Anda di halaman 1dari 12

BAB 1 Pendahuluan

1.1 Latar belakang Dalam suatu penelitian,untuk menguji hubungan antara suatu variable, dapat digunakan analisis regresi, berupa analisis korelasi. Untuk menguji korelasi antara beberapa peubah diperlukan suatu asumsi yang melandasi analisis tersebut. Sebagai contoh seorang peneliti akan menguji hubungan antara bauran promosi pada beberapa metode promosi, dengan hasil penjualan produk. Untuk mengetahui hubungan antara variable tersebut, dapat diuji dengan analisis korelasi, namun pengujian harus memenuhi beberapa asumsi Salah satu dari asumsi tersebut adalah tidak memilliki heteroskedastisitas. Heteroskedastisitas berarti bahwa variasi residual tidak sama untuk semua pengamatan. Untuk itu, variansi residual harus bersifat homogen antau homoskedastisitas. Sehingga pendugaan model akan lebih akurat atau tidak bias Oleh Karena itu disusun makalah ini untuk mengetahui heteroskedastisitas serta cara untuk mengatasi heteroskedastisitas.

1.2 Tujuan tujuan disusunnya makalah ini : a. Untuk mengetahui apa yang dimaksud dengan heteroskedastisitas b. Alasan heteroskedastisitas menjadi masalah dalam penyelesaian regresi berganda. c. Untuk mendeteksi adanya heteroskedastisitas d. Untuk mengatasi heteroskedastisitas

Heteroskedastisitas
Salah satu asumsi regresi linier yang harus dipenuhi adalah homogenitas ragam dari error (homoskedastisitas; homoscedasticity). Homoskedastisitas berarti bahwa ragam dari error bersifat konstan. Homoskedastisitas, scedasticity ( penyebaran ) dan homos ( sama ) yaitu
ragam yang sama. Artinya, variabel pengganggu memiliki ragam yang sama. i = 1, 2, ..., N Secara grafik, dalam regresi dua variabel, kasus homoskedastisitas ditunjukkan oleh gambar 1. 1

Gambar 1.1 Sedangkan kasus heteroskedastisitas, secara grafik dapat dijelaskan oleh gambar 1.2.

Gambar 1.2

Gambar tersebut menunjukkan bahwa ragam Yi tidak sama, dengan kata lain terdapat sifat heteroskedastisitas.

Misalnya, dengan meningkatnya pendapatan, seseorang mampunyai lebih banyak pendapatan yang digunakan sesuai dengan keinginannya. Oleh karena itu lebih banyak pula alokasi dana untuk tabungannya. Jadi akan meningkat seiring dengan peningkatan pendapatan,

karena orang yang mempunyai pendapatan lebih besar memiliki banyak pilihan untuk alokasi pendapatannya, terutama untuk tabungan.

Mengikuti error-learning models, karena manusia terus belajar, kesalahan perilaku menjadi semakin lama semakin kecil. Dalam kasus ini, diharapkan untuk menurun. Seperti yang

terlihat dalam gambar 1.3, menghubungkan antara kesalahan mengetik yang dibuat dalam periode tertentu dengan lamanya jam praktik mengetik. Seperti yang ditunjukkan dalam grafik, dengan meningkatnya jumlah jam praktik mengetik, rata-rata banyaknya kesalahan pengetikan maupun ragamnya akan berkurang.

Gambar 1.3

Masalah heteroskedastisitas akan lebih sering muncul pada data cross-sectional daripada time series. Heteroskedastisitas terjadi apabila varians dari setiap kesalahan pengganggu tidak bersifat konstan. Dampak yang akan ditimbulkan adalah asumsi yang terjadi masih tetap tidak berbias, tetapi tidak lagi efisien. Halbert White mengatakan bahwa uji 2 merupakan uji umum ada tidaknya kesalahan spesifikasi model karena hipotesis nol yang melandasi adalah asumsi bahwa: (1) (2) residual adalah homoskedastisitas dan merupakan variabel independen, spesifikasi linear atas model sudah benar.

Dengan hipotesis nol tidak ada heteroskedastisitas, jumlah observasi (n) dikalikan R2 yang diperoleh dari regresi auxiliary secara simtotis akan mengikuti distribusi Chi Square dengan derajat kebebasan sama dengan jumlah variabel independen (tidak termasuk konstanta). Bila salah satu atau kedua asumsi ini tidak dipenuhi akan mengakibatkan nilai statistik t yang signifikan. Namun sebaliknya, jika nilai statistik t

tidak signifikan, berarti kedua asumsi di atas dipenuhi, artinya model yang digunakan lolos dari masalah heteroskedastisitas. Manurung et al. (2005) menjelaskan bahwa ada dua cara untuk mendeteksi keberadaan heteroskedastisitas, yaitu : (1) metode informal . Metode informal biasanya dilakukan dengan melihat grafik plot dari nilai prediksi variabel independen (ZPRED) dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi heteroskedastisitas jika tidak terdapat pola yang jelas dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y. (2) Metode formal. Metode formal untuk mendeksi keberadaan

heteroskedastisitas antara lain dengan Park Test, Glejser Test, Spearmans Rank Correlation Test, Golfeld-Quandt Test, Breusch-Pagan-Godfrey Test, Whites General Heteroscedasticity Test, dan Koenker-Basset Test.

PENDETEKSIAN HETEROSKEDASTISITAS

1.

Park Test

Uji Park merupakan pengembangan dari metode grafik yang konvensional. Uji ini paling sering digunakan untuk mendeteksi sifat heteroskedstisitas. Bentuk fungsi yang disarankan adalah : atau Dimana vi adalah unsur gangguan (disturbance) yang stokastik. Karena biasanya tidak diketahui, Park menyarankan untuk menggunakan

sebagai pendekatan dan melakukan regresi sebagai berikut : =

Jika

ternyata signifikan secara statistik, dapat dipastikan bahwa data terdapat

sifat heteroskedastisitas. Apabila ternyata tidak signifikan, kita bisa menerima asumsi homoskedastisitas.

2.

Glejser Test

Seperti halnya dengan uji Park, uji Glejser sering digunakan untuk mendeteksi sifat heteroskedastisitas. Setelah mendapatkan residual ei dari regresi OLS, Glejser meregresikan nilai absolut dari ei terhadap variabel X yang diperkirakan memiliki hubungan yang erat dengan . Dalam percobaannya, Glejser menggunakan beberapa

bentuk fungsional sebagai berikut : , ,

, , di mana vi adalah unsur kesalahan.

Kesulitan dari metode Glejser adalah bahwa model dan adalah nonlinier terhadap parameter. Oleh karena itu pendugaan parameter tidak bisa menggunakan OLS seperti biasa. Spearmans Rank Correlation

3.

Sesuai dengan namanya, metode ini menggunakan korelasi peringkat X dan |ei|. Koefisien korelasi Spearman dirumuskan :

di mana di = selisih dari Xi dengan |ei| dan N = banyaknya individu. Tahapan untuk mendeteksi heteroskedastisitas dengan metode ini adalah sebagai berikut : Langkah I Meregresikan X dengan Y dan didapatkan residual ei.

Langkah II Meranking atau memberikan peringkat pada Xi dan |ei| sesuai dengan urutan yang meningkat ataupun menurun dan menghitun koefisien korelasi Spearman seperti rumus di atas. Langkah III Dengan asumsi bahwa = 0, tingkat signifikan koefisien korelasi rs

yang didapatkan dengan rumus di atas diuji dengan statistik uji t sebagai berikut :

Jika nilai t yang dihitung melebihi nilai t kritis, kita bisa menerima hipotesis adanya sifat heteroskedastisitas, atau dengan kata lain asumsi homoskedastisitas tidak

Nachrowi dan Usman (2006) menjelaskan bahwa data cross section sering memunculkan varians error yang heteroskedastis, akan tetapi, bukan berarti data time series terhindar dari permasalahan ini. Indeks harga saham, inflasi, nilai tukar, atau suku bunga, seringkali mempunyai varians error yang tidak konstan. Sekalipun keberadaan heteroskedastisitas masih memberikan pendugaan yang tidak bias dan konsisten, pendugaan tersebut sudah tidak efisien, yaitu varians dari estimator tidak minimum. Akibatnya pada uji t, interval kepercayaan, dan berbagai ukuran lainnya, menjadi tidak tepat. Model yang dikenal sebagai AutoRegressive Conditional Heteroscedasticity (ARCH) dan Generalized AutoRegressive Conditional Heteroscedasticity (GARCH) justru memanfaatkan heteroskedastisitas untuk membuat model.

Salah satu statistik uji yang dapat digunakan untuk menguji apakah ragam dari error bersifat homoskedastik atau tidak adalah Breusch-Pagan Test. Menurut Kutner, dkk (2004), uji ini mengasumsikan bahwa komponen error adalah independen dan tersebar normal. Selain itu, ragam dari error berhubungan dengan level dari variabel bebas X yang dirumuskan sebagai berikut: ln sigma_sq = b0 + b1X1 + b2X2 + Untuk menghitung Breusch-Pagan Test, langkah yang harus dilakukan adalah melakukan regresi e_sq (sbg var terikat Y) terhadap variabel X (sebagai variabel independen, bebas). Kemudian mengambil nilai Jumlah Kuadrat Regresi (JKR) serta Jumlah Kuadrat Galatnya (JKG) untuk dimasukkan ke dalam rumus:

BP = (0.5*SSR) / ((JKG/n)^2) BP mengikuti sebaran chi-square, dengan derajat bebas db = banyaknya var bebas yang diikutsertakan (tidak termasuk intersep). Keterangan: BP ln sigma_sq e_sq = error kuadrat. = nilai statistik uji Breusch-Pagan Test = logaritma natural = nilai ragam error

Pada proses perhitungan, e_sq adalah nilai residual kuadrat dari model regresi Y = b0 + b1X1 + b2X2 +

Konsekuensi Heteroskedastisitas
Jika semua asumsi model regresi dipenuhi, penduga OLS bersifat BLUE ( Best Linear Unbiassed Estimator ) atau dengan kata lain, penduga yang didapatkan efisien. Sekarang, jika semua asumsi telah terpenuhi kecuali asumsi homoskedastisitas, penduga OLS tetap bersifat tak bias dan konsisten tetapi tidak lagi efisien baik dalam sampel kecil maupun besar. Karena ragamnya tidak lagi minimum, bahkan jika sampelnya meningkat secara tak terbatas. Jika model regresi dua variabel ditelaah kembali :

Dengan memisalkan

tetapi mempertahankan asumsi OLS lainnya, dapat

ditunjukkan bahwa metode kuadrat terkecil terboboti (Weighted Least Squares) memberikan BLUE dari , misalkan, dijabarkan sebagai berikut :

(1.11)

dan ragamnya diberikan oleh :

(1.12)

di mana (1.13)

Penduga

dikenal sebagai penduga kuadrat terkecil terboboti. adalah :

Sedangkan penduga OLS biasa

(1.14)

Dan heteroskedastisitas ragamnya dapat ditunjukkan sebagai berikut :

(1.15)

Sebenarnya, sifat ketidakbiasan tidak memerlukan pemenuhan asumsi bahwa ragam galat bersifat homoskedastisitas. Meskipun ragam galat bersifat heterokedastisitas, penduga OLS masih bersifat tak bias. Tetapi ragam ragam . Meskipun
1

yang ditunjukkan oleh persamaan di atas tidak sama dengan


1.

tidak bias, tetapi tidak efisien karena ragamnya lebih besar daripada

Dalam praktiknya, mungkin terjadi bahwa kita tidak tahu apakah dalam suatu dituasi tertentu terjadi heteroskedastisitas atau tidak. Oleh karena itu, kita mungkin salah menggunakan formula OLS biasa yang diperoleh dengan asumsi homoskedastisitas , meskipun situasi yang sebenarnya adalah heteroskedastisitas. Seperti sebelumnya, penduga OLS dari persamaan 4, dan karena asumsi homoskedastisitas maka ragam penduga
1 dapat 1

seperti pada

dituliskan :

(1.16)

Jika terdapat heteroskedastisitas, kita seharusnya menggunakan persamaan (1.15). Untuk melihat konsekuensinya jika kita menggunakan persamaan (1.16) dan bukan persamaan(1.15), kita misalakan bahwa : (1.17)

Di mana ki adalah pembobot konstan nonstokastik. Persamaan 1.17 tersebut menyatakan ragam heteroskedastisitas proporsional terhadap ki, merupakan faktor proporsionalitasnya.

Dengan mensubtitusikan persamaan 1.17 ke dalam persamaan 1.15, diperoleh:

. (1.18)

Dimana varian

adalah ragam

dengan asumsi homoskedastisitas yang diberikan heteroskedastisitas akan lebih besar daripada

oleh persamaan 1.16. Jelas bahwa ragam

1 dengan

ragam dengan homoskedatisitas. Jadi dalam situasi seperti ini, formula OLS yang biasa pada persamaan 1.16 akan menduga terlalu rendah (underesimate) ragam yang sebenarnya dari
1

yang diberikan oleh persamaan 1.15. Akibatnya, kita akan menduga terlalu rendah standard error sebenarnya dari
1.

Dan kita akan menduga terlalu tinggi (overestimate) nilai t yang


1

berhubungan dengan

yang diduga sehingga akan mempengaruhi pengambilan keputusan

terima/tolak H0 karena kesalahan tersebut.

BAB III SOAL DAN PEMBAHASAN

Sebuah perusahaan ingin mengetahui efektifitas iklan dalam mempengaruhi hasil penjualan produknya. Setelah dilakukan pengambilan data hasil penjualan serta banyaknya intensitas promosi. Berikut data yang di dapat : y 42 x1 27 x2 89 37 37 28 27 25 24 88 90 87 18 18 19 22 23 24 87 87 93 20 15 14 14 13 11 12 8 7 8 8 9 15 15 24 23 18 18 17 18 19 18 18 19 19 20 20 20 93 87 80 89 88 82 93 89 86 72 79 80 82 91

Y : hasil penjualan produk (unit) X1: intensitas iklan media televisi X2: intensitas iklan media pamphlet Ujilah data tersebut, apakah sisaan memiliki ragam sama (homoskedastisitas), dengan : 0,05

Jawab: Dengan uji glejser: meregresikan antara || vs X1, X2


Regression Analysis: RES1 mutlak versus x1, x2
The regression equation is RES1 mutlak = - 6.06 + 0.363 x1 + 0.028 x2 Predictor Constant x1 x2 S = 2.43629 Coef -6.064 0.3631 0.0281 SE Coef 8.791 0.1873 0.1105 T -0.69 1.94 0.25 P 0.499 0.068 0.802

R-Sq = 21.6%

R-Sq(adj) = 12.9%

Analysis of Variance Source Regression Residual Error Total DF 2 18 20 SS 29.490 106.839 136.329 MS 14.745 5.935 F 2.48 P 0.112

dari table analisis ragam di atas nilai p value(regression)0.112 > (0.05) maka sisaan mempunyai ragam sama atau koefisien regresi tidak signifikan.

KESIMPULAN
Berdasarkan uraian di atas,dapat disimpulkan bahwa konsep heteroskedastisitas harus dihindarkan dari data, agar hubungan linier yang telah dibentuk dari persamaan regresi yang ada, dapat memprediksi dengan tepat untuk amatan lain. Dengan adanya heteroskedastisitas pendugaan untuk regresi linier akan lebih bias, sehingga regresi tidak mewakili hasil/data di lapangan. Semakin tidak homogen residual dari amatan, maka makin bias pula persamaan regresinya, sehingga akan semakin sulit memprediksi berdasarkan persamaan regresi yang telah terbentuk. Untuk mendeteksi adanya heteroskedastisitas, dapat dilakukan dengan langkah berikut:

1. metode informal . Metode informal biasanya dilakukan dengan melihat grafik plot dari nilai prediksi variabel independen (ZPRED) dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi

heteroskedastisitas jika tidak terdapat pola yang jelas dan titiktitik menyebar di atas dan di bawah angka nol pada sumbu Y. 2. Metode formal. Metode formal untuk mendeksi keberadaan heteroskedastisitas antara lain dengan Park Test, Glejser Test, Spearmans Rank Correlation Test, Golfeld-Quandt Test, Breusch-Pagan-Godfrey Test, Whites General Heteroscedasticity Test, dan KoenkerBasset Test. Sedangkan untuk menyelesaikan heteroskedastisitas,dapat digunakan cara : 1. Jika 2 diketahui maka digunakan MKTT (metode kuadrat terkecil terbebani) atau WLS (weighted least square) 2. Jika 2 tidak diketahui maka dilakukan transformasi data. Transformasi dapat berupa transformasi logaritma dan tarnsformasi standardize.

Daftar Pustaka: Hothorn, T., A. Zeileis, G. Millo dan D. Mitchell. 2007. Breusch-Pagan Test help page. R. Software. Kutner, M.H., C.J. Nachtsheim dan J. Neter. 2004. Applied Linear Regression Models. Fourth Ed. The McGraw-Hill Company, Inc. New York

Draper Norman, Smith Harry.1992. Analisis Regresi Terapan ed. 2.PT Gramedia Pustaka Utama, Jakarta

Gujarati, Damodar. 1978. Basic Econometrics. McGraw-Hill corp. New York


Sanford weisberg, 1985, applied linear regression, 2nd ed, john willey & sons. Canada