Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear baik sederhana maupun berganda yang berbasis ordinary least square (OLS). Analisis regresi yang tidak didasarkan pada OLS tidak memerlukan persyaratan asumsi klasik. Contoh analisis regresi yang tidak berdasarkan OLS adalah regresi logistik. Analisis regresi linear sederhana adalah analisis regresi dimana variabel bebas/penjelasnya hanya satu, sementara variabel penjelas pada analisis regresi liear berganda lebih dari satu. Tidak semua uji klasik perlu dilakukan dalam analisis regresi linier, sontohnya uji multikolinieritas, tidak perlu dilakukan dalam analisis regresi linier sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross-sectional.

Jenis-jenis uji asumsi klasik:

1. Uji normalitas

Uji normalitas digunakan untuk mengetahui apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik akan memiliki residu yang terdistribusi normal. Oleh karena itu uji normalitas tidak dilakukan untuk setiap variabel yang diteliti, namun dilakukan untuk nilai residual. Kesalahan yang sering terjadi adalah uji normalitas dilakukan pada setiap variabel yang diteliti bukan pada nilai residualnya.

Uji normalitas dapat dilakukan dengan uji histogram, uji normal P-Plot, uji Chi-square, tes Skewness dan Kurtosis atau tes Kolmogorov-Smirnov. 

Jika hasil tes residual menunjukkan data terdistribusi tidak normal, ada beberapa cara yang dapat dilakukan yaitu transformasi data, memangkas data outlier (jika tidak mau menghapus data outlier bisa menggunakan regresi robust), atau menambahkan data observasi. Transformasi data adalah mengubah data kedalam bentuk logaritma natural, akar kuadrat, inverses, atau bentuk lain, tergantung pada bentuk normal kurva, apakah kiri, kanan, tengah, atau kanan dan kiri.

2. Uji multikolinieritas

Uji multikolinieritas digunakan untuk mengetahui apakah ada korelasi yang tinggi antara variabel independen dalam model regresi linier berganda. Jika ada korelasi yang tinggi antara variabel independen, hubungan antara variabel independen dan variabel dependen terganggu.

Alat statistik yang biasanya digunakan untuk menguji  multikolinieritas adalah variance inflation factor (VIF) atau korelasi Pearson antara variabel independen.

3. Uji Heteroskedastisitas

Uji heteroskedastisitas akan memeriksa apakah ada perbedaan  antara satu residu dan pengamatan lain. Salah satu model regresi yang memenuhi persyaratan adalah bahwa ada kesamaan dalam varians antara residu dari satu pengamatan dan lainnya yang disebut homoskedastisitas

Bukti heteroskedastisitas dapat dibuat dengan menggunakan metode scatterplot dengan memplot nilai prediktif) dengan nilai sisaan. Model yang baik adalah ketika grafik tidak mengandung pola tertentu, seperti berkumpul di tengah, menyempit dan memperbesar atau sebaliknya

Tes statistik yang digunakan adalah Tes Glejser, tes Park atau tes Wei.

Beberapa solusi jika model melanggar asumsi heteroskedastisitas adalah melakukan transformasi data menjadi bentuk logaritmik. Namun transformasi hanya bisa dilakukan jika semua data positif. Solusi lainnya adalah semua variabel dapat dibagi dengan variabel yang mengalami gangguan heteroskedastisitas.

4. Uji autokorelasi 

Uji autokorelasi digunakan untuk melihat apakah terjadi korelasi antara data pada periode t dengan periode sebelumnya (t -1). 

Contohnya adalah data pada tingkat inflasi untuk bulan tertentu, misalnya inflasi februari dipengaruhi oleh tingkat inflasi pada Januari. Dengan kata lain model tersebut memiliki masalah autokorelasi. 

Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan. 

Beberapa uji statistik yang sering dipergunakan untuk menguji autokorelasi adalah uji Durbin-Watson, uji dengan Run Test. Jika data observasi lebih dari 100 pengamatan, sebaiknya menggunakan uji Lagrange Multiplier.

Beberapa cara untuk mengatasi masalah autokorelasi adalah mengubah data atau mengubah model regresi menjadi persamaan perbedaan umum. Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi berkurang 1.

5. Uji Linearitas

Uji linearitas digunakan untuk melihat apakah model yang dibangun mempunyai hubungan linear atau tidak. Tes ini jarang digunakan dalam beberapa studi karena model biasanya dibangun atas dasar studi teoritis bahwa hubungan antara variabel independen dan variabel dependen adalah linier. Hubungan antar variabel yang secara teoritis tidak berhubungan linear tidak dapat dianalisis dengan regresi linier, seperti masalah elastisitas.

Uji linearitas bisa digunakan sebagai uji pendahuluan untuk analisis regresi nonlinear. Seperti hubungan inflasi dengan pertumbuhan ekonomi, hubungan antara keduanya tidaklah linear, pada tingkat inflasi tertentu (threshold inflasi) hubungannya bisa berbeda arah. 

Tes linearitas dapat dilakukan dengan menggunakan uji Durbin-Watson, tes Ramsey atau tes Lagrange Multiplier.