EKONOMETRIKA KEUANGAN
DIKERJAKAN OLEH:
dari chapter 7 :
Deteksi Multikolinearitas
5. Nilai Eigen dan indeks kondisi. Dari EViews dan Stata, kita dapat
menemukan eigen nilai dan indeks kondisi, untuk mendiagnosis
multikolinearitas.
1. Do Nothing
Blanchard mengatakan bahwa multikolinearitas merupakan masalah
kekurangan data (mikronumerositas, sekali lagi) dan terkadang peneliti
tidak punya pilihan atas data yang kita miliki untuk analisis empiris.
Tidak semua koefisien dalam model regresi secara statistik tidak
signifikan. Jika peneliti tidak dapat memperkirakan satu atau lebih
koefisien regresi dengan presisi yang lebih baik, kombinasi linier dari
mereka (yaitu, estimable function) dapat diperkirakan secara relatif efisien.
Dimana :
𝑃𝑃 = 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝, 𝐼𝐼 = 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖, 𝑡𝑡
𝑙𝑙𝑙𝑙 𝑙𝑙𝑙𝑙 𝑌𝑌𝑡𝑡 = 𝛽𝛽1 + 𝛽𝛽2 𝑙𝑙𝑙𝑙 𝑙𝑙𝑙𝑙 𝑃𝑃𝑡𝑡 + = 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
𝑙𝑙𝑙𝑙 𝛽𝛽3 𝑙𝑙𝑙𝑙 𝐼𝐼𝑡𝑡 + 𝑢𝑢𝑡𝑡
Dengan tujuan estimasi 𝛽𝛽2 sebagai
elastisitas harga dan 𝛽𝛽3 = elastisitas
income
menjadi,
dengan error
d. Menambahkan Data
Karena multikolinearitas adalah masalah sample, sample data lain
mungkin tidak memiliki masalah yang sama. Terkadang dengan
menambah data masalah multikolinearitas berkurang.
e. Mengurangi Multikolinearitas dengan regresi polynomial
f. Menggunakan analysis multivariate seperti factor analysis, principal
component, ridge regression
Kesimpulan pada Multikolinearitas:
Peran multikolinearitas dalam prediksi dan menunjukkan bahwa kecuali
struktur kolinearitas berlanjut dalam sampel masa depan, berbahaya untuk
menggunakan estimasi regresi yang telah terganggu oleh multikolinearitas
untuk tujuan peramalan.
Meskipun multikolinearitas telah menerima perhatian yang luas dalam banyak
literatur, masalah yang sama pentingnya yang dihadapi dalam penelitian
empiris adalah mikronumerositas, (kecilnya ukuran sampel).
Menurut Goldberger, “Ketika sebuah artikel penelitian mengeluh tentang
multikolinearitas, pembaca harus melihat apakah keluhan tersebut akan
meyakinkan jika “mikronumerositas” diganti dengan “multikolinearitas.”
Goldberger menyarankan bahwa peneliti harus memutuskan seberapa kecil n,
jumlah pengamatan, sebelum memutuskan bahwa seseorang memiliki
masalah sampel kecil, sama seperti seseorang memutuskan seberapa tinggi
nilai 𝑅𝑅 2 dalam regresi tambahan sebelum menyatakan bahwa masalah
kolinearitas adalah sangat parah.
Heteroskedastisitas
Dalam sebuah asumsi regresi, kita berasumsi data bersifat homoskedastisitas
tetapi ada kalanya data bersifat heteroskedastisitas.
2. Merusak varians
Heteroskedastisitas menyebabkan varians cenderng melebar sehingga tidak
memenuhi salah satu komponen BLUE (Best Linear Unbiased Estimator) yaitu
varians yang minimum
Metode OLS yang biasa tidak menggunakan "informasi" yang
terkandung dalam variabilitas yang tidak setara dari variabel dependen Y,
sehingga memberikan bobot atau kepentingan yang sama untuk setiap
pengamatan. Oleh karena itu muncul sebuah metode estimasi, yang dikenal
sebagai kuadrat terkecil umum (GLS – Generalized Least Square) yang
memperhitungkan informasi tersebut secara eksplisit dan karena itu mampu
menghasilkan estimator BLUE.
transformasi ini dijelaskan dalam transformasi 𝑢𝑢𝑖𝑖∗ yang akan membuat itu menjadi
𝑌𝑌𝑖𝑖 𝑋𝑋 𝑋𝑋 𝑢𝑢
homoskedastisitas sehingga = 𝛽𝛽1 � 𝜎𝜎0𝑖𝑖 � + 𝛽𝛽2 �𝜎𝜎𝑖𝑖 � + �𝜎𝜎𝑖𝑖 � akan menghasilkan
𝜎𝜎𝑖𝑖 𝑖𝑖 𝑖𝑖 𝑖𝑖
estimator BLUE.
GLS adalah OLS pada variabel yang ditransformasikan yang memenuhi asumsi
kuadrat terkecil standar. Estimator yang diperoleh dikenal sebagai estimator
GLS, dan estimator inilah BLUE.
Perbedaan GLS dan OLS
GLS OLS
dengan varians,
Apa yang terjadi dengan confidence interval, uji hypothesis dan procedure
�2 ketimbang 𝛽𝛽
lainnya jika menerapkan OLS estimator 𝛽𝛽 �2∗ yang memiliki varians
lebih kecil?
a. Estimasi OLS mengijinkan Heteroskedastisitas
Umumnya tidak bisa menemukan confidence interval dan hasil uji t atau F yang
akurat karena 𝛽𝛽�2 terlalu besar dan koefisien yang tidak signifikan (karena nilai
t lebih kecil dari seharusnya).
2. Metode Formal
2.1. Park Test
Garis pasar modal dari teori portofolio menyatakan hubungan linier antara
pengembalian yang diharapkan (Ei) dan risiko (yang diukur dengan SD,
)dari portofolio sebagai berikut:
2.4. Goldfield-Quant
Metode ini berlaku jika seseorang menganggap bahwa variasi
heteroscedastik, secara positif berhubungan dengan salah satu variabel
penjelas dalam model regresi. Untuk kesederhanaan, pertimbangkan model
dua variabel biasa.
Langkah ke tiga, cocokan regresi dengan yang pertama (n-c)/2, dan yang
terakhir (n-c)/2dan dapatkan respective residual sums dari RSS1, dan RSS2.
RSS1 mewakili RSS dari regresi terkait dengan X yang lebih kecil; nilai
(kelompok varians kecil) dan RSS2 bahwa dari X yang lebih besar; nilai
(kelompok varians besar). RSS ini masing-masing memiliki:
Jika ui, dianggap normal didistribusikan (yang biasa kita lakukan)dan jika
asumsi homoscedasticity adalah sah, maka dapat diperlihatkan bahwa
dari (11.5.10) mengikuti distribusi F dengan numerator dan denominator df
masing-masing (n-c-2k)/2.
2.5. Breusch-Pagan-Godfrey
Langkah kelima, dapatkan ESS (jumlah kotak yang dijelaskan) dari (11.5.15)
dan dijelaskan
Yang mengikuti chi-squere dengan (m-1) derajat kebebasan. Oleh karena itu,
jika komputerisasi melebihi nilai x2 kritis pada tingkat yang telah
ditentukan, maka dapat menolak hipotesis tentang homoscedasticity; jika
tidak menolaknya.
Perhatikan bahwa ada istilah konstan dalam persamaan ini, meskipun regresi
asli mungkin atau tidak mengandung itu. Dapatkan R2 dari regresi ini.
square ,tetapi bukannya menjadi mundur pada satu atau lebih regresi.
Ukuran residual regresi pada ukuran estimasi nilai regresi. Khususnya model
aslinya adalah:
Seperti kita lihat, heteroscedasticity tidak menghancurkan ketidak biasaan dan sifat
konsistensi dari pemilih, tetapi mereka tidak lagi berbentuk, bahkan tidak tampak
(seperti, berukuran sampel besar). Kurangnya efisiensi ini membuat prosedur yang
biasa melakukan tes hipotesis dengan nilai yang meragukan. Oleh karena itu
perbaikan mungkin perlu dilakukan. Ada dua pendekatan untuk perbaikan: ketika
Seperti kita lihat pada bagian 11.3, jika adalah dikenal, yang paling sederhana
metode mengoreksi heteroscedasticity adalah yang paling ringan karena estimato
ryang diperoleh dengan cara demikian berwarna biru.
White telah menunjukkan bahwa estimasi dapat dilakukan sehingga asymtoticall valid
(misalnya, sampel besar) dapat dibuat nilai paramenter yang benar. metode ini untuk
mendapatkan estimasi baru. Sejak ada yang benar, jarang diketahi apakah ada
cara untuk mendapatkan konsisten (dalam arti statistik) memperkirakan varians dan
kovarians dari estimasi OLS jika terdapat heteroscedasticity? Jawabannya ialah iya.
Terpisah dari prosedur sampel besar, salah satu kelemahan prosedur white apakah
penilaian yang diperoleh dengan cara ini mungkin tidak seefisien perkiraan yang
dibuat dengan metode yang mengubah data untuk mencerminkan jenis
heteroscedasticity tertentu. Untuk menggambarkan ini, mari kita kembali ke model
regresi dua variabel:
Jika sebagai masalah “spekulasi”, metode grafis, atau park dan Glejser pendekatan,
diyakini bahwa ui sebanding dengan square dari variabel penjelas X (lihat gambar
11.10) seseorang dapat merubah model asli sebagai berikut. Bagian model asli
melalui Xi :
Dimana Vi mengubah istilah gangguan, sama dengan ui/Xi. sekarang mudah untuk
memverifikasi bahwa:
persamaan asli dan koefisien slop adalah istilah pencegatan dalam model asli. Oleh
karena itu, kembali ke aslinya model kita harus mengalikan berdasarkan perkiraan
(11.6.6) oleh Xi.
Jika dipercaya varians ui, bukannya proporsional dengan kuadrat xi, sebanding
dengan xi itu sendiri, maka model aslinya dapat diubah sebagai berikut:
Dengan asumsi 2, orang langsung dapat memverifikasi situasi
homocedasticity. Oleh karena itu seseorang dapat melanjutkan untuk menggunakan
OLS untul (11.6.8), regresi dan
Persamaan (11.6.9) menyatakan bahwa varians ui sebanding dengan square dari nilai
Y yang diharapkan.
Oleh karena itu, jika kita mengubah persamaan asli sebagai berikut:
bergantung pada dan yang tidak diketahui. Tentu saja kita tahu yang
merupakan estimasi dari E (Yi). oleh karena itu kita dapat melanjutkan dalam dua
langkah: perta, kita menjalankan regresi yang biasa, mengabaikan heteroscedasticity
problem dan tinggi kemudian diperkirakan kita mengubah model sebagai
berikut:
Hasilnya adalah karena transformasi log menempatkan skala yang digunakan untuk
mengukur variabel-variabel, dengan demikian mengurangi perbedaan sepuluh kali
lipat antara dua nilai menjadi dua perbedaan. Jadi angka 80 sama dengan 10 kali
angka 8, tetapi dalam 80 (-4.3280) kira-kira dua kali lebih besar dari 8 (=2.0794).
Autokorelasi
12.1 The Nature of The Problem
Beberapa penyebab autokorelasi/korelasi serial terjadi:
- Inersia
- Bias pada spesifikasi: kasus pengecualian pada variabel
- Bias pada spesifikasi: Pembentukan fungsi yang kurang tepat
- Fenomena Cobweb
- Lags
- Manipulasi data
- Transformasi data
- Ketidakstasioneran
Dimana var artinya variansi pada dibawah skema autoregresi orde satu.
Perlu diingat bahwa penerapan buta pada rumusan OLS untuk mengkomputasi
variansi dan standar error estimator OLS dapat menyebabkan hasil yang
menyesatkan.
Dimana C adalah faktor koreksi yang mungkin diabaikan dalam praktiknya. Estimator
diperoleh dengan metode GLS. Pada GLS dapat dimasukkan informasi
tambahan yang dimiliki, misalnya sifat heteroskedastisitas atau korelasi langsung
kedalam prosedur pendugaan untuk mengubah variabel, sedangkan pada OLS
informasi sampingan tersebut tidak langsung diperhitungkan.
Teorema Gauss Markov hanya menyediakan kondisi yang sesuai untuk OLS
menjadi BLUE. Kondisi yang sesuai dan dibutuhkan bagi OLS untuk menjadi BLUE
diberikan oleh teorema Kruskal. Oleh karena itu, dalam beberapa kasus dapat terjadi
bahwa OLS dapat menjadi BLUE meskipun terdapat autokorelasi.
Jika terdapat autokorelasi yang diketahui AR(1) dapat menggunakan rumus sebagai
berikut:
Namun, jika σ2 tidak di-abaikan, dapat menjadi estimator yang bias terhadap
. Faktanya, jika ρ bernilai positif dan nilai X secara positif berkorelasi, dapat
Secara kualitatif, kedua model tersebut memberikan hasil yang sama. Pada kedua
kasus koefisien yang diestimasi adalah signifikan, sebagaimana diindikasikan dengan
nilai t. Pada model linier, jika indeks produktivitas meningkat sebanyak 1 kali, maka
indeks kompensasi meningkat sebesar 0,71 kali. Pada model log-linier, nilai koefisien
menjadi elastis, dimana dapat diperoleh ketika indeks produktivitas meningkat
sebanyak 1 persen, maka indeks kompensasi nyata meningkat sebesar 0,67 persen.
Jika terdapat autokorelasi, standar error yang diperkirakan bersifat bias, sebagaimana
hasil dimana rasio t yang diperkirakan tidak dapat diandalkan.
Metode grafis dapat dijadikan sebagai alat pengujian bersifat visual, yang dapat
digunakan untuk mengetahui tanda-tanda keberadaan autokorelasi. Metode grafis
dapat digunakan sebagai alat analisis statistik untuk mempermudah memahami
kesimpulan dari masalah kompleks dan untuk menguji data sebagai agregat yang
secara jelas dapat menampilkan perilaku suatu kasus. Metode grafis dapat
memberikan informasi yang berguna tidak hanya pada hubungan autokorelasi tetapi
juga tentang heteroskedastisitas, ketidakcukupan model, atau bias pada spesifikasi.
Metode grafis memiliki keunggulan yaitu kuat dan sugestif, namun bersifat subyektif
dan kualitatif. Pada metode grafis, beberapa pengujian yang bersifat kuantitatif juga
dapat digunakan sebagai pelengkap bagi pendekatan kualitatif murni.
Residu yang terstandardisasi dapat diplot terhadap waktu. Residu yang
terstandardisasi adalah residu yang dibagi dengan standar error pada regresi. Perlu
diperhatikan bahwa residu dan standar eror regresi diukur dimana regressand Y
diukur. Oleh karena itu, nilai dari residu yang terstandarisasi akan menjadi nilai murni
(tanpa satuan pengukuran) dan daoat dibandingkan dengan nilai resiud yang
terstandardisasi dari regresi lainnya.
dengan catatan N = N1 + N2
Pada aturan keputusan, jangan menolak hipotesis nol keacakan dengan kepercayaan
95% jika jumlah run terletak pada interval kepercayaan sebelumnya. Hipotesis nol
dapat ditolak jika jumlah run yang diperkirakan terletak diluar limit tersebut.
Swed dan Einsenhart telah mengembangkan tabel khusus yang memberikan nilai
kritis dari run yang diharapkan dalam urutan acak dari N pengamatan jika N1 atau N2
lebih kecil dari 20.
Uji Durbin Watson atau Durbin Watson Test adalah tes atau pengujian yang
digunakan untuk mendeteksi adanya Autokorelasi pada nilai residual atau adanya
kesalahan prediksi dari analisis regresi. Uji Autokorelasi sendiri memiliki pengertian
sebagai hubungan antara nilai-nilai yang dipisahkan satu sama lain dengan interval
waktu tertentu. Meskipun sekarang digunakan secara rutin, penting untuk mencatat
asumsi yang mendasari statistik d.
1. Model regresi mencakup intersep.
2. Variabel penjelas, X, tidak stokastik, atau tetap dalam pengambilan sampel
berulang.
3. Tidak dapat digunakan untuk mendeteksi skema autoregresif tingkat tinggi.
4. Istilah kesalahan ut diasumsikan terdistribusi normal.
5. Variabel dependen bukan merupakan variabel Lag. Dengan demikian, pengujian
tidak dapat diterapkan pada model jenis berikut:
Yt = 1 + 2X2t + 3X3t +···+ k Xkt + Yt−1 + ut di mana Yt−1 adalah nilai lag satu periode
dari Y.
6. Tidak ada pengamatan yang hilang dalam data.
Batas atas 𝑑𝑑𝑢𝑢 adalah batas signifikansi sebenarnya dan oleh karena itu dalam kasus
d terletak di indecisive zone, seseorang dapat menggunakan uji d yang dimodifikasi
berikut ini:
Mengingat tingkat signifikansi ,
1. H0: = 0 versus H1: > 0. Tolak H0 pada level jika d < dU . Artinya, ada autokorelasi
positif yang signifikan secara statistik.
2. H0: = 0 versus H1: < 0. Tolak H0 pada tingkat jika estimasi (− d) < dU , yaitu,
terdapat bukti autokorelasi negatif yang signifikan secara statistik.
3. H0: = 0 versus H1: = 0. Tolak H0 pada level 2α jika d < dU atau (4 d < dU , yaitu,
terdapat bukti autokorelasi yang signifikan secara statistik, positif atau negatif.
Dalam hal ini maka deteksi autokorelasi adalah:
Autokorelasi positif:
● Jika d < dL, maka Autokorelasi positif;
● Jika d > dU, maka tidak ditemukan Autokorelasi positif;
● Jika dL < d < dU, maka pengujian tidak dapat disimpulkan atau tidak konkret.