Tampilkan postingan dengan label Heteroskedastisitas. Tampilkan semua postingan
Tampilkan postingan dengan label Heteroskedastisitas. Tampilkan semua postingan

Pengaruh Page Views Blog terhadap Ranking Alexa dengan Regresi Linear Sederhana

Kali ini kita akan menguji apakah terdapat pengaruh antara page views blog yang diambil dari data Google Analytic berpengaruh terhadap Ranking Alexa. Data yang dipergunakan adalah data blog ini sendiri yang dapat Anda unduh di Google Drive. Data yang dipergunakan adalah periode 20 Mei 2021 sampai dengan 2 Agustus 2021 atau sekitar 75 hari. Alat bantu yang dipergunakan adalah SPSS Versi 23. Uji asumsi klasik yang dipergunakan adalah uji autokorelasi, uji normalitas dan uji heteroskedastisitas. Uji multikolinearitas tidak digunakan karena hanya menggunakan satu variabel bebas saja atau regresi linear sederhana.

Hasil uji autokorelasi dengan Run test pada model penelitian memberikan hasil sebagai berikut:

Hasil uji autokorelasi dengan run test

Tampak jelas bahwa signifikansi adalah sebesar 0,000 < 0,05 yang berarti terdapat gangguan autokorelasi pada model penelitian. Ini wajar saja karena yang dipergunakan adalah data time series. Alternatif upaya perbaikan dilakukan dengan mencoba variabel Lag Alexa. Jadi page views hari ini mempengaruh rangkin alexa besok hari (karena lag 1). Tetapi hasilnya tetap terjadi gangguan autokorelasi. Maka dicoba dipergunakan transformasi difference delta, yaitu dengan mengurangkan data pada periode t dengan periode t-1. Dalam bahasa sederhana, kita bisa menyebutnya pengaruh perubahan page views terhadap perubahan ranking alexa. Adapun hasilnya adalah sebagai berikut:

Uji autokorelasi transformasi data

Gangguan autokorelasi telah hilang dengan signifikansi 0,64 > 0,05. Tampak bahwa jumlah data hanya 74 karena berkurang 1 akibat transformasi data. Untuk uji normalitas dengan Kolmogorov-Smirnov adalah sebagai berikut:

Uji normalitas data transformasi

Asumsi normalitas telah terpenuhi dengan nilai signifikansi sebesar 0,081 > 0,05. Sedangkan untuk uji heteroskedastisitas dilakukan dengan mengkorelasikan variabel bebas dengan absolut residualnya dan diperoleh hasil sebagai berikut:

Uji heteroskedastisitas data transformasi

Tampak bahwa nilai signifikansi adalah sebesar 0,077 > 0,05 yang berarti tidak terdapat gangguan heteroskedastisitas pada model penelitian.

Setelah model dinyatakan terbebas dari gangguan asumsi klasik, maka dilihat apakah terdapat pengaruh atau tidak dengan hasil sebagai berikut:

Nilai R dan R Square

Nilai F hitung dan signifikansi

Nilai T hitung dan signifikansi

Dari output di atas, tampak jelas bahwa tidak terdapat pengaruh yang signifikan antara page views terhadap rangking alexa. Hasil ini agak berbeda dengan asumsi awal bahwa page views berpengaruh terhadap rangkin alexa. Beberapa alasan yang membuat tidak ada pengaruh adalah sebagai berikut:

  1. Rangking alexa tidak ditentukan dari pageviews saja tetapi juga dari lama pengunjung berada dalam suatu situs. Variabel ini belum dimasukkan dan sepertinya agak sulit mencari data. Ada data di alexa, tetapi itu adalah data rata-rata secara harian bukan secara individu pengunjung.
  2. Data yang dipergunakan hanya 75 data dan hanya 1 blog ini saja. Jadi sangatlah kecil untuk mewakili fenomena yang ada di dunia internet secara keseluruhan.
  3. Meskipun data daily time on site secara keseluruhan, tetapi bisa dipergunakan sebagai sumber data sehingga di masa mendatang dapat menggunakan data daily time on site sebagai variabel bebas yang mempengaruhi rangking alexa.


Share:

Analisis Regresi Linear Sederhana antara Bounce Rate Alexa terhadap Pendapatan PopAds

Di artikel beberapa waktu yang lalu, kita telah membahas pengaruh dari Ranking Alexa (Alexa Rank) terhadap pendapatan iklan PopAds.net. Dengan analisis regresi linear sederhana, maka diperoleh bahwa tidak terdapat pengaruh signifikan ranking Alexa terhadap pendapatan PopAds. Rekomendasi dari artikel itu adalah untuk menambahkan variabel bounce rate. Bounce rate menurut Alexa adalah 'Percentage of visits to the site that consist of a single pageview'. Jadi jika ada pengunjung yang masuk ke blog, tetapi tidak melakukan klik lain, lalu keluar lagi dinyatakan sebagai bounce rate. Itu sangat logis, karena pendapatan iklan dari PopAds ditentukan dari klik pengunjung yang telah masuk ke blog kita. Jadi jika semakin tinggi bouce rate maka semakin rendah pendapatan PopAds.

