MODUL 6 UJI NORMALITAS

Variabel pengganggu e dari suatu regresi disyaratkan berdistribusi nomal. Hal ini untuk memenuhi asumsi zero mean (asumsi 3). Jika variabel e berdistribusi normal. Maka variabel yang diteliti Y juga berdistribusi normal. Untuk menguji normalitas e, dapat digunakan formula Jarque Berra (JB test) berikut (Gujarati 1995).
S 2 ( K 3) 2 JB = n + 24 6

Di mana S adalah skewness (kemencengan) dan K kurtosis (keruncingan). Nilai-nilai kemencengan dan keruncingan atau S dan K dapat diperoleh dari program SPSS, pada analisis deskriptif. Hasil hitung JB kemudian dibandingkan dengan tabel Chi Square dengan derajat bebas 2. Besarnya nilai chi square (X2) dengan derajat bebas 2 dan level keyakinan 95 pesen = 7,37 dan untuk keyakinan 99 persen = 9,21. Singkatnya jika JB hitung lebih besar dari 9,21, maka data yang diuji tidak normal. Sebaliknya jika nilai JB hitung < 9,21 data termasuk dalam klas distribusi normal. Dari contoh data yang kita gunakan di atas, maka statistik deskriptif untuk variabel e dari paket statistik computer SPSS diperoleh hasil berikut. Deskriptive Statistics

N Statistic 10 10

Skewness Statistic Std. Error -.238 .687

Kurtosis Statistic .-791

Std. Error 1.334

Ternyata nilai Skewness S = -0,238 dan kurtosis K = -0,791, dengan demikian nilai JB,
0,238 2 (0,791 3) 2 JB = 10 + 6 24

= 6,082607 Karena nilai JB = 6,08 < 9,2 maka data e di atas berdistribusi normal. Akibat Data yang Tidak Normal Apakah akibat ketidaknormalan data? Akibatnya adalah penggunaan uji t dan F menjadi tidak valid. Karena uji t dan F diturunkan dari asumsi bahwa data Y atau e berdistribusi normal. Cara Menangani Data yang Tidak Normal Bagaimana cara mengatasi jika data tidak normal? 1. Lakukan pemotongan data, mungkin ada data yang out liers (berada jauh dari rata-rata) misalnya sangat tinggi nilainya atau sangat rendah. 2. 3. Perbesar sampel, jika sampel besar sekali maka data akan mendekati normal, asymptotically normal. Lakukan transformasi data, misalnya dilogaritmakan. Dengan transformasi logaritma maka data yang tidak normal akan membaik distribusinya. Mengapa, karena rentangan data akan mendekati rata-ratanya.