Cara Deteksi Heterokedastisitas dengan Uji Glejser Pada Eviews

Masalah heterokedastisitas pada umumnya terjadi pada data cross section dibandingkan dengan data runtun waktu (time series). Heterokedastisitas terjadi karena dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainya. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas. Heterokedastisitas tidak mengakibatkan estimator dalam hal ini koefisien variabel independen menjadi bias karena eror atau residual bukan komponen menghitungnya. estimator menjadi tidak efisien dan standard eror dari regresi menjadi bias yang akan menyebabkan nilai t-statistik dan F-hitung menjadi missleading.

Ada beberapa pengujian untuk mendeteksi heterokedastistas antara lain uji Breusch Pagan Godfrey (BPG), uji White, uji Glejser. Dalam uji Glejser dilakukan dengan meregres nilai absolute residual (AbsUi) terhadap variabel-variabel independennya yaitu VACA, VAHU, dan STVA. Persamaan yang dibuat dalam uji Glejser sebagai berikut :

Rumus Uji Glejser

Jika hasil pengujian ada koefisien (𝛽) signifikan secara statistik, maka ada indikasi bahwa pada model terjadi pelanggaran heterokedastisitas. Dalam pengujian Glejser pada aplikasi Eviews tidak perlu mencari terlebih dahulu nilai residual seperti pada aplikasi SPSS. Aplikasi Eviews sudah ada fasilitas langsung untuk menguji Glejser pada model regresi. Data contoh  Data Regresi

Langkah pengujian Gljser dengan Eviews sebagai berikut :

View > Residual diagnostics> Heterokedasticity Test

Langkah Glejser 1

Pada menu Heterokedasticity test, pilih Glejser kemudian OK

Langkah Glejser 2

Hasil pengujian Glejser dengan eviews selengkapnya disajikan dibawah ini.

Output uji Glejser

Hasil output diatas memberikan nilai bahwa variabel VACA, VAHU dan STVA tidak signifikan dengan diperolehnya nilai probabilitas masing-masing VACA 0.0944, AVHU 0.2333 dan STVA sebesar 0.3876. Oleh Karena hasil tersebut tidak ada yang signifikan maka dapat disimpulkan tidak terjadi pelanggaran asumsi heterokedastisitas pada model.

Baca juga :

1. Uji Normalitas Model regresi dengan Eviews

2. Deteksi Heterokedastisitas Dengan Uji White

3. Uji Autokorelasi dengan Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd. London,  New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example. New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Uji Asumsi Normalitas Pada Model Regresi Berganda Dengan Eviews

Uji normalitas pada model regresi berganda dilakukan untuk menguji variabel pengganggu atau eror atau residual memiliki distribusi normal. Pengujian normalitas residual pada program Eviews menggunakan uji Jarque Berra (JB). Uji  Jarque Berra umumnya dilakukan pada sampel besar. 

 

Untuk perhitungan dengan menggunakan nilai skewness dan kurtosis dari residual. Rumus Jarque Berra selengkapnya disajikan pada pada rumus di bawah ini.

Rumus normalitas Jarque Berra

Nilai Jarque Berra statistik mengikuti distribusi chi-square dengan 2 df (degree of freedom). Nilai JB dapat dihitung signifikansi untuk pengujian hipotesis:

H0 = residual berdistribusi normal

H1 = residual tidak berdistribusi normal

Jika nilai probabilitas > 0.05 maka terima H0, aartinya bahwa residual berdistribusi normal.

Langkah pengujian : View > Residual  Diagnostics >  Histogram-Normality test
 

Hasil uji Normalitas Jarque Berra

Dari hasil pengujian Jarque Berra menunjukkan bahwa nilai Jarque Berra sebesar 1.540508 dengan probabilitas sebesar 0.462895. Karena nilai probabilitas 0.462895 > 0.05 maka terima H0 yang menyatakan bahwa data residual berdistribusi normal. 

Baca Juga :

1. Deteksi Heterokedastisitas dengan Uji BPG

2. Langkah Analisis Regresi Berganda dengan Eviews

3. Uji Autokorelasi Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Diagram Kontrol Variabel : X-Bar R Chart

Control chart X menjelaskan perubahan-perubahan yang terjadi pada ukuran titik pusat atau rata-rata dari suatu proses. Hal ini dapat disebabkan oleh faktor-faktor seperti peralatan yang dipakai, perbedaan metode yang digunakan pada shift kedua, material baru, tenaga kerja baru yang belum terlatih.

Control char R menjelaskan mengenai perubahan-perubahan yang terjadi dalam ukuran variasi yaitu perubahan homogenitas produk yang dihasilkan melalui suatu produk. Hal ini mungkin disebabkan oleh faktor-faktor seperti : bagian peralatan yang hilang, minyak pelumas mesin yang tidak mengalir dengan baik dan kelelahan pekerja dan lain-lain.

Setelah mendapatkan kontrol chart X dan R yang menunjukkan bahwa proses berada dalam pengendalian statistika, maka peta kontrol tersebut dapat digunakan untuk memantau proses yang sedang berlangsung dari waktu ke waktu. Kemudian setelah ditemukan adanya perubahan-perubahan proses (orang, material, metode kerja, lingkungan dan lain lain) maka perubahan tersebut harus dicatat. Rumus Diagram kontrol variabel X-Bar R Chart sebagai berikut :

Rumus X Bar R Chart

Studi kasus : PT. Tri Plywood adalah perusahaan pembuatan produk kayu lapis. Berdasarkan permintaan pelanggan ditetapkan spesifikasi ketebalan dari produk kayu lapis itu adalah 2,40 mm ±0,05mm. Untuk mengetahui kemampuan proses dan [engendalain proses produksi maka QC Departemen melakukan pengukuran terhadap 20 sampel, masing-masing berukuran (n) 5 unit. Diperoleh data sebagai berikut :

Data sampel kayu lapis

Langkah Diagram Kontrol Variabel R Chart dengan SPSS

1. Klik Analyze > Quality Control > Control Chart
2. Pilih X-Bar R Chart, klik Define
3. Masukan variabel tebal kayu lapis ke kolom Process Measurement
4. Masukan variabel sampel ke kolom Subgroup define by
5. Klik tombol Control Rule, pilih All control rules
6. Klik Continue kemudian OK

Hasil Diagram Kontrol variabel X-Bar R Chart dengan SPSS

Rata-rata ketebalan kayu lapis

Range proses variasi

Pada diagram pertama diatas adalah X Bar yang menggambarkan rata-rata ketebalan kayu lapis. Setiap Plot dalam X Bar adalah bervariasi antara subgrup atau variasi rata-rata ketebalan kayu lapis. Pada diagram kedua adalah range menggambarkan proses variasi dalam satu grup. Nilai limit adalah sebagai berikut :

1. Control limit X Bar adalah LCLx = 2,3543, Center line = 2,3886, UCLx = 2,4229.
2. Control limit range adalah LCLx = 0,000, Center line = 0,595, UCLr = 0,1258.

Tanda Rule Violation menunjukan ada kejadian special causes variation terlihat pada diagram X Bar. special causes ini terjadi pada plot atau sampel 15. Oleh karena itu proses produksi dihentikan dan mencari penyebab special cause tersebut.

Baca juga :

1. Diagram Kontrol Variabel : X-Bar S Chart

2. Diagram Kontrol Atribut : P Chart

3. Diagram Kontrol Variabel : I-MR Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Langkah Analisis Regresi Berganda Dengan Eviews

Konsep regresi linier berganda adalah untuk menguji 2 variabel atau lebih variabel independen terhadap 1 variabel dependen. Metode estimasi yang digunakan dalam membentuk persamaan adalah ordinary least squares (OLS) yang diperkenalkan oleh ahli matematika bernama Carl Frederich Gauss. 

Dalam model kali ini ada 3 variabel independen yaitu Capital Adequacy Ratio (CAR), Return on Asset (ROA) dan Return on Equity ( ROE) yang akan diregresikan terhadap variabel Return (pendapatan) sebagai dependen. Persamaan regresi sebagai berikut :

Persamaan regresi

Sebelum melakukan estimasi regresi, persiapkan data dalam format micrisift excel kemudian melakukan input data ke dalam Eviews 10 sehingga akan terbentuk workfile pada program Eviews :

1. File > Open > Foreign data as workfile.  Pilih file data excel yang sudah dipersiapkan.

Langkah 1

2. Kemudian Next

Langkah 2

3. Kemudian Next

Langkah 3

4. Kemudian Next

Langkah 4

5. Pada basic structure , pilih Unstructured/Undated. Terlihat bahwa jumlah observasi sebanyak 50. Klik Finish, sekarang data sudah terinput sebagai workfile dan siap untuk analisis.

Bentuk workfile

Langkah estimasi regresi berganda dengan Eviews 10 sebagai berikut :

1. Quick > Estimate Equation

Menu Equation estimation

Pada menu equation specification, tulis : return c car roa roe

Method : LS-Least squares (NLS and ARMA)

Kemudian OK. Hasil estimasi terlihat seperti dibawah ini.

Hasil Regresi

Pada hasil regresi diatas menunjukan bahwa nilai koefisien pengaruh CAR terhadap return sebesar 1,152528 dengan nilai t-statistik 3,617953 dan probabilitas sebesar 0,0007. Nilai koefisien pengaruhb ROA sebesar 0,325059 dengan nilai t-statistik 5,671007 dan probabilitas sebesar 0.0000. Dari hasil ketiga variabel tersebut karena nilai t-statistik < t-tabel (1,96) dan probabilitas < 0,05 maka dapat diambil kesimpulan variabel CAR, ROA, dan ROE secara parsial signifikan berpengaruh positif terhadap Return.

Untuk nilai F statistik dipeorlh sebesar 98,00041 dan probabilitas 0.0000, dengan hasil tersebut karena nilai probabilitas uji F statistik sebesar 0,0000 < 0,05 maka kesimpulan yang diambil bahwa CAR, ROA dan ROE secara simultan (bersama-sama) berpengaruh positif terhadap Return.

Output regresi diatas juga menghasilkan nilai Durbin Watson (DW) yang dimana nilai ini merupakan uji asumsi klasik autokorelasi pada model regresi. Hasil menunjukan nilai D sebesar 1,707900. Diketahui bahwa nilai dU (Durbin Watson Upper) pada tabel Durbin Watson dengan n (observasi) 50 dan k - 3 (variabel independen) yaitu dU sebesar 1,6739. Karena nilai Dw yang dihasilkan 1,6739 < 1,707900 < 4-1,6739 maka dapat disimpulkan bahwa pada model tidak terjadi pelanggaran asumsi klasik autokorelasi. Untuk pengujian asumsi klasik lainya seperti : multikolinieritas, Heterokedastisitas, dan normalitas , langkah-langkah pengujian akan ditulis dalam artikel tersendiri.

Baca Juga :

1. Uji Heterokedastisitas dengan BPG Pada Eviews

2. Uji Multikolinieritas Model Regresi Dengan Eviews

3. Uji Autokorelasi Dengan Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd. London New York: John Wiley &  Sons.

Gujarati, D.(2011).Econometrics by Example.New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.London New York: Pearson Education.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Deteksi Heterokedastisitas Dengan Uji White Pada Eviews

Masalah heterokedastistis pada umumnya terjadi pada data cross section dibandingkan dengan data runtun waktu (time series). Penyebab Heterokedastisitas karena dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainya. 

 

 Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas. Salah satu uji untuk mendeteksi adanya heterokedastisitas dengan melakukan uji White. Dalam uji White ini hampi mirip dengan uji Glejser. Uji White dilakukan dengan meregres nilai residual kuadrat (U²i) dengan independennya. Jika sebuah model memiliki 3 variabel independen X1 (VACA), X2 (VAHU) dan X3 (STVA) maka persamaan regresi dapat dibuat sebagai berikut :

Rumus Uji White

Perhatikan pada rumus diatas, dari 3 variabel independen (X1, X2 dan X3) kemudian dibuatkan dan ditambahkan 3 variabel X1², X2², X3².,dan 3 variabel perkalian X1X2X3, variabel X1X2 dan X1X3. Hasil variabel  independen yang baru kemudian diregresikan dengan nilai erornya. Pada aplikasi Eviews untuk Uji White sudah tersedia tanpa perlu melakukan perhitungan lagi untuk nilai X1², X2², X3², X1X2X3, X1X2 dan X2X3. 

Hasil estimasi diperoleh nilai R² untuk menghitung c² yang mana c² = n X R². Jika nilai Ob*R squared diperoleh nilai probabilitas chi-square yang signifikan (< 0.05) maka terjadi gangguan heterokedastisitas begitu juga sebaliknya jika nilai probabilitas ch-square tidak signifikan (> 0.05) maka tidak ada gangguan heterokedastisitas. Aplikasi Eviews sudah menfasilitasi langsung uji White pada model regresi, tetapi sebelum menguji  White, model harus diestimasi regresi terlebih dahulu.

Langkah uji White dengan Eviews :

View > Residual Diagnostics > Heterokedasticity Test

Langkah Uji Heterokedastisitas

Pada menu Heterokedasticity test,  pilih White kemudian OK.

Uji White

Hasil pengujian White dengan Eviews selengkapnya sebagai beikut :

Heterokedasticity test : White

Hasil output uji White di atas memberikan nilai Obs*R-squares probabilitas chi-square sebesar 0.1613. Oleh karena nilai probabilitas chi-square tidak signifikan yaitu 0.1613 > 0.05 maka dapat disimpulkan tidak terjadi pelanggaran asumsi heterokedastisitas pada model.

Baca Juga :

1. Deteksi Heterokedastisitas dengan Breusch Pagan Godfrey (BPG) Pada Eviews
2. Uji Autokorelasi Durbin Watson
   
3. Cara Deteksi Multikolinieritas Model Regresi Pada Eviews
   

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Diagram Kontrol Variabel : I-MR Chart

Kadangkala ukuran sampel yang digunakan perusahaan adalah sebesar 1 (n=1). Seringkali terjadi apabila pemeriksaan dilakukan secara otomatis dan juga terjadi pada tingkat produksi yang sangat lambat. Hal ini mengakobatkan timbulnya kesukaran untuk mengambil ukuran sampel lebih besar daripada 1. Perusahaan yang mengalami kondisi seperti ini misalnya pada pabrik kimia.

 Pembuatan peta kontrol I-MR (indiviadual Moving Average Range) ditetapkan pada proses yang menghasilkan output relatif homogen, misalnya dalam cairan kimia, kandungan mineral dari air, makanan dan lain-lain. Dapat pula diterapkan pada kasus-kasus di mana inspeksi 100% digunakan untuk proses produksi yang sangat lama. Formula Diagram kontrol I-MR Chart sebagai berikut :

Rumus I-MR Chart

Studi kasus : PT. ABCD merupakan perusahaan pembuat produk kimia. Untuk mengetahui kemampuan proses, Quality Control Departemen perusahaan melakukan pengukuran sebagai sampel. Hasil sampel yang diperoleh sebagai berikut :

Data kekentalan

Langkah Diagram Kontrol Variabel I_MR Chart dengan SPSS

1. Klik Analyze > Quality Control > Control Chart
2. Pilih Individual MOving Average Klik Define
3. Masukan variabel kekentalan ke kolom Process Measurement
4. Masukan variabel sampel ke kolom Subgroups define by
5. Klik tombol Control Rule, pilih All control rules
6. Klik Continue kemudian OK

Hasil Diagram kontrol variabel I-MR Chart dengan SPSS

Nilai individual kekentalan

Range nilai

Diagram pertama menggambarkan nilai individual dari kekentalan kimia dan diagram kedua menggambarkan range antara nilai tiap urutan nilai. Untuk tanda Rule violation : No berarti tidak ada out of control atau special cause variation, sehingga proses produksi dapat terus dijalankan karena proses produksi in control.

Baca juga :

1. Diagram kontrol Atribut : P Chart

2. Diagram kontrol variabel : X-Bar  S Chart

3. Diagram kontrol variabel : X-Bar R Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Cara Deteksi Multikolinieritas Model Regresi Pada Eviews

Pengujian multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang dibangun ditemukan adanya korelasi yang tinggi antar variabel independen. Apabila terjadi pelanggran adanya multikolinieritas maka interval estimasi akan cenderung besar dan nilai t-statistik akan kecil. Hal ini menyebabkan variabel independen tidak signifikan dalam mempengaruhi variabel dependen. Model regresi bersifat Best Linier Unbiased Estimator. Namun varian dan kovarian masih besar dan akan sulit sebagai alat estimasi.

 

Untuk mendeteksi adanya pelanggaran terjadinya multikolinieritas model regresi pada eviews dapat dilakukan dengan empat cara :

1. Nilai R-Square sangat tinggi tetapi ada sedikit atau bahkan variabel-variabel independen tidak signifikan berpengaruh terhadap variabel dependen. Hasil uji F akan menerima H0 karena pengujian parsial juga menghasilkan slope koefisien yang menerima H0.

Sebagai contoh model regresi berganda antara 3 variabel independen yaitu X1: value added Capital Employed (VACA), X2 : Value Added HUman Capital (VAHU) dan X3 : Structural Capital Value Added (STVA). Sedangkan variabel dependen (Y) Return On Equity (ROE). Hasil pengujian sebagai berikutn :

Hasil uji Regresi Eviews

Hasil menunjukan bahwa nilai  R-Square cukup tinggi sebesar 0.861146 dan nilai F sebesar 115.7678 dan probabilitas sebesar 0.000. Hasil ini memberikan bukti adanya pengaruh secara simultan/bersama-sama 3 variabel independen VACA, VAHU, dan STVA terhadap ROE. Demikian juga untuk nilai t-statistik pada variabel independen memberikan nilai -t lebih besar dari 1.96 dan probabilitas < 0.05. Dari hasil ini mengindikasikan bahwa pada model tidak terjadi gangguan multikolinieritas pada model.

2. Pada matrik korelasi antar variabel independen. Jika ada korelasi yang lebih besar dari 0.80 maka ada indikasi terjadi multikolinieritas. Pengujian dapat dilakukan dengan uji korelasi Pearson. Dengan hasil korelasi yang tinggi antara 1 dengan yang lain maka variabel independen akan cenderung sama/identik sebagai prediktor. Langkah pengujian korelasi antar variabel independen selengkapnya   pada Eviews :

Quick > Group Statistics > Correlation

Langkah Korelasi Pearson Eviews

Pada menu series list, tulis : vaca, vahu, stava, kemudian OK

Series List

Hasil pengujian korelasi sebagai berikut :

Hasil Korelasi Pearson

Hasil pengujian korelasi antara  STVA dengan VACA sebesar 0.746417, STVA dengan VAHU 0.683985, VACA dengan VAHU sebesar 0.661649. Hasil ini tidak ada korelasi yang tinggi (> 0.8) sehingga tidak terindikasi terjadi multikolinieritas pada model.