Analisis ini akan menggunakan 39 data saja karena memang baru itu yang tersedia. Di lain waktu akan dicoba dengan data yang lebih banyak. Jika menginginkan silahkan download di G Drive dengan akun Gmail Anda. Alurnya sama dengan artikel yang sebelumnya, jadi kali ini akan lebih ringkas.


Uji Asumsi Klasik

Hasil uji normalitas dengan Kolmogorov-Smirnov memberikan hasil sebagai berikut:

Uji Normalitas dengan Kolmogorov-Smirnov

Dengan Signifikansi 0,118 > 0,05 maka dinyatakan bahwa model telah memenuhi asumsi normalitas. Sedangkan hasil Run Test adalah sebagai berikut:
Uji Autokorelasi dengan Run Test
Nilai Signifikansi adalah sebesar 0,997 > 0,05 yang berarti model tidak mengalami gangguan autokorelasi. Ini mungkin karena jumlah sampel yang di bawah 40 sehingga gangguan autokorelasi yang biasa muncul pada data time series tidak nampak di sini.

Uji Heteroskedastisitas dengan Scatter Plot memberikan hasil sebagai berikut:
Uji Heteroskedastisitas dengan Scatter Plot
Tampak bahwa tidak terdapat pola tertentu pada grafik yang dapat diinterpretasikan bahwa data tidak mengalami gangguan heteroskedastisitas.


Analisis Regresi Linear Sederhana

Adapun untuk hasil analisis regresi linear sederhana adalah sebagai berikut:
Nilai R dan Koefisien Determinasi
Nilai R adalah 0,394 dan koefisien determinasi sebesar 15,5% di mana masih banyak faktor lain yang mempengaruh pendapatan PopAds yaitu sebesar 84,5%. Untuk F hitung adalah sebagai berikut:
Output F Hitung dan Signifikansi
Tampak jelas bahwa nilai F Hitung adalah 6,811 dengan Signifikansi di bawah 0,05 yang berarti model dinyatakan layak. Untuk T Hitung memberikan hasil sebagai berikut:
Output T Hitung dan Signifikansi
Dengan Signifikansi 0,013 < 0,05 berarti Bounce rate berpengaruh signifikan terhadap pendapatan PopAds.


Interpretasi

Berdasarkan nilai T hitung yang negatif maka dapat ditentukan bahwa pengaruh bounce rate terhadap pendapatan PopAds adalah negatif atau berlawanan arah. Semakin tinggi bounce rate maka semakin rendah pendapapatan PopAds, sebaliknya semakin rendah bounce rate maka semakin tinggi pendapatan PopAds.

Ini sesuai dengan asumsi bahwa semakin banyak orang yang hanya melihat 1 halaman maka rendah pendapatan PopAds. Jika ingin meningkatkan pendapatan PopAds, dapat dilakukan dengan mengurangi bounce rate. Pemilik blog harus merancang agar pengunjung tidak langsung pergi ketika masuk ke website, tetapi melakukan klik lagi agar memancing keluarnya iklan PopAds.
Share:

Uji Regresi Pengaruh Ranking Alexa terhadap Pendapatan Google Adsense dengan SPSS

Pendahuluan

Banyak sekali alternatif untuk mendapatkan penghasilan dari sebuah blog atau website. Salah satunya adalah dengan menjadi publisher bagi Google Adsense (GA) salah satu advertiser yang sangat terkenal dan telah menjadi market leader dalam dunia ini. Pendaftarannya memang tidak terlalu rumit, meskipun tidak bisa dibilang mudah. Akan tetapi yang lebih penting adalah bagaimana potensi yang bisa diperoleh oleh si empunya blog. Dalam artikel sebelumnya, telah dibahas tentang pengaruh rangking alexa terhadap pendapatan PopAds, dan ternyata memberikan hasil bahwa tidak ada pengaruh ranking alexa terhadap pendapatan PopAds. Sudah ada pembahasan tentang hal itu.

Dalam artikel kali ini, kita akan membahas pengaruh ranking Alexa terhadap pendapatan GA dalam 91 hari, karena rangkin Alexa yang muncul dalam grafik adalah 3 bulan terakhir. Jika Anda menginginkan data aslinya silahkan download di sini. Gunakan akun Google Anda untuk bisa mengakses G Drive tersebut. 


Model Regresi

Model regresi adalah regresi linear sederhana karena hanya ada 1 variabel bebas, yaitu Ranking Alexa dan 1 buah variabel terikat, yaitu Pendapatan GA. Persamaan umumnya adalah 

Y = a + bX

Di mana Y adalah pendapatan GA dan X adalah Ranking Alexa. Alat analisis yang dipergunakan adalah Software SPSS Versi 23. Jika Anda ingin mendapatkan Download SPSS Free, silahkan meluncur ke situs resminya. Dalam persamaan umum di atas ada nilai residual yang ditambahkan di belakang persamaan.


Uji Asumsi Klasik

Analisis regresi linear, memerlukan beberapa asumsi yang harus dipenuhi, sering disebut dengan uji asumsi klasik. Uji asumsi klasik yang dipergunakan adalah uji normalitas, uji heteroskedastisitas dan uji autokorelasi. 

Uji Normalitas dengan Histogram

Hasil uji histogram menunjukkan bahwa data melenceng ke kanan dan sangat dimungkinkan ada outliers dan model tidak normal. Untuk memperkuat pengujian dilakukan uji normalitas dengan Kolmogorov-Smirnov yang memberikan hasil sebagai berikut:
Uji Normalitas dengan Kolmogorov-Smirnov
Nilai Signifikansi adalah 0,000 < 0,05 yang berarti model memang tidak memenuhi asumsi normalitas. Upaya perbaikan dilakukan dengan mentransformasikan variabel ke dalam bentuk logaritma natural, baik variabel X maupun variabel Y. Setelah ditransformasikan keduanya, maka uji normalitas KS memberikan hasil sebagai berikut:
Uji Normalitas Model Transformasi
Tampak bahwa model telah menjadi normal dengan melakukan transformasi ke dalam bentuk logaritma natural. Uji Autokorelasi dengan Run Test memberikan hasil sebagai berikut:
Uji Autokorelasi dengan Run Test
Tampak bahwa nilai Signifikansi adalah sebesar 0,247 > 0,05 yang berarti model tidak mengalami gangguan autokorelasi. Selanjutnya adalah uji Heteroskedastisitas dengan Scatter plot dan memberikan hasil sebagai berikut:
Uji Heteroskedastisitas dengan Scatter Plot
Tidak ada pola tertentu pada grafik yang berarti tidak ada gangguan heteroskedastisitas pada model regresi.

Analisis Regresi Linear Sederhana

Setelah model dinyatakan bebas dari gangguan asumsi klasik, maka dilakukan analisis regresi linear sederhana.

Nilai R dan Koefisien Determinasi Model

Nilai R adalah sebesar 0,451 dan R Square adalah sebesar 0,204. Berarti Ranking Alexa mampu menjelaskan variasi Pendapatan GA sebesar 20,4% dan sisanya yaitu sebesar 79,6% dijelaskan oleh faktor yang lain.
F hitung dan Signifikansi
Nilai F hitung cukup tinggi dengan signifikansi di bawah 0,05 yang menunjukan bahwa model telah fit dan bisa dilakukan uji hipotesis dengan uji t.
Uji t dan Signifikansi
Tampak bahwa nilai t hitung adalah sebesar -4,769 dengan signifikansi sebesar 0,000 < 0,05 yang berarti ranking Alexa berpengaruh signifikan terhadap pendapatan GA. Dari nilai t hitung yang negatif, berarti pengaruh tersebut adalah berkebalikan, di mana semakin rendah ranking Alexa maka semakin tinggi pendapatan GA. 

Interpretasi

Berdasarkan hasil analisis di atas, maka dapat diinterpretasikan bahwa ranking Alexa berpengaruh signifikan terhadap pendapatan GA. Semakin rendah ranking Alexa maka semakin tinggi pula pendapatan GA yang diperoleh, demikian sebaliknya. Hasil ini sesuai dengan fakta bahwa semakin banyak orang yang berkunjung ke suatu blog, maka semakin tinggi pula kemungkinan adanya klik pada iklan yang ditayangkan. Selain itu, dalam GA ada juga pendapatan yang bukan karena klik, tetapi karena tampil saja. 


Artikel Terkait

  1. Pengaruh ranking Alexa terhadap Pendapatan PopAds
  2. Berapa pendapatan blogger pemula?
  3. PopAds, alternatif iklan selain Google Adsense
  4. Ranking Alexa anjlok dratsis
  5. Lanjutan: Ranking Alexa anjlok drastis

Share:

Heteroskedastisitas-Tutorial Langkah Cara Uji Park Dengan SPSS Versi 23

Metode uji heteroskedastisitas yang berikutnya adalah Uji Park. Uji ini memang jarang dipakai karena relatif rumit dibandingkan dengan uji scatterplot, Glejser atau Rank Spearman. Metode Park juga relatif sama, yaitu dengan meregresikan variabel bebas terhadap logaritma natural kuadrat residual. Jadi setelah mendapatkan nilai residual, maka nilai tersebut dikuadratkan. Setelah itu hasilnya diambil nilai logaritma naturalnya (Ln).

Dengan data yang sama, setelah diperoleh nilai residual, maka masuk ke menu Transform lalu klik pada Compute Variable maka akan masuk ke menu seperti di bawah:

Menghitung Ln(Res_2)
Masukkan nilai Ln (Res_2) yang merupakan nama variabel yang akan kita bentuk. Pada box Numeric Expression masukkan LN(RES_1*RES_1) yang artinya residual kali residual atau residual kuadrat. Perhatikan bahwa RES_1 adalah nama variabel yang sudah ada, jadi harus tepat penulisannya, atau masukkan saja dengan tanda panah sehingga tidak ada kesalahan.

Setelah itu klik OK maka akan muncul variabel baru yang telah dibentuk. Kita tinggal meregresikan antara variabel bebas terhadap Ln(Res_2) tersebut dan memberikan hasil sebagai berikut:
Uji Heteroskedastisitas dengan Uji Park
Tampak pada nilai t dan Signifikansi tidak ada variabel bebas yang berpengaruh signfikan. Berarti tidak ada gangguan heteroskedastisitas pada model penelitian. Hasil ini juga sesuai dengan hasil pengujian sebelumnya dengan scatterplot, Glejser dan juga Rank Spearman.

