Ordinary Least Square

Fungsi Regresi Populasi

𝑌𝑖 = 𝐸(𝑌|𝑋𝑖 ) + 𝑢𝑖

Fungsi Regresi Sampel

𝑌̂𝑖 = 𝛽̂1 + 𝛽̂2 𝑋𝑖 + 𝑢̂𝑖

Prinsip metode OLS

- Memilih SRF sehingga jumlah kuadrat Sisaan sekecil mungkin.

- Bertujuan untuk mengetahui titik minimum dari galat dimana secara teoritis persamaan
tidak bisa bernilai maksimum.
- Penduga parameter dipilih melalui metode optimasi (turunan pertama disama
dengankan nol.)

Asumsi Metode OLS

PARAMETER

- Parameter bersifat linier

- Peubah eksogen dan endogen (yang memiliki kesempatan menjadi peubah dependent)
boleh tidak linier

EKSOGEN DIANGGAP FIXED

(Nilai peubah bebeas dianggap non stokastik)

- Bertujuan untuk membentuk sebaran nilai nilai peubah endogen (𝑌) pada setiap peubah
eksogen (𝑋).
- Pada x tertentu terdapat beberapa nilai Y.

GALAT PUNYA NILAI HARAPAN NOL

𝐸(𝑢𝑖 |𝑋𝑖 ) = 0

Hal ini dibuktikan dengan jumlah seluruh galat akan sama dengan nol.

HOMOKEDASITAS

Pada nilai X, populasi Y mempunyai ragam yang sama

𝑣𝑎𝑟(𝑌𝑖 |𝑋𝑖 ) = 𝑣𝑎𝑟(𝛽̂1 + 𝛽̂2 𝑋𝑖 + 𝑢̂𝑖 )

 = 𝑣𝑎𝑟(𝛽̂1 ) + 𝑣𝑎𝑟(𝛽̂2 𝑋𝑖 ) + 𝑣𝑎𝑟(𝑢𝑖 |𝑋𝑖 )
= 0 + 𝛽̂22 𝑣𝑎𝑟(𝑋𝑖 ) + 𝑣𝑎𝑟(𝑢𝑖 |𝑋𝑖 )
= 𝑣𝑎𝑟(𝑢𝑖 |𝑋𝑖 )
= 𝜎2

HETEROKEDASITAS

- Kebalikan dari HOMOKEDASITAS

- Terlihat dari asumsi dari galat adalah 𝜀~𝑁(𝑜, 𝜎𝑖 ) atau ada indeks 𝑖 berbeda tiap 𝑋.

GALAT TIDAK BERKORELASI

- Korelasi/Konvarians antar galat bernilai nol.

- Asumsi kebebasan galat pada nilai 𝑋 yang berbeda → Tidak ada autokorelasi antar galat.

PEUBAH EKSOGEN DAN GALAT SALING BEBAS

- Konvarians antara galat dan peubah eksogen = 0

- PRF dibentuk dengan asumsi bahwa 𝑋 dan 𝑢 punya efek adiktif bagi 𝑌.
- Jika kedua efek tersebut berkorelasi
o Kesulitan dalam menganalisis efek individu dari X dan u
- Jika keduanya tidak saling bebas
o u semakin besar seiring peningkatan nilai X (korelasi positif)
o u semakin kecil seiring peningkatan nilai X (korelasi negatif)

JUMLAH PENGAM ATAN > JUMLAH PA RAMETER

Apabila tidak, parameter tidak bisa diduga.

NILAI PEUBAH BEBAS BERVARIASI

Dari rumus penduga slope model regresi, penyebut akan bernilai nol jika tidak ada variasi dari nilai
X.

