KELOMPOK 3:
RISKA
(H12113003)
HARTINA HUSAIN
(H12113005)
NIRMALASARI
(H12113010)
NURWASARI
(H12113020)
RAEHANA
(H12113003)
SARNIAH
(H12113031)
(H12113034)
GEYSA FANDRILLA
(H12113320)
(H12113501)
dengan
yi : peubah respon ke-i
f(.) : fungsi nonlinear
xi : peubah penjelas respon ke-i
: parameter
: galat ke-i
2 .
(Constant
Elasticity
of
Subtitutions).
Elastisitas
mensubtitusikan
satu
input
dengan
input
lainnya
untuk
Heteroskedastisitas
A. Pengertian
Pengertian heteroskedastisitas adalah apabila kesalahan atau residual yang
diamati tidak memiliki varian yang konstan. Residual adalah faktor-faktor lain yang
terlibat akan tetapi tidak termuat dalam model. karena residual ini merupakan
variabel yang tidak diketahui, maka diasumsikan bahwa nilai residual bersifat acak.
Pada analisis regresi, heteroskedastisitas berarti situasi dimana keragaman
variabel independen bervariasi pada data yang kita miliki. Salah satu asumsi kunci
pada metode regresi biasa adalah bahwa error memiliki keragaman yang sama pada
tiap-tiap sampelnya. Asumsi inilah yang disebut homoskedastisitas. Jika keragaman
residual/error tidak bersifat konstan, data dapat dikatakan bersifat heteroskedastisitas.
Karena pada metode regresi ordinary least-squares (OLS) mengasumsikan
keragaman error yang konstan, heteroskedastisitas menyebabkan estimasi OLS
menjadi tidak efisien. Model yang memperhitungkan perubahan keragaman dapat
membuat penggunaan dan estimasi data menjadi lebih efisien.
Beberapa asumsi dalam model regresi yang terkait dengan heteroskedastisitas
antara lain adalah residual (e) memiliki nilai rata-rata nol, keragaman yang konstan,
dan residual pada model tidak saling berhubungan, sehingga estimator bersifat
BLUE. Jika asumsi ini dilanggar maka prediksi model yang dibuat tidak dapat
diandalkan.
Faktor penyebab heteroskedastisitas adalah sebagai berikut.
1. Error Learning Model
Sebagaimana adanya proses perbaikan yang dilakukan unit-unit ekonomi,
maka perilaku kesalahan menjadi lebih kecil dengan bertambahnya waktu. Dalam hal
ini diharapkan 2 menurun.
2. Perbaikan Dalam Pengumpulan Data
Dengan meningkatnya mutu tekhnik pengumpulan data, maka 2 diharapkan
menurun. Jadi sebuah bank yang mempunyai peralatan pemrosesan data yang canggih
cenderung melakukan kesalahan yang lebih sedikit pada laporan bulanan atau
kuartalan dibandingkan bank tanpa fasilitas tersebut.
3. Kesalahan spesifikasi model
Salah satu asumsi dalam analisis regresi adalah model dispesifikasi secara
benar. Jika satu variabel yang semestinya harus dimasukkan, tetapi karena suatu hal
variabel tersebut tidak dimasukkan, hal itu akan menyebabkan residual dari regresi
akan memberikan hasil yang berbeda dengan benar dan varians dari kesalahan tidak
konstan.
Transformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan
kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan
homoskedastisitas terpenuhi.
2. Transformasi Dengan Membagi Persamaan Dengan Variabel Bebas
Jika model regresi yang telah diuji terdapat heteroskedastisitas maka salah satu
penanggulangannya dapat dilakukan dengan membagi persamaan regresi tersebut
dengan variabel bebas (independen) yang mengandung heteroskedastisitas.
