Cara Memperbaiki Masalah Heteroskedastistas di Eviews 9

Gambar : Cover Artikel

MEMPERBAIKI MASALAH HETEROSKEDASTISITAS

Ditulis oleh : Dimas Purbo Wicaksono Fenda Putra, S.E.

A.Penjelasan Heteroskedastisitas

Heteroskedastisitas merupakan salah syarat yang harus terpenuhi dalam pengujian asumsi klasik. Data yang terjangkit masalah heteroskedastisitas akan menyebabkan asumsi OLS menjadi BIAS atau tidak memenuhi unsur BLUE (best linear unbiased estimator). Sehingga menyebabkan varian asumsi parameter pada koefisien regresi menjadi rendah (underestimate) atau tinggi (overestimate). Oleh karena itu bila data terjangkit masalah heteroskedastisitas maka perlu dilakukan perbaikan. Ada beberapa cara untuk memperbaiki data yang terjangkit masalah heteroskedastisitas, diantaranya adalah :

1.Mentransformasikan data

2.Metode WLS (weighted least square)

3.Menggunakan koefisien estimasi rebust atau estimasi Huber White

Adapun variabel yang digunakan dalam hasil ini adalah :

a. Variabel Independen :

1. Inflasi
2. Pengangguran Terbuka
3. BI Rate

b. Variabel Dependen :

1. Pertumbuhan Ekonomi

B.Tahapan Perbaikan Data

Ini adalah hasil uji glejser yang menunjukkan adanya gejala heteroskedastisitas.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Gejala heteroskedastisitas dapat dilihat dari nilai Obs*R-square yang menunjukkan nilai kurang dari tingkat alpha 0.05 (0.0428 < 0.05), sehingga data terjangkit masalah heteroskedastisitas.

Cara memperbaiki masalah ini bisa dengan menggunakan fungsi logaritma bisa juga melalui fungsi reboust maupun generate data.

Langkah 1 : Copy nilai Durbin watson stat dari hasil regresi

Gambar : Pengolah Data Eviews 9

Nilai Durbin watson stat sebesar 1.669482.

Langkah 2 : Cari nilai dw melalui microsoft excel.

Gambar : Microsoft Excel 2013

Kita dapati hasil sebesar 0.165259.

Langkah 3 : Selanjutnya buat generate data dengan memilih menu Genr.

Gambar : Pengolah Data Eviews 9

Langkah 4 : Buat folder baru dengan rumus : 

nlogpertumbuhan_ekonomi=log(pertumbuhan_ekonomi)-(0.165259)*log(pertumbuhan_ekonomi(-1))

Gambar : Pengolah Data Eviews 9

nloginflasi=log(inflasi)-(0.165259)*log(inflasi(-1))

Gambar : Pengolah Data Eviews 9

nlogbi_rate=log(bi_rate)-(0.165259)*log(bi_rate(-1))

Gambar : Pengolah Data Eviews 9

nlogpengangguran_terbuka=log(pengangguran_terbuka)-(0.165259)*log(pengangguran_terbuka(-1))

Gambar : Pengolah Data Eviews 9

Langkah 5 : Setelah itu kita blok semua folder yang sudah di generate. Klik kanan => Open => as Equation.

Gambar : Pengolah Data Eviews 9

Langkah 6 : Bagian Eqaution Estimation => Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 7 : Maka hasilnya regresi dari perubahan data sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Lihat nilai pada durbin watson stat. Sebelum dilakukan perubahan nilainya sebesar 1.669482. Setelah dilakukan perubahan nilainya sebesar 1.841260 (nilai ini selain mempengaruhi hasil dari heteroskedastisitas juga berpengaruh terhadap hasil uji autokorelasi).

Kita coba cek hasil uji heteroskedastisitas dengan metode glejser.

Langkah 8 : Klik View => Residual Diagnostics => Heteroskedasticity Tests.

Gambar : Pengolah Data Eviews 9

Langkah 9 : Pada specification di bagian test type pilih Glejser kemudian klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 10 : Hasil uji glejser setelah perubahan adalah sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Dari hasil output di atas dapat dilihat bahwa nilai Obs*R-squared di bagian Prob. Chi-Square (3) sebesar 0.4481. Nilai ini bandingkan dengan tingkat alpha 0.05 (5%). Bila nilai kurang dari 0.05 maka data terjangkit masalah heteroskedastisitas dan bila data lebih besar dari 0.05 maka data terbebas dari masalah heteroskedastisitas. Hasil ini menunjukkan nilai 0.4481 > 0.05, artinya data terbebas dari masalah heteroskedastisitas.

Informasi ekonometrika secara lengkap, silakan kunjungi channel youtube saya di : Dimas Channel

Note : Silakan bagi teman-teman yang ingin meng-copy artikel ini. Mohon sertakan sumber aslinya.
Terima Kasih :-)