Asumsi Regresi Linier:

HOMOSKEDASTISITAS
(Homoscedasticity)
Oleh:
Agung Priyo Utomo agung@stis.ac.id
Liza Kurnia Sari lizakurnia@stis.ac.id
Politeknik Statistika STIS

1
 SIFAT DASAR
• Homoskedastisitas mpk salah satu asumsi model regresi
linier
• Homoskedastis berarti varians error bersyarat X
merupakan suatu angka konstan, dilambangkan dengan

Y
Ilustrasi pada model
regresi linier sederhana

β0+β1X

X
2
 SIFAT DASAR
• Sebaliknya, heteroskedastis berarti varians error
bersyarat X merupakan angka yg tidak konstan,
dilambangkan dengan

Y
Ilustrasi pada model
regresi linier sederhana

β0+β1X

X
3
CONTOH
• Pada model regresi linier sederhana Yi = β0+β1Xi+εi,
dimana Y = tabungan dan X = pendapatan
• Gambar sebelumnya memperlihatkan bahwa meningkatnya
pendapatan, tabungan secara rata-rata juga meningkat
• Gambar pertama, menunjukkan varians tabungan sama
untuk semua tingkat pendapatan
• Gambar kedua, menunjukkan varians tabungan meningkat
seiring dengan meningkatnya pendapatan

4
ALASAN
1. Error-Learning Models. Manusia belajar kesalahan di
masa lalu
2. Peningkatan teknologi yg digunakan. Misalnya teknologi
yg digunakan oleh suatu bank, sehingga pemrosesan data
akan makin cepat & memiliki tingkat kesalahan yg makin
kecil.
3. Dengan meningkatnya pendapatan, orang akan
mempunyai lebih banyak pendapatan yang dapat
digunakan sesuai dg keinginan (discretionary income).
Varians error akan meningkat seiring dengan
meningkatnya pendapatan.

5
PENYEBAB
HETEROSKEDASTISITAS
• Tidak dipertimbangkannya faktor-faktor penyebab
masuknya faktor error dalam model regresi
• Kesalahan-kesalahan yang mungkin terjadi dalam
pengukuran
• Bias spesifikasi karena terdapat variabel penting yg
dihilangkan dari model
• Kesalahan dalam menentukan /membentuk model regresi
• Dapat terjadi karena adanya pencilan
• Kemiringan/skewness dalam distribusi X

6
KONSEKUENSI
HETEROSKEDASTISITAS
• Jika asumsi regresi linier klasik terpenuhi kecuali adanya
heteroskedastisitas, maka penaksir OLS tetap tak bias dan
konsisten, namun penaksir tsb tidak lagi efisien baik dalam
sampel kecil maupun sampel besar (secara asimtotik)
• Penaksiran nilai Y berdasarkan model regresi yg dibangun
tidak efisien
• Selang kepercayaan semakin lebar
• Pengujian hipotesis signifikansi parameter model regresi,
baik dg uji signifikansi maupun pendekatan selang
kepercayaan tidak dapat diterapkan.

7
PENDETEKSIAN
HETEROSKEDASTISITAS
1. Secara Visual
Melalui diagram pencar residual dengan X atau taksiran Y

8
PENDETEKSIAN
HETEROSKEDASTISITAS
1. Secara Visual

a b

c d
9
PENDETEKSIAN
HETEROSKEDASTIS
Hipotesis:
H0: tidak terdapat heteroskedastisitas
H1: terdapat heteroskedastisitas

Pengujian asumsi homoskedastisitas dapat dilakukan dengan:

1. Uji Park
2. Uji Korelasi Rank Spearman
3. Uji Glejser
4. Uji Goldfeld-Quandt
5. dll

10
PENDETEKSIAN
HETEROSKEDASTIS
2. Pengujian Park
Menggunakan fungsi
(1)
karena umumnya tidak diketahui, maka Park
menyarankan untuk menggunakan shg persamaan
regresinya menjadi
(2)

Jika koefisien regresi (β) signifikan secara statistik, maka

dikatakan terjadi heteroskedastisitas

11
PENDETEKSIAN
HETEROSKEDASTIS
2. Pengujian Park
Contoh:
Salesman X Y Salesman X Y Salesman X Y
1 2 10 11 15 80 21 32 180
2 3 15 12 17 90 22 33 185
3 4 20 13 18 95 23 34 190
4 5 25 14 19 100 24 37 205
5 7 35 15 20 105 25 39 215
6 8 40 16 22 120 26 40 220
7 10 50 17 23 125 27 42 230
8 11 60 18 25 135 28 43 235
9 12 65 19 27 145 29 44 240
10 13 70 20 30 160 30 45 245

Y = rata-rata bonus (dalam ribuan rupiah) X = rata-rata sepatu terjual (dalam unit)
12
 PENDETEKSIAN
HETEROSKEDASTIS
2. Pengujian Park
Hasil:
taksiran Yi = -3,1470 + 5,5653 Xi R2 = 0,9992 (3)
Slope signifikan: Bila sepatu terjual bertambah 1 unit,
maka rata-rata bonus akan bertambah Rp.5.565.

Apakah ada heteroskedastisitas ?

Run regresi, didapat:
ln ei2 = -0,307 + 0,323 ln Xi R2 = 0,027 (4)
p-value (0,382)

13
PENDETEKSIAN
HETEROSKEDASTIS
3. Pengujian korelasi rank Spearman

(5)

dimana di = selisih rank dari 2 karakteristik yg

berbeda (selisih rank dari ei dengan Xi)

Langkah-langkah:
1. Cocokan regresi Y terhadap X, dan hitung ei.
2. Hitung rank dari |ei| dan Xi, selanjutnya hitung korelasi
Spearman
14
PENDETEKSIAN
HETEROSKEDASTIS
3. Pengujian korelasi rank Spearman
3. Uji hipotesis H0 = terjadi homoskedastisitas
H1 = terjadi heteroskedastisitas
gunakan statistik uji

(6)

Tolak H0 (terjadi Heteroskedastisitas) jika t hitung >

nilai kritis tabel t dengan derajat bebas n-2

15
PENDETEKSIAN
HETEROSKEDASTIS
3. Pengujian korelasi rank Spearman
Hasil untuk data penjualan sepatu
di2 = 3636
rs = 0,19197
t = 1,035061
Nilai t < t tabel, jadi asumsi homoskedastisitas terpenuhi

16
MENGATASI
HETEROSKEDASTISITAS
1. Metode Generalized Least Squares (GLS)
Perhatikan model berikut :
Yi = β0 + β1Xi + εi dengan Var (εi) = σi2

Masing-masing dikalikan

Maka diperoleh transformed model sebagai berikut:

Yi* = β0* + β1Xi* + εi*

17
MENGATASI
HETEROSKEDASTISITAS
1. Metode Generalized Least Squares (GLS)
Periksa apakah εi* homoskedastis ?

18
MENGATASI
HETEROSKEDASTISITAS
2. Transformasi dengan Logaritma
Transformasi ini ditujukan untuk memperkecil skala antar
variabel bebas. Dengan semakin ‘sempitnya’ range nilai
observasi, diharapkan variasi error juga tidak akan berbeda
besar antar kelompok observasi.

Model yang digunakan adalah:

ln Yi = β0 + β1 ln Xi + εi

19
MENGATASI
HETEROSKEDASTISITAS
3. Transformasi dengan 1/Xi
Asumsi:
Transformasi menghasilkan

atau dapat ditulis dengan: Yi* = β0X* + β1 + vi (7)

Bukti varians telah konstan:

20
MENGATASI
HETEROSKEDASTISITAS
4. Transformasi dengan
Asumsi:

5. Transformasi dengan E(Yi)

Asumsi:

BUKTIKAN DENGAN TRANSFORMASI DI ATAS

VARIAN SUDAH KONSTAN

21
LATIHAN Y X
28 200
• Periksa apakah 75 400
terjadi 37 300
53 400
Heteroskedastik 22 200
pada α=0,1? 58 300
40 300
• Tentukan 96 400
solusinya! 46 200
52 400
30 200
69 300

22
23
24
25