Terdapat banyak metode yang dapat digunakan oleh peneliti dalam rumpun analisis data multivariat. Pada pembahasan terdahulu beberapa metode populis yang sudah kita paparkan diantaranya analisis regresi berganda, analisis komponen utama, analisis faktor ekploratori, analisis faktor konfirmatori, analisis diskriminan hingga analisis struktural (SEM maupun Jalur). Korelasi Kanonik!

Pada kesempatan kali ini kita akan coba uraikan konsepsi tentang ragam metode analisis multivariat lainnya yang tujuannya mencari pola hubungan antara dua set atau dua kelompok variabel. Jika pada kesempatan sebelumnya kita telah mengenal pola hubungan antar variabel semisal korelasi pearson, rank spearman maupun derajat asosiasi yang dihasilkan dari tabel kontingensi, akan tetapi pola hubungan tersebut dalam kaitannya dengan rumpun analisis univariat atau analisis bivariat. Nah pada analisis korelasi kanonik, variabel yang dilibatkan adalah lebih dari satu variabel bebas dengan lebih dari satu variabel tak bebas.

Lebih lanjut paparan kita terkait dengan konsepsi dan cara perhitungan korelasi kanonik akan kita paparkan pada uraian berikut.

Penggunaan Korelasi Kanonik

Sebelum kita masuk ke dalam pembahasan terkait dengan konsepsi analisis korelasi kanonik ada baiknya kita coba memahami beberapa contoh kasus berikut,

“The health department is interested in determining if there is a relationship between housing quality – measured by a number of variables such as type of housing, heating and cooling conditions, availability of running water, and kitchen and toilet facilities –  and incidences of minor and serious illness and number of disability days.”

“The marketing manager of a consumer good firm is interested in determining if there is a relationship between types of products purchased and consumers’ lifestyles and personalities.”

Dari beberapa contoh kasus yang telah disebutkan di atas setidaknya kita dapat mengindentifikasi awal konteks penggunaan analisis korelasi yaitu adanya tujuan yang ingin diketahui yaitu mengidentifikasi hubungan “relationship”. Dan kaitannya dengan rumpun analisis multivariat dengan banyak variabel, dapat diindentifikasi bahwa variabel-variabel yang dilibatkan dalam pengukuran lebih dari satu. Oleh karenanya dalam konteks korelasi multivariat, diuji dengan analisis korelasi kanonik.

Konsepsi Korelasi Kanonik

Pada analisis korelasi kanonik (sebagai unsur pembeda) pada umumnya dikenal adanya pembagian variabel seperti layaknya pada analisis regresi yaitu variabel independent dan variabel independen. Lebih lanjut, jika para peneliti sudah coba membaca dan mempelajari artikel kita terkait dengan analisis komponen utama, maka untuk memahami cara kerja dari analisis korelasi kanonik mirip dengan cara kerja analisis komponen utama. Perbedaan yang mencolok antara keduanya adalah pada kriteria penentuan hasil yang berbeda. Persamaan prinsip yang utama adalah pembentukan suatu variabel baru berdasarkan kombinasi linear variabel pembentuknya, hanya saja pada analisis korelasi kanonik perlu dibedakan berdasarkan variabel independen (X) dan dependen (Y)-nya untuk tujuan pencarian derajat hubungan anatar dua variabel baru yang terbentuk.

Berikut disajikan persamaan variabel yang terbentuk dari kombinasi linear variabel-variabel pembentuknya yang menjadi dasar pencarian nilai korelasi kanonik.

Pada persamaan di atas menunjukkan bahwa W₁ merupakan kombinasi linear dari variabel X dan V₁ merupakan kombinasi linear dari variabel Y. Misalkan C₁ merupakan korelasi antara W₁ dengan V₁. Tujuan dari analisis korelasi kanonik adalah untuk mengestimasi nilai dari a₁₁, a₁₂, . . , a_1p dan b₁₁, b₁₂, . . , b­_1q yang memaksimumkan nilai C₁. Berdasarkan persamaan di atas kita dapat mendefiniskan bahwa W₁ dan V₁ merupakan variabel kanonik dan C₁ merupakan korelasi kanonik.

Berdasarkan persamaan dan uraian di atas, sekiranya kita dapat kerucutkan tujuan dari analisis korelasi kanonik diantaranya adalah

1. Mengidentifikasi pasangan variabel baru (W_i , V_i) yang tiap variabelnya merupakan kombinasi linear dari variabel X (independen) dan variabel dependen (Y).
2. Mengidentifikasi pasangan variabel baru (W_i , V_i) yang memaksimumkan nilai korelasi antara variabel baru W_i dan V_i
3. Tiap set variabel baru (W_i , V_i) tidak berkorelasi dengan set variabel baru lainnya yang dihasilkan.

Sekilas bagi peneliti atau data master yang telah mengenal atau mempelajari analisis komponen utama akan berpendapat bahwa analisis korelasi kanonik merupakan hal yang sama dengan analisis komponen utama. Akan tetapi secara prinsip akan ditemukan banyak perbedaan yang prinsipil diantaranya pada tujuan penggunaan, variabel baru yang dihasilkan dan kriteria penentuan banyak variabel baru yang diperlukan. Pada analisis komponen utama penentuan banyak komponen utama atau variabel baru tersebut disandarkan pada kemampuan komponen utama mensarikan sebagian besar varians atau keragaman pada data (> 80%) dan variabel yang dihasilkan merupakan variabel yang berdiri sendiri bukan merupakan pasangan.

Hal ini dikarenakan pada analisi komponen utama tujuan utamanya adalah untuk membuat kombinasi linear variabel pennyusunnya dalam rangka merampingan struktur variabel (data reduction). Sedangkan pada analisis korelasi kanonik penentuan banyaknya set variabel didasarkan atas set variabel baru (pasangan variabel baru) yang memiliki nilai korelasi yang maksimum dan variabel yang dihasilkan merupakan suatu set variabel (pasangan variabel). Hal ini dikarenakan sesuai dengan nama metode analisis ini yang merupakan suatu metode analisis korelasi akan tetapi yang melibatkan banyak variabel X dan Y.

Pada kesempatan selanjutnya kita akan coba perlihatkan penggunaan software statistik (diantaranya : SAS) dalam menghasilkan uji analisis korelasi kanonik pada data. Ada baiknya untuk pengenalan awal bagi peneliti atau data master yang baru membaca artikel ini untuk memahami terlebih dahulu metode analisis komponen utama, hal ini dapat sangat membantu mempercepat proses pemahaman khususnya pada metode analisis korelasi kanonik dan umumnya metode analisis data multivariat. SEMANGAT MEMAHAMI!!!

Sumber :

• Subhash Sharma, Applied Multivariate Technique

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

———————————————————————————————————————————————————-

Dalam mendeteksi ada tidaknya heteroskedastisitas pada model regresi, terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

1. Metode Grafik
2. Uji Park
3. Uji Glesjer
4. Uji Korelasi Spearman
5. Uji Goldfeld-Quandt
6. Uji Bruesch-Pagan-Godfrey
7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita sudah menguraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master yaitu metode grafik. Pada kesempatan kedua kita sudah  menguraikan metode lainnya yaitu Uji Park. Pada kesempatan kali ini kita akan coba menguraikan metode selanjutnya yaitu Uji Glesjer.

Uji Glesjer

Pengujian Glesjer mempunyai semangat yang sama  dengan pengujian Park. Setelah mendapatkan residual dari regresi OLS, Glesjer menyarankan untuk meregresikan nilai absolute dari residual (resid) terhadap variable X yang diperkirakan mempunyai hubungan erat dengan varians yang dihasilkan.

Adapun langkah dalam melakukan uji Glesjer dengan menggunakan Eviews sebagai berikut:

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Untuk menguji asumsi heteroskedastisitas, klik menu View, Residual Diagnostics, Heteroskedasticity Tests, maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

5. Klik pada salah satu uji yang akan digunakan yaitu uji Glesjer lalu klik OK, maka akan dihasilkan output Eviews seperti tampak pada gambar berikut.

6. Sedangkan secara manual pengaplikasian uji Glesjer dengan menggunakan Eviews, pertama buatlah variabel baru dengan nama resabs (residual absolut) dengan menuliskan resabs = abs (resid), seperti tampak pada gambar berikut.

7. Selanjutnya hitunglah regresi dengan persamaan Abs(resid) = c X₁ X₂ seperti tampak pada gambar berikut.

8. Klik OK maka akan diperoleh hasil output Eviews seperti tampak pada gambar berikut.

9. Dari hasil poin 7 di atas, dengan kriteria pengujian bahwa jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

———————————————————————————————————————————————————-

Dalam mendeteksi ada tidaknya heteroskedastisitas pada model regresi, terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

1. Metode Grafik
2. Uji Park
3. Uji Glesjer
4. Uji Korelasi Spearman
5. Uji Goldfeld-Quandt
6. Uji Bruesch-Pagan-Godfrey
7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita sudah menguraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master yaitu metode grafik. Pada kesempatan kali ini kita akan coba menguraikan metode selanjutnya yaitu Uji Park.

Uji Park

Park memformalkan metode grafik dengan menyarankan bahwa varians σ² (kuadrat residual) adalah suatu fungsi yang menjelaskan variable X. Dengan kata lain pengujian Park dilakukan dengan cara meregresikan varians σ² (kuadrat residual) atas variable X. Jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas. Apabila ternyata tidak signifikan, kita bisa menerima asusmsi homoskedastisitas. Pengujian Park merupakan prosedur 2 tahap, tahap pertama, melakukan regresi OLS dengan tidak memandang persoalan heteroskedastisitas dan diperoleh residual. Kemudian tahap kedua, melakukan regresi kuadrat residual dengan variable X.

Adapun langkah-langkah dalam melakukan uji park dengan menggunakan Eviews sebagai berikut :

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Untuk menguji asumsi heteroskedastisitas, klik menu View, Residual Diagnostics, Heteroskedasticity Tests, maka akan muncul jendela Eviews seperti tampak pada gambar berikut. Pilih salah satu jenis uji yang disediakan diantaranya Breusch-Pagan-Godfrey, Harvey, Glesjer, ARCH, White atau uji kustom. Berbagai uji ini menggunakan variabel dependen yang berbeda-beda, meskipun mirip yaitu nilai residual. Metode Breusch-Pagan-Godfrey menggunakan resid^2, pada uji Harvey digunakan log(resid^2), pada uji Glesjer digunakan abs(resid), pada ARCH digunakan resid^2 disertai nilai Lag dan pada uji White digunakan resid^2.

5. Klik pada salah satu uji yang akan digunakan maka akan dihasilkan output Eviews seperti tampak pada gambar berikut.

Gambar 1. Uji Breusch-Pagan-Godfrey

Gambar 2. Uji Harvey

Gambar 3. Uji Glesjer

Gambar 4. Uji White

6. Pada kesempatan kali ini kita akan uraikan secara manual pengaplikasian uji Park dengan menggunakan Eviews. Hitunglah regresi dengan persamaan Log(resid2) = c X₁ X₂ seperti tampak pada gambar berikut. Nilai resid2 merupakan kuadrat nilai resid (residual), cara untuk mendapatkan nilai resid2 sudah kita jelaskan pada artikel sebelumnya.

