Program Studi Bisnis Digital • FEB Undip

Statistika Bisnis

Pertemuan 11 — Asumsi Regresi Berganda dan Penyimpangannya

Model regresi berganda hanya bisa dipercaya kalau asumsi di baliknya terpenuhi. Hari ini kita bongkar asumsi itu satu per satu — dan apa yang terjadi kalau dilanggar.

RPS minggu 12 · 2x50 menit

Bagian 1 dari 3

Mengapa Asumsi Itu Penting?

Mengenal lima asumsi klasik di balik regresi berganda — dan kenapa mengabaikannya berbahaya.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan asumsi regresi berganda dan mengenali penyimpangannya. Secara rinci:

CAPAIAN 1

KONSEP

Menjelaskan lima asumsi klasik regresi berganda dan mengapa masing-masing dibutuhkan.

CAPAIAN 2

DETEKSI

Mengenali gejala multikolinearitas dan autokorelasi dari indikator sederhana.

CAPAIAN 3

HITUNG

Menghitung VIF (Variance Inflation Factor) dan statistik Durbin-Watson dari data sederhana.

CAPAIAN 4

DAMPAK

Menjelaskan konsekuensi tiap penyimpangan asumsi terhadap kesimpulan bisnis kita.

Kalau Asumsi Dilanggar, Kesimpulan Bisa Menyesatkan

Bayangkan seorang analis di sekuritas menyusun regresi berganda: harga saham BBCA diprediksi dari suku bunga acuan BI dan volume transaksi harian. Hasilnya rapi, R² tinggi — tapi ia lupa satu hal penting.

MASALAH 1

DUA X SALING MIRIP

Suku bunga acuan dan yield SUN bergerak nyaris identik — model bingung membedakan pengaruh masing-masing.

MASALAH 2

DATA BERURUTAN WAKTU

Data harian berturut-turut — harga hari ini sering "mirip" harga kemarin, bukan acak.

AKIBAT

KEPUTUSAN SALAH

Koefisien & uji signifikansi jadi tidak bisa dipercaya — rekomendasi beli/jual bisa keliru.

Regresi dengan R² tinggi TIDAK otomatis berarti model valid. Kalau asumsi di baliknya dilanggar, angka R² yang bagus itu bisa menipu — inilah alasan kita wajib memeriksa asumsi sebelum menyimpulkan apa pun.

Kasus ini sering terjadi di dunia nyata: seorang analis di sekuritas begitu senang melihat R kuadrat yang tinggi sehingga langsung menyimpulkan modelnya bagus, padahal ia belum memeriksa apakah asumsi di balik regresinya terpenuhi. Dalam contoh ini, ada dua masalah tersembunyi. Pertama, suku bunga acuan Bank Indonesia dan yield surat utang negara bergerak nyaris bersamaan, sehingga model kesulitan memisahkan pengaruh murni masing-masing variabel. Kedua, karena datanya harian dan berurutan waktu, harga saham hari ini sering mirip dengan harga kemarin, sehingga error model tidak lagi acak. Kalau dua hal ini diabaikan, koefisien dan uji signifikansi yang keluar dari software bisa menyesatkan, dan rekomendasi investasi yang didasarkan padanya bisa keliru. Inilah alasan kenapa memeriksa asumsi bukan langkah opsional, melainkan wajib sebelum kita percaya pada hasil regresi apa pun.

Lima Asumsi Klasik Regresi Berganda

Kelima asumsi ini disingkat dengan istilah BLUE (Best Linear Unbiased Estimator — penaksir linear tak bias terbaik) dalam metode Ordinary Least Squares (OLS).

Hari ini kita fokus pada linearitas, multikolinearitas, dan autokorelasi — homoskedastisitas dan normalitas residual akan diuji formal dengan software minggu depan (Pertemuan 12).

Asumsi 1: Hubungan Linear & Spesifikasi Model Benar

Regresi berganda mengasumsikan hubungan antara variabel bebas (X) dan variabel terikat (Y) berbentuk garis lurus, bukan lengkung.

CONTOH TERPENUHI

LINEAR

Penjualan UMKM naik proporsional terhadap anggaran iklan digital — tiap tambahan Rp1 juta iklan, penjualan naik dengan besaran relatif konsisten.

CONTOH DILANGGAR

NON-LINEAR

Efek iklan menurun setelah anggaran terlalu besar (diminishing returns) — hubungannya melengkung, bukan garis lurus.

Kalau hubungan sebenarnya melengkung tapi dipaksa dimodelkan garis lurus, prediksi model akan meleset sistematis di ujung-ujung data — solusinya bisa transformasi variabel (mis. logaritma) atau menambah suku kuadratik.

Asumsi pertama ini kelihatan sederhana tapi sering dilanggar tanpa disadari. Regresi berganda pada dasarnya hanya bisa menggambar garis lurus antara variabel bebas dan variabel terikat, bukan kurva melengkung. Contoh yang terpenuhi: penjualan UMKM yang naik cukup proporsional seiring tambahan anggaran iklan digital di Instagram atau TikTok. Tapi dalam praktiknya, banyak hubungan bisnis sebenarnya melengkung — misalnya efek iklan yang semakin besar anggarannya justru semakin kecil tambahan penjualannya, fenomena yang disebut diminishing returns atau imbal hasil yang menurun. Kalau pola melengkung ini dipaksa dimodelkan sebagai garis lurus, prediksi model akan meleset secara sistematis, terutama di anggaran iklan yang sangat kecil atau sangat besar. Solusinya biasanya mentransformasi variabel, misalnya memakai logaritma, atau menambahkan suku kuadratik ke dalam model.

Asumsi 2: Variabel Bebas Tidak Saling "Mirip"

Multikolinearitas (multicollinearity) terjadi ketika dua atau lebih variabel bebas (X) berkorelasi sangat tinggi satu sama lain — model jadi bingung membagi "jasa" siapa yang menjelaskan Y.

Analogi: dua orang mendorong mobil bersamaan dari arah yang sama — sulit mengukur seberapa besar sumbangan tenaga masing-masing orang secara terpisah.

CONTOH KASUS

SUKU BUNGA & YIELD SUN

Suku bunga acuan BI dan yield SUN 10 tahun bergerak nyaris bersamaan — keduanya dipakai sekaligus sebagai X memprediksi harga saham.

GEJALA AWAL

TANDA CURIGA

Koefisien berubah drastis atau tanda (+/−) tidak masuk akal saat satu variabel ditambah/dihapus dari model.

Asumsi kedua ini menjadi topik utama kita di bagian berikutnya, jadi mari kita kenalkan dulu konsepnya. Multikolinearitas terjadi ketika dua atau lebih variabel bebas berkorelasi sangat tinggi satu sama lain, sehingga model kebingungan membagi "jasa" siapa yang sebenarnya menjelaskan variabel terikat. Analogi yang mudah diingat: bayangkan dua orang mendorong mobil bersamaan dari arah yang sama — kita sulit mengukur seberapa besar sumbangan tenaga masing-masing orang secara terpisah, walaupun mobilnya jelas bergerak. Contoh nyata di dunia keuangan: suku bunga acuan Bank Indonesia dan yield Surat Utang Negara sepuluh tahun bergerak nyaris bersamaan, sehingga kalau keduanya dipakai sekaligus sebagai variabel bebas, model kesulitan memisahkan pengaruh murni masing-masing. Gejala awal yang patut dicurigai adalah ketika koefisien berubah drastis, atau bahkan tandanya menjadi tidak masuk akal, saat kita menambah atau menghapus satu variabel dari model.

Bagian 2 dari 3

Mendeteksi Penyimpangan

Menghitung VIF untuk multikolinearitas, statistik Durbin-Watson untuk autokorelasi, dan mengenali pola heteroskedastisitas.

Hitung dari Nol: Variance Inflation Factor (VIF)

VIF mengukur seberapa "terinfeksi" satu variabel bebas oleh variabel bebas lain. Caranya: regresikan X1 terhadap X lainnya, ambil R²-nya.

KASUS: X1 = SUKU BUNGA ACUAN, DIREGRESIKAN ATAS X2 & X3 LAINNYA

Langkah	Perhitungan	Nilai
R² regresi auxiliary (X1 atas X2, X3)	—	0,75
Tolerance	1 − 0,75	0,25
VIF	1 ÷ 0,25	4,00
Ambang batas kewaspadaan (rule of thumb)	—	VIF ≥ 10
Kesimpulan	4,00 < 10	Belum parah

VIF X1 (SUKU BUNGA ACUAN)

4,00

di bawah ambang 10 — multikolinearitas belum mengkhawatirkan, tetap perlu dipantau

Coba Sendiri: Hitung VIF dari R² Auxiliary

Geser nilai R² regresi auxiliary dan amati bagaimana tolerance serta VIF berubah, termasuk kapan melewati ambang waspada 10.

Multikolinearitas: Konsekuensi & Solusi

KONSEKUENSI

STANDARD ERROR MEMBESAR

Koefisien jadi tidak stabil dan uji-t sering gagal signifikan, padahal secara bersama (uji-F) variabelnya berpengaruh.

SOLUSI

3 CARA UMUM

(1) Buang salah satu X yang mirip, (2) gabungkan jadi indeks komposit, atau (3) tambah ukuran sampel data.

Analis di sekuritas yang tadi kita bahas: cukup pilih salah satu antara suku bunga acuan BI atau yield SUN sebagai X — jangan dua-duanya, karena informasinya sudah tumpang tindih.

Kalau multikolinearitas terbukti parah, konsekuensi utamanya adalah standard error koefisien membesar, sehingga uji-t sering gagal menunjukkan signifikansi meskipun secara bersama-sama, lewat uji-F, variabel-variabel tersebut sebenarnya berpengaruh nyata terhadap Y. Koefisiennya juga menjadi tidak stabil — bisa berubah drastis hanya karena menambah atau mengurangi satu observasi data. Tiga solusi paling umum: pertama, buang salah satu dari dua variabel yang saling mirip; kedua, gabungkan keduanya menjadi satu indeks komposit; ketiga, perbesar ukuran sampel data kalau memungkinkan. Kembali ke contoh analis sekuritas kita tadi, solusi paling praktis adalah cukup memilih salah satu antara suku bunga acuan Bank Indonesia atau yield Surat Utang Negara sebagai variabel bebas, jangan dipakai berdua sekaligus, karena informasinya memang sudah tumpang tindih.

Asumsi: Tanpa Autokorelasi pada Error

Autokorelasi (autocorrelation) terjadi ketika error (residual) periode ini berkorelasi dengan error periode sebelumnya — paling sering muncul pada data deret waktu (time series).

SUMBER UMUM

DATA HARIAN/BULANAN

Penjualan Tokopedia bulan ini biasanya "mirip" bulan lalu — ada tren/musiman yang belum tertangkap model.

ALAT DETEKSI

DURBIN-WATSON

Statistik uji berkisar 0–4; nilai mendekati 2 menandakan tidak ada autokorelasi.

Autokorelasi membuat standard error diremehkan (underestimate) — variabel yang sebenarnya tidak signifikan bisa terlihat signifikan di uji-t, menyesatkan pengambil keputusan.

