Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Apabila varian berbeda, disebut heteroskedastisitas. Uji heteroskedastisitas dilakukan pada model regresi untuk menguji apakah terdapat ketidaksamaan varians dari residual pada suatu pengamatan ke pengamatan lainnya (Juliandi et al., 2014). Uji heteroskedastisitas dilakukan dengan tujuan untuk menguji apakah terdapat ketidaksamaan variance maupun residual dari suatu pengamatan ke pengamatan lainnya. Uji heteroskedastisitas dilakukan untuk mengetahui apakah pada suatu model regresi terjadi ketidaknyamanan varian dari residual pada satu pengamatan terhadap pengamatan lainnya.  Biasanya data crossection mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang, dan besar (Ghozali, 2016).

Residual adalah selisih antara nilai observasi dengan nilai prediksi; dan absolut adalah nilai mutlak. Apabila variasi residual dari suatu pengamatan ke pengamatan yang lainnya tetap, maka hal tersebut dinamakan homokedastisitas. Sedangkan apabila variasi residualnya berbeda, maka dinamakan heterokedastisitas. Untuk medeteksi ada atau tidaknya heteroskedastisitas dalam suatu model regresi linear berganda, maka dilakukan dengan melihat grafik scatterplot atau nilai prediksi variabel terikat yang disebut SRESID dengan residual error ZPRED.

Pengujian heteroskedastisitas dapat dilakukan dengan menggunakan :

  • Grafik Scatterplot atau dari nilai prediksi variabel terikat yaitu SRESID dengan residual error yaitu ZPRED.
    Dasar pengambilan keputusan sebagai berikut :
    1. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan bahwa terjadi heteroskedastisitas.
    2. Jika tidak terdapat pola yang jelas, maupun titik-titik yang menyebar di atas dan di bawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas

Jika tidak terdapat adanya titik – titik yang membentuk pola tertentu yang teratur, dan titik – titik pada scatterplot di atas menyebar secara acak di atas maupun di bawah angka 0 pada sumbu y. Hal tersebut artinya menunjukkan bahwa tidak terjadi masalah heteroskedastisitas.

Apabila tidak terdapat pola tertentu dan tidak menyebar diatas maupun dibawah angka nol pada sumbu y, maka dapat disimpulkan tidak terjadi heteroskedastisitas. Untuk model penelitian yang baik adalah yang tidak terdapat heteroskedastisitas (Ghozali, 2016).

Solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua data bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel yang mengalami gangguan heteroskedastisitas.

  • Uji Breusch-Pagan. Kriteria pengambilan keputusan dari uji Breusch-Pagan adalah sebagai berikut :
    1. Jika nilai signifikansi > 0,05 , maka tidak terjadi heteroskedastisitas
    2. Jika nilai signifikansi < 0,05 , maka terjadi heteroskedastisitas
  • Chi Square dari Obs*R-Squared adalah sebesar 0.1493 sehingga lebih besar daripada nilai alpha (0.05) yaitu (0.1493 > 0.05). Jika melebihi dari nilai alpha (0.05) dapat diartikan bahwa data terbebas dari masalah heteroskedastitas.
  • Uji Glejser. Uji Glejser dilakukan dengan meregresikan variabel-variabel bebas terhadap nilai absolut residualnya (Gujarati, 2004).
  • Uji ARCH dengan dasar pengambilan keputusan:
    1. Jika nilai signifikan variabel independen < 0,05 maka terjadi Heterokedastisitas.
    2. Jika nilai signifikan variabel independen > 0,05 maka tidak terjadi Heterokedastisitas.

Referensi:

  • Juliandi A, Irfan, Manurung S. 2014. Metodologi Penelitian Bisnis: Konsep dan Aplikasi. Medan: UMSU Press.
  • Ghozali, I. (2016) Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23. Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.
  • Gujarati, Damodar N, (2004). Basic Econometrics, Fourth edition, Singapore. McGraw-Hill Inc.

Image Sources: Google Images