Dr. Masarina Flukeria, M.S.E., M.P.P.

Video ini membahas uji linieritas sebagai salah satu poin dari uji asumsi klasik sebelum mengerjakan model regresi. Konsep linearitas dalam regresi tidak hanya menggambarkan hubungan X dan Y secara linear, tetapi juga non-linear. Linearitas dalam ordinary least square adalah linear in parameter, bukan hanya bentuk grafiknya. Model regresi linear in parameter dapat dihitung dengan OLS, sedangkan yang non-linear in parameter tidak bisa. Penting untuk memahami perbedaan linear in parameter dan linear in variable dalam regresi.

Oke, sebelumnya saya pernah mengatakan bahwa sebelum mengerjakan model regresi,

kamu perlu melakukan yang namanya uji, uji asumsi klasik.

Di mana uji asumsi klasik itu sebenarnya merupakan prasyarat

sebelum kamu mengeran model regresi lebih lanjut.

Jadi uji asumsi klasik itu perlu dites terlebih dahulu.

Nah, salah satu poin dari uji asumsi klasik

selain multikolinearitas, heteroskedastisitas, dan autokorelasi dan normalitas,

kamu perlu lakukan uji yang namanya linearitas.

Di mana kalau kamu baca buku terkait linearitas,

dikatakan bahwa hubungan antara X dan Y haruslah bersifat linear.

maka kamu akan berpikir linear itu akan menjadi seperti ini.

mungkin kamu akan berpikirnya modelnya akan seperti ini,

Nah, bicara linearitas pada asumsi klasik ketika mau mengeran model regresi,

linearitas tidak semata-mata menggambarkan hubungan X dan Y secara linear seperti ini,

tapi juga menggambarkan hubungan X dan Y secara non-linear.

itu juga bisa dikerjakan pada model regresi.

Jadi linearitas dalam konsep OLS, ordinary least square,

tidak semata-mata haruslah bentuknya seperti ini,

tetapi kamu juga bisa bentuknya seperti ini.

Karena sesungguhnya linearitas dalam konteks ordinary least square,

Mungkin teman-teman akan berpikir seperti ini.

Tapi sesungguhnya definisi linear ketika akan digunakan dalam ordinary least square,

Nah, sekarang saya akan berikan contoh-contoh model regresi,

mana yang linear, mana yang bukan linear in parameter.

Mungkin teman-teman tahu yang namanya polynomial function.

Y sama dengan alpha plus beta 1 X1 plus beta 2 X2 kuadrat plus E.

Apakah yang seperti ini bisa dikategorikan linear atau tidak?

Tadi saya sudah katakan bahwa linearitas yang dimaksud itu adalah linear in parameter.

OLS, ordinary least square, hanya fokus pada linear in parameter.

Sementara kamu lihat model kamu, polynomial function di sini,

yang X2 kuadrat di sini, ini adalah non-linear, non-linear in variable.

Kalau dia non-linear in variable, itu oke.

Bandingkan dengan misalkan yang bukan polynomial function,

misalkan Y sama dengan alpha plus beta 1 kuadrat X1 plus beta 2 X2 kuadrat plus E.

Lihat baik-baik di sini, mulai dari sini.

Ini adalah non-linear, non-linear in parameter.

Ini adalah non-linear, non-linear in variable.

Non-linear in variable, kalau yang tasisnya di atas, itu oke.

Karena secara parameter, parameter itu yang mana sih?

Ini parameter, ini parameter, ini parameter.

Semua parameternya, semua parameternya, itu apa?

Linear, semua parameternya linear in parameter.

Makanya saya katakan model ini oke, dan dia bisa dirun dengan OLS, ordinary least square.

Tapi untuk yang ini, ini non-linear in parameter,

tapi yang ini adalah non-linear in variable, karena ini tidak terpenuhi,

maka dia tidak bisa dikerjakan dengan ordinary least square.

mana linear in parameter, mana linear in variable,

dan regresi hanya fokus pada linear in parameter.

Non-linear in variable, masih bisa dikerjakan dengan regresi.

OLS tidak bisa menghitung ketika parameternya sudah tidak linear.

Kita tidak bisa mengerjakan model regresi dengan tipe model seperti ini.

Ketika ini sudah jelas, mari kita masuk ke model-model yang non-linear,

dan bagaimana interpretasinya atau bagaimana cara mengerjakan nanti di dalam model regresi.