Artikel berikutnya kita coba belajar bersama uji heteroskedastisitas dengan metode White.
Share:

Uji Heteroskedastisitas SPSS dengan Metode White

White's General Heteroscedasticity Test adalah salah satu metode untuk mengetahui apakah model regresi mengalami gangguan heteroskedastisitas atau tidak. Di artikel sebelumnya kita telah membahas tentang scatterplot, uji Glejser, Rank Spearman dan juga uji Park. Metode dengan White agak mirip dengan uji Park atau pun Glejser. Intinya adalah meregresikan variabel bebas, kuadrat variabel bebas dan perkalian antara variabel bebas terhadap kuadrat residualnya.

Untuk simulasi kali ini, kita menggunakan data yang berbeda dengan data yang dipergunakan untuk simulasi sebelumnya. Kita hanya menggunakan dua variabel bebas dan sampel sebanyak 80 saja.

Contoh Data untuk Simulasi Uji White
Langkah pertama adalah meregresikan variabel X1 dan X2 terhadap variabel Y. Dengan dua buah variabel bebas, maka persamaan umumnya adalah sebagai berikut:

Y = b0 + b1 X1 + b2 X2

Dapatkan nilai residualnya, lalu kuadratkan dengan menu Transform, Compute Variable. Formulanya sederhana, hanya Res_1*Res_1. Simbol * adalah simbol perkalian. Ada juga menu kuadrat atau Square, kita boleh memilih yang mana saja. Setelah itu dengan menu Compute Variable juga, hitunglah kuadrat dari X1, X2 dan juga perkalian dari variabel X1 dan X2 sehingga diperoleh tabulasi data sebagai berikut:

Hasil Perhitungan Variabel untuk Uji White

Setelah itu, regresikan kelima variabel bebas yang telah kita hitung dengan variabel terikat adalah kuadrat residualnya yang juga telah kita hitung. Adapun persamaan umum regresinya adalah sebagai berikut:

u^2 = b0 + b1 X1 + b2 X2 + b3 X1^2 + b4 X2^2 + b5 X1 X2

Kode ^ berarti kuadrat. Abaikan parameter yang lain, kita hanya melihat output R square saja yaitu sebagai berikut:

Output R Square untuk Uji White

Tampak bahwa nilai R adalah 0,358 dan R Square adalah sebesar 0,128. Nilai R Square kita kalikan dengan jumlah responden atau sampel yaitu sebanyak 80 dan hasilnya adalah 80 x 0,128 = 10,24. 

Hasil perkalian ini kita bandingkan dengan nalai Chi Square tabel dengan df = 5 atau sama dengan jumlah variabel bebas pada waktu pengujian White (jadi bukan 2 tapi 5). Kita bisa melihat tentang Chi Square di sini. Untuk df 5 pada signifikansi 5% nilai Chi Square tabel adalah sebesar 11,0706. Tampak bahwa Chi Square hasil hitung < Chi Square tabel yang menunjukkan bahwa tidak terdapat gangguan heteroskedastisitas pada model penelitian. Gangguan heteroskedastisitas terjadi jika Chi Square hitung > Chi Square tabel.

Pengujian dengan White jarang dipakai, mungkin karena jika terjadi gangguan heteroskedastisitas, kita tidak bisa menentukan variabel mana yang memicu gangguan itu, mirip dengan metode Scatterplot. Berbeda dengan uji Rank Spearman, Glejser atau pun Uji Park, di mana kita bisa mengidentifikasi variabel bebas mana yang memicu gangguan heteroskedastisitas.

Apakah masih ada uji heteroskedastisitas yang lain? Iya masih ada. Masih ada Goldfeld-Quandt Test, Breusch-Pagan-Godfrey Test atau pun Koenker-Bassett Test. Metode ini lebih jarang lagi dipergunakan, jadi mungkin kita tidak perlu membahas ya... :)

Share:

Uji Heteroskedastisitas Spearman Rho dengan SPSS Versi 23

Artikel ini adalah kelanjutan dari artikel tentang heteroskedastisitas. Sebelumnya telah kita bahas uji heteroskedastisitas dengan scatterplot dan juga uji Glejser. Di sini kita akan belajar bersama tentang uji heteroskedastisitas dengan Rank Spearman. Sebenarnya metode ini juga pernah dibahas di sini Kali ini pembahasannya menggunakan data yang berbeda dengan artikel tersebut.

Konsep dasarnya mirip dengan Uji Glejser, tetapi di sini kita mengkorelasikan variabel bebas dengan nilai absolut residualnya. Korelasi yang dipergunakan adalah Rank Spearman atau Spearman Rho. Nilai absolut residual telah kita kuasai pada artikel sebelumnya. Jadi kita tinggal mengkorelasikan saja.

Menu Korelasi
Pilih Analyze, pilih Correlate lalu klik pada Bivariate seperti pada gambar di atas. Maka kita akan diarahkan ke menu korelasi sebagai berikut:

Memasukkan Variabel Bebas dan Absolut Residual
Masukkan variabel bebas ke dalam box Variables, termasuk dengan nilai absolut residualnya. Pastikan bahwa motode korelasi yang dipergunakan adalah Spearman dengan memberikan centang pada Correlation Coefficients seperti pada gambar di atas. Setelah itu akan keluar output sebagai berikut:

Output Uji Heteroskedastisitas dengan Rank Spearman
Tampak bahwa tidak ada variabel bebas yang mempunyai korelasi yang signfikan dengan nilai absolut residualnya. Kualitas layanan koefisien korelasinya hanya -0,022 dengan signifikansi sebesar 0,825 > 0,05. Demikian juga dengan dua variabel bebas yang lain. Ini menunjukkan bahwa tidak terdapat gangguan heteroskedastisitas pada model regresi. Hasil ini sesuai dengan metode scatterplot dan juga metode Glejser.

Berikutnya kita coba gunakan metode yang lain yaitu uji Park dan uji White.

Share:

Tutorial Uji Heteroskedastisitas dengan Glejser Menggunakan SPSS Versi 23

Pada artikel sebelumnya kita telah membahas uji heteroskedastisitas dengan Uji Scatterplot. Sekarang kita bersama akan membahas tentang uji heteroskedastisitas dengan uji Glejser. Sebenarnya pernah disinggung sedikit, tetapi kali ini kita akan membahas dengan contoh yang lebih detail dan menggunakan data yang sama dengan bahasan uji scatterplot yang dulu. 

Langkah pertama adalah dengan meregresikan variabel bebas terhadap variabel terikatnya, tetapi jangan lupa untuk menyimpan nilai residual unstandardized. Silahkan simak caranya, mudah-mudahan masih ingat. Konsepnya adalah dengan meregresikan variabel bebas terhadap nilai absolut residualnya. Jadi setelah mendapatkan nilai residual, kita transformasikan nilanya ke dalam absolutnya. Nilai absolut adalah nilai mutlak, yang berarti jika nilainya negatif maka diambil nilai positifnya.

Menu Transformasi Data

Pilih Transform, lalu klik pada Compute Variable seperti pada gambar di atas. 
Menghitung Absolut Residual

Pada Target Variable masukkan Abs_Res, ini adalah nama untuk variabel baru. Pada Numeric Expression bisa diketikkan ABS(RES_1) yang berarti memerintahkan program untuk menghitung nilai absolut dari variabel RES_1. Bisa juga digunakan Function and Special Variables karena di situ sudah tersedia menu untuk menghitung misalnya kuadrat, Ln dan berbagai fungsi matematika yang lain. Setelah itu klik OK maka akan keluar variabel baru yaitu Abs_Res yang isinya adalah absolut dari Res_1. 

Setelah itu kita tinggal meregresikan antara variabel bebas terhadap Abs_res seperti pada gambar di bahwa.
Meregresikan Variabel Bebas Terhadap Absolut Residual
Regresi ini untuk mencari apakah terdapat pengaruh antara variabel bebas terhadap nilai absolut residualnya. Jika terdapat signifikansi berarti terdapat gangguan heteroskedastisitas. Adapun hasilnya adalah sebagai berikut:
Uji Heteroskedastisitas dengan Glejser
Tampak bahwa tidak terdapat variabel bebas yang mempunyai signifikansi di bawah 0,05 berarti tidak ada gangguan heteroskedastisitas pada model regresi. Hasil ini sesuai dengan uji dengan Scatterplot pada artikel sebelumnya karena menggunakan data yang sama. 

Kelebihan menggunakan uji Glejser dibandingkan scatterplot adalah kita bisa mengetahui variabel bebas yang mana yang memicu munculnya gangguan heteroskedastisitas. Dengan demikian, kita bisa menentukan variabel itu untuk dilakukan transformasi atau trimming atau metode yang lain. Berikutnya juga akan dibahas tentang uji heteroskedastisitas dengan menggunakan uji Rank Spearman, uji Park dan juga uji White.
Share:

Panduan Uji Heteroskedastisitas dengan Gambar Scatterplot Menggunakan SPSS Versi 23

Model regresi yang diharapkan adalah homoskedastisitas, atau varians dari residual satu pengamatan ke pengamatan lain adalah tetap. Jika tidak tetap atau berbeda maka disebut heteroskedastisitas. Data Cross section mempunyai kemungkinan besar mengalami heteroskedastisitas karena menghimpun data dalam berbagai ukuran, kecil, sedang atau pun besar. 

Berbagai uji heteroskedastisitas telah dibahas di blog ini.  Kali ini kita akan belajar bersama tentang uji heteroskedastisitas dengan menggunakan Scatterplot dengan alat bantu berupa Program SPSS Versi 23. Metode ini sering dipergunakan karena memang sudah tersedia menu nya di SPSS.

Contoh Data Untuk Uji Heteroskedastisitas SPSS dengan Scatterplot

Data yang dipergunakan adalah data dari kuesioner kepada 100 orang tentang Kualitas layanan, Kepuasan, Reputasi dan Loyalitas (ini hanya contoh saja). Lakukan regresi seperti biasa dengan Analyze, pilih Regression lalu klik pada Linear seperti pada gambar di bawah.

