Mengatasi Masalah Asumsi Klasik dalam Regresi Data Panel
Panduan mendeteksi dan menangani pelanggaran asumsi klasik.
Uji Asumsi Klasik adalah pilar utama dalam regresi OLS (Ordinary Least Squares). Jika asumsi ini dilanggar, maka estimator (koefisien regresi) yang Anda hasilkan menjadi tidak BLUE (Best Linear Unbiased Estimator), yang artinya kesimpulan penelitian Anda tidak dapat diandalkan. Khusus pada Data Panel, pendekatannya sedikit berbeda dari regresi data runtun waktu biasa.
1. Uji Normalitas Residual
Dalam panel berskala besar (N > 30), Asumsi Normalitas Residual seringkali diabaikan merujuk pada Teorema Limit Pusat (Central Limit Theorem). Namun, jika dosen Anda tetap meminta, gunakan Uji Jarque-Bera (JB). Jika nilai probabilitas JB > 0.05, maka residual berdistribusi normal.
2. Uji Multikolinearitas (VIF)
Multikolinearitas menguji apakah terdapat korelasi yang sangat kuat antar sesama variabel independen. Cara termudah adalah melihat nilai Variance Inflation Factor (VIF). Di EViews, setelah melakukan regresi, pilih View > Coefficient Diagnostics > Variance Inflation Factors.
Jika nilai Centered VIF > 10, maka dipastikan model Anda terkena multikolinearitas serius. Solusinya adalah mengeluarkan salah satu variabel yang bermasalah, atau menggunakan teknik reduksi dimensi seperti PCA (Principal Component Analysis).
3. Uji Heteroskedastisitas (White / Glejser Test)
Ini adalah penyakit paling umum di data panel (Cross-section heteroskedasticity). Varians dari error term ternyata tidak konstan (berbeda-beda antar perusahaan skala besar vs kecil). Di EViews, Anda bisa menjalankan Uji Glejser (meregresi nilai absolut residual terhadap variabel independen).
Solusi Taktis Tanpa Hapus Data:
Jika terbukti ada heteroskedastisitas, jangan panik! Anda tidak perlu mencari data baru. Anda cukup mengganti metode estimasi standar eror Anda menjadi Robust Standard Errors. Pada jendela estimasi EViews, buka tab Options, lalu pada Covariance Method, pilih White cross-section. Ini otomatis menetralkan bias dari heteroskedastisitas.
4. Uji Autokorelasi (Durbin-Watson / Breusch-Godfrey)
Autokorelasi terjadi saat error term di tahun berjalan (t) dipengaruhi oleh error term di tahun sebelumnya (t-1). Sangat lumrah di data panel karena kita meneliti perusahaan yang sama secara beruntun. Jika nilai Durbin-Watson (DW Stat) berada jauh dari angka 2 (misal di bawah 1.5 atau di atas 2.5), berarti ada autokorelasi.
Cara Mengatasi:
Sama seperti trik Heteroskedastisitas, Anda bisa langsung menggunakan penyesuaian matriks kovarians (HAC - Heteroskedasticity and Autocorrelation Consistent). Di EViews (Options), pilih opsi Panel M.A. / Arellano atau gunakan model regresi yang lebih dinamis (seperti GMM - Generalized Method of Moments).