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)
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:
Dengan:
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
b. Pengujian
1) Dengan software excel:
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
0
3 4 5 6 7 8 9 10 11 12 13
-5
-10
X3 Rebounds
Interpretasi:
2) Dengan software SPSS
Interpretasi:
DAFTAR PUSTAKA