Kuis Uji Asumsi Klasik

Multikolinearitas terjadi apabila …

• Variabel independen tidak berhubungan sama sekali

• Variabel independen memiliki korelasi yang sangat tinggi satu sama lain

• Variabel dependen memiliki varians yang tidak konstan

• Error pada periode t berkorelasi dengan error periode sebelumnya

Dampak utama multikolinearitas terhadap model regresi adalah …

• Koefisien regresi menjadi bias

• Standard error menjadi besar sehingga uji signifikansi menjadi tidak reliabel

• R² selalu rendah

• Model tidak dapat dijalankan di SPSS

Heteroskedastisitas dalam regresi berarti …

• Varians error berbeda-beda pada setiap nilai variabel independen

• Error selalu berdistribusi normal

• Error saling berkorelasi antar observasi

• Variabel independen tidak signifikan

Konsekuensi dari multikolinearitas dalam analisis regresi adalah …

• Koefisien regresi menjadi tidak stabil dan sulit diinterpretasikan

• Model regresi menjadi lebih sederhana

• Semua variabel independen menjadi signifikan

• R² menurun secara signifikan

Autokorelasi biasanya muncul pada data …

• Cross-section dengan banyak variabel

• Data runtun waktu (time series)

• Data dummy variabel kualitatif

• Data nominal

Dampak autokorelasi terhadap model adalah …

• Koefisien regresi menjadi bias

• Koefisien tetap unbiased tetapi tidak efisien, uji t dan F tidak valid

• Model tidak bisa menghasilkan prediksi sama sekali

• R² selalu bernilai nol

Salah satu cara mendeteksi multikolinearitas di SPSS adalah dengan melihat …

• Uji Glejser

• Nilai Durbin-Watson

• Variance Inflation Factor (VIF) dan Tolerance

• Grafik Scatterplot antara residual dan prediksi

Durbin Watson di SPSS digunakan untuk mendeteksi …

• Multikolinearitas

• Heteroskedastisitas

• Autokorelasi

• Normalitas residual

Untuk mendeteksi autokorelasi di SPSS, salah satu output yang dilihat adalah …

• Variance Inflation Factor (VIF)

• Nilai R²

• Durbin-Watson Statistic

• Uji Kolmogorov-Smirnov

Jika dalam hasil regresi SPSS nilai VIF > 10, maka dapat disimpulkan …

• Tidak ada multikolinearitas

• Ada indikasi kuat multikolinearitas

• Model memenuhi asumsi BLUE

• Data tidak heterogen