Memilih Menu Regresi
Maka akan diarahkan ke menu regresi, lalu masukkan variabel Loyalitas sebagai variabel terikat dan yang lain sebagai variabel bebas seperti gambar di bawah.
Memasukkan Variabel Penelitian
Setelah itu klik Plot pada menu di samping kanan atas seperti pada gambar di atas sehingga akan masuk ke sub menu sebagai berikut:
Memasukkan Parameter Uji Heteroskedastisitas dengan Scatterplot
Masukkan parameter ZPRED ke X dan SRESID ke Y seperti pada tanda anak panah di atas. Jangan sampai terbalik. Setelah itu klik Continue lalu klik OK sehingga akan keluar output untuk Scatterplot yaitu sebagai berikut:
Output Scatterplot untuk Uji Heteroskedastisitas
Panduan untuk menentukan terjadi homoskedastisitas atau heteroskedastisitas adalah sebagai berikut:
  1. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit, atau sebaliknya) maka mengindikasikan terjadi heteroskedastisitas. Pola juga bisa terjadi dengan titik-titik yang menyebar di atas sumbu Y atau di bawah.
  2. Jika tidak terdapat pola tertentu yang jelas, seperti yang disebutkan pada nomor 1, berarti terjadi homoskedastisitas.
Dari gambar di atas tampak bahwa tidak terdapat pola tertentu yang jelas, di mana titik-titik menyebar di atas 0 sumbu Y dan juga di bawah secara merata. Hasil ini menunjukkan bahwa model mengalami homoskedastisitas dan dinyatakan memenuhi uji asumsi klasik.

Pengujian dengan grafik, seperti juga pada uji normalitas, sering menimbulkan perdebatan interpretasi antara satu pengamat dengan pengamat yang lain. Jika terjadi keraguan, maka kita bisa menggunakan uji statistik. Pada artikel berikut akan dibahas uji heteroskedastistisitas dengan Uji Glejser, Rank Spearman, Uji Park dan juga Uji White.
Share:

Uji Heteroskedastisitas dengan Rank Spearman dan Penanggulangannya

Artikel kali ini akan membahas uji heteroskedastisitas dengan rank Spearman dan pengobatannya ketika ada masalah atau gangguan (homoskedastisitas).  Metode ini mempunyai keunikan tersendiri dibandingkan dengan Plot grafik, karena kita akan mengetahui variabel mana yang menyebabkan gangguan heteroskedastisitas. Berikut adalah data 4 variabel bebas dan 1 variabel terikat dengan SPSS Versi 23.

Tabulasi Data SPSS 4 Variabel Bebas dan 1 Variabel Terikat

Kita regresikan seperti biasa dengan Analyze, Regression lalu klik pada Linear, seperti pada gambar di bawah:

Menu Analisis Regresi Linear Berganda

Maka akan masuk ke menu regresi linear.Masukkan variabel bebas X1, X2, X3 dan X4 ke Box Independent(s) dan Variabel Y ke Dependent seperti pada gambar di bawah.

Memasukkan Variabel Bebas dan Variabel Terikat

Setelah itu klik pada Save di sebelah kiri nomor 3 dari atas. Ini untuk memerintahkan program SPSS agar menyimpan parameter-parameter tertentu menjadi variabel baru di SPSS.
Sub Menu Save untuk Menyimpan Variabel Baru di SPSS
Berikan tanda centang (tickmark) pada Unstandardized yang memerintahkan program SPSS untuk menyimpan nilai Unstandardized menjadi variabel baru pada SPSS. Ini adalah nilai residual atau selisih antara nilai yang sebenarnya (Y) dengan nilai prediksi hasil perhitungan. Setelah itu klik Continue lalu Klik OK sehingga akan keluar output SPSS. Juga pada tabulasi data, akan muncul variabel baru sebagai berikut:

Variabel Baru Res_1 yang isinya adalah nilai Residual

Uji Heteroskedastisitas dengan rank Spearman dilakukan dengan mengkorelasikan variabel bebas dengan nilai absolut residualnya. Residual yang ada di gambar di atas, diambil nilai mutlaknya. Jika bernilai negatif maka yang diambil nilai positifnya dan jika positif yang berarti sama nilainya. Pilih Transform lalu klik pada Compute Variable seperti pada gambar di bawah:

Menu Compute Variable
Maka akan masuk ke menu Compute Variable. Misalnya kita beri nama Abs_1 pada Target Variable. Variabel itu adalah Absolut dari Res_1 sehingga kita masukkan ABS(RES_1) seperti pada gambar di bawah.
Menghitung Nilai Absolut Residual
Setelah itu klik OK sehingga akan kembali ke tabulasi data, tetapi ada satu tambahan di paling kanan yaitu ABS_1 yang isinya adalah absolut dari variabel Res_1. Setelah itu kita tinggal mengkorelasikan variabel bebas dengan nilai Absolut residual dengan menu Korelasi Rank Spearman dan memberikan hasil sebagai berikut:

Hasil Uji Heteroskedastisitas dengan Rank Spearman
Tampak bahwa variabel X1 mempunyai signifikansi sebesar 0,03 < 0,05 yang berarti signifikan atau terdapat gangguan heteroskedastisitas pada model regresi. Dengan menggunakan Rank Spearman, maka selain dapat menemukan gangguan hetero, juga menemukan variabel mana yang menciptakan gangguan tersebut. Jadi kita dapat mengeluarkan variabel tersebut dari model penelitian, atau memodifikasi variabel tersebut. Jika kita mengeluarkan variabel X1, maka kita mendapatkan model baru, yaitu 3 variabel bebas dan 1 variabel teirkat. Model inilah yang akan kita gunakan selanjutnya dan kita juga harus menguji model baru kita. 

