KEL.04_NORMALITAS RESIDUAL_EKONOMETRIKA_ES-5B-dikompresi(1)

NORMALITAS RESIDUAL EKONOMETRIKA Dosen Pengampu : Wahyu Dwi Warsitasari, M.Pd. Disusun oleh Kelompok 4 ES-5B

Anggota Kelompok 4 : 01 02 03 04 Siti Suwaidah Eva Apriani Titis Rohadatul A. NIM. 12402193056 NIM. 12402193057 NIM. 12402193064 Kholipah Hendar P NIM. 12402193074

NEXT ..... 05 06 07 Sinta Fatmalasari M. Hasyim A. Taufik Badarus Z. NIM. 12402193084 NIM. 12402193091 NIM. 12402193098

Sub Bab PEMBAHASAN : EKONOMETRIKA EKONOMETRIKA Uji Jarque-Bera Pengertian Normalitas Residual Uji Kolmogorov – Semirnov Analisis Grafik Mengobati Pelanggaran Analisis Statistik Normalitas Error Skewness dan Kurtosis

A. Normalitas Residual Penjelasan : Prinsip normalitas berlaku untuk error (Rawlings et al., 1998; Osborne dan Water, 2002; Willlaim et al., 2013). Error yang disebut juga residual adalah perbedaan antara nilai hasil observasi dan nilai prediksi yang diperoleh melalui model regresi sebenarnya (true regression model) yang berlaku untuk populasi secara keseluruhan. Residual adalah perbedaan antara nilai observasi dengan nilai prediksi yang diperoleh dengan menggunakan model regresi estimasi. Untuk setiap kombinasi nilai prediktor, diasumsikan distribusi residual adalah normal.

B. ANALISIS GRAFIK Salah satu cara termudah melihat normalitas Gambar 1. Gambar 2. residual adalah dengan melihat grafik uji normalitas dengan histogram Uji normalitas residual dengan P-P histogram yang membandingkan antara data Plot of Regression Standarizied observasi dengan distribusi yang mendekati Residual normal. Namun terkadang dengan melihat histogram ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya Cara Melakukan Uji Ini dapat dilihat melalui link : https://youtu.be/XaSnk0sw8x0

Ketentuan uji normalitas dengan histogram : Apabila sebagian besar bar/batang berada di bawah kurve (lonceng terbalik), maka variabel berdistribusi normal. Apabila sebagian besar bar/batang tidak berada di bawah kurve (lonceng terbalik), maka variabel berdistribusi normal. Penjelasan Gambar 1 : Dari output histrogram diatas membentuk kurve normal karena sebagian besar bar/batang berada di bawah kurve (lonceng terbalik), maka variabel berdistribusi normal.

Ketentuan Uji normalitas residual dengan P-P Plot of Regression Standarizied Residual: Apabila titik-titik atau data berada di dekat atau mengikuti garis diagonalnya maka dapat dikatakan bahwa nilai residual berdistribusi normal. Apabila titik-titik menjauh atau tersebar dan tidak mengikuti garis diagonal maka hal ini menunjukkan bahwa nilai residual tidak berdistribusi normal. Penjelasan Gambar 2 : Dari output diatas terlihat jika titik-titik menyebar mengikuti data di sepanjang garis diagonal, hal ini menunjukkan bahwa data berdistribusi normal. PENTING : Uji Normalitas dengan Grafik Histogram dan P-Plot SPSS dapat menyesatkan jika tidak hati-hati dalam menafsirkannya. Mungkin kelihatannya berdasarkan digambar grafik histrogram maupun grafik plot distribusi datanya normal, padahal secara statistik dapat berarti sebaliknya. Oleh karena itu, untuk mendukung atau membuktikan hasil uji normalitas grafik perlu dilakukan Uji Normalitas Kolmogorov- Smirnov, Uji Nomalitas dengan Skewness dan Kurtosis dan Uji Normalitas Jarque-Bera

C. ANALISIS STATISTIK Uji normalitas dengan grafik dapat Pendeteksian normalitas secara statistik adalah dengan menyesatkan kalau tidak hati-hati secara menggunakan uji Kolmogorov-Smirnov. Uji visual kelihatan normal, padahal secara statistik bisa sebaliknya. Oleh sebab itu Kolmogorov-Smirnov merupakan uji normalitas dianjurkan disamping uji grafik dilengkapi yang umum digunakan karena di nilai lebih sederhana dan tidak menimbulkan perbedaan dengan uji statistik. persepsi. Uji Kolmogorov-Smirnov dilakukan dengan tingkat signifikan 0,05. Untuk lebih sederhana, pengujian ini dapat dilakukan dengan melihat profitabilitas dari Kolmogorov- Smirnov Z statistik. Jika profitabilitas Z statistik lebih kecil dari 0,05 maka nilai residiual dalam suatu regresi tidak terdistribusi secara normal. Sumber : (Ghozali, 2007 dalam Duitaningsih, 2012).

D. SKEWNESS & KURTOSIS SKEWNESS : Skewness atau disebut juga ukuran kemiringan yaitu suatu bilangan yang dapat menunjukan miring atau tidaknya bentuk kurva suatu distribusi frekuensi. Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva frekuensi suatu distribusi memiliki ekor yang lebih memanjang ke kanan (dilihat dari meannya) maka dikatakan menceng kanan (positif) dan jika sebaliknya maka menceng kiri (negatif). Secara perhitungan, skewness adalah momen ketiga terhadap mean. Distribusi normal (dan distribusi simetris lainnya, misalnya distribusi t atau Cauchy) memiliki skewness 0 (nol). Batas - Batas nilai ukuran kemiringan: - 0 ≤| sk =  3|< 0,1 artinya bentuk kurva DF dianggap normal. - 0,1 ≤| sk =  3 |< 0,3 artinya bentuk kurva DF miring ke kiri atau kanan. - 0,3≤| sk =  3 | artinya bentuk kurva DF sangat miring ke kiri atau kanan.

PENGUKURAN KURTOSIS - Ukuran keruncingan atau yang disebut juga kurtosis adalah suatu bilangan yang dapat menunjukan runcing tidaknya bentuk kurva distribusi frekuensi. Kurva yang lebih runcing dari distribusi normal dinamakan leptokurtik, yang lebih datar platikurtik dari distribusi normal disebut mesokurtik. Kurtosis dihitung dari momen keempat terhadap mean. Distribusi normal memiliki kurtosis = 3, sementara distribusi yang leptokurtik biasanya memiliki kurtosis > 3 dan platikurtik <= 3 dengan perhitungan matematik sebagai berikut: Dasar Pengambilan Keputusan: Kriteria variabel memiliki distribusi data normal/tidak : - H0 : Data berdistribusi normal -Jika nilai Signifikansi > 0,05 maka nilai residual berdistribusi normal - H1 :Data tidak berdistribusi - Jika nilai Signifikansi < 0,05 maka nilai residual tidak berdistribusi normal normal. Cara Melakukan Uji Ini dapat dilihat melalui : https://youtu.be/XaSnk0sw8x0

E. Uji Jarque – Bera (JB) Penjelasan : Jarque-bera adalah uji statistik untuk mengetahui apakah data berdistribusi normal atau tidak. Menurut Gujarati (2013) deteksi dengan melihat Jarque Bera yang merupakan asimtotis (sampel besar dan didasarkan atas residual Ordinary Least Square). Pengambilan Keputusan 8 Uji Jarque-Bera : Seri es: Residuals Hipotesis yang digunakan adalah: H0 = data berdistribusi normal 7 Sample 2001 2015 H1 = data tidak berdistribusi normal 6 Observations 15 5 Mean -2.85e-12 Median 154.6674 4 Maximum 6674.929 3 Minimum -5023.245 Std. Dev. 2763.400 2 Skewness 0.400064 1 Kurtosis 3.803669 0 Jarque-Bera 0.803804 -5000 0 5000 Probability 0.669046 Hasil estimasi uji normalitas menunjukkan bahwa uji tersebut dapat diketahui nilai jarque-bera = 0.803804 dan probability 0.0669046.





