menguji normalitas data digunakan Jarque-Bera. Kriteria yang digunakan adalah jika nilai probabilitas Jarque-Bera JB test
α = 5, maka data dapat dikatakan berdistribusi normal. Berikut hasil pengujian Jarque-Bera Test menggunakan
pengolahan eviews :
Tabel 4.3.4.2 Hasil Uji
Jarque-Bera Nilai
Jarque-Bera Probabilitas Kesimpulan
9.032478 0,010930
Tidak Normal Berdasarkan hasil pada tabel 4.1 diatas, diketahui bahwa nilai
probabilitas sebesar 0,010930 α 0,05 yang berarti model empiris yang digunakan mempunyai residual atau faktor pengganggu yang berdistribusi tidak
normal.
4.10.2. Heterokedastisitas
Heteroskedastisitas terjadi apabila variabel pengganggu error term tidak mempunyai varian yang konstan sama untuk semua observasi sehingga
residual pengganggu tidak bernilai nol atau Eµi2 ≠ σ2. Untuk menguji keberadaan heteroskedastisitas dilakukan dengan cara Uji Formal yaitu Uji White
White’s General Heterocedastisity Test. Uji White memulai pengujiannya dengan membentuk model :
Yi = βo + β1X1 + β2X2 + µ
Kemudian persamaan diatas, dimodifikasi dengan membentuk bantuan auxiliary regression sehingga model menjadi :
µi2 = α0 + α1X1 + α2X2 + α3X12 + α4X22 + α5X1X2 + υi
Tabel 4.3 Hasil Uji
White Heterokedastisitas Nilai ObsR Square
Probabilitas Kesimpulan
59.43703 0.00000
Terdapat heteroskedastisitas Berdasarkan hasil uji white diatas dapat dilihat bahwa nilai
probabilitas chi squares lebih kecil dari 0,05, yang berarti signifikan sehingga mengandung penyakit heteroskedastisitas pada hasil estimasi. Untuk itu agar
model tidak lagi terdapat masalah heteroskedastisitas, maka perlu dilakukan penyembuhan
penyakit heteroskedastisitas.
Cara mengobati
masalah heteroskedastisitas dengan varians diketahui :
Apabila varians σ2 dapat diketahui atau dapat diestimasi, untuk mengatasi masalah heteroskedastisitas adalah dengan menggunakan metode
kuadrat terkecil tertimbang weighted least squares = WLS. Wahyu Ario Pratomo dan Paidi Hidayat, 2007:103 Dengan rumus sebagai berikut :
Bagilah semua data dengan nilai prediksi Y Ŷ
Y 1 Xı X2 e
= a + b1 + b2 + Ŷ Ŷ
Ŷ Ŷ Ŷ
Model ini disebut WLS Weighted Least Squares. Dalam model ini terdapat variabel baru yaitu 1. Buatlah data baru dengan membagi angka 1
dengan . Gujarati 1995:383. Nilai varians σi dalam ekonometrika disebut sebagai Sum Squared Residual = RSS dibagi dengan jumlah variabel penjelas k.
Lihat hasil estimasi diatas diperoleh nilai RSS atau Sum Squared Residual sebesar 1.147779 dan k = 3 ada variabel yang diestimasi, sehingga nilai varians σi =
1.147779 2 =0.5738895. Nilai varians σi kemudian ditransformasikan ke dalam masing-masing variabel.
Untuk melihat apakah hasil regresi telah lolos dari masalah heteroskedastisitas dapat dilihat melalui perubahan nilai sum squared resid.
Apabila angka sum squared resid cenderung menurun, maka dapat dikatakan bahwa model yang diestimasi lolos dari masalah heteroskedastisitas. Hasil
estimasi menunjukkan bahwa nilai varians σi semakin kecil. Dari hasil estimasi regresi dengan menggunakan metode kuadrat
terkecil tertimbang weighted least squares = WLS diperoleh dari nilai sum squared resid yang cenderung menurun yaitu 0.007793, maka dapat dikatakan
bahwa model yang diestimasi lolos dari masalah heteroskedastisitas.
4.10.3 . Multicollinearity kolinearitas ganda
