Praktek Eviews :
Heterokedastisitas
8/5/2016
Arif Rahman Hakim
ONLINE AVAILABLE :
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.
2. Lakukan estimasi ols dimana price = f(c, lotsize, sqrft, bdrms); sehingga diperoleh hasil sebagai berikut.
obs PRICE LOTSIZE SQRFT BDRMS obs PRICE LOTSIZE SQRFT BDRMS
1 300.000 6126 2438 4 45 375.000 6637 2293 5
2 370.000 9903 2076 3 46 265.000 7834 1764 3
3 191.000 5200 1374 3 47 313.000 1000 2768 3
4 195.000 4600 1448 3 48 417.500 8112 3733 4
5 373.000 6095 2514 4 49 253.000 5850 1536 3
6 466.275 8566 2754 5 50 315.000 6660 1638 4
7 332.500 9000 2067 3 51 264.000 6637 1972 3
8 315.000 6210 1731 3 52 255.000 15267 1478 2
9 206.000 6000 1767 3 53 210.000 5146 1408 3
10 240.000 2892 1890 3 54 180.000 6017 1812 3
11 285.000 6000 2336 4 55 250.000 8410 1722 3
12 300.000 7047 2634 5 56 250.000 5625 1780 4
13 405.000 12237 3375 3 57 209.000 5600 1674 4
14 212.000 6460 1899 3 58 258.000 6525 1850 4
15 265.000 6519 2312 3 59 289.000 6060 1925 3
16 227.400 3597 1760 4 60 316.000 5539 2343 4
17 240.000 5922 2000 4 61 225.000 7566 1567 3
18 285.000 7123 1774 3 62 266.000 5484 1664 4
19 268.000 5642 1376 3 63 310.000 5348 1386 6
20 310.000 8602 1835 4 64 471.250 15834 2617 5
21 266.000 5494 2048 3 65 335.000 8022 2321 4
22 270.000 7800 2124 3 66 495.000 11966 2638 4
23 225.000 6003 1768 3 67 279.500 8460 1915 4
24 150.000 5218 1732 4 68 380.000 15105 2589 4
25 247.000 9425 1440 3 69 325.000 10859 2709 4
26 275.000 6114 1932 3 70 220.000 6300 1587 3
27 230.000 6710 1932 3 71 215.000 11554 1694 3
28 343.000 8577 2106 3 72 240.000 6000 1536 3
29 477.500 8400 3529 7 73 725.000 31000 3662 5
30 350.000 9773 2051 4 74 230.000 4054 1736 3
31 230.000 4806 1573 4 75 306.000 20700 2205 2
32 335.000 15086 2829 4 76 425.000 5525 1502 3
33 251.000 5763 1630 3 77 318.000 92681 1696 4
34 235.000 6383 1840 4 78 330.000 8178 2186 3
35 361.000 9000 2066 4 79 246.000 5944 1928 4
36 190.000 3500 1702 4 80 225.000 18838 1294 3
37 360.000 10892 2750 4 81 111.000 4315 1535 4
38 575.000 15634 3880 5 82 268.125 5167 1980 3
39 209.001 6400 1854 4 83 244.000 7893 2090 4
40 225.000 8880 1421 2 84 295.000 6056 1837 3
41 246.000 6314 1662 3 85 236.000 5828 1715 3
42 713.500 28231 3331 5 86 202.500 6341 1574 3
43 248.000 7050 1656 4 87 219.000 6362 1185 2
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
Log likelihood -482.8775 Hannan-Quinn criter. 11.11076
F-statistic 57.46023 Durbin-Watson stat 2.109796
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.
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.
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.
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
Log likelihood -482.8775 Hannan-Quinn criter. 11.11076
F-statistic 57.46023 Durbin-Watson stat 2.109796
Prob(F-statistic) 0.000000
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.
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.
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.
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 2.016746
Prob(F-statistic) 0.000000
Unweighted Statistics
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
