti ini tidak perlu dilakukan uji autokorelasi karena tidak ada urutan waktu dalam tabulasi tersebut.


Data Panel
Data Panel adalah gabungan antara data cross section dengan data time series, dimana unit cross section yang sama diukur pada waktu yang berbeda. Maka dengan kata lain, data panel merupakan data dari beberapa individu sama yang diamati dalam kurun waktu tertentu. Data tipe ini juga harus diuji autokorelasi karena masih ada faktor waktu dalam tabulasi data. Sebagai contoh, misalnya penelitian pengaruh hutang terhadap profitabilitas pada perusahaan di BEI pada periode 10 tahun terakhir. Sudah jelas bahwa ada periode waktu, sehingga kita juga harus melakukan uji autokorelasi. Lain halnya ketika kita melakukannya hanya pada 1 tahun periode saja (1 tahun satu data, bukan 12 data karena ada 12 bulan). Penting dicatat, bahwa jika kita melakukan penelitian hanya 1 tahun tetapi menggunakan data bulanan atau mingguan, maka tetap saja ada unsur waktu di situ.


Metode Uji Autokorelasi dengan SPSS
Ada berbagai macam uji autokorelasi dengan alat bantu berupa Software. Software yang tersedia juga berbagai macam, misalnya SPSS, Eviews, Shazam, STATA dan masih banyak lagi. Beberapa uji autokorelasi akan diuraikan singkat di bawah ini.

Uji dengan Grafik
Kita sangar familier uji grafik untuk uji heteroskedastisitas dengan scatter plot dan uji normalitas dengan histogram atau P Plot. Tetapi uji autokorelasi juga bisa menggunakan metode grafis. Tetapi metode ini jarang dipergunakan dengan alasan klasik, yaitu bahwa penggunakan metode grafis kadang menimbulkan perdebatan di antara para pemakai karena kadang ada unsur subjektivitas.  

Uji Durbin Watson
Metode Durbin Watson sangat sering dipergunakan terutama dalam aplikasi dengan SPSS karena sudah tersedia menu yang memudahkan. Contoh dan penggunaan uji autokorelasi dengan Durbin Watson telah kami bahas di artikel ini. Ada rumusnya lalu ada kriteria penerimaan dan penolakan hipotesis statistik (bukan hipotesis penelitian). Adapun nilai dU dan dL dapat dilihat di lampiran buku statistik. Cara membaca tabel Durbin Watson kita bahas lengkap di sini.



Run Test
Run test sebenarnya dikembangkan di statistik non parametrik pada uji satu sampel. Dirancang untuk melihat apakah ada keacakan atau randomness pada suatu distribusi data. Metode ini diadopsi untuk uji autokorelasi karena model yang baik adalah model di mana nilai unstandardized residual acak atau tidak ada pola tertentu. Simak Run Test untuk uji autokorelasi selengkapnya di sini.


Uji Lagrange Multiplier
Uji Lagrange Multiplier (LM) adalah uji autokorelasi dengan Breusch-Godrey yang mampu menguji adanya gangguan autokorelasi baik pada derajad satu atau pun lebih tinggi, misalnya dua, tiga atau yang lain. Meskipun demikian, uji ini disarankan untuk sampel yang banyak, misalnya di atas 100 agar memberikan hasil yang lebih akurat. Dengan kemampuan mendeteksi autokorelasi dengan derajad lebih dari 1, maka metode ini dapat menemukan gangguan autokorelasi yang tidak dideteksi oleh metode Durbin Watson atau pun run test. Artikel selengkapnya tentang uji autokorelasi dengan Lagrange Multiplier dapat disimak di sini


Uji Box-Pierce dan Ljung Box
Metode ini dapat mendeteksi gangguan autokorelasi dengan derajad yang tinggi dengan mudah. Menunya sudah tersedia di SPSS Versi 26 atau versi yang sebelumnya. Jika pada 16 derajad ditemukan adanya 3 gangguan autokorelasi, maka model dinyatakan mengalami gangguan autokorelasi. Simak uji autokorelasi dengan Box Pierce dan Ljung Box di sini


Penutup
Uji autokorelasi adalah uji yang harus dilakukan pada regresi linear dengan runtut waktu atau panel. Ini penting karena model bisa hasil yang dihasilkan bisa bias jika terjadi gangguan autokorelasi pada model penelitian. Untuk data kuesioner yang dilakukan secara serempak tidak perlu dilakukan uji autokorelasi karena memang tidak ada unsur waktu dalam tabulasi datanya.

Share:

Tidak ada komentar:

Posting Komentar

Baca dulu sebelum tulis komentar:

Sebelum menuliskan pertanyaan, mohon disimak tanya jawab yang ada terlebih dahulu. Pertanyaan yang sama atau senada biasanya tidak terjawab. Untuk pengguna Blogger mohon profil diaktifkan agar tidak menjadi dead link. Atau simak dulu di Mengapa Pertanyaan Saya Tidak Dijawab?
Simak juga Channel kami di Statistik TV
Komentar akan kami moderasi dulu sebelum ditampilkan. Aktifkan Akun Google Anda.

Terima kasih.

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *