dengan sekedar meningkatkan ukuran sampel jika mungkin, bisa mengurangi masalah kolinearitas.
3.5.2.4. Uji Heteroskedastisitas
Heteroskedastisitas timbul karena varian faktor pengganggu tidak sama atau tidak konstan. Heteroskedastisitas akan mengakibatkan penaksiran
koefisien-koefisien regresi menjadi tidak efisien. Hasil penaksiran akan menjadi kurang dari semestinya. Heteroskedastisitas bertentangan dengan
salah satu asumsi dasar regresi linier, yaitu bahwa variasi residual sama untuk semua pengamatan atau disebut homoskedastisitas Gujarati, 1997:173 dalam
penelitian Nurtanti, 2006. Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual suatu
pengamatan ke pengamatan yang lain. Heteroskedastisitas menggambarkan nilai hubungan antara nilai yang diprediksi dengan studentized delete residual
nilai tersebut. Cara memprediksi ada tidaknya heteroskedastisitas menurut Gujarati 1995:184, antara lain :
1. Sifat Dasar Masalah
Seringkali sifat dasar masalah yang sedang dipelajari menyarankan apakah heteroskedastisitas nampaknya sering dijumpai. Dalam analisis
cross sectional
yang melibatkan
pengeluaran IPCG
dalam hubungannya dengan penjualan dan tingkat bunga, heteroskedastisitas
biasanya bisa diperkirakan akan ada jika perusahaan kecil, menengah dan besar disampel secara bersama-sama.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2. Metode Grafik
Jika tidak ada informasi apriori mengenai
mengenai sifat heteroskedastisitas, dalam praktek orang dapat melakukan analisis
regresi atas asumsi bahwa tidak ada heteroskedastisitas dan kemudian melakukan pengujian sesudahnya dari kuadrat residual yang ditaksir e
i 2
untuk melihat jika residual tadi menunjukkan suatu pola yang sistematis.
3. Pengujian Park
Park menformalkan metode grafik dengan menyarankan bahwa
i 2
adalah suatu fungsi yang menjelaskan Xi. Bentuk fungsi yang dia sarankan adalah :
vi i
i
e X
2 2
ln
2 i
= ln
2
+ ln X
i
+ v
i
dimana v
i
adalah unsur ganguan disturbance yang stokhastik. Jika
signifikan secara statistik, ini menandakan dalam data terdapat heterokedastisitas.
4. Pengujian Gleiser Gleiser test
Setelah mendapatkan residual e
i
dari regresi OLS, Gleiser menyarankan untuk meregresi nilai absolut dari e
i
, terhadap variabel X yang diperkirakan mempunyai hubungan yang erat dengan
2 i
.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
5. Pengujian Rank Korelasi dari Spearman
Pendefinisian koefisien Rank Korelasi dari Spearman sebagai berikut:
1 6
1
2 2
N N
d r
i s
Pengujian Rank korelasi dapat digunakan untuk mendeteksi heteroskedastisitas.
Tindakan perbaikan untuk heteroskedastisitas menurut Gujarati 1995:189 ada 2 pendekatan, yaitu :
a. Jika diketahui
2 i
: metode Kuadrat Terkecil Tertimbang. Jika
2 i
diketahui, metode yang paling jelas adalah kudrat terkecil tertimbang. Metode kuadrat terkecil biasa atau tidak tertimbang
diperoleh dengan meminimumkan RSS : e
i 2
= Y
i
-
o
-
1
X
1 2
terhadap yang tidak diketahui unknown . Dalam meminimumkan RSS ini, metode kudrat terkecil tidak tertimbang secara implisit
memberikan bobot yang sama untuk tiap e
i 2
. b.
Jika
2 i
tidak diketahui. Tindakan perbaikan yang dilakukan melalui transformasi yang bersifat
ad hoc, yang pada dasarnya berspekulasi mengenai
2 i
. Dimana transformasi akan bekerja terrgantung sifat dari masalah dan
keparahan dari heteroskedastisitas.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3.5.3. Analisis Regresi Berganda
Kategori