Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada bulan Februari akan rendah.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.
Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi berkurang 1.
1. Inersia
Salah satu ciri menonjol dari sebagian deretan waktu ekonomi adalah inersia atau kelembaman. Seperti telah dikenal dengan baik, deretan waktu seperti GNP. Indeks Harga, produksi, kesempatan kerja dan pengangguran menunjukkan pola siklus. Dalam kasus-kasus tersebut observasi yang berurutan nampaknya saling bergantungan.
2. Bias spesisifikasi mengeluarkan variabel yang relevan dari model
3. Bias spesifikasi karena bentuk fungsional yang tidak benar
4. Fenomena Cobweb
Penawaran banyak komoditi pertanian mencerminkan apa yang disebut “Fenomena Cobweb” di mana penawaran bereaksi terhadap harga dengan keterlambatannya satu periode waktu karena keputusan penawaran memerlukan waktu untuk penawarannya (periode persiapan) jadi pada awal musim tanam tahun ini pertanian dipengaruhi oleh harga yang terjadi tahun lalu.
5. Manipulasi data
Dalam analisis empiris, data kasar seringkali “dimanipulasikan”. Sebagai contoh, dalam regresi daretan waktu yang melibatkan data kuartalan, data seperti itu biasanya diperoleh dari data bulanan dengan hanya marata-ratakan 3 observasi 3 bulanan. Pemerataan-rataan ini meratakan fluktuasi dalam data bulanan dan dengan sendirinya mengakibatkan pola sistematis dalam error sehingga menyababkan autokorelasi.
Apa akibatnya jika terjadi Autokorelasi ??
1. Penduga tetap tak bias, konsisten tetapi tidak lagi efisien (variansnya tidak lagi minimum). Oleh karena itu selang keyakinannya menjadi lebar dan pengujian arti (signifikan) kurang kuat.
2. Varians dan kesalahan standar penduga OLS akan menaksir varians dan kesalahan sebenarnya terlalu rendah.
3. Pengujian arti t dan F tidak lagi valid sehingga menghasilkan kesimpulan yang tidak valid.
4. Memberikan gambaran yang menyimpang dari nilai populasi sebenarnya.
No comments:
Post a Comment