3. Auxiliary regression. Timbulnya multikolinieritas disebabkan karena satu atau lebih variabel X (independen) berkorelasi secara linier dengan variabel independen lainnya. Langkah untuk menentukan variabel X yang berhubungan dengan variabel X lainya yaitu dengan meregres Xi dengan variabel X lainya kemudian menghitung nilai R-square dan membandingkan nilai R-square yang diperoleh dengan R-square model regresi utama yaitu ROE sebagai dependen.Jika nilai R-square ini lebih tinggi dari regresi auxiliary maka tidak terjadi multikolinieritas. Persamaan regresi auxiliary yang dibuat ada 3 persamaan regresi sebagai berikut :

Persamaan auxiliary regression

Hasil pengujian pada masing-masing persamaan diatas adalah :

Regresi persamaan 1

Regresi Persamaan 2

 

Regresi Persamaan 3

Ringkasan hasil pengujian dari 3 persamaan regresi diatas.

Nilai R square  regresi auxiliary

Pada tabel diatas menunjukan bahwa nilai R-square persamaan 1, VACA  sebagai variabel dependen sebesar 0.600. R-square peresamaan 2 dimana VAHU sebegai variabel dependen, memperoleh nilai R-square sebesar 0.519 kemudian R-square persamaan 3 dimana STVA sebagai dependen, nilai R-square sebesar 0.621. Hasil nilai R-square dari ketiga regresi auxiliary tersebut lebih kecil dibandingkan dengan nilai R-square model utama. Artinya tidak ada indikasi pelanggaran asumsi multikolinieritas. Sedangkan nilai tolerance dan VIF dapat dihitung secara manual berdasarkan nilai R-square yang diperoleh, selengkapnya terlihat pada tabel di bawah ini.

Nilai R-square, Tolerance dan VIF

Nilai tolerance persamaan 1 sebesar 0.400, persamaan 2 sebesar 0.481 dan persamaan 3 sebesar 0.379. Sedangkan nilai VIF masing-masing sebesar 2.500, 2.2079 dan 2.639. Tetapi untuk nilai VIF dapat diperoleh dari menu pada Eviews.

4. Nilai tolerance Inflastion Factor (VIF). Jika nilai tolerance kurang dari 0.2 dan VIF lebih tinggi dari 10 maka terindikasi adanya multikolinieritas. Jika nilai tolerance rendah maka nilai VIF akan tinggi karena VIF = 1/tolerance. Langkah uji VIF pada eviews sebagai berikut :

View > Coefficient Diagnostic > Variance Inflation Factors

Langkah uji VIF

Hasil output nilai VIF sebagai berikut :

Nilai VIF

Diperoleh nilai VIF variabel VACA sebesar 2.500297, VAHU sebesar 2.080720, dan STVA sebesar 2.641509. Dari ketiga variabel independen menunjukkan bahwa nilai VIF < 10 yang artinya tidak terjadi multikolinieritas pada model diatas.

Dari hasil empat (4) pengujian baik nilai R-square, korelasi antar variabel independen, auxiliary regression serta pengujian tolerance dan VIF membuktikan secara konsisten bahwa pada model tidak ada indikasi terjadinya multikolinieritas.

Baca juga :

1. Deteksi Heterokedastisitas Dengan Uji White Pada Eviews

2. Uji Asumsi Normalitas Pada Model Berganda dengan Eviews

3. Deteksi Heterokedastisitas Dengan Uji Glejser Pada Eviews

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip. 

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan
Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.London New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN

Cara Deteksi Heterokedastisitas Dengan Uji Breusch Pagan Godfrey Pada Eviews

Untuk deteksi heterokedastisitas pada model regresi berganda ordinary least square (OLS) selain dengan uji Park, Glejser, Harvey, White dan metode grafik, heterokedastisitas dapat dilakukan juga dengan uji Breusch Pagan Godfrey (BPG). 

 

Hipotesis :

H0 = ada pelanggaran heterokedastistas

H1 = tidak ada pelanggaran heterokedastisitas

Jika nilai Obs*R-squared memperoleh nilai prob chi-square > 0.05 tolak H0.

Jika nilai Obs*R-squared memperoleh nilai prob chi-square < 0.05 terima H0.

Cara deteksi heterokedastisitas dengan BPG pada Eviews dilakakukan dengan langkah-langkah sebagai berikut :

View > Residual Diagnostics > Heterokedasticity test

Langkah Breusch Pagan Godfrey

Pada menu Heterokedasticity, pilih Breusch-Pagan-Godfrey kemudian OK

Heterokedasticity BPG tests

 Hasil uji Breusch Pagan Godfrey selengkapnya disajikan pada tabel di bawah ini.

Hasil uji BPG test

Pada output diatas menunjukkan bahwa nilai Obs*R-squared memperoleh nilai probabilitas-chi-square sebesar 0.7036 (> 0.05). Dari hasil nilai 0.7036 > 0.05 dapat dinyatakan bahwa hipotesis nol ditolak yang artinya tidak terjadi heterokedastisitas pada model tersebut.

Baca juga :

1. Deteksi Heterokedastisitas Dengan Uji White Pada Eviews

2. Deteksi Heterokedastisitas Dengan Uji Glejser Pada Eviews

3. Uji Asumsi Normalitas Pada Model Berganda dengan Eviews

Referensi :

Ghozali, I dan Dwi, R. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A. (2008). Using Eviews for Principles of Econometrics 3rd. London New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example. New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G. (2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews. London New York: Pearson Education.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN

Diagram Kontrol Variabel : X-Bar S Chart

Diagram kontrol X menjelaskan perubahan-perubahan yang terjadi pada ukuran-ukuran titik pusat atau rata-rata dari suatu proses. Hal ini dapat disebabkan oleh fakto-faktro seperti peralatan yang dipakai, perbedaan metode yang digunakan, penggunaan material baru, tenaga kerja baru yang belum terlatih dan lain sebagainya. 

 

 Rumus diagram kontrol variabel X-Bar S Chart sebagai berikut :

Rumus Diagram kontrol X Bar Chart

Contoh kasus : PT. Star Plywood merupakan perusahaan pembuat kayu lapis. Produksi plywood ditetapkan spesifikasi ketebalan dari produk kayu lapis itu sebesar 2,40 mm ±0.05 mm. Untuk mengetahui kemampuan proses dan mengendalikan proses produksi, maka Departemen Quality Control melakukan pengukuran terhadap 20 sampel, masing-masing (n) 5 unit. Data diperoleh sebagai berikut :

Data input

Langkah Diagram Kontrol Atribut S Chart dengan SPSS

1. Klik Analyze > Quality Control > Control Chart
2. Pilih X-Bar R Chart, S klik Define
3. Masukan variabel tebal kayu lapis ke kolom Process Measurement
4. Masukan variabel sampel ke kolom Subgroup define by
5. Klik tombol Control Rule, pilih All control rules
6. Klik Continue kemudian OK

Hasil Diagram kontrol variabel X-Bar S Chart dengan SPSS

Rata-rata ketebalan Plywood

Range proses variasi

Nilai kontrol limitnya adalah 

1. Kontrol limit X Bar adalah LCLx sebesar 2,3543, Center line 2,3886 dan UCLx sebesar 2,4229
2. Kontrol limit standar deviation adalah LCLs = 0,000, center line 0,0253 dan UCLs sebesar 0,0529.

Pada diagram diatas menunjukan bahwa out of control atau terjadi special cause terlihat pada sampel 15 (diagram X bar) dan sampel 20 pada diagram standar deviasi. Oleh karena itu perlu dilakukan pemberhentian proses produksi dan dicari penyebab-penyebabnya.

Baca juga :

1. Kontrol Atribut : U Chart

2. Kontrol Chart Atribut : P Chart

3. Kontrol Chart Variabel : I-MR Chart

Referensi :

Montgomery, D.C.(2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R.(2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek.