a.

-
b. -
c. Heteroskedastisitas
Salah satu asumsi penting dari model regresi linier klasik adalah
asumsi homoskedastisitas yaitu bahwa varians dari setiap galat ui dengan
syarat nilai-nilai dari variabel prediktor diketahui adalah bilangan konstan
sama dengan σ 2. Heteroskedastisitas terjadi saat varians dari setiap galat ui
dengan syarat nilai-nilai dari variabel prediktor diketahui tidak konstan.
Untuk mendeteksi heteroskedastisitas, dapat digunakan salah satu
metode formal yaitu Uji Park. Pada Uji Park, u^ i2sebagai proxy dari σi2
adalah fungsi dari variabel prediktor Xi. Galat ui diperoleh dari estimasi
model regresi linier berganda pada Tabel 1.1. Sebelum diregresikan
dengan variabel Xi, galat ui dikuadratkan sehingga menjadi galat u^ i2,
kemudian diubah menjadi bentuk logaritma netral. Untuk variabel Xi juga
diubah ke dalam bentuk logaritma netral sehingga diperoleh Tabel 2.6
sebagai berikut.
Tabel. 2.6 Bentuk Logaritma Netral dari u^ i2 dan X1

ln ui^2 ln X1
9.7158 10.0670
8.4558 10.1373
6.8352 10.1808
8.6652 10.1406
10.7539 9.9753
10.4144 10.0197
10.5836 10.0137
10.3383 10.0562
10.3705 10.0582
9.0974 10.1570
9.2106 10.1767
3.6923 10.2973
9.3098 10.3974
9.5665 10.4218
10.1842 10.4717
11.1070 10.5489
11.2389 10.5722
11.5565 10.5898
11.5266 10.5986
 11.5897 10.6377
11.9988 10.7083
11.9207 10.7184
11.8023 10.7075
12.4807 10.7839
12.3017 10.7827
11.5347 10.7502
12.0734 10.8146
12.0051 10.8430
9.1073 10.8072
11.9885 10.8044
10.4855 10.8370
11.2571 10.8212
11.8719 10.8290
11.6295 10.8491
11.5420 10.8616
12.6729 10.8984
12.6016 10.8995
12.8614 10.9051

Data baru yang telah didapat yaitu pada Tabel 2.6, diregresikan
dengan variabel prediktor Xi yaitu X1 dan dilakukan Uji Park sebagai
berikut.
H 0 : Tidak terdapat heteroskedastisitas dalam variansi galat
H 1 : Terdapat heteroskedastisitas dalam variansi galat
Daerah Kritis : Tolak H 0, jika p-value < α (0,05)

Tabel 2.7 Uji Heteroskedastisitas X1

Regression Analysis: ln(ui^2) versus ln X1

The regression equation is

ln(ui^2) = - 43.0 + 4.98 ln X1

Predictor Coef SE Coef T P VIF

Constant -42.98 13.46 -3.19 0.003
ln X1 4.981 1.278 3.90 0.000 1.000

S = 2.48953 R-Sq = 29.7% R-Sq(adj) = 27.7%

Keputusan : Tolak H 0, karena p (0,000) < α (0,05)

Kesimpulan : Terdapat heteroskedastisitas dalam variansi galat
 Tindakan Remidial

Mengatasi pemasalahan heteroskedastisitas perlu dilakukan

transformasi pada model asalnya, yaitu dengan cara :

a. Asumsi 1
Jika dipercaya bahwa var(εi|Xi) proporsional dengan X2 ,
maka model asal dibagi dengan Xi
b. Asumsi 2
Jika dipercaya bahwa var(εi|Xi) proporsional dengan X ,
maka model asal dibagi dengan √ X i.
c. Asumsi 3
Jika dipercaya bahwa var(εi|Xi) proporsional dengan √ X,
maka model asal dibagi dengan E(Yi).
d. Asumsi 4 (Transformasi Log)
Yaitu menggunakan transformasi log pada model asal.

Berdasarkan keempat asumsi di atas, yang memenuhi untuk

tindakan remedial data harga gabah adalah asumsi 4 (Transformasi Log).
Berikut adalah cara perhitungan remedialnya.

1. Pertama, meregresikan ln u^ i2 dengan ln X 1 sehingga didapatkan

^
ln u^ 2i lalu didapatkan estimator WLS (Weight Least Square) dari
^
exp(ln u^ 2i ) seperti Tabel 2.8 sebagai berikut.

Tabel. 2.6 Bentuk Logaritma Netral dari u^ i2 dan Xi

ln ui^2 ln X1 ^
ln u^ 2i Pembobot
9.7158 10.0670 12.8746 9051
8.4558 10.1373 12.5302 11510
6.8352 10.1808 12.2733 13355
8.6652 10.1406 12.5518 11638
10.7539 9.9753 13.2636 6614
10.4144 10.0197 13.1110 7698
10.5836 10.0137 13.1647 7543
10.3383 10.0562 13.0366 8723
10.3705 10.0582 13.0420 8782
9.0974 10.1570 12.5850 12311
 9.2106 10.1767 12.5626 13166
3.6923 10.2973 11.7285 19886
9.3098 10.3974 10.4202 28003
9.5665 10.4218 10.0276 30439
10.1842 10.4717 8.4535 36105
11.1070 10.5489 9.0165 47010
11.2389 10.5722 9.7128 50897
11.5565 10.5898 10.5113 54058
11.5266 10.5986 10.5435 55710
11.5897 10.6377 10.9694 63677
11.9988 10.7083 11.9027 81065
11.9207 10.7184 11.8753 83908
11.8023 10.7075 11.6912 80834
12.4807 10.7839 12.7028 104990
12.3017 10.7827 12.5385 104552
11.5347 10.7502 11.6810 93565
12.0734 10.8146 12.4793 116610
12.0051 10.8430 12.5489 128469
9.1073 10.8072 4.4121 113695
11.9885 10.8044 11.5266 112593
10.4855 10.8370 8.4893 125853
11.2571 10.8212 10.3496 119237
11.8719 10.8290 11.1826 122455
11.6295 10.8491 10.6137 131204
11.5420 10.8616 10.3038 136934
12.6729 10.8984 11.8417 155259
12.6016 10.8995 11.7247 155874
12.8614 10.9051 12.0819 158884

