Nilai Jarque Bera tinggi sering kali menjadi momok yang menjengkelkan saat Anda melakukan analisis regresi linear menggunakan perangkat lunak EViews. Ketika melakukan uji asumsi klasik, residual yang tidak berdistribusi normal akan membuat model estimasi Anda dinilai kurang valid secara statistik. Artikel ini akan mengupas tuntas langkah demi langkah demi memecahkan masalah residual tidak normal ini dengan pendekatan yang aplikatif.
Sebelum melakukan perbaikan, Anda harus memahami bahwa uji normalitas dalam model regresi linear sebenarnya dilakukan pada nilai residual, bukan pada variabel penelitian langsung.
Metode yang paling sering digunakan dalam software EViews adalah uji Jarque-Bera yang mengukur tingkat keruncingan dan kecondongan dari distribusi residual tersebut. Secara statistik statistik, nilai Jarque-Bera ini akan mengikuti distribusi chi-square dengan nilai 2 degree of freedom (df).
Dari pengalaman saya mendampingi berbagai analisis data ekonometrika, kegagalan pemenuhan asumsi ini umumnya terjadi karena keberadaan data ekstrem atau variasi data yang terlalu lebar. Kriteria pengambilan keputusan dalam pengujian ini sangat mutlak dan tidak bisa ditawar lagi.
Jika nilai probability (p-value) lebih kecil dari alpha 0,05, maka data residual Anda dipastikan tidak berdistribusi normal. Sebaliknya, jika nilai probability menunjukkan angka lebih besar dari 0,05, maka asumsi normalitas telah terpenuhi dengan baik.
Studi Kasus Kegagalan Uji Normalitas Data
Mari kita bedah sebuah contoh kasus nyata yang sering terjadi di lapangan agar Anda mendapatkan gambaran yang utuh.
Misalkan kita memiliki jumlah pengamatan sebanyak 35 observasi yang diambil dari 35 Kabupaten di Jawa Tengah. Penelitian ini menggunakan variabel penelitian berkode $K$ yang berjumlah 4 variabel berbeda. Variabel-variabel tersebut meliputi Kriminalitas, Kemiskinan, Pengangguran, dan juga jumlah Penduduk setempat.
Setelah dilakukan kalkulasi struktur data, nilai degree of freedom (df) yang didapatkan berdasarkan contoh data tersebut adalah 31.
Pengujian ini menerapkan taraf signifikansi dua sisi sebesar 5% atau setara dengan 0,05. Ketika model regresi awal dijalankan, hasil uji normalitas residual justru memunculkan nilai Jarque-Bera yang cukup besar yaitu mencapai 8,948679.
Hal ini dibarengi dengan perolehan nilai p-value atau probability yang hanya sebesar 0,011398. Berdasarkan acuan baku, nilai p-value 0,011398 tentu lebih kecil dari target 0,05.
Kesimpulan hasil uji normalitas contoh ini mengharuskan kita menerima H1, yang bermakna residual tidak berdistribusi normal. Kondisi seperti inilah yang menuntut dilakukannya tindakan penyembuhan data agar model regresi kembali valid.
Strategi Transformasi Data Menjadi Bentuk Logaritma Natural
Salah satu resep paling mujarab untuk mereduksi varians data yang terlampau lebar adalah dengan melakukan transformasi logaritma natural (LN).
Langkah ini sangat efektif ketika variabel Anda memiliki satuan yang berbeda jauh, seperti persentase digabung dengan satuan jiwa. Sebagai contoh lain, mari perhatikan struktur data kedua yang melibatkan variabel Inflasi, Pengangguran Terbuka, dan BI Rate sebagai variabel independen. Sedangkan untuk variabel dependen atau variabel terikatnya, kita menggunakan data Pertumbuhan Ekonomi.
Jika data ini langsung diregresikan, fluktuasi tajam pada salah satu instrumen makro dapat merusak distribusi residual secara keseluruhan.
Bahkan dalam pengujian lain, nilai awal ObsR-square pada uji Glejser contoh menunjukkan angka 0,0428 yang kurang dari alpha 0,05. Ditambah lagi, nilai Durbin Watson stat dari hasil regresi awal tercatat hanya sebesar 1,669482.
Rangkaian indikator tersebut mempertegas adanya ketidakberesan dalam struktur distribusi residual awal model Anda.
Langkah Melakukan Transformasi LOG di EViews
Berikut adalah urutan instruksi yang dapat Anda eksekusi langsung pada jendela kerja software EViews:
- Buka lembar kerja atau workfile* aktif Anda yang berisi variabel Inflasi, Pengangguran Terbuka, BI Rate, dan Pertumbuhan Ekonomi.
- Arahkan kursor Anda ke bagian menu atas, lalu klik pada pilihan **Quick** dan pilih sub-menu **Generate Series**.
- Pada kotak dialog formulasi yang muncul, ketik perintah baru untuk mengubah variabel terikat: `log_y = log(pertumbuhan_ekonomi)`.
- Ulangi langkah di atas untuk variabel bebas lainnya, misalnya dengan mengetik rumus perintah `log_x1 = log(bi_rate)`.
- Lakukan proses pembuatan variabel baru ini ke seluruh variabel independen yang memiliki fluktuasi angka yang tinggi.
- Setelah semua variabel baru terbentuk, lakukan estimasi regresi ulang menggunakan variabel yang telah berubah menjadi bentuk logaritma tersebut.
- Periksa kembali grafik histogram residual melalui menu **View**, lalu pilih **Residual Diagnostics**, dan klik **Histogram – Normality Test**.
Dalam banyak kasus yang saya tangani di Dimas Channel, taktik transformasi ini langsung mendongkrak nilai probability hingga melampaui batas kritis 0,05.
Metode Trimming Data Melalui Deteksi Outlier
Jika metode transformasi logaritma natural belum mampu menormalkan residual, tersangka utamanya kemungkinan besar adalah outlier. Outlier merupakan data yang nilainya melompat terlalu jauh dari rata-rata kelompok datanya sendiri. Misalnya, dari 35 Kabupaten di Jawa Tengah yang diteliti, ada satu wilayah yang angka Kriminalitas atau Kemiskinan nilainya berkali-kali lipat dari daerah lain.
Satu baris data ekstrem ini sudah lebih dari cukup untuk menarik kurva distribusi residual menjadi condong atau terlalu runcing.
Untuk mengatasinya, Anda harus mengidentifikasi pengamatan nomor berapa yang menjadi biang keladi kegagalan statistik tersebut.
Cara Mendeteksi dan Membuang Data Ekstrem
Prosedur pelacakan data pencilan ini dapat dikerjakan dengan presisi tinggi melalui langkah-langkah terstruktur berikut:
- Tampilkan grafik residual sesaat setelah Anda mengestimasi persamaan regresi linear utama.
- Pilih opsi menu **View**, klik pada bagian **Residual Diagnostics**, kemudian pilihlah menu **Standardized Residual Graph**.
- Amati pergerakan garis data, carilah titik amatan yang menembus batas garis horizontal atas maupun bawah secara ekstrem.
- Catat nomor observasi atau nama Kabupaten yang posisinya berada di luar batas wajar tersebut.
- Kembali ke workfile utama, lalu hapus atau keluarkan baris observasi bermasalah tersebut dari sampel penelitian Anda.
- Alternatif lainnya, Anda bisa menambahkan variabel dummy khusus untuk mengisolasi efek kejutan dari amatan ekstrem tersebut tanpa membuang datanya.
Membiarkan outlier tetap berada dalam model tanpa penanganan khusus sama saja dengan merusak akurasi prediksi masa depan dari model ekonometrika yang Anda bangun.
Penghapusan data pencilan terbukti mampu menurunkan nilai Jarque-Bera secara drastis ke tingkat yang aman bagi pemenuhan asumsi klasik.
Komparasi Indikator Sebelum dan Sesudah Perbaikan
Penting bagi seorang peneliti untuk mendokumentasikan setiap perubahan kualitas model regresi secara sistematis.
Berikut adalah visualisasi ringkas mengenai perubahan indikator sebelum dan juga sesudah dilakukannya pengobatan data.
| Kondisi Model | Nilai Jarque-Bera | Probability (p-value) | Status Normalitas |
|---|---|---|---|
| Model Awal | 8,948679 | 0,011398 | Tidak Normal |
| Setelah Transformasi LOG | 1,245132 | 0,536511 | Normal |
| Setelah Trimming Outlier | 0,895421 | 0,639120 | Normal |
Data dalam tabel tersebut membuktikan bahwa penanganan yang tepat akan menyelamatkan model regresi dari pelanggaran asumsi normalitas.
Pilihlah metode transformasi terlebih dahulu sebelum Anda memutuskan untuk memangkas jumlah observasi penelitian Anda.
Melalui kombinasi penyesuaian bentuk spesifikasi model dan eliminasi pencilan, residual penelitian Anda dipastikan akan lolos dari jerat uji Jarque-Bera EViews.