Jadi tidak ada pertanyaan, "Kak setelah kita modifikasi, terus model yang dipergunakan yang mana? Yang baru atau yang lama". Pertanyaan ini sering muncul dan biasanya tidak kita jawab karena sudah jelas.

Setelah kita mendapatkan model baru (3 variabel bebas dan 1 variabel terikat), lakukan lagi uji heteros (dan tentunya juga uji asumsi klasik yang lain). Jangan lupa menyimpan residualnya, bisa kita beri nama Res_2 lalu absolutnya kita  beri nama ABS_2. Setelah itu baru kita korelasikan lagi dengan Spearman dan memberikan hasil sebagai berikut:

Uji Heteroskedastistias Model Baru
Tampak bahwa tidak ada lagi variabel bebas yang berkorelasi signifikan dengan Absolut residualnya. Jadi dapat disimpulkan bahwa tidak terdapat gangguan heteroskedastisitas pada model penelitian. Model yang mana? Tentunya model dengan 3 variabel bebas dan 1 variabel terikat. 

Setelah ini, silahkan lakukan uji asumsi klasik yang lain pada model baru ini. Abaikan model yang lama. Kalau model baru ada gangguan lagi, misalnya gangguan normalitas, ya lakukan modifikasi, dapat model baru, lalu jangan lupa uji asumsi klasik yang lain. Jadi model yang baik adalah model yang lolos uji asumsi klasik. 

Lalu uji hipotesis jangan lupa gunakan model yang telah lolos uji asumsi klasik ya. Jangan gunakan model awal dengan 4 variabel bebas. Lha apa gunakan kita repot-repot melakukan uji asumsi klasik kalau akhirnya menggunakan model awal :)

Lah kalau uji hipotesisnya banyak diterima yang model awal? Lha kan tidak ada keterkaitan langsung antara uji asumsi klasik dengan uji hipotesis. Jika memang itu terjadi, cek model dari awal. Mungkin ada kesalahan pengambilan sampel, penyusunan model, pemilihan kriteria sampel dan lain-lain.

Share:

Uji Heteroskedastisitas pada Analisis Regresi dengan SPSS

Kata ‘Homo’ berarti sama atau equal, sedangkan kata ‘scedasticity’ berarti disperse atau scatter atau ada yang mengartikan sebaran. Jadi varians dari error atau disturbance haruslah sama pada masing-masing nilai X. Misalnya ada analisis regresi antara penghasilan terhadap pengeluaran, maka data 4 orang dengan gaji 3 juta akan memberikan empat buah error dan mempunyai varians. Varians ini harus sama (equal) dengan varians error pada nilai X yang lain misalnya 4 juta. Demikian seterusnya. Uji Heteroskedastisitas adalah salah satu uji asumsi klasik yang sering dipergunakan.

Berikut adalah beberapa uji heteroskedastisitas yang dapat dilakukan dengan Software SPSS versi 23:

1. Metode Grafik

Masuk ke menu regresi linear dengan memilih Analyze ==> Regression => Linear seperti gambar di bawah:

Masuk ke Menu Regresi Linear
Masuk ke Menu Regresi Linear

Anda akan diarahkan ke menu regresi. Masukkan Variabel bebas dan terikat seperti pada gambar di bawah:

Menu Regresi Linear Berganda
Menu Regresi Linear Berganda

Lalu klik Plot untuk membuat gambar Uji Heteroskedastisitas seperti gambar di bawah:

Menu Plot Grafik Uji Heteroskedastisitas
Menu Plot Grafik Uji Heteroskedastisitas

Pengujian gangguan heteroskedastisitas dengan metode grafis dilakukan dengan memplotkan nilai ZPRED (sebagai sumbu X) terhadap SRESID (sebagai sumbu Y). ZPRED adalah nilai Y prediksi dan SRESID adalah nilai residual regresi. Klik Continue, maka Anda akan diarahkan kembali ke Menu Regresi. Lalu Klik Save sehingga akan diarahkan ke Menu Save yaitu sebagai berikut:

Menu Save pada Regresi Linear Berganda
Menu Save pada Regresi Linear Berganda

Klik Continue sehingga kembali ke Menu Regresi lalu klik OK di bagian bawah  sehingga akan keluar output uji Regresi Linear Berganda. Silahkan lihat di Output 

Output Grafik Uji Heteroskedastisitas
Output Grafik Uji Heteroskedastisitas

Grafik di atas menunjukkan bahwa titik pada grafik relatif menyebar dari kiri ke atas. Atau semakin ke kanan, semakin lebar titik-titik pada grafis. Ini diduga ada gangguan heteroskedastisitas pada model karena ada pola tertentu.
Pengujian dengan grafis memang sering menimbulkan perbedaan pendapat di antara satu pengamat dengan pengamat yang lain sehingga diperlukan uji formal untuk memberikan justifikasi adanya gangguan heteroskedastisitas atau tidak.


