Perbedaan Uji Asumsi pada Regresi Linier antara Data Cross-Section dan Data Time Series
Sudah kita ketahui bersama bahwa analisis regresi linier hingga saat ini sering digunakan oleh peneliti untuk menganalisis pengaruh variabel bebas terhadap variabel terikat. Analisis regresi linier yang paling sering digunakan oleh peneliti adalah analisis regresi linier metode kuadrat terkecil atau Ordinary Least Square (OLS).
Ketika kita memutuskan untuk menggunakan analisis regresi linier metode kuadrat terkecil, maka kita perlu melakukan uji asumsi klasik. Jika kita sering membaca publikasi di jurnal internasional, mungkin kita akan menjumpai istilah asumsi Gaus Markov.
Uji asumsi klasik yang saya maksudkan di sini adalah sama dengan uji asumsi Gaus Markov. Tujuan kita melakukan uji asumsi klasik adalah untuk memastikan hasil estimasi yang konsisten dan tidak bias. Hasil estimasi tersebut lebih dikenal dengan istilah Best Linear Unbiassed Estimator (BLUE).
Perbedaan Data Cross-Section dan Data Time Series
Sesuai dengan judul yang saya angkat pada kesempatan ini, saya akan membahas mengenai perbedaan uji asumsi pada data cross section dan data time series. Sebelum kita membahas lebih dalam, terlebih dahulu kita perlu memahami dengan baik mengenai perbedaan data cross section dan data time series.
Data cross section yang sering juga disebut dengan data kerat lintang merupakan data yang terdiri dari beberapa objek yang diukur dalam satu periode waktu. Data cross section dapat diperoleh dengan melakukan pengumpulan data primer di lapang, baik melalui wawancara maupun pengisian kuesioner.
Contohnya adalah seorang peneliti yang melakukan pengamatan dan pengumpulan data terhadap 120 sampel petani di wilayah XYZ. Variabel yang diamati oleh peneliti tersebut yaitu jumlah input dan produksi padi pada tahun existing. Contoh studi kasus tersebut menunjukkan pengumpulan data cross section.
Selanjutnya, data time series merupakan data yang dikumpulkan dari satu objek yang diukur dalam beberapa periode waktu. Periode waktu tersebut dapat berupa periode tahunan, bulanan, mingguan, atau harian.
Contohnya adalah seorang peneliti yang mengumpulkan data konsumsi rumah tangga di wilayah ABC dari tahun 2000 sampai dengan tahun 2023. Berdasarkan contoh studi kasus ini menunjukkan bahwa peneliti tersebut mengumpulkan data time series tahunan.
Berdasarkan penjelasan yang saya sampaikan pada paragraf sebelumnya, diharapkan peneliti dapat memahami dengan baik mengenai perbedaan data cross section dan data time series.
Uji Asumsi yang harus ada di Data Cross Section dan Data Time Series
Uji asumsi pada regresi linier metode kuadrat terkecil tetap dilakukan baik pada data cross section maupun data time series. Selanjutnya yang menjadi pertanyaan adalah apakah uji asumsi tersebut persis sama baik pada data cross section maupun data time series?
Pada paragraf ini saya akan menjelaskan uji asumsi yang perlu dilakukan baik pada data cross section maupun data time series. Uji tersebut meliputi uji normalitas, uji heteroskedastisitas, dan uji multikolinearitas. Mari kita bahas satu persatu dengan lebih detil.
1. Uji Normalitas
Uji asumsi pertama yang kita bahas pada regresi linier metode kuadrat terkecil adalah uji normalitas. Peneliti perlu mengetahui mengapa kita perlu melakukan uji normalitas.
Uji normalitas dilakukan dengan tujuan untuk memastikan bahwa data terdistribusi normal. Ada perbedaan antara uji normalitas pada analisis regresi linier dengan analisis statistik yang lain.
Perbedaannya adalah terletak pada data yang diuji normalitasnya. Pada analisis regresi linier metode kuadrat terkecil yang diuji normalitasnya adalah nilai residualnya. Apa itu nilai residual?
Nilai residual merupakan selisih antara nilai Y aktual dengan Y penduga. Y aktual merupakan nilai observasi dari variabel terikat yang kita peroleh dari hasil pengumpulan data. Adapun Y penduga kita peroleh setelah kita melakukan estimasi regresi linear terlebih dahulu.
Setelah kita memperoleh nilai intercept dan koefisien estimasi regresi, barulah kita bisa menghitung nilai Y penduga. Selanjutnya kita baru bisa menghitung nilai residual untuk kemudian dilakukan uji normalitas. Uji normalitas dapat menggunakan uji saphiro wilk atau kolmogorov smirnov.
2. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk memastikan bahwa nilai residual konstan. Heteroskedastisitas terjadi ketika nilai residual tidak konstan di sepanjang nilai-nilai prediktor. Sebaliknya jika nilai residual konstan maka kita sebut dengan homoskedastisitas.
Hasil uji asumsi yang kita harapkan dari analisis regresi linear metode kuadrat terkecil adalah memenuhi asumsi homoskedastisitas. Dengan kata lain bahwa residual konstan di sepanjang nilai-nilai prediktor.
Untuk menguji heteroskedastisitas pada analisis regresi linier metode kuadrat terkecil, kita dapat menggunakan uji Breusch-Pagan atau uji White.
3. Uji Multikolinieritas
Uji asumsi selanjutnya yang perlu dilakukan baik pada data cross section maupun data time series yaitu uji multikolinieritas. Uji ini dilakukan dengan tujuan untuk memastikan tidak terjadi korelasi yang kuat antar variabel bebas pada persamaan regresi linier berganda.
Jika terjadi korelasi yang kuat antar variabel bebas dalam persamaan regresi, maka terjadi multikolinearitas. Sebaliknya jika tidak terjadi korelasi yang kuat antar variabel bebas, maka persamaan regresi kita sebut bebas dari masalah multikolinearitas.
Untuk mendeteksi adanya multikolinearitas, peneliti dapat mengkorelasikan antar variabel bebas atau dengan menghitung nilai variance inflation factor (VIF). Nilai VIF yang semakin kecil menunjukkan bahwa potensi terjadinya multikolinearitas semakin kecil.
Nilai VIF lebih kecil dari 10 umumnya disimpulkan bahwa tidak terjadi multikolinearitas pada persamaan regresi. Sebaliknya jika nilai VIF tinggi atau melebihi dari 10, maka kita perlu mewaspadai terjadinya masalah multikolinearitas pada persamaan regresi linier yang kita susun.
Berdasarkan yang saya sampaikan pada paragraf sebelumnya, baik pada data cross section maupun data time series perlu melakukan uji asumsi di atas, yaitu uji normalitas, uji heteroskedastisitas, dan uji multikolinearitas.
Uji Asumsi yang harus ada di data Time Series, tapi tidak di data Cross Section
Selanjutnya kita perlu membahas mengenai uji asumsi yang harus ada pada data time series, namun kita tidak perlu melakukannya pada data cross section. Uji tersebut yaitu uji autokorelasi.
Jika peneliti menggunakan data time series, maka peneliti perlu melakukan uji autokorelasi. Sebaliknya jika peneliti menggunakan data cross section, maka tidak perlu dilakukan uji autokorelasi.
Autokorelasi mengacu pada korelasi antara nilai pada data time series pada kondisi saat ini dengan nilai-nilai sebelumnya atau nilai-nilai sesudahnya. Dalam konteks analisis regresi linier metode kuadrat terkecil, autokorelasi dari residual dapat merusak asumsi independensi dari residual.
Uji yang paling sering dipilih oleh peneliti untuk mendeteksi adanya autokorelasi yaitu uji Durbin Watson. Uji Durbin Watson dapat digunakan untuk mendeteksi apakah tidak terjadi autokorelasi, terjadi autokorelasi positif, maupun terjadi autokorelasi negatif.
Kesimpulan
Berdasarkan penjelasan yang saya sampaikan pada artikel ini, dapat kita tarik kesimpulan bahwa baik pada data cross section maupun data time series perlu melakukan uji asumsi normalitas, uji heteroskedastisitas, dan uji multikolinearitas. Adapun jika kita menggunakan data time series, maka kita perlu menambah satu uji lagi yaitu uji autokorelasi.
Baik, ini artikel yang dapat saya tulis pada kesempatan ini. Semoga bermanfaat bagi yang membutuhkan. Temukan konten edukasi lainnya pada Channel Youtube, website, IG, dan Tiktok Kanda Data. Sampai jumpa pada artikel edukasi pekan berikutnya.
Posting Komentar untuk "Perbedaan Uji Asumsi pada Regresi Linier antara Data Cross-Section dan Data Time Series"