TUGAS PERTEMUAN 9

DETEKSI DAN MENGOBATI MULTIKOLINEARITAS,

HETEROSKEDASTISITAS, DAN AUTOKORELASI
DENGAN EVIEWS 10

DOSEN PENGAMPU
Dr. Dwi Ratmono, SE., M.Si., Ak

DISUSUN OLEH
Hafidz Ali Raharjo / 12030121413015

UNIVERSITAS DIPONEGORO
FAKULTAS EKONOMIKA DAN BISNIS
MAGISTER AKUNTANSI
2021/2022
MULTIKOLINEARITAS
• Melihat R2 dan variabel independen yang signifikan

Terlihat dari output SPSS nilai R2 cukup tinggi sebesar 82.05%, sedangkan semua
variabel independen Salbegin, Educ dan Jobcat memiliki nilai t statistik yang
signifikan pada 0.05. Oleh karena R2 tinggi dan semua variabel independen
signifikan, maka tidak ada indikasi terjadi multikolinearitas antarvariabel
independen

• Menggunakan matriks korelasi

Berdasarkan pada hasil output matrik korelasi di atas korelasi antara Salbegin dan
Educ sebesar 0.633, korelasi antara Salbegin dan Jobcat sebesar 0.755 dan korelasi
antara Educ dan Jobcat sebesar 0.514. Tidak terdapat korelasi antarvariabel
independen yang tinggi di atas 0.80. Jadi dapat disimpulkan tidak terdapat
multikolinearitas antarvariabel independen.
• Menggunakan Auxilary Regression

Klein’s rule of thumb menyatakan bahwa multikolineairitas terjadi jika R2 yang

diperoleh dari auxilary regression lebih tinggi daripada R2 keseluruhan yang diperoleh
dari meregres semua variabel X’s terhadap Y. Hasil pada tabel di atas menunjukkan
bahwa tidak ada R2 dari auxilary regression (masing-masing sebesar 0,651, 0,404,
dan 0,572) yang lebih tinggi daripada R2 keseluruhan yang diperoleh dari meregres
semua variabel independen terhadap salary (0,801). Oleh karena itu dapat
disimpulkan tidak terjadi multikolinearitas.
• Menggunakan nilai Tolerance dan Variance Inflation Factor (VIF)

Berdasarkan tabel di atas, terlihat nilai VIF tidak ada yang di atas 10 (nilai VIF
berkisar antara 1.678 sampai 2.868. Jadi sekali lagi terbukti tidak ada
multikolinearitas yang serius.

HETEROSKEDASTISITAS
• Uji Glejser

Hasil tampilan output di atas menunjukkan bahwa variabel Salbegin, Educ dan Jobcat
signifikan pada 0.05 yang mengindikasikan terdapat heteroskedastisitas. Oleh karena
itu, dapat disimpulkan bahwa uji Glejser mengindikasikan adanya
heteroskedastisitas dalam model.
• Uji White

Dalam uji White hipotesis yang diajukan adalah:

Ho: tidak ada heteroskedastisitas; Ha: Ada heteroskedastisitas.

Output di atas menunjukkan nilai Obs*R-squared mempunyai nilai probabilitas

Chisquare yang signifikan (nilai p=0,000). Dengan demikian maka hipotesis alternatif
(Ha) adanya heteroskedastisitas dalam model tidak dapat ditolak

Hasil pengujian menunjukkan nilai p yang signifikan sehingga Ha didukung (ada

heteroskedastisitas dalam model). Hasil uji White sama dengan uji Glejser yaitu
menunjukkan adanya masalah heteroskedastisitas dalam model regresi.
• Uji BPG

Output di atas menunjukkan nilai Obs*R-squared mempunyai nilai probabilitas

Chisquare yang signifikan (nilai p=0,000). Dengan demikian, maka hipotesis nol
bahwa model homoskedastisitas ditolak yang berarti terdapat heteroskedastisitas.
Dengan kata lain hipotesis alternatif adanya heteroskedastisitas dalam model tidak
dapat ditolak. Hasil uji BPG sama dengan uji White dan Glejser yaitu
menunjukkan terdapat adanya heteroskedastisitas dalam model employee
data.
• Metode Grafik

Interpretasi untuk scatterplot di atas adalah sebagai berikut. Nampak bahwa

residual tersebar secara acak dan tidak mengikuti pola tertentu. Hal ini
mengindikasikan kemungkinan adanya heteroskedastistitas dalam model. Pembaca
dapat membuat scatterplot untuk residual kuadrat dan variabel independen lainnya
yaitu educ dan jobcat untuk memverifikasi lebih lanjut. Namun metode grafik ini
mengalami kelemahan mendasar sehingga uji statistik formal harus lebih diutamakan
dalam pengujian heteroskedastisitas.
• Melakukan Koreksi/Mengobati Heteroskedastistas
Jika Varian Residual ( 2i) tidak diketahui (dengan White Robust Standard
Error)

Output di atas telah mengoreksi standard error secara otomatis sehingga nilai
tstatistic dan nilai p (prob) juga telah dikoreksi. Kita langsung dapat menggunakan
output yang telah dikoreksi di atas sebagai hasil akhir pengujian hipotesis karena
masalah heteroskedastistas telah dikoreksi. Secara esensi, White’s
Heteroscedasticity-Consistent Variance and Standard Error hanya mengoreksi nilai
standar error, nilai t, dan nilai p sedangkan besaran koefisien tetap sama. Kita dapat
memperbandingkan hasil koreksi prosedur White dengan hasil regresi OLS tanpa
koreksi berikut ini. Koreksi heteroskedastistas dengan prosedur White tidak
mengubah kesimpulan hasil pengujian hipotesis karena ketiga variabel independen
(salbegin, educ, dan jobcat) tetap signifikan demikian juga tanda koefisiennya tetap
sama. Hal ini mengindikasikan heteroskedastistas bukan menjadi masalah serius
dalam model regresi. Heteroskedastistas dapat menjadi masalah serius jika
pengambilan kesimpulan statistis menjadi berubah misalnya dari signifikan menjadi
tidak signifikan atau sebaliknya. Meskipun bukan menjadi masalah serius,
heteroskedastistas sebaiknya tetap dikoreksi.
AUTOKORELASI
• Uji Durbin-Watson (DW test)

Ouput Eviews di atas menunjukkan bahwa nilai Durbin-Watson (DW) sebesar 1.749.
Nilai DW sebesar 1.749 ini akan kita bandingkan dengan nilai tabel DW dengan
menggunakan significance level sebesar 5%, jumlah amatan (T)= 470 (kita gunakan
470 yang paling mendekati 474) dan K (jumlah variabel bebas dan interesep) sebesar
3, maka di tabel Durbin Watson akan didapatkan nilai dL sebesar 1.83572 dan dU
sebesar 1.86141. Nilai DW sebesar 1.749 terletak di daerah 1 (DW=1.749 <
dL=1.83752). Nilai DW lebih rendah daripada batas bawah atau lower bound (dl),
maka dapat disimpulkan bahwa koefisien autokorelasi lebih besar daripada nol,
berarti ada autokorelasi positif.
• Uji Lagrange Multiplier (LM Test)

Interpretasi hasil LM test adalah sebagai berikut. Hipotesis yang diajukan dalam LM
test adalah: (1) H0: tidak ada autokorelasi, (2) Ha: ada autokorelasi. Jika nilai p dari
nilai Obs*R-squared signifikan secara statistik (kurang dari 0.05) maka H0 (tidak ada
autokorelasi) ditolak. Hasil uji LM di atas mengindikasikan bahwa terjadi autokorelasi
ditunjukkan dengan nilai Obs*R-square yang signifikan secara statistik (nilai
p=0.0055). Hasil uji LM sama dengan uji Durbin-Watson yang
mengindikasikan adanya autokorelasi dalam model regresi.
• Metode Newey-West untuk Mengoreksi Standard Error Regresi OLS/Mengonbati
Autokorelasi

Output di atas merupakan hasil koreksi standard error dengan metode NeweyWest
setelah ada masalah autokorelasi. Hasil di atas langsung dapat kita gunakan dalam
laporan penelitian. Jika dibandingkan dengan hasil metode OLS tanpa koreksi HAC
maka dapat disimpulkan bahwa terdapat perbedaan dalam nilai standard error, nilai
t, dan nilai p. Namun hasil koreksi HAC lebih valid sedangkan hasil OLS tanpa koreksi
dapat menyebabkan kesalahan pengambilan kesimpulan.