Pemeriksa Asumsi Regresi

📐 Regresi linier membuat empat asumsi utama tentang data Anda, yang secara kolektif dikenal sebagai kondisi Gauss-Markov. Jika keempatnya terpenuhi, penduga kuadrat terkecil biasa (OLS) adalah penaksir tak bias linier terbaik (BIRU) — yang berarti penduga ini memiliki varian terkecil di antara semua penduga linier tak bias. Melanggar asumsi apa pun akan membahayakan jaminan ini, berpotensi menghasilkan koefisien yang bias, kesalahan standar yang tidak dapat diandalkan, nilai p yang tidak valid, dan interval kepercayaan yang tidak akurat. Keempat asumsi OLS tersebut adalah: (1) Linearitas — hubungan antara variabel bebas X dan variabel terikat Y benar-benar linier. Jika hubungan sebenarnya berbentuk kurva, garis yang dipasang akan secara sistematis salah menyajikan data, sehingga estimasi kemiringan dan titik potong akan menjadi bias. Anda dapat memeriksanya secara visual dengan plot sebar atau plot sisa versus pas, dan secara formal dengan pengujian RESET.

📊 (2) Kemandirian — sisa (kesalahan) tidak bergantung satu sama lain. Hal ini paling sering dilanggar dalam data deret waktu, yang mana observasi berturut-turut cenderung berkorelasi — sebuah fenomena yang disebut autokorelasi. Autokorelasi membesar-besarkan signifikansi yang terlihat, membuat hubungan tampak lebih kuat dari yang sebenarnya. Uji Durbin-Watson mendeteksi autokorelasi orde pertama.

📊 (3) Homoskedastisitas — varian residu adalah konstan di semua tingkat nilai prediksi. Ketika varians berubah (heteroskedastisitas), kesalahan standar menjadi tidak dapat diandalkan, sehingga interval kepercayaan dan uji hipotesis menjadi tidak valid. Bentuk corong pada plot sisa adalah indikator visual klasik. Uji Breusch-Pagan secara formal memeriksa pelanggaran ini.

❌ (4) Normalitas — residunya kira-kira terdistribusi normal. Asumsi ini sangat penting untuk validitas uji-t, uji-F, dan interval kepercayaan dalam sampel kecil. Dengan sampel yang besar (n> 30), teorema limit pusat memberikan perlindungan, namun pada kumpulan data yang kecil, ketidaknormalan dapat menyebabkan nilai p yang sangat salah. Tes Shapiro-Wilk dan plot QQ adalah alat diagnostik standar. Memeriksa asumsi sebelum memercayai model Anda adalah langkah penting yang dilewati banyak analis — sehingga menghasilkan kesimpulan yang salah, replikasi yang gagal, dan keputusan yang buruk.