Anda di halaman 1dari 6

METODE PARK

Setelah membahas deteksi heteroskedastisitas secara informal dengan


metode

grafis,

maka

heteroskedastisitas

selanjutnya

yang

lebih

kita

akan

formal.

membahas

Deteksi

uji

formal

deteksi
masalah

heteroskedastisitas dimulai dari metode yang dikembangkan oleh Park. Menurut


Park,

varian

variabel

heteroskedastisitas

ganguan

muncul

karena

yang

tidak

residual

ini

konstan
tergantunf

atau
dari

masalah
variabel

independen yang ada di dalam model. Menurutnya, bentuk fungsi variabel


gangguan adalah sebagai berikut:

2i = 2 X i eu
Dimana

(7.7)

e=2,718

Persamaan (7.7) merupakan model sederhana dengan satu variabel


independen. Kita bisa menggunakan untuk model yang mempunyai lebih dari
satu variabel independen. Dalam bentuk transformasi logaritma, persamaan
(7.7) dapat ditulis sebagai berikut:
2

ln i =ln + lnX 1+ v i
Dimana

ln =

(7.8)

logaritma natural dan

v i= variabel gangguan

Karena varian variabel gangguan ( i ) populasi tidak diketahui, maka Park


2

menyarankan menggunakan residual dari hasil regresi ( e^ i ) sebagai proksi dari


berbagai residual

dengan demikian langkah selanjutnya kita melakukan

regresi dengan menggunakan persamaan sebagai berikut:

ln e^ 2i =ln 2+ lnX 1 + v i

(7.9)

Keputusan ada tidaknya masalah heteroskedastisitas berdasarkan uji


statistik estimator

dalam persamaan (7.9). jika

tidak signifikan melalui

uji t maka dapat disimpulkan tidak ada heteroskedastisitas karena varian


residualnya tidak tergantung dari variabel independen.

Sebaliknya jika

signifikan secara statistik maka model mengandung

unsur heteroskedastisitas karena besar kecilnya varian residual ditentukan oleh


variabel independen. Dari penjelasan diatas, maka prosedur uji Park adalah
sebagai berikut:
1. Melakukan regresi terhadap model yang ada dengan metode OLS dan
kemudian mendapatkan residualnya.
2. Selanjutnya adalah melakukan regresi terhadap residual kuadrat
sebagaimana pada Persamaan (7.6).
3. Jika nilai statistik t hitung lebih kecil dari nilai kritis tabel t maka tidak
ada

masalah

heteroskedastisitas

dan

jika

sebaliknya

maka

mengandung masalah heteroskedastisitas.

Contoh 7.2 Deteksi Heteroskedastisitas Metode Park Penyerapan


Tenaga Kerja
Kita akan analisis kasus penyerapan tenaga kerja di sektor Industri Besar
dan Sedang (IBS) Indonesia dengan ISIC 3 digit pada tahun 1993. Kita menduga
bahwa hasil regresi mempunyai varian residual yang tidak konstan karena data
cross section. Ada 30 jenis industri dan masing masing jenis industri tentu
mempunyai skala yang berbeda beda sehingga tingkat penyerapan tenga kerja
juga berbeda beda. Data jumlah tenga kerja dan output industri ISIC 3 digit ada
di dalam file Data Bab 7. Model regresinya dapat ditulis sebagai berikut:

Y i= 0 + 1 X 1+ ei
Dimana
(orang),

Y i=

(7.10)
penyerapan tenaga kerja di sektor industri ISIC 3 digit

X i= output yang dihasilkan sektor industri ISIC 3 digit.

Hasil regresinya sebagai berikut:

Y^ t =12258,69+ 0,000026 X i
(7.11)

t ( 0,6467 )( 8,167 )
R2=0,7043

Persamaan regresi (7.11) memberi informasi bahwa outputberpengaruh


positif terhadap penyerapan tenaga kerja dengan tingkat signifikansi

=1

melalui uji satu sisi. Setelah kita melakukan regresi dab juta dapatkan
residualnya, maka selanjutnya kita melakukan regresi residual kuadrat terhadap
variabel independen X sebagaimana disarankan oleh Park pada persamaan (7.9).
Hasilnya sebagai berikut:

ln e^ 2i =4,6174+ 1,171lnX 1

(7.12)

t (0,9804 ) ( 4,9555 )
2

R =0,4627

Hasil regresi menunjukkan bahwa variabel independen X secara statistik


signifikan mempengaruhi residual kuadrat pada

=1 . kesimpulannya hasil

regresi mengandung masalah heteroskedastisitas.

Contoh 7.3 Deteksi Heteroskedastisitas Metode Park Produksi Padi


Contoh kedua metode Park adalah masalah produksi padi per provinsi di
Indonesia pada tahun 1994 seperti pada contoh Bab 4 tetapi dengan
menggunakan model log linier. Hasil regresinya dan beberapa informasi statistik
yang penting kita tampilkan kembali sebagai berikut:

ln Y i=5,5841+0,2260 lnX 1 i +0,0489 lnX 2 i +0,3519 lnX 3 i

t ( 13,6806 ) ( 2,2505 ) (1,9538 )( 7,8920)


2

R =0,8625

(7.13)

Dimana

Y i=

rata rata produksi padi per hektar (kg);

penggunaan bibit per hektar (kg);

X 3 i=

hektar (kg);

X 2 i=

rata rata

rata rata penggunaan pestisida per

rata rata penggunaan pupuk per hektar (kg)

Stelah

kita

melakukan

regresi

dan

selanjutnya

kita

melakukan

regresi

residual

indepdenden

X 1 i=

lnX 1 ,

lnX 2 , dan

didapatkan
kuadrat

residualnya,
terhadap

maka

variabel

lnX 3 . Hasilnya sebagai berikut:

ln e^ 2i =8,49830,1265 lnX 10,3108 lnX 2 +0,6503 lnX 3

(7.14)

t (1,5207 ) (0,0920 )(0,0961 ) (1,0654)

R2=0,0714
Nilai t hitung uji dua sisi pada

=1 ,

=5 ,

=10

dengan df 19

masing masing sebesar 2,539; 2,093; dan 1,729. Hasil regresi menunjukkan
bahwa variabel independen

lnX 1 ,

lnX 2 , dan

lnX 3 secara statistik tidak

signifikan mempengaruhi residual kuadrat dilihat dari kecilnya nilai statistik t


hitung.

Dengan

demikian

hasil

regresi

tidak

mengandung

masalah

heteroskedastisitas.
METODE GLEJSER
Sejalan dengan Park, ahli ekonometrika yang lain yakni Glejser mengatakan
bahwa varian variabel gangguan nilainya tergantung dari variabel independen
yang ada di dalam model. Berbeda dengan Park, agar kita bisa mengetahui
apakah pola variabel gangguan mengandung heteroskedastisitas atau tidak
maka Glejser menyarankan untuk melakukan regresi niali absolut residual
dengan variabel independennya. Glejser menyarankan untuk melakukan regresi
fungsi fungsi residual sebagai berikut:

|e^ i|= 0 + 1 X i+v i

(7.15)

|e^ i|= 0 + 1 X i + v i

(7.16)

|e^ i|= 0 + 1 X

+v i

(7.17)

1
+ vi
Xi

(7.18)

|e^ i|= 0 + 1 X i + v i

(7.19)

|e^ i|= 0 + 1 X i2 + v i

(7.20)

|e^ i|= 0 + 1

Sebagaimana Park jika

tidak signifikan melalui uji t maka dapat

disimpulkan tidak ada heteroskedastisitas dan sebaliknya jika

signifikan

secara statistik maka model mengandung masalah heteroskedastisitas. Glejser


dalam penelitiannya menemukan bahwa untuk sampel yang besar, model fungsi
residual

dari

memuaskan

persamaan
dalam

(7.15)

mendeteksi

sampai
masalah

(7.20)

memberi

informasi

heteroskedastisitas.

Namun

yang
kita

mempunyai kesulitan untuk model persamaan (7.19) dan (7.20) karena model
yang digunakan adalah model nonlinier dalam parameter sehingga kita tidak
bisa mengestimasi parameter estimator dengan metode OLS biasa.
Metode Park dan Glejser merupakan metode sederhana dan mudah
dilakukan. Namun kedua model mengandung kelemahan yakni berkaitan dengan
masalah residual

vi

di dalam persamaan (7.9) dan (7.15). Residual

vi

kemungkinan tidak memenuhi asumsi metode OLS. Oleh karena itu, kemudian
muncullah beberapa metode deteksi masalah heteroskedastisitas. Walaupun
kedua model mengandung kelemahan, kita bisa menggunakan kedua metode
tersebut untuk menguji heteroskedastisitas.
Contoh 7.4 Deteksi Heteroskedastisitas Dengan Metode Glejser
Kita kembali ingin menguji apakah model penyerapan tenaga kerja di sektro
industri klarifikasi 3 digit sebelumnya mengandung heteroskedastisitas dengan
menggunakan metode Glejser. Kita akan mencoba deteksi heteroskedastisitas
yang didasarkan pada persamaan (7.15) dan (7.16). Hasil dari kedua deteksi
tersebut sebagai berikut:

|e^ i|=15420,39+0,00000874 X 1

(7.21)

t ( 1,6702 ) (5,6385 ) R2=0,5317

|e^ i|=16519,84+1,2182 X 1

(7.22)

t (1,2506 ) (5,9015 ) R2=0,5543


Variabel independen X pada persamaan (7.21) maupun (7.22) secara
statistik signifikan pada

=1 . Berdasarkan dua metode deteksi yang

disarankan

tersebut

oleh

Glejser

hasil

regresi

mengandung

heteroskedastisitas mendukung metode Park sebelumnya.

masalah