Asumsi Klasik (Evaluasi Ekonometrika)

Menarik bahwa analisis ini dijuluki Asumsi Klasik. Memahaminya harus sedikit melihat historis analisis regresi ini ditemukan. Analisis regresi ditemukan tahun 1800 atas penemuan Bayes (1700) yang terkenal dengan teorema Bayes. Manuscript regresi menarik perhatian pakar statistik 1 abad kemudian yang dipelopori Fisher (1920) yang menemukan distribusi kritis guna menguji signifikansi model regresi. Menghormati konstribusinya dalam bidang statistik, penemuan distribusinya diambilkan dari huruf depan namanya sehingga sekarang dikenal Distribusi F. Para pakar dari berbagai disiplin ilmu mencoba mengaplikasikan analisis regresi untuk tujuan forecasting. Fakta aneh kemudian muncul karena penduga Y' dari model Y sesungguhnya tidak sepenuhnya tepat. Belakangan good fit atas model regresi diimplementasikan dalam koefieisn determinan R-square. Ketidaktepatan peramalan tersebut memacu para pakar statistik untuk menguji sejauh mana sebuah model regresi secara efisien dapat digunakan untuk menduga nilai Y kedepan jika nilai X peubah berubah-ubah. Kritik terhadap model regresi ini dikenal dengan istilah Asumsi Klasik. Penamaan klasik, karena kritik tersebut diungkapkan para pakar statistik era penemuan computer (baca: modern). Adapun asumsi klasik sampai tulisan ini dimuat ditemukan sebanyak 13 pengujian, namun yang populer (dan wajib) digunakan ada 5 sebagai berikut : 1. Uji normalitas : mendeteksi sifat distribusi normal data. Untuk analisis parametrik disyaratkan data harus berdistribusi normal. 2. Uji linearitas : mendeteksi sifat hubungan variabel bebas dengan variabel terikat. Dalam analisis regresi, hubungan tersebut harus bersifat linier 3. Uji multikolinearitas : mendeteksi ada tidaknya hubungan antar variabel bebas. Dalam model regresi, tidak diperbolehkan ada hubungan signifikan antar variabel bebas. 4. Uji heteroskedastitas : mendeteksi sifat korelasi antar variabel bebas dengan residual. Model regresi yang baik harus ditunjukkan bahwa variabel bebas tidak berorelasi dengan nilai residual 5. Uji autokorelasi : mendeteksi ada tidaknya hubungan data saat ini (t) dengan data sebelumnya (t-1). Model regresi akan efisien apabila tidak terjadi gejala autokorelasi.