Cara Memperbaiki Heterokedatisitas

Modul Laboratorium Analisis Kuantitatif

PENYEMBUHAN ASUMSI

KLASIK SUMBER : FILE KASUS 8.1.

Model regresi yang dihasilkan harus terhindar dari penyakit asumsi klasik. Jika terdapat asumsi klasik maka harus dilakukan tindakan penyembuhan terhadap model yang dihasilkan. Yang perlu diperhatikan adalah : Pada umumnya tindakan penyembuhan akan memperbaiki kualitas dari model yang dihasilkan

atau dengan kata lain masalah penyakit akan teratasi. Namun yang perlu diperhatikan adalah tidak ada jaminan bahwa penyakit yang terjadi SECARA OTOMATIS AKAN SEMBUH. Bisa saja hanya kadar penyakitnya yang berkurang dan tidak sembuh total.

Dalam beberapa kasus bisa terjadi penyembuhan satu penyakit asumsi klasik akan menimbulkan penyakit asumsi klasik lainnya.

Intuisi dari si peneliti sangat dibutuhkan untuk melakukan tindakan penyembuhan. Artinya jika terdapat lebihd ari satu penyakit asumsi klasik maka harus dilakukan beberapa alternatif mana dulu penyakit yagn akan disembuhkan. Semakin sering melakukan penelitian maka intusisi si peneliti akan semakin baik untuk memperbaiki penyakit asumsi klasik yang terjadi.

1. MULTIKOLINEARITASPada model kasus 8.1 tidak terjadi pelanggaran asumsi klasik multikolinearitas, karena nilai VIF untuk ketiga variabel (interest, IHK dan EER) kurang dari 10. Jika terjadi pelanggaran asumsi klasik maka tindakah penyembuhan yang dapat dilakukan adalah :a. Melakukan transformasi terhadap variabel misal dalam bentuk log atau ln (Kecuali untuk

variabel yang satuannya % tidak boleh dirubah dalam bentuk log atau ln)b. Menambah jumlah observasi (jumlah data) c. Membuang variabel yang paling mengandung multikolinearitas. Hati-hati dalam

membuang variabel karena variabel independen utama sekalipun mengandung multikolinearitas tidak boleh dihilangkan. Misalnya : Untuk kasus fungsi permintaan, variabel harga tidak boleh dihilangkan sekalipun

terjadi multikolinearitas Untuk kasus fungsi investasi, variabel suku bunga tidak boleh dihilangkan sekalipun

terjadi multikolinearitas. Untuk kasus fungsi produksi, tenaga kerja tidak boleh dihilangkan sekalipun terjadi

multikolinearitas

Fakultas Ekonomi Universitas Trisakti, 2007

9-1


2. HETEROSKEDASTISITAS Pada kasus 8.1. terjadi pelanggaran asumsi klasik heteroskedastisitas dimana ada 2 variabel yang mengandung heteroskedastisitas yaitu variabel INTEREST DAN IHK. Penyembuhan heteroskedastisitas dapat dilakukan dengan beberapa cara yaitu :

1) Merubah variabel dalam bentuk LOG atau LN. Dalam kasus ini karena ada dua variabel yang satuannya sudah prosen (%), maka transformasi dalam bentuk LOG hanya dilakukan untuk varaibel BLUECIP dan EER. Dengan langkah-langkah sebagai berikut :

Pastikan data file kasus 8.1 sudah siap seperti ditunjukkan gambar berikut :

Gambar 9.1.

Untuk merubah variabel BLUECHIP dalam bentuk LOG dilakukan dengan langkah-langkah KLIK TRANSFORM, COMPUTE sehingga akan muncul gambar 9.2


9-2


Gambar 9.2.

Pada kotak dialog COMPUTE VARIABLE, pada kolom TARGET VARIABLE buat variabel baru yang merupakan LOG dari BLUECHIP (ingat 8 huruf tanpa spasi) misal LOGBLUE. Pada NUMERIC EXPRESSION cari fungsi LG10 pada FUNCTION dan masukkan variabel BLUECHIP laku KLIK OK sehingga akan diperoleh variabel LOGBLUE yang merupakan log dari variabel BLUECHIP seperti ditunjukkan pada gambar berikut.

Gambar 9.3.

Lakukan langkah yang sama untuk variabel EER sehingga akan dihasilkan 2 variabel baru yaitu LOGBLUE DAN LOGEER seperti ditunjukkan pada gambar berikut :


9-3


Gambar 9.4.

Lakukan regresi ulang termasuk pengujian asumsi klasiknya dengan model yang diajukan adalah

LOGBLUE = f (INTEREST, IHK, LOGEER) Dan dihasilkan output sebagai berikut :

RegressionVariables Entered/Removedb

LOGEER,INTEREST, IHK

a . Enter

Model1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: LOGBLUEb.

Model Summaryb

.957a .916 .912 .06005145 .409Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Durbin-Watson

Predictors: (Constant), LOGEER, INTEREST, IHKa.



9-4


ANOVAb

2.212 3 .737 204.443 .000a

.202 56 .004

2.414 59

Regression

Residual

Total

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), LOGEER, INTEREST, IHKa.


Coefficientsa

-3.135 1.249 -2.510 .015

-1.29E-02 .003 -.206 -4.756 .000 .795 1.258

1.018E-02 .001 .763 16.507 .000 .699 1.431

1.099 .325 .154 3.380 .001 .720 1.388

(Constant)

INTEREST

IHK

LOGEER

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig. Tolerance VIF

Collinearity Statistics

Dependent Variable: LOGBLUEa.

Collinearity Diagnosticsa

3.905 1.000 .00 .00 .00 .00

8.773E-02 6.671 .00 .65 .02 .00

7.619E-03 22.637 .00 .29 .83 .00

1.896E-05 453.803 1.00 .06 .14 1.00

Dimension1

2

3

4

Model1

EigenvalueCondition

Index (Constant) INTEREST IHK LOGEER

Variance Proportions

Dependent Variable: LOGBLUEa.

Regression pengujian heteroskedastisitas setelah perbaikan dengan merubah dalam bentuk log


9-5


Variables Entered/Removedb

LOGEER,INTEREST, IHK

a . Enter

Model1

VariablesEntered



Dependent Variable: ABSRES2b.

Coefficientsa

-.190 .693 -.274 .785

5.027E-03 .002 .431 3.345 .001

-4.54E-04 .000 -.182 -1.327 .190

6.108E-02 .180 .046 .338 .736

(Constant)

INTEREST

IHK

LOGEER

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: ABSRES2a.

PERTANYAAN :Lakukan pengujian asumsi klasik yang baru, dan bagaimana KESIMPULANNYA. APAKAH MODEL YANG BARU TERHINDAR DARI MASALAH HETEROSKEDASTISITAS

2) Membagi dengan variabel yang mengandung heteroskedastisitas yang dalam hal ini adalah variabel INTEREST karena hateroskedastisitasnya paling parah. Pembentukan variabel baru dilakukan dengan formulasi :BLUE2 = BLUECHIP/INTERESTININTERS = 1/INTEREST (khusus untuk variabel INTEREST yang paling mengandung heteroskedastisitas dilakukan INVERS DARI INTEREST)IHK2 = IHK/INTERESTEER2 = EER/INTEREST

Contoh : membuat variabel BLUE2 adalah sbb :


9-6


Pastikan file kasus 8.1 sudah siap seperti ditunjukkan pada gambar berikut :

Gambar 9.5.

KLIK TRANSFORM, COMPUTE, OK sehingga akan muncul gambar 9.6. Jika masih ada formulasi lama KLIK RESET. Pada TARGET VARIABLE KLIK BLUE 2Pada NUMERIC EXPRESSION formulasikan BLUECHIP/INTEREST lalu OK sehingga akan terbentuk variabel BLUE2. Lakukan untuk semua variabel kecuali untuk INTEREST formulasinya seperti diatas 1/INTEREST. Lengkapnya varaibel baru dapat dilihat pada gambar 9..7


9-7


Gambar 9.6.

Gambar 9.7.


9-8


Lakukan regresi ulang termasuk pengujian asumsi klasiknya dengan model yang diajukan adalah

BLUE2 = f (ININTER, IHK2, EER2)

Dan dihasilkan output sebagai berikut :

RegressionVariables Entered/Removedb

EER2,IHK2,INIINTER

a . Enter

Model1

VariablesEntered



Dependent Variable: BLUE2b.

Model Summaryb

.983a .967 .965 2.54448169 .448Model1



Durbin-Watson

Predictors: (Constant), EER2, IHK2, INIINTERa.


ANOVAb

10586.591 3 3528.864 545.050 .000a

362.566 56 6.474

10949.157 59

Regression

Residual

Total

Model1


Predictors: (Constant), EER2, IHK2, INIINTERa.



9-9


Coefficientsa

-4.823 1.206 -4.000 .000

-453.327 54.260 -1.215 -8.355 .000 .028 35.781

5.197 .234 1.864 22.200 .000 .084 11.929

9.435E-03 .006 .228 1.471 .147 .025 40.637

(Constant)

INIINTER

IHK2

EER2

Model1

B Std. Error


Beta




Dependent Variable: BLUE2a.


3.913 1.000 .00 .00 .00 .00

7.922E-02 7.028 .70 .00 .01 .00

6.260E-03 25.001 .03 .08 .97 .07

1.419E-03 52.519 .26 .92 .02 .93

Dimension1

2

3

4

Model1

EigenvalueCondition

Index (Constant) INIINTER IHK2 EER2



Regression PENGUJIAN HETEROSKEDASTISITAS SETELAH PERBAIKAN DENGAN MEMBAGI VARIABEL YANG PALING MENGANDUNG HETEROSKEDASTISITAS


EER2,IHK2,INIINTER

a . Enter

Model1

VariablesEntered





9-10


Coefficientsa

2.763 .692 3.993 .000

-77.439 31.137 -1.850 -2.487 .016

.259 .134 .827 1.925 .059

4.867E-03 .004 1.048 1.322 .191

(Constant)

INIINTER

IHK2

EER2

Model1

B Std. Error


Beta


t Sig.


PERTANYAAN :Lakukan pengujian asumsi klasik yang baru, dan bagaimana KESIMPULANNYA. APAKAH MODEL YANG BARU TERHINDAR DARI MASALAH HETEROSKEDASTISITAS

BANDINGKAN DENGAN HASIL PERBAIKAN PADA CARA PERTAMA (1) . MANA CARA YANG LEBIH BAIK UNTUK MENGATASI HETEROSKEDASTISITAS

3. AUTOKORELASI Pada kasus 8.1 terjadi autokorelasi sehingga penyembuhan dilakukan dengan langkah-langkah sebagai berikut :

Pastikan data file kasus 8.1 (YANG AWAL) sudah siap seperti ditunjukkan gambar berikut :

Gambar 9.8.

Cari koefisien autokorelasi (rho) dengan cara meregresikan


9-11


RESID DENGAN LAGRESID TANPA KONSTANTA atau secara formulasi dinyatakan dengan :

RESID = LAGRESIDDimana = koefisien autokorelasi

Untuk membuat LAGRESID dilakukan dengan langkah :PADA GAMBAR 9.8 KLIK TRANSFORM, COMPUTE sehingga akan muncul gambar 9.9

Gambar 9.9.

Pada TARGET VARIABLE KETIK LAGRES Pada NUMERIC EXPRESSION o Pada function cari fungsi LAG dan pindahkan ke NUMERIC EXPERESSION, lalu

masukkan variable RESID (res_1) ke kolom NUMERIC EXPRESSION. Lalu OK sehingga akan terbentuk variable baru yaitu LAGRES seperti ditunjukkan pada gambar 9.10 (variable LAGRES datanya akan berkurang 1)


9-12


Gambar 9.10.

o Lakukan regresi dengan fungís RESID f(LAGRES) tanpa konstanta dan yang dikeluarkan hanya ESTIMATE nya saja dengan langkah-langkahKLIK ANALYZE,REGRESSION, LINEAR sehingga akan muncul gambar beriikut ini

Pada DEPENDENT masukkan res_1Pada INDEPENDENT masukkan lagres

Gambar 9.11.

Pada STATISTICS cukup dipilih ESTIMATE


9-13


Gambar 9.12.

PADA OPTION hilangkah pilihan INCLUDE CONSTANT IN EQUATION (Gambar 9.13)

Gambar 9.13.

Dengan KLIK OK akan diperoleh hasil regresi sbb :

Regression


9-14


Variables Entered/Removedb,c

LAGRESa . EnterModel1

VariablesEntered



Dependent Variable: Unstandardized Residualb.

Linear Regression through the Originc.

Coefficientsa,b

.844 .082 .806 10.352 .000LAGRESModel1

B Std. Error


Beta


t Sig.

Dependent Variable: Unstandardized Residuala.

Linear Regression through the Originb.

TRANSFORMASIKAN SEMUA VARIABEL DENGAN FORMULASI SBB :BLUE3 = BLUE- (0.844*LAG(BLUECHIP))INTERES3 = INTEREST – (0.844*LAG(INTEREST))IHK3 = IHK-(0.844*LAG(IHK))EER3 = EER-(0.844*LAG(EER))

Menamakan variable baru misal BLUE3 dapat disesuaikand engan keinginan peneliti dalam menamakan variable, yang tidak boleh hádala KESALAHAN DALAM NUMERIC EXPRESSION

CONTOH UNTUK MEMBUAT BLUE3. Pada kertas verja 8.1 KLIK TRANSFORM, COMPUTE sehingga akan muncul gambar 9.14


9-15

KOEFISIEN AUTOKORELASI 0.844


Gambar 9.14.

Pada target variabel KETIK : blue3Pada numeric expression tulis : bluechip-(0.844*LAG(bluechip))

Laku KLIK OK sehingga akan diperoleh variabel blue3

Lakukan hal yang sama untuk variabel INTEREST3, IHK3, EER3 Sehingga diperoleh hasil gambar 9.15


9-16


Gambar 9.15.

LAKUKAN REGRESI TERBARU LENGKAP DENGAN PENGUJIAN ASUMSI KLASIK UNTUK MODEL BLUE3 = f (INTERES3, IHK3, EER3) sehingga diperoleh hasil sebagai berikut :

Regression


EER3,INTERES3, IHK3

a . Enter

Model1

VariablesEntered





9-17


Model Summaryb

.814a .663 .645 11.22194311 1.500Model1



Durbin-Watson

Predictors: (Constant), EER3, INTERES3, IHK3a.


ANOVAb

13622.955 3 4540.985 36.059 .000a

6926.260 55 125.932

20549.215 58

Regression

Residual

Total

Model1


Predictors: (Constant), EER3, INTERES3, IHK3a.


Coefficientsa

-74.040 14.370 -5.152 .000

-1.085 1.372 -.063 -.791 .432 .967 1.034

.514 .050 .816 10.204 .000 .959 1.042

-.009 .007 -.094 -1.173 .246 .954 1.048

(Constant)

INTERES3

IHK3

EER3

Model1

B Std. Error


Beta






3.649 1.000 .00 .02 .00 .00

.327 3.339 .00 .90 .00 .01

.018 14.429 .02 .01 .31 .82

.007 23.158 .97 .07 .69 .17

Dimension1

2

3

4

Model1

EigenvalueCondition

Index (Constant) INTERES3 IHK3 EER3




9-18


Casewise Diagnosticsa

-3.883 14.47835Case Number54

Std. Residual BLUE3


Residuals Statisticsa

9.7457132 63.39215 33.65898 15.32574730 59

-43.5712 18.37653 .0000000 10.92786725 59

-1.560 1.940 .000 1.000 59

-3.883 1.638 .000 .974 59

Predicted Value

Residual

Std. Predicted Value

Std. Residual

Minimum Maximum Mean Std. Deviation N


Regression pengujian heteroskedastisias setelah penyembuhan autokorelasi


EER3,INTERES3, IHK3

a . Enter

Model1

VariablesEntered




Coefficientsa

-10.508 8.764 -1.199 .236

.222 .837 .035 .265 .792

.061 .031 .261 1.983 .052

.003 .005 .100 .757 .452

(Constant)

INTERES3

IHK3

EER3

Model1

B Std. Error


Beta


t Sig.


PERTANYAAN :


9-19


LAKUKAN PENGUJIAN ASUMSI KLASIK YANG TERBARU DAN APA KESIMPULANNYA


9-20

Documents

Cara Memperbaiki Heterokedatisitas