NAMA : PUTRI AUGUSTHIA

NO BP : 1910221045

MATKUL : DASAR DASAR EKONOMETRIKA AGRI A

SOAL 1.

Buat resume mengenai masalah Heteroskedastisitas dalam analisis regresi berganda, mencakup
pengertian, penyebab terjadinya, metode yang digunakan untuk mendeteksi ada tidaknya
heteroskedastisitas, apa konsekuensi jika terjadi heteroskedastisitas dalam model, dan apa
langkah-langkah yang digunakan untuk mengatasi. Tuliskan sumber (referensi yang digunakan)

JAWABAN :

A. Pengertian
Heterokedastisitas adalah adanya ketidaksamaan varian dari residual untuk semua
pengamatan pada model regresi. Tujuan dari uji heterokedastisitas adalah untuk
mengetahui adanya penyimpangan saat uji regresi linear. Karena syarat dari uji regresi
linear harus tidak boleh ada heterokedastisitas.

Asumsi dalam uji model regresi adalah :

1. Residual (ei) harus memiliki nilai rata-rata nol
2. Residual memiliki varian yang konstan atau var(ei)=o2
3. Residual suatu observasi tidak saling berhubungan dengan residual observasi lainnya
atau cov(ei,ej)=0, sehingga menghasilkan estimator yang BLUE

Apabila asumsi (1) tidak terpenuhi, yang terpengaruh hanyalah slope estimator dan ini
tidak membawa konsekuensi serius dalam analisis ekonometris. Namun apabila asumsi
(2) dan (3) dilanggar, maka akan ada dampak serius bagi prediksi dengan model yang
dibangun.

Dalam kenyataannya memang nilai residual sulit memiliki varian yang konstan. Hal ini
akan terjadi dan bahkan sering terjadi pada data yang bersifat data silang (cross section)
dibanding data runtut waktu. Dalam penelitian yang menyangkut data keuangan
 perusahaan misalnya, akan sering terjadi perbedaan angka yang cukup besar antara
perusahaan besar dan perusahaan kecil.

Uji heteroskedastisitas ini bertujuan untuk menguji apakah dalam model regresi terjadi
kesamaan varian dari residual dari satu pengamatan ke pengamatan yang lain. Jika
varians dari satu pengamatan ke pengamatan yang lain tetap, maka disebut
homoskedatisitas atau tidak terjadi heteroskedastisitas dan jika terjadi varians berbeda
maka disebut heteroskedastisitas. Model regresi yang baik adalah model yang
homoskedastisitas atau tidak terjadi heteroskedastisitas

B. Mengidentifikasi Heterokedasttisitas

Ada beberapa metode yang dapat digunakan untuk mengindentifikasi ada tidaknya
masalah heterokedastisitas. Beberapa metode yang dapat kita gunakan antara lain :

 Metode Grafik
 Uji Park
 Uji Glejser
 Uji Korelasi Spearman
 Uji Goldfield-Quandt
 Uji Bruesch-Pagan-Godfrey
 Uji White

Beberapa Uji di atas kita bisa dengan mudah memanfaatkan aplikasi SPSS di komputer
kita. Sehingga dengan data yang sama kita bisa melukan berbagai Uji sesuai keinginan
dan keutuhan di dalam penelitian. Hasil yang dihasilkan oleh SPSS sangat bagus dan
informatif, sehingga banyak yang memakai tools ini dalam penelitian.

C. Penyebab terjadi heteroskedastisitas

 Terdapat kesalahan input komponen atau nilai variabel dependen pada beberapa
variabel independen, sehingga pada variabel independen yang berbeda memiliki
komponen variabel dependen yang sama.
 Kasus heteroskedastisitas terjadi secara alami pada variabel-variabel ekonomi.
  Terdapat pengaruh heteroskedastisitas pada data time series yang umum terjadi
pada variabel-variabel ekonomi yang memiliki volatilitas (inflasi, return, saham
dll)
 Adanya manipulasi data yang menyebabkan residual data memiliki varian yang
sistematik.

D. Metode yang digunakan untuk mendektesi heteroskedastisitas

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
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 :
Yi = B0 + B1X1 + B2X2i + .... + BpXpi + €1

E. Cara memperbaiki model jika terjadi heteroskedastisitas

 Melakukan transformasi dalam bentuk model regresi dengan membagi model
regresi dengan salah satu variabel dependen yang digunakan dalam model
tersebut.
 Melakukan transformasi logaritma.
 F. konsekuensi jika terjadi heteroskedastisitas dalam model
Jika semua asumsi klasik tersebut berlaku, kecuali satu yang tidak, yaitu terjadinya
heteroskedastisitas, maka pemerkira Ordinary Least Squares masih tetap tak bias dan
konsisten akan tetapi tidak lagi efisien baik untuk sampel kecil maupun untuk sampel
besar. Untuk lebih jelasnya perhatikan model regresi dua variabel berikut:
G. Yi = A + BXi + εi
Sekarang varian (εi) = E (εi²) = σi². Maka akan dapat ditunjukkan dengan metode kuadrat
terkecil tertimbang (weighted least squares). Dapat diperoleh BLUE dari parameter B,
yaitu b*, dengan rumus sebagai berikut :

Sumber :

http://repository.umy.ac.id/bitstream/handle/123456789/10574/7.BAB%20III.pdf?
sequence=7&isAllowed=y#:~:text=Penyebab%20terjadi%20heteroskedastisitas%20yaitu
%20%3A%20a,komponen%20variabel%20dependen%20yang%20sama.

http://datariset.com/olahdata/detail/heterokedastisitas

SOAL 2.

Data berikut mengenai Pengeluaran rumah tangga (Y) dalam ratus ribu rupiah per bulan; Pendapatan
(X1 ), dan Jumlah anggota keluarga dalam rumah tangga tersebut (X2 )

Y 85 55 65 70 75 50 55 90 70 75 78 75
X1 100 70 70 95 80 50 65 90 80 90 85 80
X2 4 2 3 3 2 2 1 5 4 3 4 5
a. Tentukan persamaan regresinya
b. Apakah terdapat heteroskedastisitas dalam model (lakukan uji)
 c. Jika ada masalah heteroskedastisitas, lakukan perbaikan.

JAWABAN :

a. Persamaan regresi

Y X1 X2 Y² X1² X2² X1 Y X2 Y X1 X2
85 100 4 7225 10000 16 8500 340 400
55 70 2 3025 4900 4 3850 110 140
65 70 3 4225 4900 9 4550 195 210
70 95 3 4900 9025 9 6650 210 285
75 80 2 5625 6400 4 6000 150
50 50 2 2500 2500 4 2500 100 100
55 65 1 3025 4225 1 3575 55 65
90 90 5 8100 8100 25 8100 450 450
70 80 4 4900 6400 16 5600 280 320
75 90 3 5625 8100 9 6750 225 270
78 85 4 6084 7225 16 6630 312 340
75 80 5 5625 6400 25 6000 375 400
843 955 38 60859 78175 138 68705 2802 3140 TOTAL

( ΣX 1)²
Σx1² = ΣX1² -
n
912025
= 78175 -
12
= 78175 – 76.002
= 2173
( ΣX 2)²
Σx2² = ΣX2² -
n
1444
= 138 -
12
= 138 – 120,3
= 17,7
( ΣY ) ²
Σy² = ΣY² -
n
710649
= 60859 -
12
= 60859 – 59220,7
= 1638,3
 ( ΣX 1)( ΣX 2)
Σx1x2 = ΣX1X2 –
n
36290
= 3140 –
12
= 3140 – 3024,1
= 115,83
( ΣX 1)(ΣY )
Σx1y = ΣX1Y –
n
805065
= 68705 –
12
= 68705– 67088,7
= 1616,3
( Σ 2)( ΣY )
Σx2y = ΣX2Y –
n
32034
= 2802 –
12
= 2802 – 2669,5
= 132,5
( Σx 1 y ) ( Σx 22 ) −(Σx 2 y)( Σx 1 x 2)
β1 =
( Σx 12 ) ( Σx 22) −( Σx 1 x 2)²
( 1616,3 )( 17,7 )−(132,5)(115,83)
β1 =
( 2173 )( 17,7 ) −(115,83)²
28608,5−15347,4
β1 =
38462,1−13416,5
13261,1
β1 =
25045,6
β1 = 0,529

( Σx 2 y ) ( Σx 12 ) −(Σx 1 y)(Σx 1 x 2)
β2 =
( Σx 12 ) ( Σx 22) −( Σx 1 x 2)²
( 132,5 )( 2173 ) −(1616,3)(115,83)
β2 =
( 2173 )( 17,7 ) −(115,83)²
287922,5−187216
β2 =
38462,1−13416,5
100706,5
β2 =
25045,6
β2 = 4,02

̅Y = ΣY / n = 843/12 = 70,25
̅X1 = ΣX1 / n = 955/12 = 42,05
 ̅X2 = ΣX2 / n = 83/12 = 12,70

B0 = ̅Y - β1 ̅X1 – β2 ̅X2
B0 = 70,25 - ( 0,529)(79,5) – (4,02)(3,16)
B0 = 70,25 – 42,05 – 12,70
B0 = 15,5

Persamaan Regresi
Y = β0 + β1X1 + β2X2
Y = 15,5 + 0,529X1 + 4,02X2

b. Apakah terdapat heteroskedastisitas dalam model (lakukan uji)

Jumlah anggota Unstandardized

Pendapatan keluarga Residual
Spearman's rho Pendapatan Correlation Coefficient 1.000 .599 *
.011
Sig. (2-tailed) . .040 .974
N 12 12 12
Jumlah anggota keluarga Correlation Coefficient .599 *
1.000 .011
Sig. (2-tailed) .040 . .974
N 12 12 12
Unstandardized Residual Correlation Coefficient .011 .011 1.000
Sig. (2-tailed) .974 .974 .
N 12 12 12
*. Correlation is significant at the 0.05 level (2-tailed).