MAKALAH EKONOMETRIKA

“Uji Heteroskedastisitas”

Dosen Pengampu:

Dr. Sri Astuti, SE., M.Si

Disusun Oleh:

Kelompok 3

PRODI MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS NEGERI MAKASSAR
2023
 DAFTAR NAMA ANGGOTA KELOMPOK 3

• Sulastya Ilham 210903500011

• Naila Puteri Gasali 210903500016
• Hildayanti Suhada 210903501021
• Riky Kurniawan 210903501025
• Anbar Habibah 210903501029
• Fitria Ananda 210903501034
• Aldita Pratiwi 210903502032
• Fara Ain 210903502037
• Andi Reza Fahmi Ashary 210903502041
• Ryan Pramana Putra 210903502046
• A. Ainun Dwi Resky Amalia S 210903502051
• Muh. Asrul 210903502190
 BAB I

PENDAHULUAN

A. Latar Belakang

Dalam analisis regresi, uji heteroskedastisitas menjadi elemen penting untuk

mengevaluasi konsistensi varian residual, yaitu selisih antara nilai yang diobservasi
dengan nilai yang diprediksi oleh model regresi. Uji ini dirancang untuk
mengidentifikasi apakah ada ketidakseragaman yang signifikan dalam variabilitas
residual, suatu kondisi yang dapat memberikan dampak serius terhadap keakuratan
dan keefisienan estimasi parameter regresi.

Kita bisa melihat contoh sederhana dari kehidupan sehari-hari untuk membantu
memahami konsep ini. Bayangkan perbedaan dalam pola belanja antara orang kaya
dan orang miskin. Orang kaya cenderung punya variasi pengeluaran yang lebih
besar, sementara orang miskin lebih terbatas dalam variasi belanja mereka.
Variabilitas ini menciptakan ketidakseragaman dalam varian antar kelompok, yang
merupakan tantangan yang perlu diatasi dalam konteks heteroskedastisitas.

Perbedaan pola belanja ini mencerminkan variasi yang tidak seragam dalam
data, yang bisa jadi menyebabkan masalah heteroskedastisitas. Fenomena ini
seringkali muncul dalam penelitian yang menggunakan metode Cross-section, di
mana data dikumpulkan pada satu titik waktu tertentu. Situasi ini menciptakan
kondisi di mana variasi antar observasi bisa sangat bervariasi.

Pentingnya uji heteroskedastisitas tak hanya terletak pada identifikasi masalah

dalam model regresi, tetapi juga pada kemampuannya untuk membuka peluang
perbaikan dan peningkatan akurasi estimasi parameter. Dalam hal ini, pendekatan
statistik untuk mengatasi heteroskedastisitas dapat diterapkan untuk memperbaiki
asumsi dasar regresi dan meningkatkan keandalan hasil analisis. Melalui
pemahaman yang mendalam terkait uji heteroskedastisitas, kita dapat
mengoptimalkan kualitas analisis regresi dan meningkatkan keandalan temuan
penelitian.
B. Rumusan Masalah:
1. Apa itu Heteroskedastisitas?
2. Mengapa Uji Heteroskedastisitas penting untuk dilakukan?
3. Apa saja faktor penyebab terjadinya Heteroskedastisitas?
4. Apa saja dampak atau konsekuensi Heteroskedastisitas?
5. Berapa macam metode uji Heteroskedastisitas ?
6. Apa cara untuk mengatasi Heteroskedastisitas?

C. Tujuan penelitian
1. Untuk mengetahui pengertian Heteroskedastisitas.
2. Untuk memahami pentingnya dilakukan Uji Heteroskedastisitas.
3. Untuk mengetahui faktor penyebab terjadinya Heteroskedastisitas.
4. Untuk mengetahui dampak atau konsekuensi Heteroskedastisitas.
5. Untuk memahami metode uji Heteroskedastisitas.
6. Untuk mengetahui cara mengatasi Heteroskedastisitas.
 BAB II

PEMBAHASAN

A. PENGERTIAN HETEROSKEDASTISITAS
Uji heteroskedastisitas adalah suatu metode statistik yang digunakan untuk
mengevaluasi keberadaan ketidakseragaman atau variasi yang tidak konsisten
dalam varians residual dari suatu model regresi. Uji ini memiliki peran penting
dalam analisis regresi, bertujuan untuk menguji apakah varians residual dari
model regresi tetap konstan atau berubah secara signifikan. Varians residual
yang tidak stabil dapat menunjukkan ketidakseimbangan atau variabilitas yang
tidak konsisten dalam kesalahan prediksi model. Dampaknya dapat merugikan,
karena dapat menghancurkan validitas hasil regresi dan mengaburkan
interpretasinya. Terdapat dua teknik yang digunakan untuk mengidentifikasi
heteroskedastisitas, yaitu teknik grafis dan statistik.
Heteroskedastisitas juga dapat merujuk pada ketidaksetaraan varians residu
dalam konteks analisis regresi, di mana varians kesalahan tidak tetap konstan di
seluruh rentang pengamatan (Ghozali, 2016). Keadaan ini bertentangan dengan
asumsi klasik dalam analisis regresi yang mengasumsikan homoskedastisitas,
di mana varians residu dianggap tetap konstan. Ketidaksetaraan varians residu
dapat berdampak pada estimasi parameter regresi yang tidak efisien, uji statistik
yang tidak valid, dan interpretasi hasil yang keliru.

B. PENTINGNYA DILAKUKAN UJI HETEROSKEDASTISITAS

Model regresi yang efektif adalah yang mengikuti asumsi
homoskedastisitas, atau dengan kata lain, tidak mengalami heteroskedastisitas.
Heteroskedastisitas terjadi ketika variasi varians residual berbeda, dan uji
heteroskedastisitas digunakan untuk mengevaluasi perbedaan ini dari satu
observasi ke observasi lainnya (Juliandi et al., 2014). Uji heteroskedastisitas
bertujuan untuk menentukan apakah variasi residual berbeda antar pengamatan.
Penelitian ini dilakukan untuk menilai apakah terdapat ketidakseragaman varian
residual pada pengamatan tertentu dibandingkan dengan pengamatan lainnya
 dalam suatu model regresi. Situasi heteroskedastisitas sering ditemui pada data
cross-section, karena data ini mencakup berbagai ukuran, dari kecil hingga
besar (Ghozali, 2016).
Penggunaan uji heteroskedastisitas bertujuan untuk menentukan apakah ada
atau tidak pelanggaran terhadap asumsi klasik. Heteroskedastisitas merujuk
pada ketidaksetaraan varian dari residual (residu adalah variabel yang tidak
diketahui dan diasumsikan bersifat acak) di seluruh observasi dalam suatu
model regresi. Dalam konteks model regresi, suatu prasyarat penting adalah
tidak adanya tanda-tanda heteroskedastisitas. Uji heteroskedastisitas digunakan
ketika terdapat ketidakcocokan antara satu observasi dengan observasi lain
dalam model regresi.
Uji ini memiliki dua kemungkinan hasil. Jika terdapat pola dalam hubungan
antara hasil prediksi dan residual, dapat disimpulkan bahwa model regresi yang
dibuat mengindikasikan adanya heteroskedastisitas. Sebaliknya, jika hasil
antara prediksi dan residual menunjukkan nilai yang relatif konstan baik untuk
prediksi maupun residual, dapat dianggap bahwa kondisi tersebut adalah
homoskedastisitas. (Homoskedastisitas merujuk pada kondisi dalam suatu
model regresi di mana varians error tetap konstan). Oleh karena itu, pada asumsi
ini, yang akan diuji adalah apakah nilai kesalahan atau perbedaan antara nilai
variabel y pada sampel dengan nilai y yang diestimasi oleh model regresi
memiliki varians yang konstan atau tidak (Effendi et al., 2019).

