Tabel Durbin Watson Dan Cara Membaca

34
7113

Durbin Watson Tabel

Tabel Durbin Watson adalah tabel pembanding dalam uji autokorelasi. Dalam dunia statistik, Uji Durbin Watson adalah sebuah test yang digunakan untuk mendeteksi terjadinya autokorelasi pada nilai residual (prediction errors) dari sebuah analisis regresi. Yang dimaksud dengan Autokorelasi adalah “hubungan antara nilai-nilai yang dipisahkan satu sama lain dengan jeda waktu tertentu”.

Uji ini dikemukakan oleh James Durbin dan Geoffrey Watson.

Pada saat anda melakukan deteksi Autokorelasi, anda tidak akan terlepas dengan tabel Durbin Watson. Tabel tersebut menjadi alat pembanding terhadap nilai Durbin Watson hitung.

Anda mungkin telah banyak membaca tentang tabel durbin watson, tetapi mungkin tidak semuanya memuaskan keinginan anda. Sebab sebagian besar tabel tersebut sangat terbatas, baik dalam jumlah sampel (n) atau jumlah variabel (k). Sebagian besar hanya sebatas n = 100 atau n = 200. Bagaimana jika jumlah sampel > 200?

Pada kesempatan ini, kami ingin berbagi sebuah Tabel Durbin Watson dengan jumlah sampel n = 2000 dan jumlah variabel (k) sebanyak k = 21.

Durbin Watson Table
Durbin Watson Table

Berikut di bawah ini adalah Tabel Durbin Watson lengkap dengan n = 6 – 2000, k = 2 – 21 dan batas kritis 5% (0,05), 2,5% (0,025), 1% (0,01).

Jika anda ingin mengunduhnya, klik link berikut:

DOWNLOAD DURBIN WATSON TABLE

Cara Membaca Tabel Durbin Watson

T: Jumlah sampel (n)

k: Jumlah variabel

dL: Batas Bawah Durbin Watson

dU: Batas Atas Durbin Watson

Contoh: Kita melakukan uji regresi linear berganda dengan 2 variabel independen dan 1 variabel dependen dengan jumlah sampel sebanyak 50, didapatkan hasil Durbin Watson Hitung sebesar d = 2,010.

Maka nilai T = 50, k = 3. Selanjutnya pada tabel di atas cari nilai dL dan dU pada T = 50 dan k = 3, yaitu nilai dL = 1,46246 dan dU = 1,62833. Pada contoh di atas, nilai d = 2,010, maka kita hitung terlebih dahulu nilai (4 – d) = 1,990.

Cara menentukan atau kriteria pengujian autokorelasi adalah sebagai berikut:

Deteksi Autokorelasi Positif:

Jika d < dL maka terdapat autokorelasi positif,

Jika d > dU maka tidak terdapat autokorelasi positif,

Jika dL < d < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.

Deteksi Autokorelasi Negatif:
Jika (4 – d) < dL maka terdapat autokorelasi negatif,
Jika (4 – d) > dU maka tidak terdapat autokorelasi negatif,
Jika dL < (4 – d) < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.

Berdasarkan contoh di atas:

Deteksi Autokorelasi Positif:
Jika 2,010 < 1,46246 maka terdapat autokorelasi positif—> Salah
Jika 2,010 > 1,62833 maka tidak terdapat autokorelasi positif—> Benar
Jika 1,46246 < 2,010 < 1,62833 maka pengujian tidak meyakinkan atau tidak dapat disimpulkan—> Salah

Maksud di atas adalah, DW: 2,010 > DU: 1,62833, maka tidak terdapat autokorelasi positif.

Deteksi Autokorelasi Negatif:
Jika 1,990 < 1,46246 maka terdapat autokorelasi negatif—> Salah
Jika 1,990 > 1,62833 maka tidak terdapat autokorelasi negatif—> Benar
Jika 1,46246 < 1,990 < 1,62833 maka pengujian tidak meyakinkan atau tidak dapat disimpulkan—> Salah

Maksud di atas adalah, 4-DW: 2,010 yaitu 1,990 > DU: 1,62833, maka tidak terdapat autokorelasi negatif.

Maka dapat disimpulkan: pada analisis regresi tidak terdapat autokorelasi positif dan tidak terdapat autokorelasi negatif sehingga bisa disimpulkan sama sekali tidak terdapat autokorelasi.

Demikian artikel singkat kami tentang Durbin Watson Tabel. Bagaimana untuk mendapatkan nilai Durbin Watson dalam analisis regresi dengan Excel? Baca artikel kami selanjutnya tentang .

Semoga Bermanfaat.

By Anwar Hidayat

34 KOMENTAR

  1. gan, punya saya terjadi autokorelasi positif saja…..bgmna cara selanjutnya utk mndapatkan regresi yang baik???? dari uji asumsi klasik sperti heterokedastisitas, linieritas dan normalitas itu semuanya lolos, hanya yang autokorelasi positifnya saja yang gak lolos……punya saya pakai regresi linier sederhana gan, mohon bantuannya….

  2. Autokorelasi sering terjadi pada data time series, tetapi kadang juga terjadi pada data cross sectional.
    Asumsi klasik Regresi Linear Berganda: Linearitas, normalitas, homoskedastisitas, multikolinearitas dan autokorelasi
    Asumsi klasik Regresi Linear Sederhana: Linearitas, normalitas, homoskedastisitas dan autokorelasi

  3. Hai Mas, sy mau tanya, uji asumsi ini dilakukan hanya untuk regresi berganda saja atau juga untuk regresi sederhana jg? uji asumsi mana saja yg diperlukan untuk regresi sederhana.

    Thanks 🙂

  4. Mas Anwar, maaf saya mau tanya
    jika saat tes autokorelasi, hasilnya:
    Deteksi Autokorelasi Positif:
    Jika d < dL maka terdapat autokorelasi positif,—>SALAH
    Jika d > dU maka tidak terdapat autokorelasi positif,—>SALAH
    Jika dL < d < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.—>BENAR

    Deteksi Autokorelasi Negatif:
    Jika (4 – d) < dL maka terdapat autokorelasi negatif,—>SALAH
    Jika (4 – d) > dU maka tidak terdapat autokorelasi negatif,—>BENAR
    Jika dL < (4 – d) < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.SALAH

    apakah hasilseperti itu masuk pada kategori terdapat autokorelasi ??

  5. Coba atasi dengan memasukkan variabel Lag Y ke dalam prediktor. Atau anda melakukan uji beda penuh. Jika tetap maka kemungkinan anda harus melakukan koreksi dengan uji regresi yang lain, misal robust regresi atau uji dengan data panel bila data dari time series.

  6. DW 2,465 > DU 1,8283 maka tidak ada autoorelasi positif. Tetapi 4 – DW = 4 – 2,465 = 1,535 < DU 1,8283 maka ada autokorelasi negatif. Jadi model regresi linear anda masih belum memenuhi asumsi non autokorelasi.

  7. Metode Lag_Y adalah dengan memasukkan 1 variabel baru ke dalam model, yaitu Lag_Y. Lag_Y adalah variabel baru yang di dapat dari pengurangan nilai Y (Variabel dependen) dengan Y-1. Atau lebih mudahnya: Lag_Y = Yi – Yi-1. Misal Y sampel ke 20 nilai 40. Maka Yi yang dimaksud adalah nilai Y sampel ke-20, yaitu 40. Sedangkan Yi-1 adalah 1 sampel sebelum sampel Yi. Misal sample Yi adalah sampel ke-20 maka sampel Yi-1 adalah sampel ke-20-1= sampel ke-19. Misal nilai Yi-1 adalah 15, maka Lag_Y ke 20 adalah 40-15=25.

  8. Cara ke-2 mengatasi masalah autokorelasi adalah dengan persamaan beda penuh. Intiny adalah sama dengan Lag-Y, hanya saja semua variabel diubah kedalam bentuk Lag.

  9. Mas Anwar, data saya ga lolos uji autokol positif. gimana caranya biar bisa lolos mas? data saya n 29 dan k 7…. 🙁
    Makasih mas sebelumnya

  10. Selamat siang.. saya evi mau bertanya kalau nilai dl dan du untuk k=6 dan n=690 berapa pak? Soalnya saya download tabel yang dilinkkan oleh bapak itu kelipatan 50. Jadi setelah 650 langsung 700 dll. Terima kasih..

  11. Mas Anwar,
    jika saat tes autokorelasi, hasilnya:
    Deteksi Autokorelasi Positif:
    Jika d < dL maka terdapat autokorelasi positif,—>SALAH
    Jika d > dU maka tidak terdapat autokorelasi positif,—>SALAH
    Jika dL < d < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.—>BENAR

    Deteksi Autokorelasi Negatif:
    Jika (4 – d) < dL maka terdapat autokorelasi negatif,—>SALAH
    Jika (4 – d) > dU maka tidak terdapat autokorelasi negatif,—>BENAR
    Jika dL < (4 – d) < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.SALAH

    apakah hasilseperti itu masuk pada kategori terdapat autokorelasi ??

  12. misal kita ingin mengelolah data dengan menggunakan metode OLS dan terdapat autokorelasi. dan kita ingiin menghilangkan autokorelasi tersebut dengan mentransformasi data. gimana ya caranya mentransformasi data tersebut?

  13. pak yang sya mau tanyakan jika n=214 sampel maka saya terpaksa melihat nilai du dan dl nya dari n=210 dan n=220 ? apa ada pak yang menyediakan tabel datanya berurutan dari 200-300?

Cobalah Menjadi Pandai! Berikan Komentarnya Ya......