F. UJI KOLMOGOROF – SMIRNOV PENGERTIAN : DASAR PENGAMBILAN KEPUTUSAN : Uji Kolmogorov-Smirnov merupakan - Uji K-S dilakukan dengan membuat hipotesis : uji statistik dapat yang digunakan - H0 : Data residual berdistribusi normal untuk pengujian normalitas residual - Ha : Data Residual tidak berdistribusi normal yang banyak dipakai dan merupakan KRITERIA SEBUAH VARIABEL MEMILIKI DISTRIBUSI bagian dari uji statistik non- DATA NORMAL/TIDAK DALAM METODE K-S : parametik. - Jika nilai Signifikansi > 0,05 maka nilai residual berdistribusi Tujuan dari uji normalitas adalah normal untuk melihat apakah nilai residuaal berada pada distribusi normal atau - Jika nilai Signifikansi < 0,05 maka nilai residual tidak berdistribusi normal. tidak. KONSEP DASAR : Membandingkan distribusi data ( yang akan diuji normalitasnya) dengan distribusi normalitas baku.

NEXT...... Uji ini memiliki toleransi yang lebih tinggi, jika pada metode One-Sample Kolmogorov-Smirnov Test Liliefors (Kolmogorov Smirnov) data dinyatakan tidak normal maka dengan metode ini data bisa berdistribusi normal, atau N Unstandardized Residual metode ini memiliki tingkat normalitas yang lebih tinggi Normal Parametersa,b Mean 15 untuk ukuran data yang sama. .0000000 Std. Deviation 2763.39969000 PENJELASAN OUTPUT : .166 Most Extreme Differences Absolute .166 Berdasarkan tabel output SPSS Tersebut, diketahui bahwa -.156 nilai signifikansi (Asymp Sig 2-tailed) sebesar 0,200 lebih Positive .166 besar dari 0,05. Maka sesuai dengan dasar pengambilan .200c,d Negative keputusan dalam uji normalitas Kolmogorov-Smirnov diatas, dapat disimpulkan bahwa data berdistribusi normal. Test Statistic Dengan demikian, asumsi atau persyaratan normaitas dalam Asymp. Sig. (2-tailed) model regresi sudah terpenuhi a. Test distribution is Normal. b. Calculated from data. c. Lilliefors Significance Correction. d. This is a lower bound of the true significance.

Kelebihan & Kelemahan Uji Kolmogorov – Smirnov Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji normalitas dengan menggunakan grafik. Kelemahan dari uji ini adalah bahwa jika kesimpulan kita memberikan hasil yang tidak normal, maka kita tidak bisa menentukan transformasi seperti apa yang harus kita gunakan untuk normalitas. Jadi kalau tidak normal, gunakan plot grafik untuk melihat melenceng ke kanan atau kekiri, atau menggunakan Skewness dan Kurtosis sehingga dapat ditentukan transformasi seperti apa yang paling tepat digunakan. Cara Melakukan Uji Ini dapat dilihat melalui link : https://youtu.be/XaSnk0sw8x0

G. MENGOBATI PELANGGARAN NORMALITAS EROR - Langkah 3 :Transformasikan data Cara mengatasi pelanggaran normalitas kedalam bentuk log atau in. Jika eror yaitu : Transformasi melalui e-views hasil masih tetap, lakukan transformasi - Langkah 1 :Tambah jumlah data baru (ditambah hingga data di microsoft excel. Buatlah menunjukkan data berdistribusi normal, usahakan jumlah sampel lebih persamaan log menjadi : log dari 30. Lebih dari 30 bukan jumlah data melainkan jumlah sampel (kriminasi) c log (kemiskinan) log yang diteliti. (pengangguran) log (penduduk) kemudian Klik OK. - Langkah 2 :Terdapat deteksi Outlier. Solusinya buatlah persamaan log untuk semua variabel (walaupun variabel tidak terjangkit outlier, misal : - Langkah 4 : Hasil regresi berubah variabel kriminalitas). Caranya kita kembali ke Proc => specify estimate. - Langkah 5 : Menuju view => residual diagnostics dan pilih histogram – normality test, klik OK.

Kelompok 04 !! THANKS !!CRÉDITOS: Esta plantilla de presentación fue creada por Slidesgo, que incluye iconos de Flaticon, además de infografías e imágenes de Freepik EKONOMETRIKA– ES-5B