Asumsi Gauss Markov
Asumsi Gauss Markov
ASUMSI GAUSS-MARKOV
Dalam statistik, teorema Gauss-Markov mengatakan bahwa dalam model regresi linear
ekspektasi dari eror adalah nol dan tidak berkorelasi dan memiliki variansi yang sama, Best
Linear Unbiased Esimator (BLUE) diperoleh dari Ordinary Least Square (OLS) estimator.
1. Linear in Parameter
y i=β 0 + β 1 x i +ui
Model regresi :
β0 β1
Memiliki parameter (intersep) dan (koefisien variabel independen x).
Model harus linear dalam parameter bukan berarti harus terdapat hubungan linear
antara variabel dependen dan variabel independen. Variabel independen dapat
berbentuk non-linear selama parameter regresinya linear. Contoh :
2
y i=β 0 + β 1 x i+ ui tidak memenuhi syarat linear dalam parameter.
2. Random Sampling
Y 1 ,Y 2 , … ,Y n f ( y ,θ) ,
Jika variabel random independen dengan fungsi densitas
{Y 1 , … ,Y n } f ( y , θ). {Y 1 , … ,Y n }
maka dikatakan sampel random dari Saat
Yi
bahwa independent, identically distributed (iid) variabel random dari f ( y , θ )
. Pada beberapa kasus kita tidak perlu menentukan distribusinya, tetapi pada beberapa
2
kasus yang lain sampel random dapat diasumsikan berdistribusi Normal( μ , σ ¿ .
y=β 0 + β 1 x +u
, dapat ditulis sebagai berikut :
y i=β 0 + β 1 x i +ui , i=1,2, … , n .
Misalkan variabel x menunjukkan year of education dan variabel y menunjukkan
wage. Diambil sampel sebesar 100 orang, maka sampel yang diteliti akan berbeda
untuk tiap sampel pada 100 orang yang dijadikan sampel tersebut. Dari 100 sampel
ui
error pada observasi ke-i, oleh sebab itu mengandung observasi ke-i yang tidak
yi
teramati dan mempengaruhi .
dituliskan E ( u|x )=0 . Asumsi ini menyatakan bahwa mean dari u adalah nol dan
E ( ui|x i )=0
, untuk semua i=1,2, … , n . Selain membatasi hubungan antara u dan
x pada populasi, asumsi zero conditional mean bersama dengan asumsi sampel
random memungkinkan dalam teknik penyederhanaan. Khususnya, kita dapat
xi
memperoleh sifat-sifat statistik dari estimator OLS sebagai syarat dari nilai pada
sampel. Secara teknis, dalam derivasi statistik, mengkondisikan nilai sampel pada
xi
variabel independen sama saja dengan memperlakukan sebagai fixed in
repeated samples, yaitu sebagai berikut : pertama, dipilih sebanyak n sampel untuk
x1 , x2 , … , xn
nilai . Dengan diberikan nilai-nilai tersebut, kemudian diperoleh
sampel pada y. Kemudian, sampel lain pada y diperoleh menggunakan nilai yang
x1 , x2 , … , xn
sama untuk . Kemudian sampel lain pada y diperoleh dengan
x1 , x2 , … , xn
menggunakan nilai yang sama, dan seterusnya. Kekurangan asumsi
ui
Fixed in repeated samples ini adalah asumsi ini selalu menyiratkan bahwa dan
xi
adalah independen.
4. Sample Variation in Explanatory Variable
{x i ,i=1,2, … , n }
Hasil sampel dari x, yaitu, tidak semua nilainya sama. Asumsi ini
sangat lemah tapi tetap diperlukan. Jika x beragam dalam populasi, sampel random x
akan beragam juga kecuali jika variasi dari populasi sedikit atau ukuran sampelnya
kecil.
5. Homoscedasticity
Homoskedastisitas adalah kondisi dimana variansi dari residual suatu pengamatan ke
residual pengamatan lain adalah tetap atau sama yaitu var ( u|x )=σ 2 . Jika variansi
dari var ( u|x ) adalah tetap, maka var ( u|x ) tidak bergantung pada x, sehingga
E ( u )=0 .