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: