Page 34 - MODUL PEMBELAJARAN EKONOMETRIKA

BAB 4

EVALUASI MODEL REGRESI BERGANDA

A. Autokorelasi
Autokorelasi menunjukkan sifat residual regresi yang tidak bebas dari satu observasi

ke observasi lainnya, atau secara formal.

E( ) ≠0;i≠

Fenomena ini umum ditemukan pada regresi dengan data yang bersifat time series letapt

kadang juga ditemukan pada data cross section, Keberadaan autokorelasi dapat dilihat secara
kasual (melalui grafiks) Gambar dibawah menunjukkan berbagai pola residual yang umum

ditemukan Pola a s/d d menunjukkan kondisi autokorelasi Sebagai contoh, pola b bersifat poutif
monotonik (meningkat sejalan dengan berjalannya waktu). Sedangkanpola d menunjukkan

kondisi di mana tidak ada autokorelasi, di sini residual tersebar di sekitar nol pada berbagai

titik waktu.
1. Penyebab autokorelasi

Autokorelasi adalah fenomena model (Vogelvang, 2005), la timbul dari

spesifikasi yang tidak tepat terhadap hubungan antara variabel endogenous dengan
variabel penjelas Akibat kurang memadainya spesifikasi maka dampak faktor yang

tidak masuk ke dalammodel akan terlihat pada pola residual.
Secara lebih spesifik, beberapa penyebab autokorelasi (atau juga sering disebut korelasi

serial) di antaranya (Wooldridge, 2005, Vogelvang, 2005 dan Gujarati, 2003):
a. Inertia Salah satu karakteristik umum dari data yang bersifat time series adalah

adanya inertia (sluggishness). Penyesuaian akibat suatu goncangan terhadap

variabel makro ekonomi adalah bersifat bertahap, dan berlangsung sepanjang waktu
tertentu. Hal ini juga terjadi pada sekelompok variabel. Dengan demikian kita dapat

mengobservasi adanya pergerakan bersama, misalnya: GDP. pengangguran dan
tingkat harga yang sebenarnya disebabkan adanya goncangan pada variabel-

variabel tersebut dan mereka saat ini berada dalam penyesuaian menuju ekuilibrium
Dalam kondisi ini tentu saja model regresi yang menggunakan variabel-variabel

dimaksud akan mengalami autokorelasi.

b. Specification bias Yakni kesalahan dalam menspesifikasi model. Terdapat dua tipe
kesalahan, yakni (1) mengeluarkan variabel yang seharusnya ada pada model

(omined variable) dan (2) bentuk fungsional yang tidak benar Pada kasus pertama

31