MAKALAH

EKONOMETRIKA
“Uji Heteroskedastisitas”

Disusun Oleh:
KELOMPOK 4
Enggar Cahyani Umi (F1A221006) Muh. Ifran (F1A221010)
Firdha Bakri (F1A221033) La Ode Riyan (F1A220086)
Gebi Kristina Br T (F1A221035) LD Muh Amil Hidayat (F1A221071)
Muhamad Akbar (F1A220011) Reny Meylani S (F1A221046)

PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2023
BAB I
 PENDAHULUAN

1.1 Latar Belakang

Dalam analisis regresi diperlukan suatu metode untuk menduga parameter
agar memenuhi sifat BLUE (Best Linear Unbiased Estimator), salah satu metode
yang paling sering digunakan adalah Ordinary Least Square (OLS) atau sering
disebut dengan Metode Kuadrat Terkecil (MKT). Salah satu asumsi klasik yang
harus dipenuhi dalam estimasi OLS agar hasil estimasinya dapat diandalkan, yaitu
ragam
sisaan homogen E ( u i ) =σ (homoskedastisitas). Pelanggaran terhadap asumsi
2 2

homoskedastisitas disebut heteroskedastisitas, yang artinya galat bersifat tidak

konstan. Konsekuensi dari terjadi heteroskedastisitas dapat mengakibatkan
penduga OLS yang diperoleh tetap memenuhi persyaratan tak bias, tetapi varian
yang diperoleh menjadi tidak efisien, artinya varian cenderung membesar
sehingga tidak lagi merupakan varian yang kecil. Dengan demikian model perlu
diperbaiki dulu agar pengaruh dari heteroskedastisitas hilang (Gujarati, 2007).
Mengingat secara statistik permasalahan heteroskedastisitas tersebut dapat
mengganggu model yang akan diestimasi, bahkan dapat menyesatkan kesimpulan
yang diambil maka diperlukan metode untuk mengatasi masalah tersebut. Metode
Weighted Least Square (WLS) merupakan metode alternatif yang dapat mengatasi
heteroskedastisitas. Metode WLS sama halnya seperti metode OLS dengan
meminimumkan jumlah sisaan hanya saja pada metode WLS dilakukan
pembobotan suatu faktor yang tepat kemudian baru menggunakan metode OLS
terhadap data yang telah diboboti (Maziyya, 2015).
Metode WLS memiliki keunggulan dibandingkan dengan OLS yaitu metode
WLS bisa mengatur pentingnya setiap observasi karena pada OLS diasumsikan
bahwa nilai duga parameter regresi bernilai sama untuk setiap observasi.
Mekanisme kerja WLS yaitu apabila varian variabel gangguan tidak diketahui
maka untuk menyelesaikan masalah heteroskedastisitas adalah dengan mengetahui
pola heteroskedastisitas itu sendiri, jika variabel gangguan proporsional terhadap
Xi maka model akan dibagi dengan √ Xi , jika varian variabel gangguan adalah
proporsional terhadap X 2i sehingga model akan dibagi dengan Xi, selain
proporsional dengan Xi dan X 2i bisa juga diasumsikan bahwa pola varian variabel
gangguan adalah proporsional terhadap [ E (Y i)]2 sehingga dibagi dengan E(Yi)
(Gujarati, 2007).
Tujuan analisis regresi adalah mengetahui sejauh mana hubungan sebuah
variabel bebas dengan beberapa variabel tak bebas. Adapun asumsi-asumsi klasik
yang harus dipenuhi pada analisis regresi klasik adalah asumsi normalitas, asumsi
linearitas, tidak terjadi masalah multikolinearitas, tidak terjadi masalah
autokorelasi, dan tidak terjadi masalah heteroskedastisitas (Yusna et al. 2012).
Pada makalah ini akan dijelaskan lebih lanjut mengenai salah satu pelanggaran
asumsi klasik yaitu heteroskedastisitas.
1.2 Tujuan
Adapun tujuan dari makalah ini yaitu:
a. Untuk mengetahui apa yang dimaksud dengan uji heteroskedastisitas
b. Untuk mengetahui cara mendeteksi terjadinya heteroskedastisitas
c. Untuk mengetahui dampak yang diberikan akibat heteroskedastisitas
d. Untuk mengetahui cara penanganan yang dapat dilakukan untuk mengurangi
resiko dari heteroskedastisitas
 BAB II
KAJIAN PUSTAKA

2.1 Pengertian Uji heterokedastisitas

Uji heterokedastisitas merupakan suatu uji asumsi klasik yang harus
dipenuhi dalam analisis regresi. Uji heterokedastisitas dilakukan untuk
mengetahui apakah terjadi bias atau tidak dalam suatu analisis model regresi.
Biasanya jika dalam suatu model analisis regresi terdapat bias atau
penyimpangan, estimasi model yang akan dilakukan menjadi sulit dikarenakan
varian data yang tidak konsisten (Widana, 2020).
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan
varian dari residual untuk semua pengamatan pada model
regresi.Heteroskedastisitas merupakan salah satu faktor yang menyebabkan
model regresi linier sederhana tidak efisien dan akurat, juga mengakibatkan
penggunaan metode kemungkinan maksimum dalam mengestimasi parameter
(koefisien) regresi akan terganggu (Zahriyah, 2021).
2.2 Identifikasi Uji heterokedastisitas
Adapun beberapa cara mengidentifikasi uji heteroskedastisitas yaitu:
a. Metode scatter plot
Metode scatter plot merupakan metode pendeteksi keberadaan
heteroskedastisitas yang paling sederhana yang bekerja dengan cara
menggambarkan tebaran error yang diperoleh dari model regresi menurut
urutan waktu/pengamatan. Cara alternatif dalam mempelajari pola error
yaitu dengan menggambar error εi, atau harga mutlaknya |εi| secara
langsung terhadap Xi . Karena Var(εi) = E ( ε i ), maka cara yang lebih baik
2

untuk melihat pola error adalah menggambarkan ( ε i ) terhadap Xi. Beberapa

2

gambaran antara ( ε i )dengan Xi dapat dilihat pada gambar berikut :

2
1) Pola error yang konstan

2) Pola error yang membesar

3) Pola error yang membentuk kurva

 Pada gambar 1, tidak terlihat adanya pola error yang sistematis atau
dapat dikatakan random. Artinya, tidak ada perbedaan Var(εi) pada suatu
tingkat nilai Xi atau sekelompok Xi (variannya homoskedastis). Pola error
pada gambar 2 berbeda dengan pola error pada gambar 11, pada gambar 2
menunjukkan adanya pola error yang sistematik, dimana varian error
semakin membesar seiring membesarnya nilai Xi . Sedangkan pada gambar
3 menunjukkan pola error yang nilai terbesarnya terletak pada titik-titik
kritis dari grafik. Gambar 2 dan gambar 3 menunjukkan pola-pola error
yang tidak konstan (heteroskedastistisitas).
Melihat grafik plot antara nilai prediksi variabel terikat (dependent)
yaitu ZPRED dengan residualnya SRESID. Pada metode scatter plot
kriteria dalam penilaian adalah sebagai berikut:
a) Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu
yang teratur (bergelombang, melebar kemudian menyempit), maka
mengidentifikasi telah terjadi heteroskedastisitas.
b) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Uji heterokedastisitas dengan cara scatter plot akan memperoleh hasil
yang baik apabila data yang di uji adalah data time series, sedangkan data
yang di peroleh dari hasil penyebaran kuesioner sering mengalami hasil
yang kurang apabila menggunakan model scatterplot.
b. Uji Brusch Pagan
Uji statistik lainnya yang dapat digunakan untuk menguji apakah
varian dari error bersifat homoskedastik atau tidak adalah uji Breusch
Pagan Godfrey. Pada prinsipnya, uji ini tidak jauh berbeda dengan uji
lainnya, yaitu mencoba mengukur varian ε 2i akibat perubahan nilai-nilai
peubah bebasnya.
Tahap-tahap dalam uji ini adalah:
1) Asumsikan Var(ε 2i ¿ = σ 2i merupakan fungsu linier dari peubah non
stokastik Z, dimana Z adalah sebagian atau seluruh peubah X:
 2) Jika α 1=α 2=…=α k maka σ 2i = α 0, varian error konstan sehingga error
homoskedastik.
3) Peubah bebas X dapat digunakan sebagai pengganti peubah Z
4) Estimasi model regresi

n 2
εi
5) Hitung s = ∑ ε i /n dan membangun pi =
2

i s
6) Regresikan pi terhadap α 0=α 1 Z 1=…=α k Z k
Jumlah Kuadrat Regresi(JKR)
7) Hitung θ= : θ χ 2k
2
8) Error homoskedastik jikaα 1=α 2=α 3=…=α k =0
9) Jika θ> χ 2k maka tolak hipotesis nol, artinya error tidak homoskedastik.
c. Uji Park, Uji Glejser dan Uji White
Uji heteroskedastisitas dengan menggunakan metode Uji Park, Uji
Glejser dan Uji White memiliki kesamaan dalam pengambilan keputusan,
yaitu dengan melihat nilai sig dari variabel bebasnya, dengan ketentuan
sebagai berikut:
1) Apabila pada uji t untuk variabel bebas memiliki nilai sig < 0,05 (5%)
maka dapat dipastikan terdapat heteroskedastisitas
2) Apabila pada uji t untuk variabel bebas memiliki nilai sig ≥ 0,05 (5%)
maka dapat dipastikan tidak terdapat heteroskedastisitas
Dari Uji Park, Uji Glejser dan Uji White yang membedakan adalah
variabel terikatnya (dependent), di mana untuk Uji Park variabel
dependent menggunakan nilai Ln U2i (Ln dari nilai residual yang
dikuadratkan). Untuk uji Glejser variabel dependent menggunakan nilai
Abs Ui (Absolut nilai residual) dan Uji White variabel dependent
menggunakan nilai U2i (nilai residual yang dikuadratkan) (Riyanto, 2020).
2.3 Dampak Uji Heteroskedastisitas
Adapun dampak dari pelanggaran asumsi homoskedastisitas atau terjadi
masalah heteroskedastisitas adalah sebagai berikut:
a. Penduga (estimator) yang diperoleh tetap memenuhi persyaratan tidak
bias. Sifat ketidakbiasan tidak tergantung pada varian galat. Jika dalam
model regresi ada heteroskedastisitas, maka kita tetap memperoleh nilai
parameter yang tidak bias karena sebagai penduga tidak bias tidak
memerlukan asumsi bahwa varian galat harus konstan.
b. Varian penduga yang diperoleh akan menjadi tidak efisien, artinya
penduga tersebut tidak memiliki varian terkecil diantara penduga-penduga
tidak bias lainnya (Maziyya, 2015).
2.4 Penanganan Uji Heteroskedastisitas
a. Jika nilai σ 2i diketahui
Jika σ 2i diketahui atau dapat diduga, metode yang digunakan untuk
mengatasi permasalahan heteroskedastisitas adalah dengan menggunakan
metode Generalized Least Squares (GLS). Metode ini sering disebut
dengan Metode Kuadrat Terkecil Terboboti (Weighted Least Squares).
Pembentukan model estimasi dengan menggunakan GLS pada dasarnya
mempunyai dua tahap, yaitu melakukan transformasi data dasar analisis
dan menerapkan metode kuadrat terkecil terhadap data yang telah
ditransformasikan. Dengan menggunakan model :

dengan
Apabila error ε i ditransformasikan dengan cara membaginya dengan σ i,
dimana ε i berada dibawah kondisi heteroskedastisitas, maka akan
¿ εi
diperoleh error yang baru, yaitu ε i = yang memiliki varians konstan
σi
yaitu:
 Jika dilakukan transformasi terhadap persamaan Yi =
β 0 + β 1 X i + ε i ; i=1 , 2 , … , n, dengan cara membaginya dengan σ i, maka
akan diperoleh error yang homoskedastik:

Persamaan di atas juga dapat ditulis:

Dengan:

Apabila dalam model estimasi metode kuadrat terkecil jumlah

kuadrat errornya diminimasi, maka pada model estimasi GLS jumlah
kuadrat error juga terminimasi. Dalam metode kuadrat terkecil, jumlah
kuadrat error terminimasi secara langsung sedangkan pada GLS jumlah
kuadrat error terminimasi secara tidak langsung. Bentuk jumlah kuadrat
error dari model estimasi GLS dengan menggunakan pembobot dapat
dilihat sebagai berikut:

1
Dimana λ i= 2 merupakan pembobot.
σi
b. Jika nilai σ 2i tidak diketahui
Dalam banyak pembuatan model regresi, nilai σ 2i hampir tidak
pernah diketahui. Sebagai hasilnya metode kuadrat terkecil terboboti
(weighted least squares) tidak bisa digunakan. Untuk menanggulangi
masalah tersebut maka perlu digunakan asumsi untuk menentukan nilai σ 2i
 dan mentransformasi model asli (awal) sehingga model hasil transformasi
menjadi homoskedastik (Thomas, 1996).

BAB III
PEMBAHASAN

3.1 Studi Kasus

Ada seorang peneliti yang melakukan pengumpulan data informasi untuk 15
pemain bola basket yang berbeda di setiap pertandingan, lalu akan dientri
datanya untuk mengetahui apakah terjadi heteroskedastistas.
Berikut data:
Rating (Y) Points (X1) Assists (X2) Rebounds (X3)
90 25 5 11
85 20 7 8
82 14 7 10
88 16 8 6
94 27 5 6
90 20 7 9
76 12 6 6
75 15 9 10
87 14 9 10
86 19 5 7
88 21 6 7
90 18 7 6
85 15 5 4
88 16 8 10
78 18 9 12
 Sumber: https://www-statology-org.us
3.2 Pengujian Data
a. Hipotesis

b. Pengujian
1) Dengan software excel:

X1 Point Residual Plot

10
5
Residuals

0
-5 10 12 14 16 18 20 22 24 26 28
-10
X1 Point
 X2 Assists Residual Plot
10
5

Residuals
0
-5 4.5 5 5.5 6 6.5 7 7.5 8 8.5 9 9.5
-10
X2 Assists

X3 Rebounds Residual Plot

10
5
Residuals

0
3 4 5 6 7 8 9 10 11 12 13
-5
-10
X3 Rebounds

Interpretasi:
2) Dengan software SPSS

Interpretasi:
DAFTAR PUSTAKA