BAB VI

HETEROKEDASTISITAS

A. Landasan Teori
Homogenitas varian (varian konstan) ini dikenal sebagai
“homoskedastisitas” (homoscedasticity). Ada kasus dimana seluruh faktor
gangguan tidak memiliki varian yang sama (varian tidak konstan). Kondisi
varian nir-konstan atau varian nir-homogen ini disebut “heteroskedastisitas”
(heteroscedasticity). Jadi, U adalah heteroskedastisitas bila Var(Ui) ≠ σi 2 (suatu
nilai konstan) tapi Var(Ui) = σi 2 (suatu nilai yang bervariasi) (Christalia, dkk,
2015).
Adanya heteroskedastisitas dalam model analisis mengakibatkan
varian dan koefisien-koefisien OLS tidak lagi minimum dan penaksir-
penaksir OLS menjadi tidak efisien meskipun penaksir OLS tetap tidak bias
dan konsisten. Pengujian heteroskedastisitas dapat dideteksi dengan uji
White. Uji White dapat dilakukan dengan meregresikan residual kuadrat
dengan variabel independen dan variabel independen kuadrat dengan
perkalian. Ada beberapa metode baik formal maupun informal yang dapat
mendeteksi adanya heteroskedastisitas:
1. Sifat persoalannya.
Seringkali, sifat persoalan yang diteliti menyarankan atau
menunjukkan kemungkinan adanya heteroskedastisitas.
2. Metode grafik
Apabila tak ada informasi sebelumnya atau informasi secara empiris
tentang adanya heteroskedastisitas dalam prakteknya kita dapat membuat
analisis regresi berdasarkan asumsi bahwa tidak ada heteroskedastisitas dan
kemudian melakukan pengecekan terhadap perkiraan kesalahan pengganggu
kuadrat yaitu ei , untuk melihat kalau seluruh ei menunjukkan pola yang
sistematis (Christalia, dkk, 2015).
Cara informal untuk mengetahui adanya heteroskedastisitas adalah
dengan membuat grafik residual. Cara formal untuk mendeteksi ada tidaknya
heteroskedastisitas pada model regresi adalah dengan menggunakan uji
White.

Perhatikan persamaan berikut:

Yt = β0 + β1X1i + β2X2i +…. + βpXpi + 𝜀i

Langkah pengujian dengan Uji-White antara lain:
1. Melakukan regresi pada persamaan berikut yang disebut regresi auxiliary
dan akan menghasilkan nilai error.
2. Membuat persamaan regresi.
3. Formulasi hipotesis
H0 : tidak terdapat masalah heteroskedastisitas dalam model regresi.
H1 : terdapat masalah heteroskedastisitas dalam model regresi.
4. Hipotesis nul dalam uji ini adalah tidak ada heteroskedastisitas (Christalia,
dkk, 2015).
Uji White didasarkan pada jumlah sampel n dikalikan dengan R2 yang
akan mengikuti distribusi Chi-squares dengan degree of freedom sebanyak
variabel independen tidak termasuk konstanta dalam regresi auxiliary. Nilai
hitung statistik Chi- squares χ2 dapat dicari dengan formula sebagai berikut: n
R2 ≈ χ 2 df c
Jika nilai perhitungan melebihi nilai kritis dengan α yang dipilih,
diputuskan bahwa tidak terdapat heteroskedastisitas. Hal ini disebabkan α 1 =
α2 = α3 = α4 = 0 sehingga konstan. Jika nilai Chi-squares hitung n. R 2 lebih
besar dari nilai χ2 kritis dengan derajat keper cayaan tertentu α maka ada
heteroskedastisitas dan sebaliknya jika Chi- squares hitung lebih kecil dari
nilai χ2 kritis menunjukkan tidak adanya heteroskedastisitas (Christalia, dkk,
2015).
B. Soal Latihan
PT. Bintang Muda dalam beberapa bulan gencar melakukan promosi untuk
produk yang mereka hasilkan dengan membuka outlet-outlet di berbagai
daerah. Seberapa jauh pendapatan, laju penduduk, luas outlet, pesaing, dan
biaya promosi berpengaruh terhadap penjualan PT. Bintang Muda? Lakukan
analisis apakah model regresi tersebut terjadi heteskedastisitas!
Tabel 6.1 Data Penjualan, Pendapatan Masyarakat, Pertumbuhan Penduduk,
Oultet, Pesaing dan Promosi.
NO PJL PDT PTB OUT PSG PRO
1 290 4.65 2.01 152 14 30
2 291 2.59 1.51 161 15 24
3 298 2.69 1.76 198 18 31
4 326 3.64 1.65 173 16 32
5 291 4.55 2.66 158 14 47
6 368 3.84 1.46 244 23 54
7 319 3.63 1.67 167 15 40
8 285 2.87 2.76 105 11 42
9 280 4.98 1.36 166 15 26
10 296 2.71 2.14 146 13 28
11 321 2.93 2.65 115 12 35
12 344 2.75 1.64 197 18 31
13 397 3.70 2.54 214 20 21
14 376 3.10 2.55 182 17 49
15 353 3.31 1.54 189 17 30

C. Langkah Kerja
1. Membuka aplikasi E-Views kemudian memilih Create A New E-Views
workfile untuk membuka lembar kerja.
2. Pada Workfile Create memilih Unstructured/Undated, pada kolom Data
Range memasukkan angka 15 yang berarti data yang di analisis
berjumlah 15. Lalu mengklik Ok.

3. Lalu memilih menu File pada menubar, memilih Import, kemudian

memilih Import From File.

4. Memasukkan berkas yang berisikan data yang telah disimpan

sebelumnya.
Lalu mengklik Open.
5. Mengklik Custom Range, pada menu Start Cell lalu mengklik bagian
kanan kemudian memilih Next.

6. Memilih kolom variabel PJL, PDT, PTB, OUT, PSG dan PRO lalu
mengubah Character menjadi Number pada Data Type.

7. Mengklik Finish.
8. Mengklik menu Quick pada menu bar kotak dialog, kemudian mengklik
Estimate Equation.

9. Setelah itu, memasukkan rumus pjl c pdt ptb out psg pro pada kolom
Equation Estimation, kemudian mengklik Ok.

10. Maka hasil data yang telah dianalisis akan muncul.

11. Setelah hasil ditampilkan, memilih menu View, kemudian mengklik
Residual Diagnostics dan memilih Heteroskedasticity.

12. Memilih uji White dan menghilangkan tanda centang yang ada pada
kotak Include White CrossTerms, kemudian mengklik Ok.

13. Maka akan muncul hasil data dari Heteroskedasticity Test: White yang
telah dianalisis.
D. Hasil atau Output
Heteroskedasticity Test: White

F-statistic 0.787633 Prob. F(5,9) 0.5838

Obs*R-squared 4.565753 Prob. Chi-Square(5) 0.4711

Scaled explained SS 1.596375 Prob. Chi-Square(5) 0.9017

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/10/21 Time: 23:08
Sample: 1 15
Included observations: 15

Coefficient
Variable Std. Error t- Statistic Prob.

C 438.0487 741.0392 0.591128 0.5690

PDT^2 -38.99027 26.76289 -1.456878 0.1791
PTB^2 16.10163 91.22915 0.176497 0.8638
OUT^2 0.145973 0.096614 1.510891 0.1651
PSG^2 -16.22334 11.12792 -1.457895 0.1789
PRO^2 0.102824 0.232547 0.442166 0.6688

R-squared 0.304384 Mean dependent var 366.6430

Adjusted R-squared -0.082070 S.D. dependent var 528.9322
S.E. of regression 550.2091 Akaike info criterion 15.74765
Sum squared resid 2724570. Schwarz criterion 16.03087
Log likelihood -112.1074 Hannan-Quinn criter. 15.74463
F-statistic 0.787633 Durbin-Watson stat 2.345877
Prob(F-statistic) 0.583837
E. Interpretasi
Untuk menentukan heterokedastisitas menggunakan uji White, dapat
melalui beberapa kriteria diantaranta adalah :
a. Prob obs* R-Square ˃ 1% maka, tidak terjadi heterokedastisitas pada data.
b. Prob obs* R-Square < 1% maka, terjadi heterokedastisitas pada data.
Berdasarkan produk hasil atau output tersebut, hasil dari uji White dapat
diperoleh obs* R-square sebesar 0.4711. Dari hasil tersebut diketahui bahwa
hasil uji White lebih besar dari pada 1%, artinya bahwa pada suatu data
tersebut tidak terjadi heterokedastisitas.
.

DAFTAR PUSTAKA

Christalia dkk. 2015. Analisis Heterokedastisitas Pada Data Cross Section dengan
White Heteroscedasticity Test dan Weight Least Squares. Manado,
Indonesia: FMIPA UNSRAT