PENYIMPANG

AN ASUMSI
KLASIK
Metode Kuantitatif

Syarat OLS

Data berdistribusi normal

Cov (Ui, Uj) = 0 tidak terjadi
autokorelasi
Varians (ui)2 = 2 konstan
Terjadi homoskedastisitas
Tidak terjadi multikolinearitas

Macam Penyimpangan

Multikolinearitas
Heteroskedastisitas
Autokorelasi

Multikolinearitas

Multikolinieritas terjadi bila paling tidak salah satu

variabel bebas berkorelasi dengan variabel bebas
lainnya.
Apa akibatnya?
Jika terdapat Multikolinieritas sempurna,
parameter tidak dapat diduga dgn metode OLS.
Nilai varians besar standar error besar
selang kepercayaan lebar.
Uji-t tidak signifikan.
Tanda (sign) parameter bisa berlawanan.
R2 tinggi, tp banyak variabel yang tidak signifikan.

Multikolinearitas

Bagaimana cara mendeteksinya?

Regresikan setiap variabel bebas Xi dgn
variabel bebas lainnya yg ada dalam
persamaan. Jika uji F menunjukkan hasil
yang
signifikan
berarti
terdapat
kolinearitas antara variabel Xi dengan
variabel bebas lainnya.
Dilihat nilai VIF (Variance Inflation Factor).
Selama VIF bernilai > 10, maka terdapat
multikolinearitas.

Multikolinearitas

Bagaimana cara mengatasinya?

Mengeluarkan variabel yang mengandung
multikolinearitas respesifikasi model.
Menambah
jumlah
responden
pengamatan.
Menambah variabel dalam pengamatan.

Heteroskedastisitas

Heteroskedastisitas terjadi bila varians i tidak konstan,

tapi berubah-ubah pada setiap pengamatan i. Biasanya
terjadi pada data cross section.
Untuk model
Yi = 0 + 1 X1i + i

Var(i ) bisa kemungkinan semakin besar atau semakin

kecil dengan semakin besarnya nilai X1i. Var(i ) = i2

Misal:
(1) Model Konsumsi = o + 1 Pendapatan +
(2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman +

Pada model (1), Var(i ) cenderung lebih besar dengan

semakin besarnya pendapatan.
C

C = o + 1 Y

Pada model (2) Var(i ) cenderung lebih kecil dengan

semakin lama pegalaman dalam mengetik.
K

K = o - 1 P
P

Akibat Heteroskedastisitas ?

Karena Var(i ) tdk konstan, tapi ditentukan oleh X 1i ,

maka:
xi2 i2.
Var(b1) =.
( xi2)2.

Besarnya Var(b1) menyebabkan nilai SE(b1) juga akan

besar, sehingga interval kepercayaan menjadi lebih
besar dan pada uji-t variabel menjadi tidak signifikan.

Kesimpulan yang diambil dapat menyesatkan.

Hasil pendugaan tetap tak bias dan konsisten,

akan tetapi varians dr parameter dugaan tdk bisa
minimum shg dikatakan tidak efisien
tidak memenuhi syarat BLUE

Cara mendeteksi adanya

heteroskedastisitas

Metode Grafik
Buat diagram plot antara ui2
dan . Heteroskedastisitas akan terdeteksi apabila sebaran plot
menunjukkan pola yang sistematis.
Uji Park
Meregresikan ui2 dengan X1i dalam bentuk persamaan
log linear.
ln ui2 = o + 1 ln X1i + i

ui adalah error term pd regresi Yi = 0 + 1 X1i + i

Metode Goldfeld-Quant
Prinsipnya adalah membagi dua data X 1i bdsrkan
urutan terkcil terbesar dan meregresikan masing2
untuk memperoleh nilai RSS.

Autokorelasi

Terdapat korelasi antar variabel

pengganggu .
Biasanya terjadi pada data time series.
Adanya autokorelasi dapat dilihat pada
uji Durbin-Watson.
Kritik pengujian: du < d < 4-du.

Autokorelasi

Bagaimana cara mengatasinya?

Biasanya terjadi karena kesalahan
spesifikasi model ada beberapa
variabel yang tidak dimasukkan dalam
model.
Melakukan transformasi model, linier
logaritmik.