Dalam analisis regresi linier baik sederhana maupun berganda, diperlukan uji prasyarat / uji asumsi klasik. Uji asumsi klasik ini merupakan salah satu syarat agar hasil estimasi model regresi tidak “Bias”.
Naah.. kali ini Saya akan bahas tutorial bagaimana cara uji asumsi klasik menggunakan SPSS.
Note: Anda bisa menggunakan panduan ini untuk Regresi Linier sederhana / berganda, baik menggunakan data time series, cross section, ataupun menggunakan angket kuesioner.
Table of Contents
Cara Tabulasi Data SPSS Untuk Uji Asumsi Klasik
Ketik data penelitian pada lembar kerja SPSS atau copy tabulasi data dari Excel dan paste pada lembar kerja SPSS seperti gambar di bawah ini.
Tips
nya….
- Jika penelitian menggunakan angket quetioner, copy data (yang telah diubah menggunakan methode succesive interval) dengan urutan dimulai dari responden pertama hingga responden terakhir di setiap variabel nya.
- Jika penelitian menggunakan data sekunder, copy data dengan urutan dimulai dari tahun pertama hingga tahun terakhir di setiap variabel nya.
Cara Uji Asumsi Klasik Menggunakan SPSS
Sebelumnya telah Saya paparkan mengenai teori asumsi klasik. Tidak semua uji Asumsi klasik wajib dilakukan.
Karena setiap jenis pengujian Asumsi Klasik (Normalitas, Heteroskedastisitas, Autokorelasi, dan Multikolinearitas) memiliki tujuannya masing-masing.
Jadi silahkan ikuti tahap-tahap sesuai uji yang Anda butuhkan.
#1 Cara Uji Normalitas dan Heteroskedastisitas SPSS
Uji normalitas berguna untuk melihat apakah data penelitian berdistribusi normal atau tidak. Normalitas wajib dilakukan untuk setiap data penelitian.
Sedangkan uji heteroskedastisitas berguna untuk melihat apakah varians data konstan (homoskedastis) atau tidak (heteroskedastis).
Gejala Heteroskedastisitas akan ditemui pada penelitian yang menggunakan data cross section. Sedangkan jika menggunakan data time series, maka uji heteroskedastisitas tidak di perlukan.
Untuk melakukan uji Normalitas dan heteroskedastisitas menggunakan SPSS, silahkan ikuti tahap-tahap berikut ini:
- Pertama, Klik Analyze;
- Kedua, Klik Regression;
- Ketiga, Klik Linear;
- Muncul kotak dialog Linear Regression. Masukkan variabel Y ke kotak Dependent dan Variabel X ke kotak Independent seperti tutorial kita sebelumnya;
- Klik Plots;
- Muncul kotak dialog Linear Regression: Plots. Centang salah satu pilihan, Anda boleh menggunakan histogram atau Normal Probability Plot. Ini merupakan sebagian dari sekian banyak jenis Uji Normalitas.
- Masukkan SRESID ke kolom Y dan ZPRED ke kolom X. Ini dilakukan untuk Uji Heteroskedastisitas menggunakan Scatterplot. Jangan sampai terbalik memasukkannya yaa…
- Klik Continue.
Note: Cara ini hanya salah satu teknik Uji Normalitas dan Heteroskedastisitas. Sebagai antisipasi jika uji tersebut menyatakan data tidak berdistribusi normal dan terjadi gejala heteroskedastisitas, lakukan hal berikut untuk uji selanjutnya.
- Pada kotak dialog Linear Regression,
klik Save; - Muncul kotak dialog Linear Regression: Save.
Lalu klik Unstandarized pada Residuals; - Klik Continue untuk
melanjutkan.
Langkah ini merupakan sebagai tahap antisipasi agar apabila data tidak berdistribusi normal kita bisa mencoba dengan uji normalitas lainnya yaitu kolmogorov-smirnov.
Namun perlu di catat, cara ini tidak akan membuat data penelitian Anda 100% berdistribusi normal, karena uji kolmogorov-smirnov merupakan uji normalitas lainnya yang memiliki sudut pandang berbeda dari uji menggunakan Histogram dan/atau Normal Probability Plots.
#2 Cara Uji Autokorelasi dan Multikolinearitas Menggunakan SPSS
Gejala Autokorelasi hanya terdapat pada penelitian yang menggunakan data time series. Sementara pada data cross section, gejala autokorelasi tidak akan terjadi.
Sedangkan Uji Multikolinearitas bertujuan untuk melihat apakah setiap variabel bebas berkorelasi tinggi satu sama lain atau tidak. Jika terjadi gejala multikolinearitas, maka model regresi akan Bias.
Lakukan Uji Multikolinearitas hanya jika variabel bebas (independen) berjumlah lebih dari 1. Jika hanya terdiri dari 1 variabel independen (regresi linear sederhana), maka tidak perlu melakukan uji Multikolinearitas.
“Jadi Saya tekankan kembali, Uji Autokorelasi hanya dilakukan jika penelitian menggunakan data time series saja (bukan gabungan cross section dan data panel). Dan lakukan Uji Multikolinearitas jika variabel independen dalam penelitian lebih dari 1″.
Sehubungan Contoh 2 pada tutorial ini menggunakan data cross section, maka tidak perlu melakukan uji Autokorelasi.
TETAPI, Saya tetap akan memberikan tutorial uji autokorelasi pada tutorial kali ini. Silahkan ikuti tahap demi tahap uji Autokorelasi dan Multikolinearitas menggunakan SPSS berikut:
- Pada kotak dialog Linear Regression, klik Statistics;
- Muncul kotak dialog Linear Regression: Statistics. Centang Part and Partial Correlations dan Collinearity diagnostics. Ini untuk Uji Multikolinearitas.
- Centang Durbin-Watson. Ini untuk Uji Autokorelasi.
- Klik Continue.
- Klik OK untuk melihat hasil uji asumsi klasik.
Cara Membaca Hasil Uji Asumsi Klasik SPSS
Jika semua proses telah Anda lakukan, maka akan muncul hasil Uji Asumsi Klasik Regresi Linear Berganda pada lembar output SPSS seperti gambar di bawah ini:
Untuk melihat hasil uji asumsi klasik, Anda hanya perlu fokus pada output yang Saya lingkari dan diberi tanda angka 1-4.
Output 1 untuk uji normalitas, output 2 untuk uji heteroskedastisitas, output 3 untuk uji autokorelasi, dan output 4 untuk uji multikolinearitas.
#1 Membaca Output Uji Normalitas SPSS
Sehubungan kita mencontreng histogram dan Normal Probability Plots, maka hasil uji normalitas ditampilkan dalam bentuk 2 buah diagram (histogram dan P-P Plots).
Note: Tidak perlu menggunakan ke 2 nya. Gunakan salah satu saja sudah cukup.
Image: M Jurnal
Pada hasil uji histogram, perhatikan garis melengkung ke atas seperti membentuk gunung. Apabila garis tersebut membentuk gunung dan terlihat sempurna dengan kaki yang simetris, maka dapat disimpulkan bahwa data dalam penelitian berdistribusi normal.
Pada hasil uji normal probability plots, perhatikan titik-titik dan garis diagonal. Jika titik-titik mengikuti garis diagnal dari titik 0 dan tidak melebar terlalu jauh, maka dapat disimpulkan data berdistribusi normal.
Namun, jika titik-titik melebar terlalu jauh dari garis diagonal, maka dapat disimpulkan data tidak berdistribusi normal. Pada contoh ini, dapat disimpulkan bahwa data berdistribusi normal.
Insight: Jika ada teman Anda yang sedang mencari judul skripsi, kasih tahu artikel ini: 200 Judul Skripsi Manajemen Keuangan dan PDF nya
Akan tetapi, jika Anda menemukan titik-titik yang menyebar terlalu jauh dari garis diagonal, ada baiknya melakukan uji normalitas lainnya seperti uji kolmogorov-smirnov sehingga dapat mengambil keputusan dari sudut pandang yang berbeda.
Untuk melakukan uji kolmogorov-smirnov, coba Anda kembali ke lembar kerja editor SPSS seperti gambar berikut ini.
Image: M Jurnal
Perhatikan kolom RES_1 yang Saya lingkari. Ini merupakan residual dalam persamaan regresi linear. Uji kolmogorov-smirnov tidak dilakukan pada setiap variabel penelitian, melainkan pada Residual saja. (Selengkapnya akan Saya bahas pada artikel terpisah).
#2 Membaca Output Uji Heteroskedastisitas SPSS
Perhatikan bagian yang Saya lingkari dengan tanda merah. Pertama titik 0 (nol) pada sumbu X dan Y, selanjutnya titik-titik data yang ada dalam grafik.
Tipsnya
begini…
Jika titik-titik data menyebar di atas dan di bawah titik 0 (nol) pada sumbu Y dan X serta tidak membentuk pola tertentu seperti zig-zag atau menumpuk, maka dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas.
Pada Contoh ini, dapat disimpulkan bahwa terjadi gejala heteroskedastisitas.
#3 Membaca Output Uji Autokorelasi SPSS
Seharusnya contoh tidak wajib uji Autokorelasi. Tetapi Saya hanya membahasnya saja agar Anda dapat mengaplikasikannya pada penelitian yang menggunakan data time series. Silahkan perhatikan gambar berikut:
Fokus ke kolom 6 pada Tabel Model Summary dan lihat nilai Durbin Watson (DW). Untuk dapat mengambil kesimpulan, Anda mesti membandingkan nilai DW dengan nilai dl dan du pada Tabel DW. (Download Tabel DW).
Berdasarkan Tabel DW dengan n=71 dan jumlah variabel bebas=2, maka nilai dl dan du berturut-turut sebesar 1.58648, dan 1.64352.
Dengan demikian, du < DW < 4-du yaitu sebesar 1.64352 < 2.126 < 2.35648. Sehingga dapat disimpulkan tidak terjadi gejala autorkorelasi.
Akan tetapi, hasil tersebut tidak ada artinya karena contoh ini menggunakan data Cross Section.
#4 Membaca Output Uji Multikolinearitas SPSS
Image: M Jurnal
Fokuskan pada Kolom Collinearity Statistics yang telah Saya lingkari. Tips nya, kesimpulan dari nilai Tolerance dan VIF akan selalu sama. Jadi tinggal pilih salah satu saja.
Jika Anda menggunakan Tolerance, maka nilainya mesti harus lebih besar dari 0.1. Sementara itu, jika menggunakan VIF, maka nilainya mesti harus lebih kecil dari 10.
Kesimpulannya: pada contoh ini, tidak terjadi korelasi yang sangat kuat antara setiap variabel bebas (independen).
Uji Asumsi Klasik di atas merupakan uji-uji yang cukup mudah diaplikasikan. Masih banyak lagi jenis uji Asumsi Klasik yang dapat Anda aplikasikan dalam penelitian. Penjelasan mengenai uji-uji tersebut akan segera Saya terbitkan.