Asumsi berikutnya menyangkut pola pada error, bukan lagi hubungan antar variabel bebas. Autokorelasi terjadi ketika error di satu periode berkorelasi dengan error di periode sebelumnya, dan gejala ini paling sering muncul pada data deret waktu, misalnya data harian atau bulanan. Contohnya penjualan di Tokopedia bulan ini biasanya mirip dengan bulan lalu, karena ada tren atau pola musiman yang belum sepenuhnya tertangkap oleh model kita, sehingga sisa polanya "bocor" ke dalam error dan membuat error antarwaktu saling berkorelasi. Alat deteksi paling umum adalah statistik Durbin-Watson, yang berkisar dari nol sampai empat; nilai yang mendekati dua menandakan tidak ada autokorelasi. Dampak paling berbahaya dari autokorelasi adalah standard error yang diremehkan, sehingga variabel yang sebenarnya tidak signifikan bisa terlihat signifikan di uji-t, dan ini bisa menyesatkan pengambil keputusan bisnis.

Hitung dari Nol: Statistik Durbin-Watson

Data ilustrasi: lima residual berurutan waktu (e1–e5) dari regresi penjualan harian sebuah UMKM daring.

LANGKAH PERHITUNGAN DW = Σ(et − et-1)² ÷ Σet²

Langkah	Perhitungan	Nilai
Residual e1, e2, e3, e4, e5	—	2, −1, 3, −2, 1
Selisih berurutan (et − et-1)	e2−e1, e3−e2, e4−e3, e5−e4	−3, 4, −5, 3
Jumlah kuadrat selisih	9 + 16 + 25 + 9	59
Jumlah kuadrat residual	4 + 1 + 9 + 4 + 1	19
Statistik Durbin-Watson	59 ÷ 19	3,11

DW = 3,11

> 2

mendekati batas atas 4 — mengindikasikan autokorelasi negatif, perlu ditelusuri lebih lanjut

Sekarang kita hitung statistik Durbin-Watson langkah demi langkah dari lima residual ilustratif hasil regresi penjualan harian sebuah UMKM daring: dua, minus satu, tiga, minus dua, dan satu. Langkah pertama, hitung selisih tiap residual dengan residual sebelumnya: minus tiga, empat, minus lima, dan tiga. Langkah kedua, kuadratkan tiap selisih lalu jumlahkan: sembilan tambah enam belas tambah dua puluh lima tambah sembilan sama dengan lima puluh sembilan. Langkah ketiga, kuadratkan tiap residual asli lalu jumlahkan: empat tambah satu tambah sembilan tambah empat tambah satu sama dengan sembilan belas. Statistik Durbin-Watson adalah lima puluh sembilan dibagi sembilan belas, sama dengan kira-kira tiga koma satu satu. Karena nilai dua adalah patokan "tidak ada autokorelasi", dan rentang statistik ini nol sampai empat, angka 3,11 yang mendekati batas atas empat menandakan gejala autokorelasi negatif — pola residual berbalik arah dari periode ke periode, dan ini perlu ditelusuri lebih lanjut penyebabnya, misalnya musiman mingguan yang belum ditangkap model.

Coba Sendiri: Statistik Durbin-Watson pada Pola Residual

Ubah pola residual berurutan waktu dan amati bagaimana nilai DW bergerak di antara 0-4 serta apa artinya di tiap zona.

Mengenali Pola Heteroskedastisitas (Sekilas)

Homoskedastisitas berarti sebaran error konstan di semua level X. Bandingkan dua pola sebaran residual berikut (diuji formal minggu depan):

Bentuk corong (melebar) pada Pola B biasa muncul di data omzet UMKM: usaha kecil omzetnya stabil diprediksi, usaha besar omzetnya jauh lebih bervariasi & sulit ditebak persis.

Mari kita telusuri dua pola sebaran residual ini langkah demi langkah, karena visualisasi ini akan sangat membantu Anda mengenali gejala heteroskedastisitas di lapangan. Perhatikan dulu Pola A di sisi kiri: titik-titik residual tersebar dengan lebar pita yang kira-kira sama, baik di ujung kiri maupun ujung kanan sumbu X — inilah yang disebut homoskedastisitas, kondisi sehat yang diasumsikan OLS. Sekarang bandingkan dengan Pola B di sisi kanan: perhatikan bagaimana sebaran titik semakin melebar seperti bentuk corong seiring nilai X membesar — inilah heteroskedastisitas. Pola seperti ini sering muncul pada data omzet UMKM, di mana usaha kecil omzetnya relatif mudah diprediksi dan stabil, sementara usaha besar omzetnya jauh lebih bervariasi dan sulit ditebak persis. Ingat, hari ini kita baru mengenali pola secara visual; pengujian formalnya dengan uji Breusch-Pagan atau White akan kita praktikkan minggu depan di Pertemuan 12.

Heteroskedastisitas: Konsekuensi & Solusi

KONSEKUENSI

SE TIDAK EFISIEN

Koefisien tetap tak bias, tapi standard error jadi tidak efisien — uji-t & interval keyakinan jadi kurang akurat.

SOLUSI UMUM

ROBUST SE / WLS

Robust standard error (White) atau Weighted Least Squares (WLS) memberi bobot lebih kecil ke observasi yang lebih "liar".

Kabar baiknya: heteroskedastisitas tidak merusak nilai koefisien itu sendiri — hanya merusak keandalan uji signifikansinya. Ini beda dengan multikolinearitas parah yang bisa membuat koefisien tidak stabil.

Penting dipahami bahwa heteroskedastisitas ini punya karakter yang agak berbeda dari dua penyimpangan sebelumnya. Koefisien regresi tetap tidak bias, artinya rata-rata taksirannya masih benar, tapi standard error-nya menjadi tidak efisien, sehingga uji-t dan interval keyakinan yang kita hitung menjadi kurang akurat — bisa terlalu sempit atau terlalu lebar dari yang seharusnya. Solusi paling umum dipakai praktisi adalah robust standard error, sering disebut standard error White, atau memakai metode Weighted Least Squares yang memberi bobot lebih kecil pada observasi yang polanya lebih liar, seperti omzet UMKM besar yang sangat bervariasi tadi. Kabar baiknya, heteroskedastisitas tidak merusak nilai koefisien itu sendiri, ini berbeda dengan multikolinearitas parah yang bisa membuat koefisien menjadi tidak stabil sama sekali.

Sekilas: Normalitas Residual (Detail Minggu Depan)

Asumsi terakhir: residual (error) harus berdistribusi normal — bentuk lonceng simetris yang sudah Anda pelajari di Pertemuan 3 (Kurva Normal & Nilai-Z).

KENAPA PENTING

UJI-T & UJI-F VALID

Uji signifikansi koefisien (uji-t) dan kelayakan model (uji-F) mengasumsikan residual normal, terutama pada sampel kecil.

CARA UJI (P12)

JARQUE-BERA

Minggu depan kita praktik uji formal Jarque-Bera & histogram residual langsung di software statistik.

Kabar baik: dengan sampel besar (aturan praktis n > 30), pelanggaran normalitas residual biasanya tidak terlalu fatal berkat Teorema Limit Pusat (Central Limit Theorem).

Asumsi kelima dan terakhir adalah normalitas residual, yaitu error model harus berdistribusi normal, bentuk lonceng simetris yang sudah kita pelajari bersama waktu membahas kurva normal dan nilai-Z di awal semester. Asumsi ini penting karena uji-t untuk menguji signifikansi tiap koefisien dan uji-F untuk menguji kelayakan model secara keseluruhan sama-sama mengasumsikan residual yang normal, terutama kalau ukuran sampel kita kecil. Minggu depan di Pertemuan 12, kita akan mempraktikkan pengujian formalnya memakai uji Jarque-Bera dan histogram residual langsung di software statistik. Tapi ada kabar baik yang perlu Anda ingat: kalau ukuran sampel kita cukup besar, dengan aturan praktis lebih dari tiga puluh observasi, pelanggaran normalitas residual biasanya tidak terlalu fatal, berkat sebuah teorema penting dalam statistik bernama Teorema Limit Pusat atau Central Limit Theorem.

Bagian 3 dari 3

Studi Kasus & Latihan

Membaca gejala penyimpangan pada kasus nyata, lalu berlatih mendiagnosis regresi Anda sendiri.

Studi Kasus: Diagnosis Regresi Harga Saham BBCA

Model: Harga BBCA = f(Suku Bunga Acuan, Yield SUN 10 Tahun, Volume Transaksi Harian). Mari diagnosis bersama.

Asumsi	Gejala yang Ditemukan	Diagnosis
Multikolinearitas	VIF suku bunga acuan = 4,00 (di bawah 10)	Belum parah
Autokorelasi	Durbin-Watson = 3,11 (jauh dari 2)	Terindikasi
Linearitas	Scatterplot X-Y tampak melengkung ringan	Perlu ditelusuri
Heteroskedastisitas	Diuji formal Pertemuan 12	Belum diperiksa

Karena data ini deret waktu harian, autokorelasi paling mungkin jadi biang masalah — analis perlu menambah variabel lag (nilai periode sebelumnya) atau memakai model time series yang lebih sesuai.

Sekarang mari kita praktikkan cara membaca hasil diagnosis secara utuh, kembali ke kasus analis sekuritas yang meregresikan harga saham BBCA terhadap suku bunga acuan, yield Surat Utang Negara sepuluh tahun, dan volume transaksi harian. Dari VIF yang sudah kita hitung tadi, sebesar empat, multikolinearitasnya belum parah. Tapi statistik Durbin-Watson sebesar 3,11 jauh dari angka dua, jadi terindikasi autokorelasi negatif. Scatterplot antara X dan Y juga tampak sedikit melengkung, jadi asumsi linearitas perlu ditelusuri lebih lanjut, mungkin perlu transformasi logaritma. Karena data ini berbentuk deret waktu harian, autokorelasi memang paling mungkin menjadi biang masalah utama di sini, dan solusi paling umum adalah menambahkan variabel lag, yaitu nilai harga di periode sebelumnya, sebagai salah satu prediktor tambahan, atau beralih ke model time series yang memang dirancang untuk data semacam ini.

Latihan: Diagnosis Cepat Regresi Kelompok Anda

Kerjakan berkelompok (3–4 orang), 15 menit. Gunakan model regresi berganda yang sudah Anda susun di Pertemuan 10, lalu jawab tiga pertanyaan berikut secara ringkas:

PERTANYAAN 1

SALING MIRIP?

Adakah dua X di model Anda yang secara konsep/data berkorelasi tinggi satu sama lain?

PERTANYAAN 2

DATA WAKTU?

Apakah data Anda deret waktu berurutan yang berisiko autokorelasi?

PERTANYAAN 3

POLA LURUS?

Kalau di-plot, apakah hubungan X dan Y terlihat lurus atau melengkung?

Dua kelompok akan diminta presentasi singkat (2 menit) di akhir sesi — sebutkan asumsi mana yang paling berisiko dilanggar di model Anda dan kenapa.

Sekarang giliran Anda mempraktikkan langsung diagnosis asumsi yang sudah kita pelajari. Bentuk kelompok tiga sampai empat orang, dan gunakan model regresi berganda yang sudah Anda susun bersama di Pertemuan 10 lalu. Dalam lima belas menit ke depan, jawab tiga pertanyaan diagnosis ini: pertama, adakah dua variabel bebas di model Anda yang secara konsep atau data cenderung berkorelasi tinggi, misalnya harga bahan baku dan biaya produksi; kedua, apakah data Anda berbentuk deret waktu berurutan yang berisiko mengalami autokorelasi, misalnya data penjualan mingguan; ketiga, kalau digambar sebagai scatterplot, apakah hubungan antara X dan Y Anda terlihat lurus atau justru melengkung. Saya akan berkeliling membantu kelompok yang kesulitan, dan di akhir sesi dua kelompok akan saya minta presentasi singkat dua menit menyebutkan asumsi mana yang paling berisiko dilanggar di model mereka.

Kesalahan Umum Memeriksa Asumsi Klasik

KESALAHAN 1

HANYA LIHAT R²

Puas dengan R² tinggi tanpa pernah memeriksa VIF, Durbin-Watson, atau pola residual sama sekali.

KESALAHAN 2

VIF SEDIKIT LEWAT LANGSUNG PANIK

VIF sedikit di atas 10 tidak selalu berarti model rusak total — pertimbangkan konteks & ukuran sampel dulu.

KESALAHAN 3

ABAIKAN URUTAN WAKTU DATA

Menganggap semua data "acak" padahal datanya deret waktu — lupa cek Durbin-Watson sama sekali.

KESALAHAN 4

SALAH OBAT UNTUK GEJALA

Memakai robust SE untuk mengatasi multikolinearitas (padahal itu obat heteroskedastisitas) — tak menyelesaikan akar masalah.

Sebelum kita tutup pertemuan ini, penting Anda mengenali empat kesalahan paling umum yang saya lihat berulang kali. Pertama, banyak mahasiswa dan bahkan praktisi pemula puas begitu melihat R kuadrat tinggi, tanpa pernah memeriksa VIF, Durbin-Watson, atau pola residual sama sekali. Kedua, VIF yang sedikit di atas angka sepuluh tidak selalu berarti model Anda rusak total; pertimbangkan dulu konteks penelitian dan ukuran sampel sebelum buru-buru membuang variabel. Ketiga, kesalahan yang sering luput adalah mengabaikan urutan waktu data, menganggap semua data itu acak padahal sebenarnya deret waktu, sehingga lupa mengecek Durbin-Watson sama sekali. Keempat, salah memberi "obat" untuk gejala yang salah, misalnya memakai robust standard error untuk mengatasi multikolinearitas, padahal robust standard error itu sebenarnya obat untuk heteroskedastisitas, bukan multikolinearitas — akibatnya akar masalah tidak pernah benar-benar terselesaikan.

Rangkuman & Persiapan Pertemuan Berikutnya

CHEAT SHEET — 5 ASUMSI KLASIK OLS

Asumsi	Indikator/Alat Cek
Linearitas	Scatterplot X-Y — harus tampak lurus
Tanpa Multikolinearitas	VIF — waspada jika ≥ 10
Homoskedastisitas	Breusch-Pagan/White (detail Pertemuan 12)
Tanpa Autokorelasi	Durbin-Watson — ideal mendekati 2
Normalitas Residual	Jarque-Bera (detail Pertemuan 12)

MINGGU DEPAN (P12)

Pengujian Asumsi Klasik — praktik normalitas & homoskedastisitas formal dengan software statistik.

TUGAS

DIAGNOSIS TERTULIS

Tuliskan diagnosis tiga asumsi (linearitas, multikol, autokorelasi) model kelompok Anda, kumpulkan sebelum P12.

Mari kita rangkum apa yang sudah kita pelajari hari ini. Regresi berganda mengandalkan lima asumsi klasik yang disingkat BLUE: linearitas hubungan, tidak ada multikolinearitas antar variabel bebas, homoskedastisitas atau varians error yang konstan, tidak ada autokorelasi pada error, dan normalitas residual. Hari ini kita fokus mendalami tiga yang pertama, lengkap dengan cara menghitung VIF dan statistik Durbin-Watson dari nol. Minggu depan, di Pertemuan 12, kita akan mempraktikkan pengujian formal untuk dua asumsi terakhir, yaitu normalitas dan homoskedastisitas, langsung dengan software statistik. Sebagai tugas, tuliskan diagnosis tertulis untuk tiga asumsi yang sudah kita bahas hari ini — linearitas, multikolinearitas, dan autokorelasi — pada model regresi kelompok Anda, dan kumpulkan sebelum Pertemuan 12 dimulai. Terima Kasih, sampai jumpa di pertemuan berikutnya.