∑𝑁 ̅ ̅
𝑖=1(𝑋𝑖 − 𝑋 )(𝑌𝑖 − 𝑌 )
𝛽̂2 =
∑𝑖=1(𝑋𝑖 − 𝑋̅)
𝑛 2

∑(𝑋𝑖 − 𝑋̅)2 ≠ 0
𝑖=1

Tidak ada solusi bagi penduga slope

NO SPECI FICATION BIAS

- Model harus dispesifikasikan dengan tepat

- Apabila salah maka model akan overestimate rata-rata 𝑌 bagi titik-titik. \

T I D A K A D A M U L T I K O L I N I E R I T A S S E M P U R N A (bagi Regresi Berganda – Lebih

dari satu variabel eksogen/bebas

• Tidak ada hubungan linier di antara peubah-peubah eksogen yang digunakan

GRETL OLS

̂𝟎
𝜷 𝒔𝒆(𝜷𝟎 ) 𝑵𝒊𝒍𝒂𝒊 𝒕
̂𝟏
𝜷 𝒔𝒆(𝜷𝟏 )

𝑱𝑲 𝑮𝒂𝒍𝒂𝒕

𝑲𝒐𝒓𝒆𝒍𝒂𝒔𝒊

LANJUTAN

𝑱𝑲 𝑮𝒂𝒍𝒂𝒕
𝝈 = √𝑲𝑻𝑮 = √
𝒅𝒃 𝒂𝒕𝒂𝒖 (𝒏 − 𝟐)

𝛽̂1
𝑡=
𝑠𝑒(𝛽̂1 )

P value 𝑝 = 2 × 𝑃(𝑇 𝑑𝑏 > 𝑡) [Jika p < 𝜶 maka dapat ditolak]

𝑛−2

Selang Kepercayaan

𝛽̂1 ± 𝑡𝛼,𝑑𝑏 𝑠𝑒(𝛽̂1 )

2

Goodness of Fit Model

𝐽𝐾 𝑅𝑒𝑔𝑟𝑒𝑠𝑖
𝑅2 =
𝐽𝐾 𝑇𝑜𝑡𝑎𝑙

Adjusted 𝑅2

𝐽𝐾 𝐸𝑟𝑟𝑜𝑟/(𝑛 − 2)
𝐴𝑑𝑗 𝑅2 = 1 −
𝐽𝐾 𝑇𝑜𝑡𝑎𝑙/(𝑛 − 1)

Bentuk Fungsional
1. Koefisien Marginal (𝐼 × 𝐼)

𝑌̂ = 𝛽̂1 + 𝛽̂2 𝑋
Dengan 𝑌̂ → 𝑘𝑜𝑛𝑠𝑢𝑚𝑠𝑖 𝑑𝑎𝑛 𝑋 → 𝑝𝑒𝑛𝑑𝑢𝑔𝑎 𝑀𝑃𝐶
∆𝑌 𝑌2 − 𝑌1
𝛽̂2 = =
∆𝑋 𝑋2 − 𝑋1
(+) → Pendapatan naik satu unit maka konsumsi akan naik sebesar 𝛽̂2
(−) → Pendapatan naik satu unit maka konsumsi akan turun sebesar 𝛽̂2

2. Koefisien Elastisitas(𝐿𝑛 × 𝐿𝑛)

Fungsi produktivitas Cobb Douglas

𝑌 = 𝐴𝐾 𝛼 𝐿𝛽 𝑒 𝑢
 𝑑𝑒𝑛𝑔𝑎𝑛 𝑌 → 𝑝𝑟𝑜𝑑𝑢𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠, 𝐾 → 𝑚𝑜𝑑𝑎𝑙, 𝐿 → 𝑇𝑒𝑛𝑎𝑔𝑎 𝑘𝑒𝑟𝑗𝑎, 𝐴 → 𝐾𝑜𝑓 𝑇𝑒𝑘𝑛𝑜𝑙𝑜𝑔𝑖, 𝛼, 𝛽
→ 𝑘𝑜𝑓 𝑒𝑙𝑎𝑠𝑡𝑖𝑠𝑖𝑡𝑎𝑠
̂𝑌 = 𝑣̂ + 𝛼̂ ln 𝐾 + 𝛽̂ ln 𝐿
ln
Interpretasi
(𝐿 +) → Setiap 1 % kenaikan tenaga kerja, produktivitas akan meningkat sebesar 𝛽̂ %, pada
tingkat 𝐾 konstan.
(𝐾 +) → Setiap 1% kenaikan modal, produktivitas akan meningkat sebesar 𝛼̂%, pada tingkat
𝐿 konstan

3. Laju Pertumbuhan (𝐿𝑛 × 𝐼)

𝑌𝑡 = 𝑌0 (1 + 𝑟)𝑡
𝑑𝑌̂𝑡
𝑌
𝛽̂2 = 𝑡
𝑑𝑡
Interpretasi
Pada setiap perubahan 1 unit waktu, 𝑌 mengalami perubahan sebesar 𝛽̂2 × 100%

4. Laju Peningkatan Respons dan peningkatan prediktor (𝐼 × 𝐿𝑛)

𝑌 = 𝛽1 + 𝛽2 ln 𝑋 + 𝑢
𝛽̂2 𝑑𝑋
𝑑𝑌̂ =
𝑋
𝛽̂2 𝑑𝑌̂
=
100 𝑑𝑋 × 100%
𝑋
Interpretasi
̂2
𝛽
Pada setiap 1% perubahan 𝑋 terjadi perubahan pada 𝑌 sebesar unit
100

Skala dan Unit Pengukuran

- Satuan akan mengikuti satuan prediktor
- Selain itu disesuaikan dengan interpretasi

Regresi Linier Berganda

Model populasi:

𝒀 = 𝑿𝜷 + 𝒖

Model sampel:

̂+𝒖
𝒀 = 𝑿𝜷 ̂

Penduga respon:

̂
̂ = 𝑿𝜷
𝒀

Sisaan:

̂
̂ =𝒀−𝒀
𝒖

Jumlah kuadrat sisa:

̂ ′𝒖
𝑅𝑆𝑆 = 𝒖 ̂
= 𝒀′ 𝒀 − 𝟐𝜷 ̂ 𝑿)′ 𝑿𝜷
̂ (𝑿′ 𝒀) + (𝜷 ̂

Penduga beta:
 𝜕𝑅𝑆𝑆
̂=𝟎
= −𝟐(𝑿′ 𝒀) + 𝟐𝑿′𝑿𝜷
𝜕𝛽̂
̂ = (𝑿′ 𝑿)−𝟏 𝑿′ 𝒀
𝜷

Asumsi:

- SAMA DENGAN RLS DENGAN TAMBAHAN:

- TIDAK ADA HUBUNGAN LINIER SEMPURNA DIANTARA PEUBAH PENJELAS.

Sifat:

- BLUE
- Linier
- Tidak Bias (nilai harapan adalah nilai parameter)
- Konsisten
- Ragam yang paling kecil diantara semua kemungkinan penduga.

Struktur Ragam dari penduga:

̂ ) = 𝐸(𝜷
𝑣𝑎𝑟(𝜷 ̂ − 𝛽)′
̂ − 𝛽)(𝜷

= 𝜎 2 (𝑿′ 𝑿)−1

Dimana 𝜎 2 = √𝐾𝑇𝐺

Uji Hipotesis pada Regresi Berganda

1. Uji F

- Digunakan untuk menduga keberartian bersama sama

- Pendefinisikan Hipotesis
𝐻0 : 𝛽𝑖 = 𝛽𝑒 = 0
𝐻1 : 𝑝𝑎𝑙𝑖𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑠𝑎𝑙𝑎ℎ 𝑠𝑎𝑡𝑢 𝑑𝑎𝑟𝑖 𝛽4 𝑎𝑡𝑎𝑢 𝛽5 ≠ 0
- Statistik Uji
𝐽𝐾𝐺𝑅 − 𝐽𝐾𝐺𝑈
𝑘𝑈 − 𝑘𝑅
𝐹=
𝐽𝐾𝐺𝑈
𝑛 − 𝑘𝑈
- Model
o Restricted Model
(Dibatasi dengan hipotesis atau parameter dihapus untuk mengetahui apakah
kedua variabel mempengaruhi secara signifikan bersama sama)
o Unrestricted Model
(Model Penuh)
- Daerah Kritis
Nilai F
𝐹 > 𝐹(𝑛−1,𝑛−𝑘,𝛼) → 𝑇𝑂𝐿𝐴𝐾 𝐻0
2
Daerah p-value
𝑃 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼 → 𝑇𝑂𝐿𝐴𝐾 𝐻0
Interpretasi:
Terima 𝐻0 menyatakan parameter secara bersama sama tidak memiliki pengaruh
Tolak 𝐻0 menyatakan parameter secara bersama sama berpengaruh atau salah satu

