UJI ASUMSI HETEROSKEDASTISITAS

(1)

Ronny Malavia Mardani 1

Created By Ronny Malavia M

.

UJI ASUMSI HETEROSKEDASTISITAS

Asumsi Heteroskedastisitas dilanggar bila varians error tidak konstan untuk tiap varaibel bebas atau

dengan kata lain : Var (ui) = tidak konstan.

Hal ini akan mengakibatkan koefisien yang terbentuk dalam sebuah model tidak efisien dalam

memprediksi variable depebden.

Ada 4 metode pengujian heteroskedastisitas, antara lain :

1. Uji Park

Pengujian dengan metode ini dilakukan dengan membentuk model logaritmik dari nilai kuadrat

residual :

Ln 

2

_{= }

0

+ 

1

ln X

Berdasarkan uji Park, kita melakukan pengujian hipotesis tentang parameter



1

dalam model

persamaan diatas, apabila



1

bersifat nyata secara statistik, maka menunjukkan terdapat

heterokedastisitas dalam data, sebaliknya bila uji terhadap koefisien



1

bersifat tidak nyata dalam

statistik, maka menunjukkan bahwa asumsi homoskedastisitas dalam model regresi dapat

dipenuhi.

Contoh Pengujian :

No Y X No Y X 1 5 100 17 79 241 2 5 92 18 80 282 3 5 119 19 83 256 4 6 110 20 85 229 5 7 105 21 86 335 6 13 88 22 91 277 7 20 127 23 95 360 8 22 143 24 101 274 9 25 135 25 105 362 10 29 155 26 105 296 11 39 186 27 110 283 12 41 196 28 113 321 13 45 167 29 115 382 14 48 177 30 121 325 15 61 212 31 129 353 16 70 265

Langkah-langkah pengujian

1. Dapatkan model persamaan regresi awal untuk mendapatkan Y prediksi (Yp)

Untuk mendapatkan Yp, perlu dilakukan analisis regresi variable X terhadap variable Y terlebih

dahulu.

2. Setelah mendapatkan Yp, maka nilai residu dapat dicari dengan formula :



= Y - Yp

3. Kuadratkan variable



(



2

)

4. Lakukan transformasi Ln terhadap



2

dan variable X (Ln



2

dan Ln X)

5. Lakukan analisis regresi dengan variable Ln



2

sebagai varaibel terikat dan LnX sebagai

varaibel bebas.

6. Penilaian :

-

Bila LnX berpengaruh signifikan terhadap Ln



2

, maka model melanggar asumsi

heteroskedastisitas

-

Dan sebaliknya bila LnX tidak berpengaruh signifikan terhadap Ln



2

, maka model

memenuhi asumsi heteroskedastisitas

(2)

Ronny Malavia Mardani 2 No Y X XY X2 Y2 Yp  2 Ln2 Ln X 1 5 100 500 10000 25 9,90 -4,90 24,03 3,18 4,61 2 5 92 460 8464 25 6,51 -1,51 2,29 0,83 4,52 3 5 119 595 14161 25 17,95 -12,95 167,69 5,12 4,78 4 6 110 660 12100 36 14,14 -8,14 66,22 4,19 4,70 5 7 105 735 11025 49 12,02 -5,02 25,20 3,23 4,65 6 13 88 1144 7744 169 4,82 8,18 66,92 4,20 4,48 7 20 127 2540 16129 400 21,34 -1,34 1,79 0,58 4,84 8 22 143 3146 20449 484 28,12 -6,12 37,39 3,62 4,96 9 25 135 3375 18225 625 24,73 0,27 0,07 -2,59 4,91 10 29 155 4495 24025 841 33,20 -4,20 17,62 2,87 5,04 11 39 186 7254 34596 1521 46,33 -7,33 53,70 3,98 5,23 12 41 196 8036 38416 1681 50,56 -9,56 91,47 4,52 5,28 13 45 167 7515 27889 2025 38,28 6,72 45,15 3,81 5,12 14 48 177 8496 31329 2304 42,52 5,48 30,07 3,40 5,18 15 61 212 12932 44944 3721 57,34 3,66 13,39 2,59 5,36 16 70 265 18550 70225 4900 79,79 -9,79 95,83 4,56 5,58 17 79 241 19039 58081 6241 69,62 9,38 87,91 4,48 5,48 18 80 282 22560 79524 6400 86,99 -6,99 48,86 3,89 5,64 19 83 256 21248 65536 6889 75,98 7,02 49,32 3,90 5,55 20 85 229 19465 52441 7225 64,54 20,46 418,56 6,04 5,43 21 86 335 28810 112225 7396 109,44 -23,44 549,37 6,31 5,81 22 91 277 25207 76729 8281 84,87 6,13 37,55 3,63 5,62 23 95 360 34200 129600 9025 120,03 -25,03 626,38 6,44 5,89 24 101 274 27674 75076 10201 83,60 17,40 302,71 5,71 5,61 25 105 362 38010 131044 11025 120,87 -15,87 252,01 5,53 5,89 26 105 296 31080 87616 11025 92,92 12,08 145,93 4,98 5,69 27 110 283 31130 80089 12100 87,41 22,59 510,15 6,23 5,65 28 113 321 36273 103041 12769 103,51 9,49 90,08 4,50 5,77 29 115 382 43930 145924 13225 129,35 -14,35 205,81 5,33 5,95 30 121 325 39325 105625 14641 105,20 15,80 249,55 5,52 5,78 31 129 353 45537 124609 16641 117,06 11,94 142,50 4,96 5,87 1939 6953 543921 1816881 171915



1

=

 

 

 





7979102

0,42356

3379684

48344209

-56323311

13481867

-16861551

6953

1816881

31 6953

1939

543921

31 X

-X

n

Y

X

-XY

n

2 2 2

_











0

=

Y





1 X

= 62,55 – (0,42356) (224,29032) = 62,55 - 95,00041 = -32,454

Jadi Persamaan Regresinya : Yp = -32,454+ 0,42356 X

(Y) Ln2 (X) Ln X XY X 2 Y2 3,18 4,61 14.66 21.25 10.11 0,83 4,52 3.75 20.43 0.69 5,12 4,78 24.47 22.85 26.21 4,19 4,70 19.69 22.09 17.56 3,23 4,65 15.02 21.62 10.43 4,20 4,48 18.82 20.07 17.64 0,58 4,84 2.81 23.43 0.34 3,62 4,96 17.96 24.60 13.10 -2,59 4,91 -12.72 24.11 6.71 2,87 5,04 14.46 25.40 8.24 3,98 5,23 20.82 27.35 15.84 4,52 5,28 23.87 27.88 20.43 3,81 5,12 19.51 26.21 14.52 3,40 5,18 17.61 26.83 11.56 2,59 5,36 13.88 28.73 6.71 4,56 5,58 25.44 31.14 20.79

(3)

Ronny Malavia Mardani 3 (Y) Ln2 (X) Ln X XY X 2 Y2 4,48 5,48 24.55 30.03 20.07 3,89 5,64 21.94 31.81 15.13 3,90 5,55 21.65 30.80 15.21 6,04 5,43 32.80 29.48 36.48 6,31 5,81 36.66 33.76 39.82 3,63 5,62 20.40 31.58 13.18 6,44 5,89 37.93 34.69 41.47 5,71 5,61 32.03 31.47 32.60 5,53 5,89 32.57 34.69 30.58 4,98 5,69 28.34 32.38 24.80 6,23 5,65 35.20 31.92 38.81 4,50 5,77 25.97 33.29 20.25 5,33 5,95 31.71 35.40 28.41 5,52 5,78 31.91 33.41 30.47 4,96 5,87 29.12 34.46 24.60 125.54 164.87 682.82 883.18 612.77

Pengujian

1

=

 

 

 





196.4631 2.3905 469.6402 27182.1169 -27378.58 20697.7798 -21167.42 164.87 883.18 31 125.54 164.87 682.82 31 X -X n Y X -XY n 2 2 2 _          

0

=

Y



β1

X

= 4.04 – (2,3905) (5.3184) = 4.04 - 12.7136 = -8.6736

Uji t

Sxx

=

 





883.18 876.8425

6.3375

31

164.87

883.18 n

x

2 2 2

_



_

_

_

_

_



Syy

=

 





612.77 508.3965

104.3735

31

125.54

612.77 n

y

2 2 2

















Sxy

=





_682.82 _667.6703 _15.1497 31 125.54 (164.87) 682.82 n y x xy       

SSe

= Syy -

1

Sxy = 104.3735 – (2.3905) (15.1497) = 104.3735 – 36.2154 = 68.1581

MSe

=

_ __2.3504 29 68.1581 1 -k -n SSe

Dengan demikian t uji dapat dihitung sebagai berikut :

t uji =

_ _ __3.8557 0.61 2.3905 6.3375 2.3504 2.3905 Sxx MSe β₁

_{, sedang t}

table

(



= 0.05; 30) = 2.04227

Jadi t uji > t table, berarti bahwa Model melanggar asumsi Heteroskedastisitas.

2. Uji Glejser

Pengujian dengan metode ini dilakukan dengan membentuk model sebagai berikut :

I



I =



0

+



1

X

Berdasarkan uji Park, kita melakukan pengujian hipotesis tentang parameter



1

dalam model

persamaan diatas, apabila



1

bersifat nyata secara statistik, maka menunjukkan terdapat

heterokedastisitas dalam data, sebaliknya bila uji terhadap koefisien



1

bersifat tidak nyata dalam

statistik, maka menunjukkan bahwa asumsi homoskedastisitas dalam model regresi dapat

dipenuhi.

Langkah-langkah pengujian

1. Dapatkan model persamaan regresi awal untuk mendapatkan Y prediksi (Yp)

Untuk mendapatkan Yp, perlu dilakukan analisis regresi variable X terhadap variable Y terlebih

dahulu.

(4)



= Y - Yp

3. Dapatkan nilai absolut



(I



I)

4. Lakukan analisis regresi dengan variable

I



I

sebagai varaibel terikat dan X sebagai variabel

bebas.

5. Penilaian :

-

Bila variable X berpengaruh signifikan terhadap I



I, maka model melanggar asumsi

heteroskedastisitas

-

Dan sebaliknya bila variable X tidak berpengaruh signifikan terhadap I



I, maka model

memenuhi asumsi heteroskedastisitas

Contoh :

No Y X XY X2 Y2 Yp  I  I 1 5 100 500 10000 25 9,90 -4,90 4.90 2 5 92 460 8464 25 6,51 -1,51 1.51 3 5 119 595 14161 25 17,95 -12,95 12.95 4 6 110 660 12100 36 14,14 -8,14 8.14 5 7 105 735 11025 49 12,02 -5,02 5.02 6 13 88 1144 7744 169 4,82 8,18 8.18 7 20 127 2540 16129 400 21,34 -1,34 1.34 8 22 143 3146 20449 484 28,12 -6,12 6.12 9 25 135 3375 18225 625 24,73 0,27 0.27 10 29 155 4495 24025 841 33,20 -4,20 4.20 11 39 186 7254 34596 1521 46,33 -7,33 7.33 12 41 196 8036 38416 1681 50,56 -9,56 9.56 13 45 167 7515 27889 2025 38,28 6,72 6.72 14 48 177 8496 31329 2304 42,52 5,48 5.48 15 61 212 12932 44944 3721 57,34 3,66 3.66 16 70 265 18550 70225 4900 79,79 -9,79 9.79 17 79 241 19039 58081 6241 69,62 9,38 9.38 18 80 282 22560 79524 6400 86,99 -6,99 6.99 19 83 256 21248 65536 6889 75,98 7,02 7.02 20 85 229 19465 52441 7225 64,54 20,46 20.46 21 86 335 28810 112225 7396 109,44 -23,44 23.44 22 91 277 25207 76729 8281 84,87 6,13 6.13 23 95 360 34200 129600 9025 120,03 -25,03 25.03 24 101 274 27674 75076 10201 83,60 17,40 17.40 25 105 362 38010 131044 11025 120,87 -15,87 15.87 26 105 296 31080 87616 11025 92,92 12,08 12.08 27 110 283 31130 80089 12100 87,41 22,59 22.59 28 113 321 36273 103041 12769 103,51 9,49 9.49 29 115 382 43930 145924 13225 129,35 -14,35 14.35 30 121 325 39325 105625 14641 105,20 15,80 15.80 31 129 353 45537 124609 16641 117,06 11,94 11.94 1939 6953 543921 1816881 171915



1

=

 

 

 





7979102 0,42356 3379684 48344209 -56323311 13481867 -16861551 6953 1816881 31 6953 1939 543921 31 X -X n Y X -XY n 2 2 2            0 =

Y





1 X

= 62,55 – (0,42356) (224,29032) = 62,55 - 95,00041 = -32,454

Jadi Persamaan Regresinya : Yp = -32,454+ 0,42356 X

Pengujian :

