Praktek Eviews dalam ekonometrika Heterokedastisitas

Praktek Eviews :
Heterokedastisitas

8/5/2016

Arif Rahman Hakim

ONLINE AVAILABLE :

https://independent.academia.edu/ArifRahmanHakim

Hal |2

Praktek Eviews

Praktek Eviews : Heterokedastisitas
Dengan menggunakan data heterokedastisitas, kita akan melakukan praktek salah satu pengujian
asumsi klasik yaitu heterokedastisitas. Langkah – langkahnya adalah sebagai berikut.
1. Data yang akan digunakan adalah sebagai berikut.
obs
1

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

42
43
44

PRICE
300.000
370.000
191.000
195.000
373.000
466.275
332.500
315.000
206.000
240.000
285.000
300.000
405.000
212.000
265.000

227.400
240.000
285.000
268.000
310.000
266.000
270.000
225.000
150.000
247.000
275.000
230.000
343.000
477.500
350.000
230.000
335.000
251.000
235.000
361.000

190.000
360.000
575.000
209.001
225.000
246.000
713.500
248.000
230.000

LOTSIZE
6126
9903
5200
4600
6095
8566
9000
6210
6000

2892
6000
7047
12237
6460
6519
3597
5922
7123
5642
8602
5494
7800
6003
5218
9425
6114
6710
8577
8400

9773
4806
15086
5763
6383
9000
3500
10892
15634
6400
8880
6314
28231
7050
5305

SQRFT
2438
2076
1374

1448
2514
2754
2067
1731
1767
1890
2336
2634
3375
1899
2312
1760
2000
1774
1376
1835
2048
2124
1768

1732
1440
1932
1932
2106
3529
2051
1573
2829
1630
1840
2066
1702
2750
3880
1854
1421
1662
3331
1656

1171

BDRMS
4
3
3
3
4
5
3
3
3
3
4
5
3
3
3
4
4

3
3
4
3
3
3
4
3
3
3
3
7
4
4
4
3
4
4
4
4
5
4
2
3
5
4
3

obs
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88

PRICE
375.000
265.000
313.000
417.500
253.000
315.000
264.000
255.000
210.000
180.000
250.000
250.000
209.000
258.000
289.000
316.000
225.000
266.000
310.000
471.250
335.000
495.000
279.500
380.000
325.000
220.000
215.000
240.000
725.000
230.000
306.000
425.000
318.000
330.000
246.000
225.000
111.000
268.125
244.000
295.000
236.000
202.500
219.000
242.000

LOTSIZE
6637
7834
1000
8112
5850
6660
6637
15267
5146
6017
8410
5625
5600
6525
6060
5539
7566
5484
5348
15834
8022
11966
8460
15105
10859
6300
11554
6000
31000
4054
20700
5525
92681
8178
5944
18838
4315
5167
7893
6056
5828
6341
6362
4950

SQRFT
2293
1764
2768
3733
1536
1638
1972
1478
1408
1812
1722
1780
1674
1850
1925
2343
1567
1664
1386
2617
2321
2638
1915
2589
2709
1587
1694
1536
3662
1736
2205
1502
1696
2186
1928
1294
1535
1980
2090
1837
1715
1574
1185
1774

BDRMS
5
3
3
4
3
4
3
2
3
3
3
4
4
4
3
4
3
4
6
5
4
4
4
4
4
3
3
3
5
3
2
3
4
3
4
3
4
3
4
3
3
3
2
4

2. Lakukan estimasi ols dimana price = f(c, lotsize, sqrft, bdrms); sehingga diperoleh hasil
sebagai berikut.

ARH/2016

Hal |3

Praktek Eviews
Dependent Variable: PRICE
Method: Least Squares
Date: 08/07/11 Time: 10:12
Sample: 1 88
Included observations: 88
Coefficient

Std. Error

t-Statistic

Prob.

LOTSIZE

0.002068

0.000642

3.220096

0.0018

SQRFT

0.122778

0.013237

9.275093

0.0000

BDRMS

13.85252

9.010145

1.537436

0.1279

C

-21.77031

29.47504

-0.738601

0.4622

R-squared

0.672362

Mean dependent var

293.5460

Adjusted R-squared

0.660661

S.D. dependent var

102.7134

S.E. of regression

59.83348

Akaike info criterion

11.06540

Sum squared resid

300723.8

Schwarz criterion

11.17800

Hannan-Quinn criter.

11.11076

Durbin-Watson stat

2.109796

Log likelihood

-482.8775

F-statistic

57.46023

Prob(F-statistic)

0.000000

3. Kita akan mencoba menggunakan teknik deteksi hetero dengan metode white. Dari hasil output
regresi eviews, kita pilih View -> Residual Tests -> Heterocedasticity Tests.

Lalu, muncul layar berikut kotak untuk Heterocedasticity Tests. Disini kita pilih White -> Ok.

ARH/2016

Hal |4

Praktek Eviews

Output uji yang keluar adalah sebagai berikut.
Heteroskedasticity Test: White
F-statistic

5.386953

Prob. F(9,78)

0.0000

Obs*R-squared

33.73166

Prob. Chi-Square(9)

0.0001

Scaled explained SS

65.47818

Prob. Chi-Square(9)

0.0000

Sebagaimana terlihat pada tampilan diatas, dengan memperhatikan nilai Prob.Chi-Square untuk
F-Stat dan Prob. Obs*R-squared yang masing-masing nilainya dibawah 0.10 maka kita tolak
hipotesis nol yang homokedastis sehingga kita terima hipotesis alternatif yang menyatakan
bahwa estimasi regresi tersebut memiliki varian residual kuadrat yang bervariasi atau dapat
dikatakan terjadi heterokedastisitas.
4. Berikutnya, kita akan mencoba menggunakan teknik deteksi hetero dengan metode Breusch –
Pagan. Dengan cara yang sama, melalui output regresi eviews, kita dapat memilih menu View ->
Residual Tests -> Heterocedasticity Tests. Lalu, kotak untuk Heterocedasticity Tests. Disini
kita pilih Breusch – Pagan – Godfrey -> Ok.

ARH/2016

Hal |5

Praktek Eviews

Output uji yang keluar adalah sebagai berikut.
Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic

5.338919

Prob. F(3,84)

0.0020

Obs*R-squared

14.09239

Prob. Chi-Square(3)

0.0028

Scaled explained SS

27.35542

Prob. Chi-Square(3)

0.0000

Sebagaimana terlihat pada tampilan diatas, dengan memperhatikan nilai Prob.Chi-Square untuk
F-Stat dan Prob. Obs*R-squared yang masing-masing nilainya dibawah 0.10 maka kita tolak
hipotesis nol yang homokedastis sehingga kita terima hipotesis alternatif yang menyatakan
bahwa estimasi regresi tersebut memiliki varian residual kuadrat yang bervariasi atau dapat
dikatakan terjadi heterokedastisitas.
5. Prosedur koreksi terhadap heterokedastisitas, dapat dilakukan dengan dua cara sebagaimana
telah disebutkan diawal yaitu Heterocedasticity Robust Standard Error dan GLS.
Pertama, kita akan mencoba prosedur koreksi Robust Standard Error. Cara yang dilakukan tidak
begitu sulit karena beberapa perangkat lunak sudah memasukkan prosedur koreksi ini, salah
satunya adalah eviews, perangkat lunak yang sedang digunakan. Langkahnya adalah, kita
melakukan estimasi OLS seperti biasa. Pada kotak Equation Estimation pilih Options

ARH/2016

Hal |6

Praktek Eviews

kemudian Heterocedasticity consistent coefficient covariance -> White -> Ok. Sebagaimana
terlihat dalam tampilan berikut.

Hasil estimasi yang diperoleh adalah sebagai berikut.
Dependent Variable: PRICE
Method: Least Squares
Date: 08/07/11 Time: 10:47
Sample: 1 88
Included observations: 88
White Heteroskedasticity-Consistent Standard Errors & Covariance
Coefficient

Std. Error

t-Statistic

Prob.

LOTSIZE

0.002068

0.001251

1.652283

0.1022

SQRFT

0.122778

0.017725

6.926707

0.0000

BDRMS

13.85252

8.478625

1.633817

0.1060

C

-21.77031

37.13821

-0.586197

0.5593

R-squared

0.672362

Mean dependent var

293.5460

Adjusted R-squared

0.660661

S.D. dependent var

102.7134

S.E. of regression

59.83348

Akaike info criterion

11.06540

Sum squared resid

300723.8

Schwarz criterion

11.17800

Hannan-Quinn criter.

11.11076

Durbin-Watson stat

2.109796

Log likelihood

-482.8775

F-statistic

57.46023

Prob(F-statistic)

0.000000

Jika dibandingkan hasil estimasi sebelumnya, terlihat bahwa nilai signifikansi alpha untuk
variabel Lotsize dan variabel bdrms menjadi berkurang. Dalam artian, jika sebelumnya variabel
Lotsize signifikan pada α=1%, maka kali ini tidak untuk α=5%. Berlaku juga untuk variabel
ARH/2016

Praktek Eviews

Hal |7

bdrms, jika sebelumnya variabel tersebut signifikan pada α=1%, kali tidak untuk α=5% maupun
α=10%. Tentunya, kita bisa meyakini bahwa hasil estimasi ini telah mampu mengoreksi gejala
heterokedastisitas yang dialami sebelumnya.
6. Berikutnya, kita akan mencoba menggunakan teknik koreksi WLS. Adapun langkah prosedur
korelsi WLS adalah sebagai berikut. Lakukan regresi dimana price = f(c, lotsize, sqrft, bdrms)
hingga didapat residual ui. Caranya, dari output regresi kita pilih menu View -> Make Residual
Series. Dikotak Make Residuals,kita tulis dengan ui.

Kemudian akan muncul series ui. Kita membentuk variabel baru dari sini dengan nama lu2. Kita
dapat peroleh dengan cara memilih menu Quick -> Generate Series. Pada kotak generate series
by equation kita tulis lu2=log(ui^2) tekan Ok.

ARH/2016

Praktek Eviews

Hal |8

Lakukan estimasi untuk lu2=f(c, lotsize, sqrft, bdrms). Dari sini, kita akan dapatkan residual gi.

Caranya sama, kita regress dulu kemudian dari output regresi kita pilih menu View -> Make
Residual Series. Dikotak Make Residuals,kita tulis dengan gi lalu tekan Ok.

Hitung nilai hi. Caranya, dengan memilih menu Quick -> Generate Series. Pada kotak generate
series by equation kita tulis hi = exp(gi) tekan Ok.

ARH/2016

Hal |9

Praktek Eviews

Lakukan transformasi 1/hi pada estimasi regresi. Caranya, lakukan estimasi ulang dengan

memilih menu Quick -> Estimate Equation. Pada kotak specification tulis persamaan
regresinya yaitu price lotsize sqrft bdrms c. Kemudian pilih Options -> Weighted LS/TSLS
untuk mengisikan weight dengan hi^-1 lalu tekan Ok. Hasil estimasi WLS yang muncul adalah
sebagai berikut.
Dependent Variable: PRICE
Method: Least Squares
Date: 10/09/11 Time: 16:09
Sample: 1 88
Included observations: 88
Weighting series: (H)^-1
Coefficient

Std. Error

t-Statistic

Prob.

LOTSIZE

0.001472

6.49E-05

22.68226

0.0000

BDRMS

8.065147

0.855348

9.429082

0.0000

SQRFT

0.129797

0.001343

96.62742

0.0000

C

-10.32391

1.082189

-9.539849

0.0000

Weighted Statistics
R-squared

0.999618

Mean dependent var

333.7194

Adjusted R-squared

0.999604

S.D. dependent var

3053.843

S.E. of regression

0.175891

Akaike info criterion

-0.593517

Sum squared resid

2.598758

Schwarz criterion

-0.480911

Log likelihood

30.11476

Hannan-Quinn criter.

-0.548151

F-statistic

73249.37

Durbin-Watson stat

Prob(F-statistic)

0.000000

2.016746

Unweighted Statistics

ARH/2016

R-squared

0.667133

Mean dependent var

293.5460

Adjusted R-squared

0.655245

S.D. dependent var

102.7134

S.E. of regression

60.30905

Sum squared resid

305523.2

Durbin-Watson stat

1.967799

Praktek Eviews

ARH/2016

H a l | 10