C. FAKTOR PENYEBAB TERJADINYA HETEROSKEDASTISITAS

Salah satu asumsi krusial ketika menggunakan Metode Kuadrat Terkecil
(OLS) untuk mengevaluasi koefisien regresi dan mencapai hasil estimasi
dengan kesalahan standar minimum adalah bahwa residual harus memiliki
varians yang konsisten atau homoskedastis. Sayangnya, dalam beberapa
konteks, terutama ketika melakukan analisis data cross-section, asumsi ini
sering kali tidak terpenuhi. Sebaliknya, residual cenderung menunjukkan
variasi yang berbeda untuk setiap observasi atau bersifat heteroskedastis.
Peluang terjadinya heteroskedastisitas semakin meningkat seiring dengan
bertambahnya jumlah observasi dalam analisis.
Kemunculan masalah heteroskedastisitas dalam suatu model regresi dapat
disebabkan oleh faktor-faktor tertentu yang perlu diidentifikasi sebelum
merancang model. Oleh karena itu, memahami penyebab yang mendasari
heteroskedastisitas menjadi sangat penting, sehingga dapat diatasi sejak awal
sebelum proses pembangunan model regresi dimulai. Beberapa faktor yang
dapat menjadi pemicu masalah heteroskedastisitas dalam konteks model regresi
melibatkan:
1) Data cross-section, seperti yang telah dijelaskan sebelumnya, seringkali
menghadapi tantangan heteroskedastisitas, yang merujuk pada variasi tak
merata dari residual, terutama pada situasi data individual atau mikro yang
diamati pada satu titik waktu. Sebagai contoh, ketika data yang berkaitan
dengan tingkat konsumsi dan pendapatan dari sejumlah rumah tangga pada
tahun 2016 digunakan untuk melakukan estimasi terhadap fungsi konsumsi
rumah tangga. Dalam konteks ini, sangat mungkin timbulnya masalah
heteroskedastisitas karena variasi tingkat konsumsi pada rumah tangga
berpendapatan rendah cenderung lebih rendah dibandingkan dengan rumah
tangga berpendapatan tinggi.
2) Pengamatan pencilan atau outlier berpotensi menciptakan masalah
heteroskedastisitas. Outlier adalah suatu pengamatan yang memiliki nilai
yang secara signifikan berbeda (baik lebih tinggi maupun lebih rendah)
dibandingkan dengan pengamatan lainnya. Ketika ukuran sampel sangat
kecil, risiko terjadinya heteroskedastisitas akibat keberadaan outlier
meningkat secara signifikan.
3) Ketidakinklusan variabel (omitted variable) juga dapat menjadi pemicu
terjadinya masalah heteroskedastisitas dalam suatu model regresi. Keadaan
ini terjadi ketika variabel yang seharusnya relevan untuk dimasukkan dalam
spesifikasi model regresi tidak dimasukkan, sehingga spesifikasi model
tersebut menjadi kurang akurat. Sebagai contoh, saat kita mengestimasi
fungsi permintaan untuk suatu komoditas, dan tidak menyertakan variabel
 harga komoditas lain yang merupakan produk komplement atau substitusi
dari komoditas tersebut sebagai variabel penjelasan.
4) Kejadian masalah heteroskedastisitas juga bisa disebabkan oleh penerapan
transformasi data yang kurang tepat, seperti transformasi rasional atau first
differencing, serta pemilihan bentuk fungsional model yang tidak sesuai,
seperti penggunaan model linear daripada log-linear model.
Mengetahui faktor-faktor penyebab heteroskedastisitas memiliki
keunggulan karena memungkinkan peneliti atau analis untuk mengidentifikasi
dan mengatasi potensi masalah tersebut sejak awal dalam proses analisis data.
Hal ini dapat meningkatkan validitas hasil regresi dan memberikan dasar untuk
pemilihan metode analisis yang lebih sesuai (Kumar Bhaumik, 2015).

D. DAMPAK ATAU KONSEKUENSI HETEROSKEDASTISITAS

Heteroskedastisitas adalah salah satu isu yang sering timbul dalam analisis
regresi linier. Ketika heteroskedastisitas hadir, asumsi klasik tentang kestabilan
varian kesalahan tidak terpenuhi, dan hal ini dapat mempengaruhi properti
estimasi dalam metode kuadrat terkecil. Menurut Gujarati (1999), dampak
heteroskedastisitas adalah sebagai berikut:
• Penduga metode kuadrat terkecil tetap tak bias dan konsisten, namun
efisiensinya mengalami penurunan (variansi tidak lagi minimal).
• Simpangan baku (standar error) dari estimasi menjadi bias, sehingga uji t
dan uji F kehilangan validitasnya. Pendapat serupa diungkapkan oleh
Thomas (1996), yang menyatakan bahwa heteroskedastisitas menyebabkan
penduga metode kuadrat terkecil kehilangan efisiensi, walaupun tetap linier,
tak bias, dan konsisten.
Heteroskedastisitas tidak mengganggu sifat ketidakbiasan dan
konsistensi dari penduga metode kuadrat terkecil. Namun, kondisi ini membuat
penduga kehilangan efisiensi, sehingga mempertanyakan nilai umum dari
prosedur pengujian hipotesis. Oleh karena itu, tindakan perbaikan menjadi
sangat penting (Sukoco, 2009).
 Adapun konsekuensi dari heteroskedastisitas, yaitu:
a) Varians hasil estimasi meningkat karena varians tidak konstan.
b) Besarnya varians estimasi memengaruhi uji hipotesis yakni uji t dan uji F,
dikarenakan keduanya bergantung pada varians estimasi. Dampaknya,
ketepatan kedua uji hipotesis tersebut berkurang.
c) Varians estimasi yang lebih besar juga mengakibatkan peningkatan standar
error, sehingga interval kepercayaan menjadi lebih lebar.
d) Konsekuensi dari efek-efek tersebut dapat mengarah pada kesimpulan yang
menyesatkan dari persamaan regresi yang dihasilkan (Sugiyono, 2014).
Dampak dari heteroskedastisitas memiliki signifikansi yang tinggi untuk
diperhatikan, hal ini karena antara lain sebagai berikut:
• Meskipun penaksiran OLS tetap tidak bias dan konsisten, efisiensinya
menurun baik dalam sampel kecil maupun sampel besar (secara asimtotik).
• Pada kondisi heteroskedastisitas, penggunaan penaksir OLS dapat
mengakibatkan varian dari parameter koefisien regresi diestimasi dengan
terlalu rendah atau terlalu tinggi.
Dalam konteks regresi, apabila semua asumsi klasik terpenuhi kecuali
heteroskedastisitas, penduga kuadrat terkecil masih tetap tak bias dan konsisten,
namun keefisiennya berkurang karena variansnya meningkat. Peningkatan
varians ini berdampak pada ketidakvalidan pengujian parameter regresi
menggunakan statistik uji t.

E. METODE UJI HETEROSKEDASTISITAS

Beberapa teknik ataupun metode pengujian yang bisa di meliputi Uji
Glesjer, Uji Park, uji koefisien korelasi Spearman dan uji Grafik Plot (Scatter
Plot).
I. Uji Park
Teknik Uji Park melibatkan regresi dari logaritma natural dari residual
kuadrat (Lne2) dengan variabel independen (X1 dan X2). Prinsip yang
diterapkan dalam uji Park sebenarnya serupa dengan metode grafik, namun
metode ini menggunakan regresi untuk mendeteksi keberadaan
 heteroskedastisitas. Adapun Kriteria pengujian uji Park yakni antara lain
sebagai berikut:
a) Apabila jumlah Signifikansi > 0,05 menunjukkan tidak adanya gejala
heteroskedastisitas.
b) Apabila jumlah Signifikansi < 0,05 menunjukkan adanya gejala
heteroskedastisitas.
Adapun tahap ataupun langkah uji Park dengan menggunakan aplikasi
SPSS antara lain:
• Menetapkan Transformasi Logaritma
Tahap ini melibatkan pengaturan transformasi logaritma pada variabel
independen dan dependen. Untuk variabel independen, dilakukan
logaritma natural, sedangkan variabel dependen diubah menjadi
logaritma natural dari kuadrat residual.
• Lakukan Regresi
Pada langkah ini, dilakukan analisis regresi dengan memasukkan
logaritma natural dari kuadrat residual sebagai variabel dependen dan
logaritma natural dari masing-masing variabel bebas sebagai variabel
independen. Dengan demikian, uji Park memanfaatkan bentuk regresi
ini untuk mendeteksi adanya heteroskedastisitas.
II. Uji Glejser

Dalam uji Glejser, dilakukan regresi variabel independen terhadap nilai

residual absolutnya (ABS_RES). Adapun dasar pengambilan keputusan
dengan uji Glejser yakni sebagai berikut:

1) Apabila jumlah Signifikansi > 0,05, menunjukkan tidak adanya gejala

heteroskedastisitas
2) Apabila jumlah Signifikansi < 0,05, menunjukkan adanya gejala
heteroskedastisitas
 Adapun beberapa langkah umum yang diambil dalam Uji Glejser adalah
sebagai berikut:
a) Menyusun Model Regresi: Pertama-tama, Anda perlu membangun
model regresi menggunakan data yang relevan.
b) Menghitung Residu: Hitung residu dari model regresi. Residu adalah
selisih antara nilai yang diobservasi dan nilai yang diprediksi oleh
model.
c) Menghubungkan Residu dengan Variabel Independen: Susun kembali
data dengan mengurutkan nilai-nilai variabel independen dan
kalkulasikan varians dari residu pada setiap kelompok.
d) Melakukan Uji Statistik: Terakhir, lakukan uji statistik untuk
menentukan apakah ada keterkaitan antara variabilitas residu dan nilai-
nilai variabel independen. Uji Glejser menggunakan uji F untuk
mengevaluasi apakah variabilitas residu secara signifikan berbeda antar
kelompok.
III. Grafik Plot (ScatterPlot)
Heteroskedastisitas dapat diidentifikasi melalui grafik plot, yang biasa
disebut scatterplot. Jika titik-titik pada scatterplot tersebar secara acak dan
tidak membentuk pola tertentu, varians kesalahan dianggap konstan, yang
menunjukkan ketiadaan heteroskedastisitas. Namun, jika titik-titik tersebut
membentuk pola yang tidak teratur atau variansnya berubah sepanjang garis
regresi, maka itu bisa menjadi indikasi adanya heteroskedastisitas. Adapun
dasar pengambilan keputusan dengan scatterplots dapat dijelaskan yakni
sebagai berikut:
1) Apabila pada gambar scatter plot terdapat pola khusus, seperti pola
yang teratur seperti gelombang, melebar, atau menyempit, dapat
disimpulkan bahwa ada indikasi terjadinya masalah Heteroskedastisitas.
2) Apabila dalam gambar scatter plot, titik-titiknya tersebar di atas dan di
bawah nol pada sumbu Y, dan tidak membentuk pola yang teratur,
seperti gelombang, melebar, atau menyempit, maka dapat ditarik
 kesimpulan bahwa tidak ada gejala heteroskedastisitas (varians
homogen/homoskedastisitas).
IV. Uji Koefisien Korelasi Spearman / Rank Spearman
Prinsip korelasi rank Spearman adalah mengaitkan variabel independen
dengan nilai residual yang tidak distandardisasi. Pengujian dilakukan pada
tingkat signifikansi 0,05 dan bersifat dua arah. Adapun dasar pengambilan
keputusan dengan uji Rank Spearman yakni sebagai berikut:
• Apabila jumlah Signifikansi > 0,05, menujukkan tidak adanya gejala
heteroskedastisitas dalam model regresi.
• Apabila jumlah Signifikansi < 0,05, menujukkan adanya gejala
heteroskedastisitas.

F. CONTOH KASUS
I. Uji Heteroskedastisitas dengan Metode Grafik
Pengujian menggunakan metode grafik (Scatterplott) dengan
aplikasi SPSS di sajikan data sebagai berikut: (Zahriyah et al., 2021)
Ket :
Y merupakan tingkat penjualan.
X1 merujuk pada biaya produksi.
X2 mengacu pada biaya distribusi.
X3 adalah biaya promosi
 Adapun Langkah/tahap pengujiannya antara lain sebagai berikut:

1. Input data kedalam SPSS

2. Selanjutnya, klik Analyze kemudian Regression lalu pilih Linier

3. Kemudian selanjutnya, input data Tingkat Penjualan ke dalam kolom

Dependent variable. Sementara itu, data (Biaya produksi, Distribusi dan
Promosi) input ke dalam kolom Independent Variable. Kemudian pilih
Plot.
4. Kemudian, input sresid ke colom Y, dan Zpred ke colom X, next pilih
continue, dan klik OK.

Berikut ini merupakan hasil Outputnya

Dari hasil output yang tertera, bisa ditarik kesimpulan bahwa

tidak ada indikasi heteroskedastisitas pada model tersebut, karena titik-
titik sampel tersebar secara merata dan tidak membentuk pola khusus.
II. Uji Heteroskedastisitas dengan Metode Glejser
Metode Glejser adalah salah satu metode untuk mengevaluasi
keberadaan heteroskedastisitas yakni dengan melakukan regresi variabel-
variabel bebas terhadap nilai residual absolutnya. Berikut adalah langkah-
langkahnya:
1. Masih memakai data yang sama dengan metode grafik
2. Pilih analyze kemudian klik regressions lalu klik linier ,

3. Selanjutnya, pilih save lalu klik unstadardized

4. Lupakan opsi yang lain, kemudian pilih continue dan klik OK

5. Selanjutnya, buka data view

6. Next, kita akan menentukan nilai mutlak residualnya dengan caranya:

a. Pilih Transform lalu klik compute variable

b. Kemudian, masukkan Target variable dengan nama ABRESID.

c. Input Numeric Expresion dengan ABS(RES_1) (bisa ditulis atau

melalui Function group: ABS)
d. Kemudian pilih Ok, lalu buka lagi data view

7. Lakukan regresi variabel bebas menggunakan residual mutlak dengan

metode:

a. Pertama pilih Analyze kemudian regressions lalu linier

b. input Abress ke dalam kolom dependent

8. Kemudian pilih OK
Sehingga, output yang diperoleh adalah sebagai berikut:
Ho: Tidak terdapat gejala Heteroskedastisitas
Ha : Terdapat gejala Heteroskedastisitas
Coefficientsa

Standardized
Unstandardized
Coefficients Coefficients t Sig.

Model B Std. Error Beta

-
1 (Constant) 15279848,428 15868466,395 -,963 ,356
Biaya
Produksi ,382 ,516 ,479 ,740 ,475
Biaya
Distribusi ,044 ,637 ,034 ,069 ,946
Biaya
Promosi ,182 ,525 ,193 ,346 ,736

• Dependent Variable: abress

Berdasarkan output di atas, terlihat bahwa semua variabel
independen memiliki nilai signifikansi (sig t) lebih besar (>) dari 0,05,
sehingga bisa ditarik kesimpulan bahwa model tersebut tidak
menunjukkan adanya heteroskedastisitas.
 BAB III
PENUTUP
A. KESIMPULAN
Uji heteroskedastisitas adalah suatu metode statistik yang digunakan
untuk mengevaluasi keberadaan ketidakseragaman atau variasi yang tidak
konsisten dalam varians residual dari suatu model regresi. Uji ini memiliki
peran penting dalam analisis regresi, bertujuan untuk menguji apakah varians
residual dari model regresi tetap konstan atau berubah secara signifikan. Varians
residual yang tidak stabil dapat menunjukkan ketidakseimbangan atau
variabilitas yang tidak konsisten dalam kesalahan prediksi model. Adapun
beberapa teknik ataupun metode pengujian yang bisa di meliputi Uji Glesjer,
Uji Park, uji koefisien korelasi Spearman dan uji Grafik Plot (Scatter Plot)

B. SARAN
Makalah ini disusun dengan harapan agar memberikan manfaat kepada
pembaca. Kami terbuka untuk menerima saran dan kritik dari pembaca. Jika
terdapat kesalahan, kami mohon maaf dan pengertian, karena kami sebagai
manusia yang tidak luput dari kesalahan dan lupa, dan selalu bersedia untuk
memperbaiki diri.
 DAFTAR PUSTAKA

Effendi, R., Maiyastri, & Diana, R. (2019). Perbandingan Metode Regresi Kuantil
dan Metode Bayes dalam Mengestimasi Parameter Model Regresi Linier
Sederhana dengan Galat Heteroskedastisitas. Jurnal Matematika UNAND,
8(2303-291X), 291–298.

Ghozali, I. (2016). Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23

(8th ed.). Badan Penerbit Universitas Diponegoro.

Juliandi, A., Irfan, & Manurung, S. (2014). Metodologi Penelitian Bisnis: Konsep
dan Aplikasi. UMSU Press.

Kumar Bhaumik, S. (2015). Principles of Econometrics: A Modern Approach Using

Eviews (illustrated). Oxford University Press.

Sugiyono. (2014). Metode Penelitian Pendidikan Pendekatan Kuantitatif,

Kualitatif dan R&D. Alfabeta.

Zahriyah, A., Suprianik, Parmono, A., & Mustofa. (2021). Ekonometrika Tekhnik
dan aplikasi dengan SPSS (S. Widagdo, Ed.; pp. 1–132). Mandala Press.