Uji Asumsi Klasik

Pengertian

Uji asumsi klasik adalah serangkaian pengujian statistik yang digunakan dalam analisis regresi linier untuk memastikan bahwa model yang digunakan valid dan menghasilkan estimasi yang tidak bias. Jika asumsi-asumsi ini tidak terpenuhi, maka hasil regresi bisa menjadi tidak akurat.

Mengapa harus menggunakan uji asumsi klasik?

Uji asumsi klasik harus digunakan untuk memastikan bahwa model regresi BLUE (Best Linear Unbiased Estimator), yang berarti estimasi yang dihasilkan:

  1. Tidak bias

  2. Efisien (memiliki variansi terkecil)

  3. Konsisten dalam memprediksi hubungan antar variabel

Kapan menggunakannya?

  • Jika melakukan regresi linier berganda untuk melihat hubungan lebih dari satu variabel.

  • Jika ingin memastikan hasil regresi tidak bias dan dapat diandalkan.

  • Jika menggunakan OLS (Ordinary Least Squares) sebagai metode estimasi dalam regresi.

Jenis-jenis uji asumsi klasik

Uji Normalitas: Untuk memastikan residual berdistribusi normal.

  • Digunakan untuk memvalidasi bahwa metode OLS (Ordinary Least Squares) bekerja optimal.

  • Contoh metode uji: Kolmogorov-Smirnov, Shapiro-Wilk, atau grafik Q-Q Plot.

  • Kriteria keputusan: Jika p-value > 0.05 → Data berdistribusi normal.

Uji Multikolinearitas: Untuk mendeteksi hubungan antar variabel independen.

  • Jika variabel independen berkorelasi tinggi, maka regresi bisa memberikan hasil yang salah.

  • Contoh metode uji: VIF (Variance Inflation Factor).

  • Kriteria keputusan: Jika VIF < 10 → Tidak ada masalah multikolinearitas.

Uji Heteroskedastisitas: Untuk mendeteksi apakah varians residual tidak konstan.

  • Jika heteroskedastisitas terjadi, maka model tidak efisien.

  • Contoh metode uji: Uji Breusch-Pagan, Uji White, atau grafik plot residual.

  • Kriteria keutusan: Jika p-value > 0.05 → Tidak ada heteroskedastisitas.

Uji Autokorelasi: Untuk melihat apakah residual memiliki pola tertentu dalam urutan waktu.

  • Jika ada autokorelasi, maka model regresi tidak valid untuk data time-series.

  • Contoh metode uji: Durbin-Watson test.

  • Jika nilai DW mendekati 2 → Tidak ada autokorelasi.

  • Jika nilai DW < 1 atau > 3 → Ada autokorelasi (perlu koreksi).

Contoh kasus

set.seed(2025)
sosial_data <- data.frame(
  pendapatan = sample(100:1000, 100, replace=TRUE),
  pendidikan = sample(8:20, 100, replace = TRUE),
  pengalaman = sample(1:30, 100, replace = TRUE),
  jam_kerja_per_minggu = sample(30:60, 100, replace = TRUE),
  jumlah_anak = sample(0:5, 100, replace = TRUE),
  usia = sample(22:60, 100, replace = TRUE),
  status_pernikahan = sample(0:1, 100, replace = TRUE),
  lokasi_kota = sample(0:1, 100, replace = TRUE),
  industri = sample(0:1, 100, replace = TRUE),
  pelatihan_profesional = sample(0:1, 100, replace = TRUE),
  keterampilan_teknis = sample(0:1, 100, replace = TRUE)
)

Uji Normalitas

Apakah residual dalam regresi antara pendapatan dan pendidikan berdistribusi normal?

model <- lm(pendapatan~pendidikan, data=sosial_data)

shapiro.test(model$residuals)

    Shapiro-Wilk normality test

data:  model$residuals
W = 0.95114, p-value = 0.0009865

Uji Multikolinearitas

Apakah terdapat hubungan tinggi antara variabel independen dalam regresi berganda?

library(car)

model1 <- lm(pendapatan~., data = sosial_data)

vif(model1)
           pendidikan            pengalaman  jam_kerja_per_minggu 
             1.102220              1.039936              1.111950 
          jumlah_anak                  usia     status_pernikahan 
             1.054983              1.057570              1.076770 
          lokasi_kota              industri pelatihan_profesional 
             1.079520              1.063853              1.012451 
  keterampilan_teknis 
             1.064316

Uji Heteroskedastisitas

Apakah varians residual tetap konstan?

library(lmtest)
Loading required package: zoo

Attaching package: 'zoo'
The following objects are masked from 'package:base':

    as.Date, as.Date.numeric
bptest(model)

    studentized Breusch-Pagan test

data:  model
BP = 2.6502, df = 1, p-value = 0.1035

Uji Autokorelasi

Apakah residual berkorelasi satu sama lain dalam data time-series?

dwtest(model)

    Durbin-Watson test

data:  model
DW = 1.6724, p-value = 0.04657
alternative hypothesis: true autocorrelation is greater than 0