No (Y) I  I (X) XY X 2 Y2 1 4.90 100 490.20 10000 24.03 2 1.51 92 139.24 8464 2.29 3 12.95 119 1541.01 14161 167.69

(5)

Ronny Malavia Mardani 5 No (Y) I  I (X) XY X 2 Y2 4 8.14 110 895.14 12100 66.22 5 5.02 105 527.08 11025 25.20 6 8.18 88 719.90 7744 66.92 7 1.34 127 169.94 16129 1.79 8 6.12 143 874.46 20449 37.39 9 0.27 135 36.91 18225 0.07 10 4.20 155 650.66 24025 17.62 11 7.33 186 1363.04 34596 53.70 12 9.56 196 1874.50 38416 91.47 13 6.72 167 1122.15 27889 45.15 14 5.48 177 970.65 31329 30.07 15 3.66 212 775.77 44944 13.39 16 9.79 265 2594.19 70225 95.83 17 9.38 241 2259.63 58081 87.91 18 6.99 282 1971.16 79524 48.86 19 7.02 256 1797.80 65536 49.32 20 20.46 229 4685.06 52441 418.56 21 23.44 335 7851.93 112225 549.37 22 6.13 277 1697.42 76729 37.55 23 25.03 360 9009.94 129600 626.38 24 17.40 274 4767.21 75076 302.71 25 15.87 362 5746.65 131044 252.01 26 12.08 296 3575.75 87616 145.93 27 22.59 283 6391.99 80089 510.15 28 9.49 321 3046.69 103041 90.08 29 14.35 382 5480.14 145924 205.81

30

15.80 325 5134.03 105625 249.55 31 11.94 353 4213.87 124609 142.50 313.12 6953 82374.07 1816881 4455.53

1

=

 

 

 





7979102 0.0472 376472.81 48344209 -56323311 2177123.36 -2553596.17 6953 1816881 31 313.12 6953 82374.07 31 X -X n Y X -XY n 2 2 2 _          

Uji t

Sxx

=

 





1816881

1559490.61

29 257390.387

1

31 6953

1816881

n

x

2 2 2

















Syy

=

 





_4455.53 _3162.7140 _1292.816 31 6953 4455.53 n y y 2 2 2 _  _ _ _ _ _ 

Sxy

=





82374.07 70229.7858 12144.2842 31 313.12 (6953) 82374.07 n y x xy       

SSe = Syy - 1 Sxy = 1292.816 – (0.0472) (12144.2842) = 1292.816 – 573.2102 = 719.6058

MSe

=

_ __24.814 29 719.6058 1 -k -n SSe

Dengan demikian t uji dapat dihitung sebagai berikut :

t uji =

_4.816 0.0098   0.0472 1 257390.387 24.814 0.0472 Sxx MSe β₁

_{, sedang t}

table

(



= 0.05; 30) = 2.04227

Jadi t uji > t table, berarti bahwa Model melanggar asumsi Heteroskedastisitas.

3. Uji Goldfeld & Quandt

Prosedur pengujian dengan menggunakan metode yang dikemukakan Golfeld-Quandt yaitu

dengan terlebih dahulu mengurutkan data berdasarkan salah satu variabel bebasnya. Setelah data

diurutkan, hilangkan c buah pengamatan yang berada ditengah



25% (dimana c ditentukan

secara apriori), dan lakukan regresi pada kelompok data variabel bebas yang kecil dan besar.

Selanjutnya dilakukan perhitungan nilai F dengan formula :

(6)

I

Kelompok

Residual

Square

Mean

II

Kelompok

Residual

Square

Mean

hitung

(7)

Langkah – langkah pengujian :

1. Urutkan data berdasarkan salah satu variable bebas

No Y X Y X 1 5 100 K e lompo k D a ta I 13 88 2 5 92 5 92 3 5 119 5 100 4 6 110 7 105 5 7 105 6 110 6 13 88 5 119 7 20 127 20 127 8 22 143 25 135 9 25 135 22 143 10 29 155 29 155 11 39 186 45 167 12 41 196 K e lompo k D a ta S e n tr a l 48 177 13 45 167 39 186 14 48 177 41 196 15 61 212 61 212 16 70 265 85 229 17 79 241 79 241 18 80 282 83 256 19 83 256 70 265 20 85 229 101 274 21 86 335 K e lompo k D a ta I I 91 277 22 91 277 80 282 23 95 360 110 283 24 101 274 105 296 25 105 362 113 321 26 105 296 121 325 27 110 283 86 335 28 113 321 129 353 29 115 382 95 360 30 121 325 105 362 31 129 353 115 382

2. Tentukan Kelompok data I dan II, serta data sentral sebesar 25%, dengan perhitungan :

31 x 25% = 7.75



8, disesuaikan agar 25% data sentral yang dipilih dapat membagi data

menjadi 2 kelompok yang tepat sama besar, sehingga dinaikkan dari 8 menjadi 9 buah data

sentral, menjadi : 31 – 9 = 22

Jadi

Kelompok data I

= 11

Kelompok data II

= 11, sehingga strutktur data dapat dilihat pada table diatas.

3. Selanjutnya menentukan Mse masing-masing kelompok untuk mendapatkan F hitung. (Pada

prakteknya dengan SPSS cukup lakukan regresi pada masing-masing kelompok)

a. Kelompok Data I

Y X XY X2 Y2 13 88 1144 7744 169 5 92 460 8464 25 5 100 500 10000 25 7 105 735 11025 49 6 110 660 12100 36 5 119 595 14161 25 20 127 2540 16129 400 25 135 3375 18225 625 22 143 3146 20449 484 29 155 4495 24025 841 45 167 7515 27889 2025 182 1341 25165 170211 4704

1

=

 

 

 

 



74040 0.442 32753 1798281 -1872321 244062 -276815 1341 170211 11 182 1341 25165 11 X -X n Y X -XY n 2 2 2 _          

Syy

=

 

₄₇₀₄ _3011.273 _1692.727 11 182 4704 n y y 2 2 2_  _ _ _ _ _ 

Sxy

=

    

 

2516522187.4552977.545 11 182 (1341) 25165 n y x xy

SSe = Syy - 1 Sxy = 1692.727 – (0.442) (2977.545) = 169.727 - 1316.075 = 376.652

(8)

MSe

=

41.850 9 376.652 1 -k -n SSe _ _

b. Kelompok Data II

Y X XY X2 Y2 91 277 25207 76729 8281 80 282 22560 79524 6400 110 283 31130 80089 12100 105 296 31080 87616 11025 113 321 36273 103041 12769 121 325 39325 105625 14641 86 335 28810 112225 7396 129 353 45537 124609 16641 95 360 34200 129600 9025 105 362 38010 131044 11025 115 382 43930 145924 13225 1150 3576 376062 1176026 122528

1

=

 

 

 





148906 0.1631 24282 12787776 -12936682 4112400 -4136682 3576 1176062 11 1150 3576 376062 11 X -X n Y X -XY n 2 2 2 _          

Syy

=

 





₁₂₂₅₂₈ _120227.273 _2300.727 11 1150 122528 n y y 2 2 2 _  _ _ _ _ _ 

Sxy

=

_ _  _ _





_₃₇₆₀₆₂__373854.546 __2207.454 11 1150 (3576) 376062 n y x xy

SSe = Syy - 1 Sxy = 2300.727 – (0.1631) (2207.454) = 2300.727 - 360.036 = 1940.691

MSe

=

215.632 9 1940,691 1 -k -n SSe  

Jadi F Hitung dapat dicari :









41.850

5.153

215.632 



I

Kelompok

MSe

Residual

Square

Mean

II

Kelompok

MSe

Residual

Square

Mean

_,

sedang F table (



= 0,05; df 1 = n-k-1 Klp I = 9; df 2 = n-k-1 Klp II = 9) =

3.179

Sehingga dapat diketahui bahwa F hitung > F table, berarti bahwa dengan metode Goldfeld & Quandt disimpulkan pula bahwa model melanggar asumsi Heterokedastisitas.

(9)

APLIKASI SPSS UNTUK UJI HETEROSKEDASTISITAS

Metode Glejser Test

Langkah-langkah pengujian:

1. Buka file Data1 dengan SPSS

2. Dapatkan variabel residual dengan regresi awal, caranya :

Klik menu analyze – regression– linear

3. Pada kotak dialog Linear Regression klik tombol SAVE, kemudian pilih unstandardized pada

kategori residual

4. Buatlah nilai absolut dari residual, dengan cara :

Klik menu Transform - Compute

a. Beri nama variabel baru dengan nama

res_abs

b. Function group – pilih All

c. Function group and special Variables – pilih Abs

d. Double klik variabel unstandardized residual

(kalau benar pada kolom numeric expression akan

Terisi ABS(RES_1))

5. Regresikan variabel bebas terhadap absolut residual (res_abs)

6. Interpretasi :

Bila sig. variabel bebas < 0,05 ada masalah heteroskedastisitas

a

b

c d

(10)

Bila sig. variabel bebas > 0,05 tidak ada masalah heteroskedastisitas

Regression

Variables Entered/Removed(b) Model Variables Entered Variables Removed Method 1 Inflasi, Suku Bunga, Nilai Tukar(a) . Enter

a All requested variables entered. b Dependent Variable: res_abs

Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 ,260(a) ,068 -,012 917,59619 a Predictors: (Constant), Inflasi, Suku Bunga, Nilai Tukar

ANOVA(b)

Model

Sum of

Squares df Mean Square F Sig. 1 Regression 2143030,2 97 3 714343,432 ,848 ,477(a)

Residual 29469397, 144 35 841982,776

Total 31612427, 441 38

a Predictors: (Constant), Inflasi, Suku Bunga, Nilai Tukar b Dependent Variable: res_abs

Coefficients(a) Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) _1591,093 _488,454 _3,257 _,003 Suku Bunga -4,392 25,525 -,030 -,172 ,864 Nilai Tukar _-,073 _,049 _-,273 _-1,478 _,148 Inflasi 8,706 30,434 ,055 ,286 ,777 a Dependent Variable: res_abs

Berdasarkan output tabel coefficients diatas, tampak bahwa masing-masing variabel bebas < 0,05. Ini membuktikan bahwa model bebas dari masalah heteroskedastisitas

(11)

APLIKASI EVIEWS UNTUK UJI HETEROSKEDASTISITAS

Langkah-langkah pengujian:

1. Pada output regresi, klik tombol

VIEW – RESIDUAL TESTS – WHITE HETEROSCEDASTICITY

White heteroscedasticity memiliki 2 pilihan:

 no cross term: apabila jumlah variabel bebas banyak. Yaitu 5 x jumlah variabel bebas > jumlah

observasi

 cross term Jika variabel bebas berjumlah sedikit. Yaitu 5 x var bebas < jumlah observasi.

Karena pada contoh ini 5 x var bebas = 15 < 39, maka kita gunakan cross term

2. Interpretasi output

White Heteroskedasticity Test:

F-statistic 0.745366 Probability 0.617396 Obs*R-squared 4.782156 Probability 0.572042

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares Date: 12/27/11 Time: 11:17 Sample: 1994:1 2003:3 Included observations: 39

Variable Coefficient Std. Error t-Statistic Prob. C 5374459. 5675939. 0.946885 0.3508 SUKU_BUNGA -169119.0 490690.2 -0.344655 0.7326 SUKU_BUNGA^2 3242.398 10657.97 0.304223 0.7629 NILAI_TUKAR -473.6312 1052.385 -0.450055 0.6557 NILAI_TUKAR^2 0.016941 0.090638 0.186913 0.8529 INFLASI 266884.8 294149.0 0.907312 0.3710 INFLASI^2 -10712.20 11023.27 -0.971780 0.3384 R-squared 0.122619 Mean dependent var 1999069. Adjusted R-squared -0.041889 S.D. dependent var 2780736. S.E. of regression 2838380. Akaike info criterion 32.71651 Sum squared resid 2.58E+14 Schwarz criterion 33.01510 Log likelihood -630.9720 F-statistic 0.745366 Durbin-Watson stat 1.019949 Prob(F-statistic) 0.617396

(12)

Lakukan pengujian dengan prosedur sebagai berikut:

H0 : tidak ada heteroskedastisitas.

H1 : ada heteroskedastisitas.





= 5%, tolak H0 jika obs*R-square >



2df2

atau Probalility (P-value) < 

. Karena P-Value =

0.572042

< 0.05 maka tolak H0.



_{Berarti dengan tingkat keyakinan 95% tidak ada heteroskedastisitas}

TREATMENT

Treatment untuk pelanggaran ini adalah dengan menggunakan regresi weighted. Caranya

adalah kita spesifikasikan model seperti semula kemudian click option



beri tanda pada weighted