Page 26 - 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 misalnya kita modelkan fungsi permintaan daging
sapi terhadap pendapatan, jumlah keluarga dan harga daging ayam. Jika karena suatu hal kita tidak
memasukkan harga daging ayam, padahal variabelini adalah penting maka kita akan memiliki
residual regresi sebagai fungsi dari harga daging ayam Sedangkan kasus bentuk fungsional terjadi
ketika kita memodelkan regresi sebagai fungsi linier yang harusnya mungkin kuadratik.
c. Fenomena Cobweb Sering terjadi pada pemodelan di mana terdapat satu femmena lagged response.
Hal ini sering terjadi misalnya pada estimasi fungsi pasokan produk pertanian. Petani akan
mendasarkan keputusan jumlah produk bertarkan harga satu penode yang lalu. Dengan demikian
residual pada model ini tidak akan bersifat independen, terjadinya produk berlebih ( over production)
di suatu periode (sehingga harga turun) akan mendorong petani untuk memproduksi lebih sedikit
diperoleh selanjutnya. Dampak variabel lag tidak hanya yang bersifat successive,satu periode
langsung di belakangnya, namun bisa terjadi pada beberapa periode. Perilaku persediaan umumnya
mengikuti pola seperti ini, persediaan pada waktu t terikat tidak hanya pada t-1, tetapi juga beberapa
periode sebelumnya t-2, t-3.
d. Rekayasa Data Karena satu dan lain hal, seorang peneliti kadang harus menukangi" data. Salah satu
praktik "menukangi data" yang sering terjadi misalnya akibat perbedaan frekuensi. Misalnya kita
akan meregresi nilai tukar terhadap Produk Domestik Bruto (PDB) dan suku bunga dengan frekuensi
data bulanan. Data PDB adalah bersifat kuartalan, dengan demikian dilakukan suatu teknik
interpolasi yang memungkinkan data PDB kuartalan dipecah menjadi data bulanan. Penggunaan
metode interpolasi ini menimbulkan dampak smoothing yang berpotensi autokorelasi.

23