Uji Linearitas SPSS dengan Ramsey

Uji linearitas dengan metode Ramsey adalah dengan membandingkan antara nilai F hitung modifikasi dengan F hitung pada tabel. Jika F hitung > F tabel maka terdapat kesalahan spesifikasi model demikian sebaliknya jika F hitung < F tabel berarti model telah dispesifikasi dengan benar. Metode ini juga sering disebut dengan RESET (Regressionn Specification Error Test) yang dikembangkan oleh J. B. Ramsey (1969). Adapun nilai F dihitung dengan persamaan sebagai berikut:

Persamaan F hitung Ramsey

Old adalah model awal yang diuji, sedangkan New adalah model baru untuk keperluan pengujian. Sedangkan nilai m adalah jumlah variabel yang ditambahkan untuk pengujian, n adalah jumlah data penelitian dan k adalah banyaknya parameter dalam persamaan New.

Sebagai ilustrasi, kita menggunakan data yang sama dengan data untuk pengujian linearitas dengan metode Durbin-Watson. Sedangkan datanya bisa Anda download di sini. Langkah pertama adalah meregresikan variabel Page_views terhadap Ranking Alexa, tetapi kita harus menyimpang DFit sebagai variabel baru.

Menu Save

Klik Save di bagian kanan untuk mendapatkan nilai DFit.

Menu DFit

Setelah itu klik Continue lalu klik OK sehingga akan keluar output dan juga ada tambahan variabel baru yaitu DFit di layar SPSS.

Output R Square Old

Tampak bahwa nilai R Square old atau awal adalah 0,025 dengan jumlah data 75. Setelah itu regresikan ulang model awal menjadi model baru dengan menambahkan variabel DFit. Adapun output yang didapatkan adalah sebagai berikut:

Output R Square New

Tampak bahwa nilai R Square baru adalah sebesar 0,891 dengan m atau jumlah variabel yang baru masuk adalah 1 yaitu DFit, parameter ada 2. Dengan demikian nilai F hitung adalah sebagai berikut:

Nilai F hitung

Sedangkan nilai F tabel untuk parameter 2 pada taraf signifikansi 0,05 dengan n sebanyak 75 adalah sebesar 3,20. Tampak jelas bahwa F hitung > F tabel yang menunjukkan bahwa model tidak dispesifikasi dengan benar. Hasil ini konsisten dengan pengujian linearitas dengan Durbin-Watson. Interpretasinya adalah bahwa peneliti mengabaikan variabel yang relevan. Ini masuk akal karena hanya memasukkan satu variabel saja pada model ini. 

Share: