Uji Linearitas pada Analisis Regresi Linear

Uji Linearitas adalah salah satu uji asumsi klasik yang bertujuan untuk melihat apakah spesifikasi model yang dipergunakan sudah benar atau belum. Salah satu asumsi dalam Classical Linear Regression Model (CLRM) adalah bahwa model regresi yang dipergunakan harus dispesifikasi dengan benar. Jika tidak maka akan terjadi masalah error pada spesifikasi model atau bias. Maka akan muncul beberapa pertanyaan, misalnya bagaimana caranya menyusun model yang benar, atau kesalahan spesifikasi model (miss specification model) disebabkan oleh apa saja?

Sebenarnya istilah linearitas tidak muncul dalam kajian ini. Istilahnya adalah specification error test, tapi entah kenapa menjadi uji linearitas. Kalau uji asumsi klasik yang lain memang diterjemahkan lebih jelas, misalnya multicollinearity jadi multikolinearitas, heteroscedasticity menjadi heteroskedastisitas dan autocorrelation menjadi autokorelasi. Tapi sudahlah, yang penting dapat dihapami bahwa spesifikasi error ini berkaitan dengan uji linearitas.

Secara umum, analisis empiris setidaknya memenuhi 6 hal, yaitu (1) logis, (2) sesuai dengan teori, (3) variabel penjelas tidak boleh berkorelasi dengan errornya, (4) memberikan parameter yang konstan, (5) koheren, dan (6) mempunyai cakupan yang luas (Hendry dan Richard, 1983). Dalam konteks ini, maka error spesifikasi atau kesalahan dalam menspesifikasi model dapat muncul dari beberapa hal yaitu (1) menggunakan variabel yang tidak relevan; (2) memasukkan variabel yang tidak diperlukan; (3) Mengadopsi persamaan yang salah; (4) Kesalahan pengukuran; (5) Kesalahan data stokastik; dan (6) Adanya asumsi normalitas.

Jika peneliti melakukan kesalahan dalam melakukan spesifikasi model, maka bisa akan terjadi goodness of fit yang terlalu rendah, jika kita mengabaikan variabel yang relevan atau sebaliknya terlalu tinggi karena kita menggunakan variabel yang tidak relevan. Sebagai ilustrasi yang sederhana, dalam suatu model regresi, Anda coba masukkan saja variabel 'sembarang' ke dalam model regresi tersebut. Setelah itu lihat nilai R nya, pasti akan meningkat tidak peduli variabel yang dimasukkan tadi relevan atau tidak. (Untuk itulah maka banyak yang menggunakan Adjusted R karena nilainya bisa turun atau bisa naik tergantung dari variabel yang dimasukkan relevan atau tidak).

Untuk melakukan apakah terjadi error spesifikasi atau tidak kita bisa melakukan dengan beberapa cara.

1. Uji Durbin-Watson

Uji Durbin-Watson sangat dikenal dalam uji autokorelasi. Uji ini juga dapat dipergunakan untuk melihat apakah model mengabaikan variabel yang relevan atau menggunakan fungsi yang tidak benar sehingga terjadi miss specification error. Langkahnya juga sederhana yaitu membandingkan nilai Durbin-Watson model awal dengan nilai Durbin-Watson di mana variabel bebas diberikan fungsi kuadrat (atau bahkan pangkat tiga). Jika hasil Durbin-Watson pada model modifikasi mengalami gangguan autokorelasi positif, berarti model mengalami kesalahan spesifikasi, yaitu mengabaikan variabel yang relevan dalam model.

Residual (a) Linear, (b) Kudratik, (c) Kubik
Residual (a) Linear, (b) Kudratik, (c) Kubik

Gambar di atas adalah nilai residual untuk 3 model, yaitu (a) linear, (b) kuadratik atau variabel bebas pangkat dua; dan (c) kubik atau variabel bebas pangkat tiga. Nilai residual cenderung mendekati sumbu X atau titik nol atau semakin tidak bervariasi. Berikut artikel tentang uji linearitas dengan Durbin-Watson.

2. Uji Ramsey

Uji linearitas dengan metode Ramsey juga sering disebut dengan Regression Specification Error Test atau disingkat RESET. Ide dasarnya adalah memasukkan variabel Y estimated yang dihasilkan dari regresi awal menjadi salah satu variabel bebas dalam model uji. Jadi variabel bebasnya bertambah 1, lalu dapatkan nilai R Squarenya. Setelah itu hitung F dengan menggunakan R square awal dan R Square model baru dengan adanya tambahan 1 variabel tersebut. Bandingkan F hitung dengan F tabel di mana jika F Hitung > F Tabel maka terjadi kesalahan spesifikasi.

Artikel tentang uji linearitas dengan Ramsey ditampilkan di sini.


3. Uji Lagrange Multiplier (LM)

Metode ini juga bisa digunakan sebagai alternatif uji linearitas. Pertama adalah dapatkan nilai residual dari model awal. Setelah itu nilai residual ini dipergunakan sebagai variabel terikat dengan variabel bebasnya adalah variabel bebas model awal dengan dikuadratkan (atau pangkat 3). Setelah itu hitung nilai Chi Squarenya lalu bandingkan dengan nilai Chi Square tabel dengan df 2. Jika Chi Square hitung > Chi Square Tabel maka terjadi kesalahan spesifikasi.

Artikel tentang uji linearitas dengan Lagrange Multiplier (LM) kami tampilkan di sini.

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 *