Asumsi Normalitas Error ketika Menggunakan Metode OLS (ordinary least squares) dalam Regresi Linear Sederhana/Berganda

Halo sahabat . . . ^__^ . . . Terima kasih ya, sudah berkunjung ke web saya yang sangat sederhana ini he he he he . . .

Semoga sahabat tetap sehat dan sukses selalu ya . . . Amiinnn . . .

Nah, pada kesempatan kali ini, ada dua pertanyaan nih yang akan diajukan, yakni

[1] Pertanyaan:

 Perlukah uji asumsi normalitas error ketika menggunakan metode OLS (ordinary least squares) dalam regresi linear sederhana/berganda???

 [2] Pertanyaan:

 Perlukah uji normalitas untuk masing-masing variabel bebas dalam penggunaan regresi linear sederhana/berganda???

 Nah, dua pertanyaan tersebut, akan dijawab langsung nih, oleh para pakarnya, yakni:

1. Gujarati Damodar, dalam bukunya yang berjudul “Basic Econometrics, 4rd Edition

2. Andy Field dalam bukunya yang berjudul “Discovering Statistics Using SPSS, 3rd SPSS

3. James P. Stevens dalam bukunya yang berjudul “Applied Multivariate Statistics For the Social Sciences, 5th Edition”

Oke mari kita simak, pemaparan-pemaparan mereka . . . . ^__^

[1] Pemaparan menurut Gujarati.

Gujarati (2004:110) menyatakan sebagai berikut.

 Finally, if we are dealing with a small, or finite, sample size, say data of less than 100 observations, the normality assumption assumes a critical role. It not only helps us to derive the exact probability distributions of OLS estimators but also enables us to use the to use the t, F, and χ^2 statistical tests for regression models. As we will show subsequently, if the sample size is reasonable large, we may be able to relax the normality assumption.

 Nah, berdasarkan uraian di atas, dapat kita tarik sedikit informasi bahwa, ketika asumsi normalitas dari error terpenuhi, maka uji signifikansi, seperti uji t, F, dan X^2 boleh/dapat digunakan.

Nah, itulah mengapa, asumsi normalitas dari error perlu dipenuhi/diuji.

[2] Pemaparan menurut Andy Field.

 Field (2009:221) menyatakan sebagai berikut.

 Normally distributed errors: It is assumed that the residuals in the model are random, normally distributed variables, with a mean of 0. This assumption simply means that the differences between the model and the observed data are most frequently zero or very close to zero, and that differences much greater than zero happen only occasionally. Some people confuse this assumption with the idea that predictors have to be normally distributed. In fact, predictors do not need to be normally distributed (see section 7.11).

  Nah, berdasarkan uraian di atas, dapat kita tarik sedikit informasi bahwa, jadi asumsi normalitas error merupakan salah satu asumsi yang dikenakan dalam penggunaan regresi linear sederhana/berganda.

 PENTING!!!!

 Berdasarkan uraian di atas,  dalam penggunaan regresi linear sederhana/berganda, variabel-varaibel bebas tidak perlu berdistribusi normal.

[3] Stevens (2009:90) menyatakan sebagai berikut.

Recall that in linear regression model it is assumed that the errors are independent (NON-AUTOCORRELATION) and follow a normal distribution with constant variance. The normality assumption can be checked through use of the histogram of the standardized or studentized residuals, as we did in Table 3.2 for the simple linear regression example.

 Nah, berdasarkan uraian di atas, dapat kita tarik sedikit informasi bahwa, jadi asumsi normalitas error itu perlu ya diuji/dipenuhi dalam penggunaan regresi linear hehehehehe . . . .

Oke deh sampai di sini dulu ya, semoga pemaparan para pakar-pakar tersebut, bermanfaat yah bagi kitaaa . . . .AMINNNNN . . . . ^__^

Mohon koreksi jika ada kesalahan atau kekurangan yahhh ^__^