2. Uji Park

Uji Park dilakukan dengan meregresikan variabel bebas terhadap nilai logaritna natural dari kuadrat nilai residualnya. Jika ada pengaruh yang signifikan, berarti ada gangguan heteroskedastisitas. Langkah pertama adalah mentransformasikan data residual menjadi Logaritma Natural dari Kuadratnya. 

Kembali ke menu data pada SPSS dan pada kolok paling kanan akan muncul variabel baru. Ini muncul karena kita meng-klik Save pada waktu melakukan regresi. Klik Transform, lalu pilih Compute Variable seperti pada gambar berikut:

Menu Compute Variable
Menu Compute Variable

Jika benar, maka akan masuk ke menu Compute Variable sebagai berikut:

Memasukkan Variabel yang Akan Dihitung
Memasukkan Variabel yang Akan Dihitung

Pada Target Variable, masukkan nama variabel yang diinginkan, misalnha Ln_Abs_2. Lalu pada Numeric Expression masukkan LN(RES_1 * RES_1) yang berarti menghitung nilai logaritma dari kuadrat residual. Setelah klik OK maka akan muncul variabel baru pada kolom paling kanan. Regresikan variabel bebas terhadap nilai baru tersebut seperti pada Gambar berikut:

Regresi Variabel Bebas Terhadap Logaritma Kuadrat Residual
Regresi Variabel Bebas Terhadap Logaritma Kuadrat Residual

Hasilnya, lihat pada nilai t hitung seperti pada gambar di bawah:

Output Uji Heteroskedastisitas dengan Uji Park
Output Uji Heteroskedastisitas dengan Uji Park


Tampak bahwa nilai Signifikansi Harga Emas adalah sebesar 0,002 < 0,05 yang berarti terdapat gangguan heteroskedastisitas pada model penelitian. Ini memperkuat hasil pengujian dengan grafis, bahkan lebih jauh, juga memberikan variabel bebas mana yang mengalami gangguan tersebut.


3. Uji Glejser


Uji Glejser sebenarnya mirip dengan uji Park, hanya dilakukan dengan meregresikan antara variabel bebas terhadap absolut residualnya. Jika ada pengaruh yang signifikan, berarti ada gangguan heteroskedastisitas. Perhitungan absolut residual dengan menu seperti tampak pada gambar di bawah ini:
Perhitungan Absolut Residual
Perhitungan Absolut Residual

Berikan nama Abs_res lalu gunakan funcion Abs untuk mengubah nilai residual ke dalam nilai mutlaknya (absolut) dengan ABS(RES_1). Setelah klik OK maka akan ada variabel baru dengan nama Abs_res yang merupakan nilai mutlak dari residual. Lalu lakukan regresi antara Leverage (variabel X) terhadap Abs_Res sebagai variabel Y dan lihat output sebagai berikut:

Output Uji Heteroskedastisitas dengan Glejser
Output Uji Heteroskedastisitas dengan Glejser

Tampak pada output di atas bahwa nilai t hitung Harga Emas adalah 4,400 dengan Sig. sebesar 0,000 < 0,05. Berarti ada pengaruh yang signifikan antara variabel Harga emas terhadap nilai Absolut residualnya. Interpretasinya adalah bahwa terdapat gangguan heteroskedastisitas pada model penelitian. Hasil ini selaras juga dengan hasil pengujian dengan Metode Park


4. Uji Rank Spearman

Metode lain yang juga sering digunakan adalah dengan Korelasi Rank Spearman. Prinsipnya adalah mengkorelasikan variabel bebas dengan absolut residualnya. Jika terdapat signifikansi, berarti terdapat gangguan heteroskedastisitas pada model penelitian. Nilai absolut residual adalah sama dengan yang diperoleh pada uji Glejser di atas. Klik Analyse lalu pilih Correlate, pilih Bivariate seperti pada gambar di bawah: 

Menu Korelasi Rank Spearman
Menu Korelasi Rank Spearman

Pilih Analyze, sorotkan mouse pada Correlate, lalu pilih Bivariate seperti pada gambar di atas. Jika benar, maka akan diarahkan ke Box sebagai berikut:

Menu Korelasi Spearman
Menu Korelasi Spearman

Masukkan semua variabel bebas dan Abs_res ke dalam Box di sebelah kanan. Berikan tanda centang pada Spearman seperti pada gambar di atas. Lalu Klik OK sehingga akan keluar output sebagai berikut:

Output Uji Heteroskedastisitas dengan Korelasi Spearman
Output Uji Heteroskedastisitas dengan Korelasi Spearman

Tampak bahwa nilai korelasi adalah sebesar 0,48  dengan Sig. sebesar 0,000 < 0,05. Berarti ada gangguan heteroskedastisitas pada model penelitian.

Tampak bahwa semua metode memberikan hasil yang kurang lebih selaras sehingga tidak ada yang perlu diperdebatkan. Anda juga bisa menyimak video kami di Channel Youtube kami yaitu di Statistik TV

Share:

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *