//
you're reading...
Aplikasi Statistik

PROBLEMA REGRESI “Autokorelasi”

Tujuan

Untuk memahami pengertian dan konsep teori serta menyelesaikan masalah dalam penelitian parametris yang berkaitan dengan analisis regresi menggunakan teknologi informasi dan komputasi (CP-KK 4  Level 6  KKNI ; CP-KK 2  Level 5 KKNI)

Dasar Teori

Analisis regresi bukanlah analisis yang selalu mulus digunakan. Ada beberapa masalah serius yang dihadapi dalam teknik analisis regresi, yaitu :

  1. Heterokedastisitas
  2. Autokorelasi
  3. Multikolinieritas

Autokorelasi

Masalah autokorelasi sering timbul pada data runtut waktu (time series). Autokorelasi sering disebut juga korelasi serial. Penggunaan uji autokorelasi bertujuan untuk mengetahui apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan periode t-1/sebelumnya (serangkaian data observasi yang diuraikan menurut waktu/time-series atau ruang/cros section). Jika residual dalam persamaan regresi mengandung autokorelasi penggunaan metode kuadrat terkecil menimbulkan beberapa masalah, yaitu:

  • Kesalahan baku estimasi variabilitas kesalahan menjadi lebih rendah
  • Interval keyakinan dan pengujian menggunakan distribusi f dan F dapat diterapkan secara tepat
  • Kesalahan baku koefisien regresi menilai variabilitas koefisien regresi yang ditaksitr terlalu rendah

Penyebab utama autokorelasi adalah kesalahan spesifikasi, misalnya terabaikannya suatu variabel penting atau bentuk fungsi yang tidak tepat. Berikut beberapa penyebab munculnya autokorelasi dalam analisis regresi:

  • Adanya kelembaman (inertia), yaitu data observasi pada periode sebelumnya dan periode sekarang, kemungkinan besar akan mengandung saling ketergantungan (independence)
  • Bisa spesifikasi model kasus yang tidak dimasukkan. Hal ini disebabkan oleh tidak dimasukkannya variabel yang menurut teori sangat penting peranannya dalam menjelaskan variabel terikat (tak bebas). Bila hal ini terjadi, unsur pengganggu (error term) akan merefleksikan suatu pola yang sistematis antara sesama unsur pengganggu sehingga terjadi situasi otokorelasi diantara unsur pengganggu.
  • Adanya fenomena laba-laba (cobweb phenomenon), yaitu data yang diperoleh saat ini (X₁) dipengaruhi oleh data sebelumnya (X₀) sehingga data setelah saat ini/data berikutnya(X₂) memiliki kecenderungan dipengaruhi oleh data pendahulunya (X₀) sehingga data X₂ memiliki potensi lebih rendah dari data X₁. Akibatnya error term tidak lagi bersifat acak (random), tetapi mengikuti pola sarang laba-laba.
  • Manipulasi data (manipulation of data). Dalam analisis empiris terutama data time series sering kali terjadi manipulasi data, hal ini terjadi data yang diinginkan tidak tersedia. Adanya interpolasi atau manipulasi data jelas akan menimbulkan suatu pola fluktuasi yang tersembunyi yng mengakibatkan munculnya pola sistematis dalam unsur penggangu dan akhirnya akan menimbulkan masalah autokorelasi.
  • Adanya kelembaman waktu (time lags). Dalam regresi data time series, pengaruh psikologis, teknis dan kelembagaan. Jika unsur lag diabaikan dari suatu mdel yang dibentuk, maka error term yang dihasilkan akan mencerminkan pola sistematis sebagai akibat pengaruh variabel terikat pada periode sebelumnya atau periode sekarang.

Alat dan Bahan

  • Komputer
  • Software SPSS
  • Data penelitian

Percobaan

Contoh

Dengan menggunakan data yang sama pada analisis regresi ganda sebagai berikut

2

Langkah-Langkah Komputasi

  1. Entri data pada tabel kedalam Data View dan Variable View format SPSS data viewer
  2. Analyze | Regression | LinierPindahkan variabel Xdan X ke kolom Independent(s) dan variabel Y ke kolom Dependent
  3. Klik Statistics, maka akan tampil kotak dialog Linier Regression Statistics, pada Residual centang Durbin-Watson untuk pengujian Otokorelasi, lalu Continue  (lihat gambar di bawah)
  4. OK

3

Output

Tabel Model Summary

Analisis Tabel Model Summary

Durbin-Watson

Pada output model summary terdapat nilai Durbin-Watson sebesar 2,304. Pengambilan keputusan pada asumsi ini memerlukan dua nilai bantu yang diperoleh dari tabel Durbin-Watson, yaitu nilai dL dan dU, dengan K = jumlah variabel bebas dan n = ukuran sampel. Jika nilai Durbin-Watson berada diantara nilai dU hingga (4 – dU) berarti asumsi tidak terjadi otokorelasi terpenuhi. Dengan kriteria pengujian Otokorelasi dengan Durbin-Watson:

  • DWhitung <  dL , koefisien korelasi lebih besar daripada nol, artinya “terjadi Autokorelasi positif”
  • dL < DWhitung <  dU , hasilnya tidak dapat disimpulkan
  • dU < DWhitung < (4 – dU) , koefisien korelasi sama dengan nol, artinya “tidak terjadi Autokorelasi”
  • (4 – dU) < DWhitung  <  (4 – dL) , hasilnya tidak dapat disimpulkan
  • DWhitung >  (4 – dL) koefisien korelasi lebih kecilbesar daripada nol, artinya “terjadi Autokorelasi negatif”

Dengan n =15 dan K = 2 pada tabel Durbin Watson diperoleh dL = 1,201 dan dU = 1,411, sehingga nilai dari (4 – dU) yaitu (4 -1,201) sebesar 2,799 dan nilai dari (4 – dL) yaitu (4 -1,411) sebesar 2,589.

5

Dari hasil di atas nilai Durbin-Watson terletak diantara  1,411 < 2,304 < 2,799, maka dapat disimpulkan bahwa model persamaan regresi tersebut tidak mengandung Autokorelasi.

Iklan

About aliwear

Tenaga Edukatif Politeknik Perikanan Negeri Tual

Diskusi

Belum ada komentar.

Tinggalkan Balasan

Please log in using one of these methods to post your comment:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

%d blogger menyukai ini: