Asumsi Klasik dalam Jenis Teknik Analisis Data Regresi

Siapa yang tidak kenal dengan analisis regresi? Pastinya kalian familiar dengan jenis teknik analisis data yang satu ini. Di dalam ekonometrika maupun metode kuantitatif banyak teknik analisis data yang tidak terdapat dalam ilmu statistik. Tetapi pengujian empirisnya tetap berpedoman pada kriteria statistik. 

Dari sekian teknik analisis data yang ada dalam ekonometrika, regresi adalah salah satu jenis teknik analisis data yang seringkali dipakai. Sederhananya, regresi adalah analisis yang merujuk pada variabel dependen yang disimbolkan dengan Y dipengaruhi oleh satu atau lebih variabel independen yang disimbolkan dengan X. 

Adapun tujuan dari analisis regresi ialah untuk mengestimasi atau memprediksi nilai rata-rata variabel dependen didasarkan pada nilai variabel independen yang diketahui. Berbicara tentang metode yang digunakan untuk mengestimasi fungsi regresi, ada satu metode yang seringkali digunakan oleh para peneliti. Sebut saja OLS atau Ordinary Least Square. 

Ordinary Least Square merupakan metode estimasi fungsi regresi dengan kuadrat satuan terkecil yang paling sering digunakan. OLS memiliki kriteria yaitu Line of Best Fit dimana jumlah kuadrat dari deviasi antara titik-titik observasi dengan garis regresi adalah minimum. Jika kalian menggunakan analisis regresi pastikan untuk melakukan pengujian berdasarkan kriteria atau asumsi dasar yang harus dipenuhi. Asumsi ini dikenal dengan istilah BLUE atau Best Linier Unbiased Estimator. 

Dimulai dari Best bahwa hasil model regresi adalah hasil yang terbaik dan menghasilkan error yang kecil. Kemudian Linear berarti model yang digunakan dalam analisis regresi sesuai kaidah model OLS yaitu linear. Arti dari linear berarti pangkat dari masing-masing variabel paling tinggi berpangkat satu. Unbiased berarti nilai yang diharapkan (hasil estimasi dari model regresi) paling tidak hasilnya sama dengan nilai yang benar. Estimator berarti model regresi yang terbentuk memiliki varians yang minimal dari estimator lainnya. 

Untuk lebih jelasnya terkait dengan penjelasan dari masing-masing kriteria asumsi klasik akan dibahas melalui artikel ini. Hal ini tentunya sangat penting untuk peneliti pemula maupun professional dalam melakukan prosedur analisis data. Pastikan simak baik-baik dan keep scrolling on this article guys!

1. Best

Secara arti, best sendiri artinya terbaik. Maksudnya adalah hasil regresi dikatakan best apabila garis regresi yang berada di dalam model menghasilkan error terkecil. Best juga diartikan apabila garis regresi yang dihasilkan guna melakukan estimasi atau peramalan atas sebaran data menghasilkan error terkecil. 

Baca juga : Teknik Analisis Data dalam Bidang Research and Development

2. Linear

Seperti yang kalian tahu bahwa dalam analisis regresi memuat asumsi bahwa model regresi bersifat linear. Dari namanya saja sudah linear berarti kriteria ini harus lolos terlebih dahulu dong. Sifat linear disini bergantung pada model regresi yang kita buat harus linear dalam parameter. 

Artinya dalam model yang digunakan dalam analisis regresi telah sesuai dengan kaidah OLS atau ordinary least square. Kaidah OLS mengindikasikan bahwa variabel penduganya hanya berpangkat satu. Sedangkan yang dimaksud linear dalam parameter menjelaskan bahwa parameter yang dihasilkan merupakan fungsi linear dari sampel. Asumsi linear tidak hanya berhenti pada asumsi linear dalam asumsi klasik. Namun juga pada semua asumsi.

3. Unbiased

Ketika kalian melihat persamaan regresi maka kalian akan menemukan istilah kesalahan pengamatan yang terkait dengan persamaan regresi yang diestimasi. Hal ini disebut dengan asumsi unbiased atau tidak bias. 

Asumsi unbiased mengisyaratkan apabila suatu estimator dikatakan unbiased jika nilai harapan dari estimator b sama dengan nilai yang benar dari b. Artinya nilai rata-rata b = b. Bila rata-rata b tidak sama dengan b, maka selisihnya disebut dengan bias. 

4. Estimator

Pertama, mari kita lihat apa itu estimator. Sifat dari estimator dalam model regresi menyatakan bahwa estimator adalah estimator tak bias varians minimum. Oleh karena itu, jika anda mengambil semua estimator tak bias dari parameter populasi yang tidak diketahui, estimator akan memiliki varians terkecil. Penduga yang memiliki varians lebih sedikit akan memiliki titik data individual yang lebih dekat dengan mean. Akibatnya, mereka akan lebih cenderung memberikan hasil yang lebih baik dan akurat daripada penduga lain yang memiliki varians lebih tinggi.

• Jika estimator tidak bias tetapi tidak memiliki varians terkecil “ bukan yang terbaik

• Jika estimator memiliki varians paling sedikit tetapi mengandung bias “ sekali lagi itu bukan yang terbaik

• Jika estimator tidak bias dan memiliki varians terkecil “ itu adalah estimator terbaik.

Baca juga : Teknik Analisis Data Kualitatif dengan Thematic Analysis 

5. Belajar Teknik Analisis Data Mengasyikan Bersama DQLab!

Belajar analisis data merupakan salah satu langkah untuk mempelajari hal apapun di ranah data. Melakukan analisis data tentunya bukan hal yang mudah. Dibutuhkan ketekunan dan ketelitian dalam melakukan setiap tahapannya. Agar skill analisis data Sahabat DQ semakin terasah, tidak salah lagi jika kamu bisa upgrade skillmu bersama DQLab! 

Nikmati pengalaman belajar data science yang menarik dan cobain berlangganan bersama DQLab yang seru dan menyenangkan dengan live code editor. Yuk Signup sekarang!

Penulis: Reyvan Maulid