Pengaruh Autokorelasi dan Cara Mengidentifikasinya (Eviews 9)

Gambar : Cover Artikel

Pengujian Asumsi Normalitas

Ditulis oleh : Dimas Purbo Wicaksono Fenda Putra, S.E.

A.Penjelasan Otokorelasi

Otokorelasi merupakan sebutan dalam Bahasa Indonesia. Dalam Bahasa Inggris pengujian ini disebut Autocorellation atau biasa kita sebut dengan Autokorelasi merupakan hubungan antara residual satu observasi dengan residual observasi lainnya. Otokorelasi sangat erat kaitannya dengan data runtun waktu atau time series karena lebih mudah muncul dibandingkan type data cross section maupun panel. Karena otokorelasi memiliki sifat yang saling mempengaruhi antara data saat ini dengan data sebelumnya. Otokorelasi juga memungkinkan untuk muncul di type data cross section atau data yang bersifat antarobjek. 

Pada dasarnya otokorelasi memiliki beberapa bentuk yaitu otokorelasi positif dan otokorelasi negatif. Otokorelasi positif dan negatif memiliki kemungkinan besar untuk muncul di type data runtun waktu atau time series. Alasannya karena variabel yang dianalisa memiliki kecenderungan meningkat dan menurun.

Menurut Gujarati (2003), ada beberapa penyebab terjadinya otokorelasi, antara lain :

a.Adanya pergerakan naik turun pada data secara musiman. Misal : kondisi perekonomian yang terkadang naik dan turun.

b.Adanya kekeliruan dalam memanipulasi data. Misal : data tahunan dijadikan data kuartalan dengan membagi empat.

c.Adanya hubungan antara data sekarang dan data sebelumnya.

d.Data yang dianalisis tidak bersifat stasioner.

B.Pengaruh Otokorelasi :

Data yang terjangkit Otokorelasi akan menyebabkan estimator memiliki karakteristik antara lain :

a.Estimator metode kuadrat terkecil masih linear.

b.Estimator metode kuadrat terkecil masih tidak bias.

c.Estimator metode kuadrat terkecil tidak memiliki varian yang minimum (no longer best).

Seperti pada asumsi lainnya seperti heteroskedastisitas, otokorelasi juga sama yaitu bila data terkana Otokorelasi maka menyebabkan estimator tidak lagi menjadi BLUE (Best Linear Unbiased Estimator) melainkan Linear Unbiased Estimator (LUE).

C.Mengidentifikasi Otokorelasi

Jadi dalam analisis regresi sebelum kita menentukan model, alangkah lebih baiknya jika kita memeriksa data terlebih dahulu, apakah terdapat Otokorelasi pada model ataukah tidak. Untuk memeriksa ada atau tidaknya Otokorelasi kita bisa menggunakan dua cara yang disediakan program eviews antara lain :

a.Dengan melihat hasil pengujian nilai Durbin-Watson.

b.Dengan melihat hasil pengujian Breusch-Godfrey.

Informasi ekonometrika secara lengkap, silakan kunjungi channel youtube saya di : Dimas Channel

Note : Silakan bagi teman-teman yang ingin meng-copy artikel ini. Mohon sertakan sumber aslinya. Terima Kasih :-)