2. Uji CHI SQUARE

 - Hipotesis
𝐻0 : 𝛽𝑖 = 𝛽𝑒 = 0
𝐻1 : 𝑝𝑎𝑙𝑖𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑠𝑎𝑙𝑎ℎ 𝑠𝑎𝑡𝑢 𝑑𝑎𝑟𝑖 𝛽4 𝑎𝑡𝑎𝑢 𝛽5 ≠ 0
- Model
o Restricted Model
(Dibatasi dengan hipotesis atau parameter dihapus untuk mengetahui apakah
kedua variabel mempengaruhi secara signifikan bersama sama)
o Unrestricted Model
(Model Penuh)
- Statistik Uji
2
𝐿𝑅 = −2(𝑙𝑅 − 𝑙𝑈 )~𝑋𝑚
Dimana:
𝑙𝑅 : ln likelihood dari restricted model
𝑙𝑈 : ln likelihood dari unrestricted model

Apabila statistik uji terbuktiu maka akan cukup bukti untuk mendukung Hipotesis
sehingga tidak perlu menggunakan model restricted.

3. Uji Wald

- Untuk menguji linear restriction (pernyataan dalam fungsi linear)

- Hipotesis
- Menggunakan asumsi penjumlahan kedua dari parameter adalah normal.
- Kemudian menentukan ekspektasi dan Hipotesis akhir.
𝐸(𝛽𝑖 + 𝛽𝑗 ) = 𝐸(𝛽𝑖 ) + 𝐸(𝛽𝑗 )
𝑉𝑎𝑟(𝛽𝑖 + 𝛽𝑗 ) = 𝑉𝑎𝑟(𝛽𝑖 ) + 𝑉𝑎𝑟(𝛽𝑗 ) + 2𝐶𝑜𝑣(𝛽𝑖 , 𝛽𝑗 )
- Statistik Uji.
(𝛽̂𝑖 + 𝛽̂𝑗 ) − (𝛽𝑖 + 𝛽𝑗 )
𝑡= ~𝑡𝑛−3
̂
√𝑉𝑎𝑟(𝛽𝑖 + 𝛽𝑗 ) ̂

- Uji tidak direkomendasikan apabila punya dua peubah lebih

4. Uji F (Linier Retriction)

- Subtitusi Uji Hipotesis ke uji F

- Pendefinisikan Hipotesis
𝐻0 : 𝛽𝑖 + 𝛽𝑒 = 1
𝐻1 : 𝛽𝑖 + 𝛽𝑒 ≠ 1
- Subtitusi 𝛽𝑖 = 1 − 𝛽𝑒 ke model kemudian di uji F.
- Model
o Restricted Model
(Dibatasi dengan hipotesis atau parameter dihapus untuk mengetahui apakah
kedua variabel mempengaruhi secara signifikan bersama sama)
o Unrestricted Model
(Model Penuh)
- Statistik Uji
𝐽𝐾𝐺𝑅 − 𝐽𝐾𝐺𝑈
𝑘𝑈 − 𝑘𝑅
𝐹=
𝐽𝐾𝐺𝑈
𝑛 − 𝑘𝑈
- Daerah Kritis
 Nilai F
𝐹 > 𝐹(𝑛−1,𝑛−𝑘,𝛼) → 𝑇𝑂𝐿𝐴𝐾 𝐻0
2
Daerah p-value
𝑃 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼 → 𝑇𝑂𝐿𝐴𝐾 𝐻0
Interpretasi:
Terima 𝐻0 menyatakan parameter secara bersama sama tidak memiliki pengaruh
Tolak 𝐻0 menyatakan parameter secara bersama sama berpengaruh atau salah satu

