Tabel 3.2 Tabel Keputusan Durbin Watson
Hipotesis Nol Keputusan
Jika Tidak ada autokolerasi positif
Tidak ada autokolerasi positif Tidak ada autokolerasi negative
Tidak ada autokolerasi negative Tidak ada autokolerasi positif atau negatif
Tolak No decision
Tolak No decision
Tidak ditolak 0dd
L
d
L
≤d≤d
U
4-d
L
d4 4-d
U
≤d≤4-d
L
d
U
d4-D
U
Ket: d
U
: Durbin Watson upper, d
L
:Durbin Watson lower a.
Bila nilai DW terlatak antara batas atas atau
upper bound
d
U
dan 4-d
U
, maka koefisein autokolerasi sama dengan nol, berarti tidak ada autokoleras.
b. Bila nilai DW lebih rendah daripada batas bawah atau
lower bound
d
L
, maka koefisien autokolerasi lebih besar daripada nol, berarti ada autokolerasi
positif. c.
Bila nilai DW lebih besar daripada 4-d
L
, maka koefisiensi autokolerasi lebih kecil daripada nol, berarti ada autokolerasi negative
d. Bila nilai DW terletak antara 4-d
U
dan 4-D
L
, maka hasilnya tidak dapat disimpulkan.
3.5.5.6 Uji Heteroskedastisitas
Suatu fungsi dikatakan baik apabila memenuhi asumsi homoskedastisitas tidak terjadi heterokedastisitas atau memiliki ragam
error
yang sama. Tujuan
menguji ini adalah dalam model regresi terjadi ketidaksamaan
variance
dan residual suatu pengamatan ke pengamatan yang lain. Jika
variance
dari residual suatu pengamatan ke pengamatan tetap. Maka di sebut homoskedastisita dan jika berbeda
disebut heteroskedastisitas. Heteroskedastisitas tidak merusak ketakbiasan dan konsistensi dari penaksir OLS, tetapi penaksir tadi tidak lagi efisien baik dalam
sampel kecil maupun besar Gujarati, 2009. Masalah heteroskedastisitas umumnya terjadi pada data silang
cross section
daripada data runtut waktu
time series
. Hereteroskedastisitas tidak merusak property dari estimasi
ordinary leas
square OLS yaitu tetap tidak biased
unbiased
dan konsisten estimator, tetapi estimator ini tidak lagi memiliki minimum variance dan efisiensi sehingga tidak lagi BLUE
Best Linear Unbiased
Estimato.Cara menditeksi ada tidaknya heterokedastisitas adalah dengan menggunakan uji Park
.
Uji ini memformalkan metode grafik plots dengan menyatakan bahwa variance
�
2
merupakan fungsi dari variabel-variabel independen Xi yang dinyatakan dalam persamaan berikut:
�
2
= �
2
Persamaan ini dijadikan linear dalam bentuk persamaan logaritma natural sehingga menjadi:
ln �
2
= ln �
2
+ ln
+ Oleh karena variance
�
2
umumnya tidak diketahaui, maka dapat ditaksir menggunakan residual
�
2
sebagai proksi, sehingga persamaan menjadi: