HETEROSKEDASTISITAS

1. Sifat Dasar Heteroskedastisitas

Salah satu asumsi yang harus dipenuhi dalam model regresi linier klasik adalah
variansi dari error adalah konstan untuk setiap pengamatan, Var(i) = 2

(konstan)/homoskedastik. Namun apabila Var(i) = i (tidak konstan) dikatakan terjadi

2

heteroskedastisitas.
Ada beberapa alasan kenapa Var(i) = i (tidak konstan) antara lain:
2

a. Mengikuti error-learning models

b. Dengan meningkatnya pendapatan maka meningkat pula keinginan untuk membagi
pendapatan tersebut (misalnya tabungan meningkat)
c. Dengan meningkatnya teknik pengumpulan data, i akan menurun.
2

2. Apa konsekuensinya?
Jika semua asumsi model regresi klasik dipenuhi, maka penaksir OLS adalah BLUE,
yaitu semua penaksir tak bias linier dan mempunyai variansi minimum. Tetapi jika
semua asumsi dipenuhi kecuali homoskedastisitas, penaksir tersebut tak bias dan
konsisten tetapi variansinya tidak minimum.

Pandang suatu model

Yi = 0 + 1Xi + i
Misalkan E( i ) = i tetapi mempertahankan semua asumsi OLS lainnya, dapat
2 2

ditunjukkan bahwa metode kuadrat terkecil tertimbang memberikan BLUE untuk 1,

misalkan 1* diberikan oleh

n n n n
( wi )( wi xi yi ) ( wi xi )( w i yi )
1* i 1
n
i 1
n
i 1
n
i 1

( wi )( wi xi2 ) ( wi xi ) 2
i 1 i 1 i 1

Dan variansinya diberikan oleh

n

w i
Var ( )
*
1 n n
i 1
n dengan wi = 1/ i .
2

( wi )( wi xi2 ) ( wi xi ) 2
i 1 i 1 i 1

Penaksir 1* disebut penaksir kuadrat terkecil tertimbang.

Sebaliknya, penaksir OLS biasa dari 1 adalah
 n

y x i i
1 i 1
n

x
i 1
2
i

Dan dengan heteroskedastisitas variansinya dapat ditunjukkan sebagai

n

x 2
i i
2

Var ( 1 ) i 1
n
( xi2 ) 2
i 1

Var ( 1 ) ternyata lebih besar dari Var ( 1* ) .

3. Bagaimana maendeteksinya?
Ada beberapa metode formal maupun informal untuk mendeteksi heteroskedastisitas
a. Sifat dasar masalah. Seringkali sifat dasar masalah yang sedang dipelajari
menyarankan apakah heteroskedastisitas nampaknya dijumpai. Pada data cross-
section yang meliputi unit yang heterogen, heteroskedastisitas mungkin merupakan
kelaziman.

b. Metode Grafik

Gambar 1 : Pola plot residual

Gambar 1.a) menunjukkan model regresi linier merupakan model yang sesuai dan
variansinya homogen / konstan , sedangkan gambar yang lain menunjukkan
variansi tak homogen. Contoh pada gambar 1.c menunjukkan plot residual
 memperlihatkan keadaan variansi sesatan bertambah besar dengan bertambah

besarnya nilai yi .

c. Pengujian Park
Park memformalkan metode grafik dengan menyarankan bahwa i adalah suatu
2

fungsi dari Xi. Bentuk fungsi yang disarankan adalah i

2

i2 2 X i evi
ln i2 ln 2 ln( X i ) vi
Karena i tidak diketahui, Park menyarankan untuk menggunakan ei sebagai
2 2

pendekatan untuk melakukan regresi berikut

ln ei2 ln 2 ln( X i ) vi
Jika signifikan secara statistik maka data tersebut terdapat heteroskedastisitas.

Contoh:
Untuk menggambarkan pendekatan Park, digunakan data yang diberikan pada
Tabel 10.1 untuk melakukan regresi
Yi 0 1 X i ui
dengan Y = rata-rata kompensasi, X = rata-rata produksi.
Hasil dari regresi adalah sbb:

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 619152.501 1 619152.501 5.444 .052a
Residual 796051.499 7 113721.643
Total 1415204.000 8

a. Predictors: (Constant), produk rata-rata

b. Dependent Variable: kompensasi

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1992.345 936.479 2.127 .071
Produk_rata .233 .100 .661 2.333 .052
a. Dependent Variable: kompensasi

Pengujian adanya heteroskedastisitas dengan Uji Park

 ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression .980 1 .980 .456 .521a
Residual 15.030 7 2.147
Total 16.010 8

a. Predictors: (Constant), ln(y)

b. Dependent Variable: ln(e2)

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 54.852 66.047 .830 .434
ln(y) -5.355 7.927 -.247 -.676 .521
a. Dependent Variable: ln(e2)

Berdasarkan hasil regresi antara ln(y) terhadap ln(e2) ternyata tidak signifikan secara
statistik, sehingga dapat disimpulkan tidak terdapat heteroskedastisitas dalam variansi error.

d. Pengujian Glejser
Pengujian Glejser mempunyai semangat yang sama dengan pengujian Park.
Setelah mendapatkan residula ei dari regresi OLS, Glejser menyarankan
meregresikan nilai | ei | dengan Xi yang diperkirakan mempunyai hubungan yang

erat dengan i . Dalam percobaannya, Glejser menggunakan bentuk fungsional

2

antara lain sebagai berikut:

| ei | 1 X i vi
| ei | 0 1 X i vi
| ei | 1 X i vi
1
| ei | 1 vi
Xi
| ei | 0 1 X i vi
| ei | 0 1 X i2 vi

e. Pengujian rank korelasi dari Spearman

Koefisien rank korelasi Spearman didefinisikan sebagai
d i2
rs 1 6
N ( N 1
2

Dengan di=perbedaan dalam rank yang ditetapkan untuk dua karakteristik yang
berbeda dari individual atau fenomena yang di rank. Koefisien Rank korelasi tadi
dapat digunakan untuk mendeteksi heteroskedastisitas sebagai berikut
 Asumsikan: Yi 0 1 X i ui .
Langkah 1. Cocokkan persamaan regresi Y thd X dan dapatkan residual ei.
Langkah 2. Tentukan ranking |ei| dan Xi sesuai urutan naik atau turun dan hitung
koefisien Rank korelasi Spearman.
Langkah 3. Dengan asumsi bahwa koefisien Rank korelasi populasi s =0 dan
N>8, tingkat signifikansi dari rs yang disampel dapat diuji dengan uji t sbb:
r
t s N 2 dengan derajat bebas N-2.
1 rs2
Jika t hitung melebihi nilai t kritis, dapat disimpulkan adanya heteroskedastisitas.
Contoh: lihat tabel 10.2

4. Apa Tindakan Perbaikannya?

a. Jika i diketahui : Metode kuadrat terkecil tertimbang (WLS)
2

b. Jika i tidak diketahui: Transformasi

2

Jika anggapan kesamaan varian tidak dipenuhi, maka diperlukan transformasi untuk
menstabilkannya. Diagram pencar Y thd X, residual thd Y atau thd X akan sangat
menolong mengenali bentuknya. Transformasi ini juga membuat asumsi kenormalan
dipenuhi dengan baik.
Hubungan antara var(Y) = var( i ) Bentuk Transformasi

dengan X dan E(Y)

1. Var ( i ) sebanding dengan X2 Y= Y/X ; X = 1/X

2. Var ( i ) sebanding dengan E(Yi) Y= Yi

3. Var ( i ) sebanding dengan {E(Yi)}2 Y= ln Y / Y log Y
1
4. Var ( i ) sebanding dengan {E(Yi)}3 Y=
Y 2

5. Var ( i ) sebanding dengan {E(Yi)}4 1

Y=
Y

Tranformasi yang amat umum dipakai : log Y, karena sering menolong untuk rentangan Y
yang besar, nilai Y besar agak jarang sedangkan yg kecil amat berdekatan, fungsi log Y
akan mendekatkan nilai Y yg besar dan merenggangkan nilai- nilai Y yang kecil.
Kita tidak melakukan regresi: Yi 0 1 X i ui

melainkan melakukan regresi: ln(Yi ) 0 1 ln( X i ) u i

Pengujian homogenitas varian Bartlett

 2 2 2
Misalkan ada k variansi sampel yang independen: s1 , s 2 ,..., s k dengan derajat bebas

f1 , f 2 ,..., f k , masing-masing dari populasi yang berdistribusi normal dengan mean dan

variansi i . Selanjutnya ingin diuji:

2

H 0 : 12 22 ... k2 2
Jika hiptesis nol itu benar , maka
k k

f i si2 fs 2
i i
s2 i 1
i 1

f i f
memberikan taksiran dari variansi populasi 2 .
Bartlett telah menunjukkan bahwa hiptesis nol dapat diuji dengan ratio A/B, yang
berdistribusi mendekati 2 dengan derajat bebas k-1, dengan
A f ln s 2 ( f i ln si2 )
1 1 1
B 1
3(k 1) f i f
Contoh: Lakukan uji kesamaan varian untuk data Tabel 10.1
Latihan: Kerjakan soal 10.7
Jawab:
a. Gaji rata-rata ahli ekonomi wanita dan pria adalah

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation Variance

gajiwanita 6 8.0 12.0 9.550 1.4181 2.011

Valid N (listwise) 6

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation Variance

gajipria 6 10.8 13.0 11.850 .7423 .551

Valid N (listwise) 6

b. Uji kesamaan varian Bartlett untuk gaji ekonom wanita dan pria
k k

f i si2 fs 2
i i
=1.281
s2 i 1
i 1

f i f
A=1,96
B=1.1
A/B=1,785
 2 tabel =3,841
Kesimpulan variansi gaji ekonom wanita dan gaji ekonom pria adalah sama.