Uji Asumsi Klasik Adalah: Normalitas, Multikolinearitas, Heteroskedastisitas & Autokorelasi

Uji Asumsi Klasik Adalah

Sebelum hasil regresi linear bisa dipercaya, model harus lolos serangkaian uji asumsi klasik. Melanggar salah satu asumsi ini tidak selalu membuat regresi "salah" secara teknis, tapi bisa membuat estimasi koefisien bias, standard error tidak akurat, atau kesimpulan signifikansi menyesatkan.

Artikel ini adalah hub untuk empat uji asumsi klasik yang paling umum diminta pembimbing/reviewer sebelum menjalankan regresi linear sederhana atau regresi linear berganda. Perlu dicatat: tidak semua berlaku untuk regresi linear sederhana (satu variabel independen) — multikolinearitas secara definisi hanya relevan untuk regresi linear berganda (dua atau lebih variabel independen), karena multikolinearitas mengukur korelasi antar variabel independen, yang mustahil terjadi kalau variabel independennya cuma satu.

Empat Uji Asumsi Klasik

1. Normalitas

Menguji apakah residual (error) model regresi berdistribusi normal — bukan data mentahnya. Kalau gagal, pertimbangkan transformasi data atau uji non-parametrik.

2. Multikolinearitas

Menguji apakah variabel-variabel independen saling berkorelasi tinggi satu sama lain — kalau ya, kontribusi masing-masing variabel terhadap Y jadi sulit dipisahkan secara statistik. Diukur lewat nilai VIF (Variance Inflation Factor) dan Tolerance.

3. Heteroskedastisitas

Menguji apakah varians residual konstan di semua level variabel independen (homoskedastisitas) atau justru membesar/mengecil secara sistematis (heteroskedastisitas) — kalau terjadi, standard error koefisien jadi tidak akurat meski estimasi koefisiennya sendiri tetap tidak bias.

4. Autokorelasi

Menguji apakah residual pada satu observasi berkorelasi dengan residual observasi sebelumnya — paling relevan untuk data time series/panel.

Urutan Pengujian yang Disarankan

Umumnya: normalitas → multikolinearitas → heteroskedastisitas → autokorelasi (kalau data time series/panel). Uji linearitas dan homogenitas kadang juga dimasukkan ke daftar "asumsi klasik" tergantung konvensi kampus/jurnal, meski secara ketat keduanya lebih relevan untuk uji beda (ANOVA/t-test) dibanding regresi linear murni.

Kesalahan Umum

1. Menjalankan uji multikolinearitas pada regresi linear sederhana — secara definisi tidak relevan karena hanya ada satu variabel independen.
2. Melewati uji normalitas dan langsung menjalankan regresi, padahal kalau residual tidak normal, kesimpulan uji-t dan uji-F pada model bisa tidak valid, terutama untuk sampel kecil.
3. Mengabaikan hasil uji asumsi yang gagal dan tetap melaporkan hasil regresi tanpa penyesuaian (transformasi data, robust standard error, atau beralih ke uji non-parametrik).