7. Klik OK maka akan diperoleh hasil output Eviews seperti tampak pada gambar berikut.

8. Dari hasil poin 7 di atas, dengan kriteria pengujian bahwa jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Glesjer, Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

———————————————————————————————————————————————————-

Salah satu asumsi regresi klasik lainnya yang tidak kalah penting adalah asumsi heteroskedastisitas dari model regresi. Seperti kita ketahui bahwa evaluasi asumsi pada model regresi suatu hubungan antar variabel dibedakan kepada evaluasi pada variabel itu sendiri dan pada residual yang dihasilkan dari model. Evaluasi pada variabel, kita ketahui model regresi di evaluasi setidaknya pada dua asumsi yaitu linearitas dan multikolinearitas. Sedangkan pada residual, dievaluasi setidaknya pada tiga asumsi yaitu normalitas, heteroskedastisitas dan autokorelasi. Eviews!

Pada kesempatan kali ini kita akan membahas evaluasi asumsi lainnya yang dikenakan pada residual yaitu pengujian heteroskedastisitas, yang sebelumnya kita sudah uji normalitas dengan menggunakan Eviews. Secara konsepsi heteroskedastisitas berarti bahwa variabilitas (keragaman) nilai residual yang dihasilkan oleh model regresi relatif konstan (baca artikel : Asumsi Non Heteroskedastisitas Dalam Regresi). Tidak tepenuhinya asumsi non heteroskedastisitas pada model regresi linear terbentuk salah satunya ketidakefisienan model regresi dalam menghasilkan nilai penaksiran atau prediksi.

Terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

1. Metode Grafik
2. Uji Park
3. Uji Glesjer
4. Uji Korelasi Spearman
5. Uji Goldfeld-Quandt
6. Uji Bruesch-Pagan-Godfrey
7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita akan uraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master.

Metode Grafik

Jika tidak ada informasi apriori atau empiris mengenai sifat heteroskedastisitas, dalam praktek orang dapat melakukan analisis regresi atas asumsi bahwa tidak ada heteroskedastisitas dan kemudian melakukan pengujian sesudahnya (post mortem) dari kuadrat residual yang ditaksir untuk melihat jika residual tadi menunjukkan pola yang sistematis. Meskipun kuadrat residual tidak sama dengan factor gangguan u_i, residual kuadrat tadi dapat digunakan sebagai pendekatan khususnya jika ukuran sampel cukup besar. Metode grafik digunakan dengan cara memetakan kuadrat residual terhadap nilai Y yang ditaksir dari persamaan regresi, idenya adalah untuk mengetahui apakah nilai rata-rata yang ditaksir dari Y secara sistematis berhubungan dengan kuadrat residual.

Adapun langkah dalam menghasilkan grafik antara kuadrat residual dengan variabel Y dengan menggunakan Eviews sebagai berikut:

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Buat variabel baru misal resid2 yang akan diisi dengan rumus resid^2. Kita memerlukan residual kuadrat untuk membuat grafik sebar (scatter plot) antara residual dengan variabel dependen (Y). Klik jendela Eviews pada workfile lalu klik pada menu Genr dan akan tampak seperti gambar berikut. Lalu isikan resid2 = resid^2 lalu klik OK maka hasilnya akan tersimpan pada jendela workfile Eviews.

5. Untuk menghasilkan scatter plot pada Eviews, klik Quick, Graph, Scatter, maka akan tampak seperti gambar berikut. Selanjutnya isikan secara manual resid2 Y lalu klik OK.

Gambar 1. Pendefinisian Variabel Pada Grafik

Gambar 2. Pemilihan Tipe Grafik Scatter Plot

6. Dari proses pada poin 5 maka akan dihasilkan tampilan gambar scatter plot sebagai berikut.

7. Panduan sederhana untuk membaca grafik scatter plot yang dihasilkan adalah jika scatter plot mengelompok dan membentuk suatu pola tertentu atau pola teratur maka diindikasikan model mengalami masalah heteroskedastisitas. Akan tetapi apabila scatter plot yang dihasilkan menunjukkan bahwa data meyebar secara acak maka diindikasikan bahwa model tidak mengalami masalah heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Park, Uji Glesjer, Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

———————————————————————————————————————————————————-

Pada kesempatan kali ini kita akan coba mengupas penggunaan Eviews untuk melakukan pengujian asumsi multikolinearitas pada model regresi. Bagi peneliti atau data master yang baru saja menemukan artikel ini, ada baiknya membaca dan memahami definisi, konsekuensi serta penanggulangan multikolinearitas pada model regresi pada arikel kita sebelumnya. Secara sederhana pada artikel ini kita definisikan multikolinearitas pada model regresi adalah adanya pola hubungan antar variabel bebas (X) yang signifikan sehingga menimbulkan bias terhadap pola hubungan antara variabel bebas (X) dengan variabel tak bebas (Y) dan dalam pemodelan regresi hal ini sangat dihindari.

Dalam Eviews tidak terdapat menu analisis yang menyediakan secara khusus untuk menguji multikolinearitas pada model regresi terbentuk (tidak seperti pada SPSS dimana terdapat nilai Tolerance dan VIF). Dua metode yang mungkin dipakai dalam Eviews untuk menilai multikolinearitas pada model regresi terbentuk adalah dengan menilai nilai korelasi antar variabel X dan meregresikan antar variabel X (regresi auxiliary).

Oleh karenanya dua indikator yang bisa dijadikan patokan bagi peneliti atau data master dalam mengevaluasi multikolinearitas pada model regesi terbentuk dengan menggunakan Eviews diantaranya,

1. Nilai R-kuadrat yang tinggi, akan tetapi variabel independen banyak yang tidak signifikan.
2. Dengan menghitung koefisien korelasi antar variabel independen (X). Apabila nilai koefisien korelasinya rendah maka tidak terdapat multikolinearitas dan berlaku sebaliknya.

Pada kesempatan kali ini kita akan tunjukan kedua metode yang dapat digunakan oleh Eviews dalam menilai multikolinearitas pada model regresi terbentuk.

Analisis Korelasi Antar Variabel Independen (X)

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Klik menu Quick, Group Statistics dan pilih pada menu Correlations sehingga jendela Eviews akan tampak seperti gambar berikut. Untuk memproses analisis korelasi pada data, sama halnya dengan analisis regresi pada artikel sebelumnya, secara manual kita ketik nama variabel yang akan di uji korelasinya. Setelahnya kita klik OK.

4. Setelah klik OK, maka akan tampak hasil analisis korelasi seperti tampak pada gambar berikut.

5. Terlihat bahwa nilai korelasi antar variabel X terlihat sangat tinggi (0.8105). Hal ini dapat mengindikasikan bahwa pada model regresi mengalami multikolinearitas. Untuk memastikannya kita lakukan uji lanjutan pada data yaitu dengan cara meregresikan antar variabel independen (X).

Regresi Antar Variabel Independen (X)

1. Kembali pada jendela tampilan Workfile, untuk membuat model regresi berdasarkan variabel yang kita miliki maka klik menu Object, lalu pilih New Object, Equation. Maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

2. Langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung. Pada kolom Equation Specification, seperti tampak pada gambar berikut. Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares.

3. Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Terlihat bahwa nilai koefisien regresi antar variabel X terlihat signifikan dan nilai R-kuadrat yang dihasilkan cukup besar. Hal ini mengkonfirmasikan hasil analisis korelasi sebelumnya serta menjadi indikasi bahwa pada model regresi mengalami multikolinearitas. Sehingga diperlukan proses perbaikan pada model regresi yang dihasilkan, agar model regresi yang digunakan tidak menimbulkan bias pada hasil taksirannya.

Mungkin dari hasil tersebut dapat dikonfirmasikan dengan penggunaan software pembanding seperti SPSS untuk lebih meyakinkan terhadap hasil yang diperoleh (perbedaan metode evaluasi multikolinearitas). Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software Eviews untuk pengujian asumsi regresi lainnya diantaranya heteroskedastisitas dan autokorelasi. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

———————————————————————————————————————————————————-

Pada artikel sebelumnya pembahasan pada software Eviews sudah menginjak pada pembahasan analisis regresi. Seperti kita ketahui bahwa dalam analisis regresi selain pemodelan dan mengetahui variabel penyebab yang signifikan, ada hal yang lain ketika peneliti menghendaki fungsi penaksiran dari model yaitu pengujian asumsi regresi linear klasik. Seperti kita ketahui bersama pada pembahasan asumsi klasik dengan menggunakan SPSS setidaknya ada 5 asumsi dalam mengevaluasi model regresi terbentuk diantaranya Normalitas, Multikolinearitas, Autokorelasi, Heteroskedastisitas dan Linearitas.

Ada baiknya para peneliti atau data master sebelum mendalami pemahaman pengujian asumsi tersebut pada artikel ini, terlebih dahulu membaca dan memahami secara konsep dan penanggulangan ketidakterpenuhinya asumsi-asumsi tersebut, pada artikel-artikel kita terdahulu. Ini dimaksudkan agar tidak menimbulkan kebingungan-kebingungan dan salah paham terhadap hasil output yang dihasilkan pada software SPSS.

Dan pada kesempatan kali ini kita akan awali pembahasan pengujian asumsi regresi linear klasik pada bahasan asumsi Normalitas. Seperti kita ketahui bahwa bahwa amatlah bagus untuk model regresi yang terbentuk jika variabel-varibel yang terlibat dalam pembentukan model memiliki distribusi normal. Akan tetapi secara literatur persyaratan tersebut minimal berlaku pada variabel dependen (Y) dan Residual (e).  Beberapa teknik pengujian yang umum digunakan semisal Kolmogorov – Smirnov dan Shapiro-Wilks serta pada grafik kita dapat mengevaluasi bentuk grafik Q-Q Plot dan Histogram dimana terdapat pada software SPSS.

Sedangkan pada software Eviews untuk pengujian normalitas pada data digunakan dua macam pengukuran yaitu Histogram (seperti pada SPSS) dan uji Jarque-Bera. Uji Jarque-Bera mengukur perbedaan skewness dan kurtosis data dan dibandingkan dengan data apabila bersifat normal. Sama halnya dengan uji pada Kolmogorov Smirnov, H₀ pada pengujian Jarque-Bera menyatakan bahwa data berdistribusi normal dan pendekatan pengujian dengan statistik Chi-Square.

Adapun tahapan penggunaan Eviews untuk menguji normalitas pada data sebagai berikut.

1. Siapkan data yang akan diuji normalitasnya pada software Microsoft Excel, seperti tampak pada gambar berikut. Pastikan tampilan pada Excel memudahkan peneliti atau data master dalam proses penginputan pada software Eviews. (cara input data pada Eviews dapat membaca artikel sebelumnya).

2. Buka software Eviews dan import data yang sudah disiapkan seperti pada poin 1 kedalam software Eviews. Sehingga tampak tampilan jendela Eviews sebagai berikut.

3. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Untuk menguji normalitas pada residual (resid), klik menu View, Descriptive Statistics pilih Histogram and Stats, maka akan tampilan jendela Eviews sebagai berikut. (Uji normalitas pada Eviews secara satu per satu (dengan histogram)).

5. Untuk menguji normalitas pada residual (resid) dan variabel lainnya, klik menu View, Descriptive Statistics pilih Common Samples, maka akan tampilan jendela Eviews sebagai berikut. (Uji normalitas pada Eviews dilakukan pada beberapa variabel sekaligus (tanpa histogram)).

6. Setelah didapat output pada poin 4 atau 5, maka kriteria uji yang dikenakan pada hasil pengolahan data adalah sebagai berikut :
   • Bila nilai J-B tidak signifikan (lebih kecil dari 2) maka data berdistribusi normal.
   • Bila probabilitas lebih besar dari 5% (tidak signifikan) maka data berdistribusi normal.

Sekali lagi, dengan menggunakan software dan pada kesempatan kali ini dengan menggunakan Eviews sekiranya mempermudah proses pembuktian pemenuhan asumsi normalitas bagi model regresi yang dihasilkan. Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software Eviews untuk pengujian asumsi regresi lainnya diantaranya multikolinieritas, heteroskedastisitas dan autokorelasi. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

———————————————————————————————————————————————————-

Artiket sebelumnya kita sudah sedikit mengenalkan lingkungan dari software Eviews. Kita pelajari bersama bagaimana cara melakukan input data yang kita miliki kedalam software Eviews. Beberapa tampilan jendela Eviews sudah kita jelaskan dan beberapa akan kita jelaskan bersamaan dengan proses analisis yang dilakukan pada data atau variabel yang sudah terdaftar pada jendela Eviews.

Pada kesempatan kali ini kita akan tunjukan pengolahan analisis regresi dengan menggunakan Eviews. Sekali lagi bahwa Eviews software statistik yang sangat cocok dalam menganalisis type data deret waktu (time series) akan tetapi dalam software Eviews difasilitasi juga pengolahan data cross section dan kombinasinya (data panel).

Berikut kita uraikan tahapan-tahapan dalam menganalisis data cross section dengan menggunakan Eviews.

Menampilkan Data

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Untuk membuka variabel pada jendela work sheet secara bersamaan maka tekan Ctrl dan klik pada variabel secara berurutan yang akan ditampilkan pada jendela work sheet Eviews, seperti tampak pada gambar berikut.

Gambar 1. Menampilkan Variabel Secara Bersamaan (Group)

Gambar 2. Work Sheet Variabel Pada Jendela Eviews

Statistik Deskriptif

4. Setelah kita berhasil menampilkan data seperti pada poin 3, untuk mendapatkan statistik deskriptif dari data pada work sheet Eviews maka klik menu View pilih Descriptive Stats, Individual Samples. Maka statistik deskriptif dari data akan tampak seperti pada gambar berikut.

Model Regresi

5. Kembali pada jendela tampilan Workfile, untuk membuat model regresi berdasarkan variabel yang kita miliki maka klik menu Object, lalu pilih New Object, Equation. Maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

6. Langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung. Pada kolom Equation Specification, seperti tampak pada gambar berikut. Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews).

Gambar 1. Model Persamaan Regresi

Gambar 2. Pilihan Metode Dalam Eviews

7. Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

Persamaan Regresi

8. Setelah kita peroleh output regresi seperti pada poin 7, maka Eviews bisa menghasilkan pula model persamaan matematis berdasarkan output regresi yang dihasilkan. Pada output yang diperoleh pada pon 7, klik View pilih Representations, maka akan tampak persamaan matematis yang dihasilkan seperti pada gambar berikut.

Grafik Regresi

9. Masih pada jendela Eviews pada poin 7, apabila ingin menampilkan grafik yang menunjukkan antara data dan nilai prediksinya, serta residual regresinya, klik Views pilih Actual, Fitted, Residual dan pilih pada Actual, Fitted, Residual Table, maka akan diperoleh grafik fungsi regresi seperti tampak pada tampilan berikut.

10. Untuk keperluan interpretasi pada microsoft Word, pada output atau grafik dilakukan dengan cara blok seluruh bagian yang akan dipindahkan lalu Copy dan pilih Formatted agar hasil pemindahan sesuai dengan format asli pada software Eviews.

Mungkin bagi peneliti atau data master yang baru mengenal Eviews dan belum terbiasa dalam menggunakannya, akan terasa cukup rumit dalam pengaplikasinya. Jika dibandingkan dengan software sejenis semisal SPSS, akan ditemui kompleksitas tersendiri sedangkan pada SPSS terlihat sangat lah mudah dan sederhana. Tapi yang paling mendasar dari semua penggunaan aplikasi Statistik adalah pemahaman terhadap teori dasar sehingga kebutuhan output apa saja yang diperlukan akan efektif dan efisien. Pada artikel-artikel selanjutnya kita akan coba jelaskan juga bagaimana cara pengujian asumsi regresi linear klasik dengan menggunakan Eviews. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

———————————————————————————————————————————————————-