2. Heteroskedasitas
3. Metode Numerik Marquardt Levenberg
4. Aplikasi model non linear heteroskedasitas menggunakan
Marquardt Levenberg
EDITOR PROGRAM MATLAB UNTUK NON LINEAR LEAST
SQUARE-FUNGSI PRODUKSI CES DENGAN MARQUARDTLEVENBERG ITERATIONS
% Nonlinear Least Square
% CES Production Function
% Marquardt-levenberg Iterations
% Memerlukan file: f1, numgradf1, numgradS1 dan L1
% Program ini akan menaksir parameter b1, b2, b3 dan b4 yang
ada pada CES
Production Function
% Q = b1.(b2.L^b3 + (1-b2).K^b3)^(b4/b3)
clear;
LKy=[5.4293 6.6871 8.1879
5.5530 5.5175 7.4104
6.7105 6.6477 8.9496
6.6425 6.2364 8.3695
6.2046 6.6307 8.5519
6.1883 6.0521 8.3299
6.5191 6.1137 8.4877
6.6174
6.5889
6.5439
6.1269
6.8886
6.6931
6.0615
5.4424
6.4983
6.4473
4.0775
6.6983
6.6307
3.9120
6.7130
6.1800
6.5250
4.7536
6.0868
6.1225
5.8348
5.8805
5.0876
6.7056
6.7393
6.8648
4.4308
3.0445
5.6870
5.6240
6.3026
4.8598
2.8332
6.8090
5.4072
4.9767
5.0814
1.7918
6.7286
6.2558
6.8352
6.2046
5.2204
4.5218
6.1841
6.8395
9.1260
8.7961
8.7941
6.8657
5.7132
8.1641
7.9482
8.1264
7.2432
5.2521
7.7220
8.0002
7.3157
5.9833
4.4132
8.7229
8.6233
7.8589
8.0981
7.5533
6.8249
8.2967
8.1922];
L = LKy(:,1) ;
K = LKy(:,2) ;
Q = LKy(:,3) ;
y =
x =
T =
tic
Q;
[L K] ;
length(x);
;
rep
b =
k =
e =
f =
S =
= 2000 ;
[1.0; 0.5; 0.5; 0.5] ; % initial values of b
length(b) ;
eye(k) ;
f1(b,x) ;
(y-f)'*(y-f) ;
j1 = 0 ;
j2 = 0 ;
tn = 1 ;
lamda = 10;
for i = 1:rep ;
z = numgradf1(b,x);
zS = numgradS1(b,x,y) ;
step = -0.5*inv(z'*z + lamda*eye(k))*zS ;
bnext = b + step ;
fnext = f1(bnext,x) ;
Snext = (y-fnext)'*(y-fnext) ;
while
step
bnext
fnext
Snext
j1
w1
end;
while
step
bnext
fnext
Snext
j2
w2
end;
..
%File f1.m
function f = f1(b,x)
% f1 CES production function
% f = f1(b,x)
L = x(:,1) ;
K = x(:,2) ;
b1
b2
b3
b4
=
=
=
=
b(1,:);
b(2,:);
b(3,:);
b(4,:);
f = b1*(b2*L.^b3 + (1-b2)*K.^b3).^(b4/b3);
..
%File L1.m
function LL = L1(b,x,y)
T = length(x);
f = f1(b,x);
s2 = ((y-f)'*(y-f))/T;
LL = -0.5*(log (2*pi*s2) + (y-f)'*(y-f)/s2);
..
%File Numgradf1.m
function z = numgradf1(b,x)
% Numerical z (numerical gradient of
k = length(b);
d = 1e-7;
e = eye(k);
for j=1:k ;
bplus = b + d*e(:,j);
fplus = feval('f1',bplus,x) ;
bmin = b - d*e(:,j) ;
fmin = feval('f1',bmin,x) ;
z(:,j)= (fplus - fmin)/(2*d);
end;
..
%File Numgrads1.m
function z = numgradS1(b,x,y)
% Numerical z (numerical gradient of L)
% Output berupa vector dengan dimensi Kx1
k = length(b);
d = 1e-6;
e = eye(k);
for j=1:k;% Numerical gradients
bplus = b + d*e(:,j) ;
fplus = feval('f1',bplus,x) ;
Splus = (y-fplus)'*(y-fplus);
bmin = b - d*e(:,j) ;
fmin = feval('f1',bmin,x) ;
Smin = (y-fmin)'*(y-fmin);
z(j,:) = (Splus - Smin)/(2*d);
end;
..
0.8
0.8
0.9], tn =1
0.3894
0.3100
0.9869
0.5073
0.7
0.7
0.8], tn =1
0.3894
0.3100
0.9869
0.5073
ans =
35.7580 41.3628
Langkah 3, b = [ 1
0.6
0.6
0.8], tn =1
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.7], tn =1
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.6], tn =1
0.3894
0.3100
0.9869
0.5073
35.7580 41.3628
Langkah 6, b = [ 1
0.8
0.8
0.9], tn =3
0.3894
0.3100
0.9869
0.5073
0.7
0.7
0.8], tn =3
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.7], tn =3
0.3894
0.3100
0.9869
0.5073
Langkah 9, b = [ 1
0.5
0.6
0.6], tn =3
0.3894
0.3100
0.9869
0.5073
0.8
0.8
0.9], tn =5
0.3894
0.3100
0.9869
0.5073
0.7
0.7
0.8], tn =5
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.7], tn =5
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.6], tn =5
0.3894
0.3100
0.9869
0.5073