2. Meregresikan Y dan X1 data asli dengan ditambahkan

^
pembobot exp(ln u^ 2i ) seperti Tabel 2.9 sebagai berikut.

Regression Analysis: Y versus X1

Weighted analysis using weights in exp fits

The regression equation is

Y = - 1967 + 0.0585 X1

Predictor Coef SE Coef T P

Constant -1967.0 398.6 -4.94 0.000
X1 0.058549 0.008315 7.04 0.000

S = 95926.6 R-Sq = 57.9% R-Sq(adj) = 56.8%

Analysis of Variance

Source DF SS MS F P
Regression 1 4.56233E+11 4.56233E+11 49.58 0.000
Residual Error 36 3.31269E+11 9201909998
Total 37 7.87501E+11
 3. Dari langkah 2, diperoleh residual data, kemudian diuji lagi
heteroskedastisitasnya dengan Uji Park.

Regression Analysis: ln(uibaru^2) versus ln X1

Weighted analysis using weights in exp fits

The regression equation is

Ln(uibaru^2) = 16.5 - 0.51 ln X1

Predictor Coef SE Coef T P

Constant 16.51 17.83 0.93 0.361
ln X1 -0.511 1.658 -0.31 0.760

S = 486.095 R-Sq = 0.3% R-Sq(adj) = 0.0%

Analysis of Variance

Source DF SS MS F P
Regression 1 22437 22437 0.09 0.760
Residual Error 36 8506396 236289
Total 37 8528833

Dari output di atas, diketahui bahwa tidak terdapat heteroskedastisitas

pada variansi galat karena p-value > (α) 0,05 sehingga model regresi di atas
telah memenuhi asumsi klasik homoskedastisitas.

d. Otokorelasi
Salah satu asumsi dari model regresi linier klasik adalah tidak ada
otokorelasi atau korelasi serial antara galat ui. Jadi korelasi serial
merupakan korelasi antar galat yang disusun menurut urutan waktu atau
korelasi pada dirinya sendiri. Model klasik ini menganggap bahwa galat ui
yang berhubungan dengan data pengamatan ke i tidak dipengaruhi oleh
galat uj yang berhubungan dengan data pengamatan ke j. Salah satu uji
otokorelasi adalah uji Durbin – Watson.
Uji Durbin – Watson dikenal sebagai statistik Durbin-Watson d
yang didefinisikan sebagai berikut:
 n

∑ ( u^ t −^ut −1 ) 2
t =2
d= n

∑ u^ t2
t=1

Keuntungan besar dari statistik d ini adalah didasarkan pada perkiraan

galat yang dihitung dalam analisis regresi.

Hipotesis untuk mendeteksi otokorelasi adalah sebagai berikut:

H 1: Ada otokorelasi positif
H ¿1: Ada otokorelasi negatif

Tabel 2.11 Daerah kritis dengan tingkat signifikansi α = 5% yang

digunakan adalah sebagai berikut:

Hipotesis Nol Keputusan Interval

Tidak ada otokorelasi Tolak 0 < d <dL
positif
Tidak ada otokorelasi Tidak ada dL ≤ d ≤ dU
positif keputusan
Tidak ada otokorelasi Tolak 4 – dL < d < 4
negatif
Tidak ada otokorelasi Tidak ada 4 - dU ≤ d ≤ 4 - dL
negatif keputusan
Tidak ada otokorelasi Terima dU < d < 4 - dU
positif ataupun negatif
 Uji otokorelasi untuk data Y dan X1 pada Tabel 1.1 dengan
perhitungan Minitab disajikan dalam Output sebagai berikut.

Output Nilai statistik Durbin - Watson

Analysis of Variance

Source DF SS MS F P
Regression 1 4.56233E+11 4.56233E+11 49.58 0.000
Residual Error 36 3.31269E+11 9201909998
Total 37 7.87501E+11

Durbin-Watson statistic = 0.264800

Penentuan dU dan dL menggunakan tabel batas uji Durbin-Watson

dengan α=5%, jumlah pengamatan (n) sebanyak 38 dan jumlah parameter
sebanyak 2, diperoleh dL=1,37 dan dU =1,59. Berdasarkan output Minitab,
diperoleh nilai d = 0.264800 yang berada di interval 0 < d < dL sehingga
keputusan yang dapat diambil adalah tolak H0 dan dapat disimpulkan
bahwa terdapat otokorelasi positif.

Tindakan Remidial
 DAFTAR PUSTAKA

Hessie, Rethna. 2009. Analisis Produksi dan Konsumsi Beras Dalam Negeri serta
Implikasinya terhadap Swasembada Beras di Indonesia. Bogor : IPB.
Suliyanto, 2019. Diktat Ekonometrik. Surabaya : Unair.