Menguji Asumsi Autokorelasi Pada Model Regresi Menggunakan Gretl (Uji Breusch-Godfrey)

Pada tulisan sebelumnya kita telah membahas panjang lebar tentang asumsi autokorelasi dalam analisis regresi. Pemenuhan asumsi ini sangat penting untuk mendapatkan model estimasi terbaik, terutama pada model regresi runtut waktu (time series).

Ada dua metode uji yang paling umum digunakan dalam menguji terpenuhi asumsi autokorelasi residual yaitu Uji Durbin-Watson dan Uji Breusch-Godfrey. Uji DW mempunyai sedikit kelemahan yaitu adanya area ragu-ragu atau area tanpa kesimpulan ada atau tidaknya autokorelasi. Nah, bila uji DW ini tidak menghasilkan simpulan maka kita bisa menggunakan Uji Breusch-Godfrey.

Uji Breusch-Godfrey disebut juga dengan Uji Lagrange-Multiplier (LM-test). Hampir semua aplikasi statistik juga sudah menyediakan uji BG atau LM ini, tak terkecuali gretl. Namun sebelum itu sebaiknya kita pahami dulu bagaimana hipotesis dan kriteria ujinya sebagai berikut:

Hipotesis

Ho : ada autokorelasi residual

Ha : tidak ada autokorelasi residual

Kriteria uji

Loading...

Tidak menolak Ho bila nilai probabilitas ≤ α (0,05)

Menolak Ho bila nilai probabilitas ≥ α (0,05)

Untuk melakukan uji BG ini menggunakan gretl langkahnya sangat mudah. Berikut tahapan pengujian asumsi autokorelasi menggunakan uji BG menggunakan gretl :

  • Buka output regresi Anda, kemudian pilih menu “Tests”
  • Pilih tes “Autocorrelation”
  • Pilih sampai lag ke berapa yang ingin Anda tes. Pada umumnya cukup pada lag ke-2, namun kali ini saya memilih sampai lag ke-12. Akhiri dengan klik “OK”
  • Hasil uji Breusch-Godfrey adala sebagai berikut
  • Pada output uji tersebut dihasilkan angka probabilitas uji BG sebesar 0,279

Berdasarkan dari kriteria uji hipotesis di atas diketahui bahwa nilai probabilitas 0,279 lebih besar dari 0,05 (α), sehingga disimpulkan untuk menolak Ho. Dengan demikian sebagai konsekuensinya kita wajib menerima Ha yaitu tidak ada autokorelasi dalam residual.

Loading...

Selain nilai probabilitas BG kita juga mendapatkan nilai probabilitas alternatif yaitu TR kuadrat dan Ljung-Box Q’. Nilai probabilitas kedua alternatif statistik tersebut juga lebih besar dari α, yang menegaskan memang tidak ada autokorelasi diantara residual regresi.

Alternatif ini penting dan sangat membantu bila diketahui adanya autokorelasi karena bisa dijadikan informasi awal apakah autokorelasinya kuat atau lemah. Untuk menentukan apakah korelasi tersebut kuat atau lemah bisa menggunakan uji G atau uji Berenblut-Webb yang ditemukan oleh I. I. Berenblut and G. I. Webb.

Hasil penghitungan uji Berenblut-Webb tersebut bisa digunakan untuk solusi dari masalah autokorelasi yang terjadi. Solusi yang ditawarkan oleh metode ini adalah dengan mendiferensi data regresi pada tingkat 1 (first-difference estimator). Selain itu ada metode Cochrane-Orcutt yang dikenalkan oleh D. Cochrane dan G. H. Orcutt. Bila ingin tahu lebih banyak tentang keduanya ikuti terus blog ini ya…….

Tinggalkan Balasan