Asumsi Normalitas Galat

Pendeteksian Normalitas

1. Histogram dari Sisaan

Dengan plot Residual

Harus sesuai dengan plot normal agar distribusi normal

2. QQ Plot

𝑄1 = 𝐹 −1 (0,25)

𝑄2 = 𝐹 −1 (0,5)

𝑄3 = 𝐹 −1 (0,75)
 Normal eksponensial
3. Jarque Berra Normality Test

- Uji Hipotesis
𝐻0 : Pengamatan menyebar normal
𝐻1 : Pengamatan tidak menyebar normal
- Statistik Uji
𝑛 1
𝐽𝐵 = (𝑆 2 + (𝐾 − 3)2 )
6 4
3
3 1 𝑛
𝜇̂ ∑ (𝑥 − 𝑥̅ )
𝑆=( ) = 𝑛 𝑖=1 𝑖
𝜎̂
√1 𝑛 2
( 𝑛 ∑𝑖=1(𝑥𝑖 − 𝑥̅ ) )
4
4 1 𝑛
𝜇̂ ∑𝑖=1(𝑥𝑖 − 𝑥̅ )
𝐾=( ) = 𝑛
𝜎̂
√1 𝑛 2
( 𝑛 ∑𝑖=1(𝑥𝑖 − 𝑥̅ ) )
- Daerah Kritis
𝐽𝐵~𝝌𝟐𝟐
𝐻0 ditolak ketika JB besar
- Keterangan
𝑆 = 0, 𝐾 = 2 𝐽𝐵 → 0
𝐾 − 3 → menujukkan excess kurtosis
- 𝐺𝑅𝐸𝑇𝐿
 𝑛

𝑆(𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠)
𝐾−3

𝑃(𝝌𝟐𝟐 ≥ 𝐽𝐵) → 0,

Karena hampir tidak ada kesalahan uji, jika Hipotesis nol ditolak maka 𝐻0 ditolak

Uji Asumsi NonMultikolinearitas

YANG DIHARAPKAN NON MULTIKOLINEAR (Tidak boleh ada korelasi antar variabel)

1. Multikolinearitas Sempurna

Jika suatu variabel memiliki hubungan dengan variabel lain secara jelas.

Efek: TIDAK MEMILIKI SOLUSI DI AKHIR

Karena nilai salah satu kolom merupakan fungsi linier sehingga |𝑋 ′ 𝑋| ≠ 0

𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌(𝑖𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛)

2. Multikolinearitas Tak Sempurna

𝑋3 = 𝑋2 + 𝑣

Efeknya:

1. Penduga OLS tetap dapat diduga dan BLUE (punya determinan)

2. Penduga tetap efisen (𝜎 2 → 𝑏𝑒𝑠𝑎𝑟)
3. Selang kepercayaan besar → Daerah wilayah terima 𝐻0 luas (Koefisien tidak nyata)
4. Statistik Uji 𝑡 dari satu atau beberapa koofisien TIDAK NYATA, → 𝑅2 𝑏𝑒𝑠𝑎𝑟
5. Tanda dari regresi tidak sesuai
6. Hasil tidak valid

Pendeteksian

Stuktur korelasi sebagai factor pengali 𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝐼𝑛𝑓𝑙𝑎𝑡𝑖𝑜𝑛 𝐹𝑎𝑐𝑡𝑜𝑟 (𝑉𝐼𝐹)

1
𝑉𝐼𝐹 =
(1 − 𝑟𝑖𝑗2 )
 1
𝑉𝐼𝐹 = (𝑙𝑒𝑏𝑖ℎ 𝑑𝑎𝑟𝑖 𝑑𝑢𝑎 𝑝𝑟𝑒𝑑𝑖𝑘𝑡𝑜𝑟)
(1 − 𝑅𝑗2 )

∗ 𝑅𝑗 →Koefisien determinasi dari auxiliary regression.

Interpretasi:

- 𝑉𝐼𝐹 = 1, ragam tidak terinflasi

- 𝑉𝐼𝐹 → ∞, ragam sangat terinflasi.
- 𝑀𝑖𝑛𝑖𝑚𝑎𝑙 𝑉𝐼𝐹 = 10 𝑢𝑛𝑡𝑢𝑘 𝑐𝑢𝑘𝑢𝑝 𝑚𝑢𝑙𝑡𝑖𝑘𝑜𝑙𝑖𝑛𝑒𝑎𝑟𝑖𝑡𝑎𝑠

Var peubah:

𝜎2
𝑣𝑎𝑟(𝛽̂𝑗 ) = 𝑉𝐼𝐹
(∑𝑛𝑖=1 𝑥𝑗𝑖2 )

Tahap:

Matriks korelasi: menujukkan korelasi yang tinggi pada dua peubah

Menghitung regresi dua peubah

- Nilai peubah saling berkeballikan dimana harusnya tidak

- Pvalue peubah tidak signifikan
- Hipotesis uji parsial diterima (𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼), dan 𝑅2 = 0.735622 (𝑏𝑒𝑠𝑎𝑟)
- Standard error nya tinggi

- Uji parsial diterima,

 - P value peubah signifikan (< 𝛼 )

- Uji parsial diterima

- P value peubah signifikan (< 𝛼 )

Regresi 𝑋2 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑋3 (auxiliary regression->regresi antar peubah)

Nilai 𝑅𝑗 = 0.9999

1 1
𝑉𝐼𝐹 = = = 100000
(1 − 𝑅𝑗2 ) 1 − 0.99999

Penyelesaian

1. Do nothing
2. Rule of Thumb Procedure
a. Menggunakan informasi apriori
Informasi tambahan dari penelitian sebelumnya
Hasil ariori disubtitusi untuk memodifikasi nilai dari persamaan regresi
b. Mengombinasikan cros section dan time series untuk data panel
Meregresikan data cross section terlebih dahulu kemudian di subtitusi pada model
persamaan regresi
c. Menghilangkan variabel dan bias spesifikasi
Akan menimbulkan masalah baru yaitu specification bias
d. Transformasi peubah
Meminimumkan dengan membandingkan data t dan t-1
 e. Menambah observasi

Homokedasitas/Heterokedasitas
- Seharusnya homokedasitas
- Untuk mengetahui pelanggaran asumsi kesamaan ragam.
- Ragam dari galat terpengaruh dari X

Efek:

1. Penduga tidak bias dan konsisten

2. 𝛽 tidak efisien cenderung lebih besar dan var lebih kecil
3. 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘 𝑢𝑗𝑖 𝑡 𝑎𝑡𝑎𝑢 𝐹 𝑡𝑒𝑟𝑙𝑎𝑙𝑢 𝑏𝑒𝑠𝑎𝑟
4. Menghasilkan penolakan 𝐻0 .

Pendeteksian

Menimpan hasil residual dari OLS sevagai variabel respon dan X prediktor (konsep auxiliary
regression): Uji Homo kedasstisitas

Hipotesis: 𝐻0 : 𝑣𝑎𝑟(𝑢|𝑋) = 𝐸(𝑢2 |𝑋) = 𝜎 2

Model: 𝑢𝑖2 = 𝛿𝑖 + 𝛿2 𝑋2𝑖 + ⋯ + 𝛿𝑝 𝑋𝑝𝑖 + 𝑣𝑖 (Auxiliary Regression)
1. Uji LM
Langkah 1: Mengihitung nilai residualnya
𝑢̂𝑖 = 𝑌̂𝑖 − 𝑌𝑖
Langkah II: Menduga auxiliary regression
Nama Bentuk
Breusch Pagan 𝑢̂𝑖2 = 𝛿𝑖 + 𝛿2 𝑋2𝑖 + ⋯ + 𝛿𝑝 𝑋𝑝𝑖 + 𝑣𝑖
Glesjer |𝑢̂𝑖 | = 𝛿𝑖 + 𝛿2 𝑋2𝑖 + ⋯ + 𝛿𝑝 𝑋𝑝𝑖 + 𝑣𝑖
Harvey-Godgrey ln 𝑢̂𝑖 = 𝛿𝑖 + 𝛿2 𝑋2𝑖 + ⋯ + 𝛿𝑝 𝑋𝑝𝑖 + 𝑣𝑖
Park ln 𝑢̂𝑖2 = 𝛿𝑖 + 𝛿2 𝑋2𝑖 + ⋯ + 𝛿𝑝 𝑋𝑝𝑖 + 𝑣𝑖
Langkah 3: Hipotesis
𝐻0 : 𝛿2 = 𝛿3 = ⋯ = 𝛿𝑝 = 0
𝐻1 : 𝑝𝑎𝑙𝑖𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑠𝑎𝑡𝑢 𝛿𝑗 ≠ 0, 𝑗 = 2, … , 𝑝
Langkah 4: Stat Uji
𝐿𝑀 = 𝑛𝑅2 ~𝝌𝟐𝒑−𝟏
Langkah 5: Daerah Kritis
Jika 𝐿𝑀 = 𝑏 dan 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 𝑃(𝝌𝟐𝒑−𝟏 > 𝑏)
GRETL
Indikasi: simpangan baku penduga koofisien tidak mengukur simpangan baku yang
sebenarnya. (simpangan baku tidak signifikan)
Nilai std.error tidak sebanding
 Ketimpanga
n nili ragam
terlihat.

Nilai ragam
Besar

Uji Breusch Pagan

TOLAK H_0

ADA HETEROKEDASITAS
2. Uji White
Langkah 1: Mengihitung nilai residualnya
𝑢̂𝑖 = 𝑌̂𝑖 − 𝑌𝑖
Langkah II: Menduga auxiliary regression
(pangkat 1, pangkat 2, dan interaksi)
𝑢̂𝑖2 = 𝛿𝑖 + 𝛿2 𝑋2𝑖 + ⋯ + 𝛿𝑝 𝑋𝑝𝑖 + 𝑣𝑖
Langkah 3: Hipotesis
𝐻0 : 𝛿2 = 𝛿3 = ⋯ = 𝛿𝑝 = 0
𝐻1 : 𝑝𝑎𝑙𝑖𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑠𝑎𝑡𝑢 𝛿𝑗 ≠ 0, 𝑗 = 2, … , 𝑝
Langkah 4: Stat Uji
𝐿𝑀 = 𝑛𝑅2 ~𝝌𝟐𝒑−𝟏
Langkah 5: Daerah Kritis
Jika 𝐿𝑀 = 𝑏 dan 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 𝑃(𝝌𝟐𝒑−𝟏 > 𝑏)
 HANYA
KUNING YANG
MEMENUHI
SEHINGGA
HUBUNGAN
BERLAKU
SECARA LINIER

TOLAK H_0 ADA

Penyelesaian HETEROKEDASITAS

1. Weighted Least Square (Penyebab diketahui)

Asumsi:
𝑣𝑎𝑟(𝑢𝑖 ) = 𝜎 2 𝑧𝑖2
Sehingga
𝑢𝑖
𝑣𝑖 =
𝑧𝑖
𝑉𝑎𝑟(𝑣𝑖 ) = 𝜎 2
𝑌𝑖 ∗ 1 ∗ 𝑋2𝑖
𝑌𝑖∗ = , 𝑋1𝑖 = , 𝑋2𝑖 = ,…
𝑧𝑖 𝑧𝑖 𝑧𝑖

2. White’s Method (penyebab tidak diketahui)

- Menerapkan koreksi
∑ 𝑥𝑖2 𝑢̂𝑖2
𝑣𝑎𝑟(𝛽̂2 ) =
(∑ 𝑥𝑖2 )2
Interpretasi

- Walau telah di transformasi, interpretasi menggunakan model awal.