Heteroskedastisitas


Variasi Error tidak konstan. Umumnya terjadi pada data cross
section. Misal data konsumsi dan pendapatan, atau data
keuntungan dan asset perusahaan

120
Pola Data Heteroskedastis
100

80

60

40

20

0 20 40 60
 Data Heteroskedastisitas
 Fakta:
 hubungan positif antara X dan Y, dimana
nilai Y meningkat searah dengan nilai X.
 semakin besar nilai variabel bebas (X)
dan variabel bebas (Y), semakin jauh
koordinat (x,y) dari garis regresi (Error
makin membesar)
 besarnya variasi seiring dengan
membesarnya nilai X dan Y. Atau dengan
kata lain, variasi data yang digunakan
untuk membuat model tidak konstan.
 Pemeriksaan
Heteroskedastisitas

1. Metode Grafik
 Prinsip: memeriksa pola residual (u 2)
i

terhadap taksiran Yi.


Langkah-langkah:

Run suatu model regresi
 Dari persamaan regresi, hitung ui2
 Buat plot antara ui2 dan taksiran Yi
 Pola Grafik
u i2

i
Pengamatan:
1.Tidak adanya pola yang sistematis.
2.Berapapun nilai Y prediksi, residual kuadratnya relatif sama.
3.Variansi konstan, dan data homoskedastis.
 Pola Adanya
Heteroskedastisitas

ui2 ui2

i
i
Pola sistematis
 Uji Park

 Prinsip: memanfaatkan bentuk regresi untuk

melihat adanya heteroskedastisitas.
 Langkah-langkah yang dikenalkan Park:
1. Run regresi Yi = 0 + 0Xi + ui
2. Hitung ln ui2
3. Run regresi ln ui2 =  +  ln Xi + vi

4. Lakukan uji-t. Bila  signifikan, maka ada

heteroskedastisitas dalam data.
 Ilustrasi

Sales Sales Sales

X Y X Y X Y
man man man
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)
 Ilustrasi

 Y = -3,1470 + 5,5653 X
SE (0,0305) R2 = 0,9992
 slope signifikan: Bila sepatu terjual naik 1 unit, maka bonus
akan naik Rp.5.563.
 Apakah ada heteroskedastisitas ?

 Run regresi, didapat:

ln ui2 = 6,0393 – 2,1116 ln Xi
SE (0,0090) R2 = 0,9995

 Menurut uji t,  signifikan sehingga dalam model penjualan

sepatu vs bonus di atas ada heteroskedastisitas.
 Uji Goldfeld – Quandt

Metode Goldfeld – Quandt sangat populer untuk digunakan, namun
agak merepotkan, terutama untuk data yang besar.

Langkah-langkah pada metode ini:

Urutkan nilai X dari kecil ke besar

Abaikan beberapa pengamatan sekitar median, katakanlah
sebanyak c pengamatan. Sisanya, masih ada (N – c)
pengamatan

Lakukan regresi pada pengamatan 1, dan hitung SSE 1

Lakukan regresi pada pengamatan 2 dan hitung SSE 2.

Hitung df = jumlah pengamatan dikurangi jumlah parameter

Lakukan uji F sbb.
RSS 2 / df 2
λ=
RSS 1 / df 1
Bila  > F tabel, kita tolak hipotesis yang mengatakan data mempunyai variansi
yang homoskedastis
 Ilustrasi


Ada 30 pengamatan penjualan sepatu dan bonus. Sebanyak 4
pengamatan yang di tengah diabaikan sehingga tinggal 13
pengamatan pertama (Kelompok I) dan 13 pengamatan kedua
(Kelompok II).

 Regresi berdasarkan pengamatan pada kelompok I:

Y = -1,7298 + 5,4199 X R2 = 0,9979
RSS1 = 28192,66 df1 = 11

 Regresi berdasarkan pengamatan pada kelompok II:

Y = -0,8233 + 5,5110 X R2 = 0,9941
RSS2 = 354397,6 df2 = 11
 Ilustrasi

RSS 2 / df 2 = 354397,6/11 = 12,5706

λ=
RSS 1 / df 1 28192,66/11

Dari tabel F, didapat F = 2,82 sehingga  > F

Kesimpukan: ada heteroskedastisitas dalam data

 Mengatasi
heteroskedastisitas
1. 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.
Adapun model yang digunakan adalah:
Ln Yj = β0 + β1 Ln Xj + uj
 2. Metode Generalized Least Squares
(GLS)

Perhatikan model berikut :

Yj = 1 + 2 Xj + uj dengan Var (uj) = j2
1
Masing-masing dikalikan s j

Yj Xj uj
sj
=β 1
    
1
sj
+β 2
sj

sj

Maka diperoleh transformed model sebagai berikut :

Yi* = 1* + 2Xi* + ui*
 GLS

Kita periksa dulu apakah ui* homoskedastis ?

ui
E(ui* ) =
2 E
 
σ i
2

2
=
1
σi2
E u i =
2
1
σi2
 σ i =1
2 konstan
 Transformasi
Oleh karena mencari j2 hampir tidak pernah diketahui, maka
biasanya digunakan asumsi untuk mendapat nilai j2. Asumsi
ini dapat dilakukan dengan mentransformasikan variabel. Ada
beberapa jenis, yaitu:
1
1. Transformasi dengan
Xj

Asumsi:  j2 = 2
  2
E u j =σ X j
2

Y uj
Akibat transformasi, model menjadi:
Xj
j
=β 0
   
1
Xj
+β 1
Xj

atau dapat ditulis dengan: Yi* = 0 X* + 1 + vi

 Transformasi
 Apakah sudah homoskedastis? Perhatikan bukti berikut:

uj
E(vi ) =
2 E
 
Xj
2

2
=
1
Xj2
E  u j =
1
2
Xj
2
 σ X j =σ
2
2
2 konstan

1
2. Transformasi dengan
 Xi
Asumsi: j2 = E u 2j =σ 2 X j
 
3. Transformasi dengan E(Yi)
Asumsi:  j2 =  2 2
E u j =σ [ E  Y j ]
2