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
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