Econometrics
HETEROSKEDASTISITAS
Heteroskedasticity
Hetero (berbeda atau tidak sama) adalah kebalikan
dari Homo (sama)…
Heteroskedasticity
Asumsi 5 dari CLRM menyatakan bahwa
residual harus memiliki varians konstan
(sama) independen dari t
Var(ut)=σ2
Heteroskedasticity
Jika asumsi homoskedastisitas dilanggar, maka
Var(ut)=σt2
Heteroskedasticity
Grafik pertama: Trend pada residuals
Second graph: Pola pendapatan-konsumsi, untuk
tingkat pendapatan rendah tidak banyak pilihan,
sebaliknya untuk tingkat tinggi.
Third graph: Perbaikan teknik pengumpulan data
(bank besar) atau model pembelajaran kesalahan
(pengalaman mengurangi kemungkinan membuat
kesalahan besar).
Applied Econometrics
Konsekuensi Heteroskedasticity
1. Estimator OLS adl estimator tdk bias dan konsisten. Sebab tidak
ada variabel bebas yg berkorelasi dengan residual. Jadi
persamaan yang dipostulatkan dgn benar akan memberi kita nilai
koefisien taksiran sangat dekat dgn parameter.
2. Varians estimasi parameter model menjadi lebih besar ari
sebenarnya. Hal ini penduga OLS tidak efisien.
3. Underestimates the variances of the estimators, yang mengarah
ke nilai statistik t dan F. yang lebih tinggi
Applied Econometrics
Deteksi Heteroskedasticity
secara umum, ada dua cara.
Yang pertama adalah cara informal, yaitu dilakukan melalui
grafik dan disebut metode grafis.
Yang kedua adalah melalui uji untuk heteroskedastisitas,
yaitu:
Deteksi Heteroskedasticity
Plot residual kuadrat terhadap Y taksiran. hasil plot seperti
berikut:
Applied Econometrics
Deteksi Heteroskedasticity
Applied Econometrics
Deteksi Heteroskedasticity
Applied Econometrics
Deteksi Heteroskedasticity
Applied Econometrics
Deteksi Heteroskedasticity
Applied Econometrics
Penanggulangan Heteroskedasticity
Ada tiga cases:
Transformasi model :
P = -1/2. PP = -1
Py = PX + P or
y* = X* + *.
β̂ = (X*’X*)-1X*’y*
= (X’P’PX)-1 X’P’Py
= (X’Ω-1X)-1 X’Ω-1y
ˆ ( X'Ω-1 X ) 1 X'Ω-1 y
β
β ( X'Ω-1 X ) 1 X'Ω-1ε
= β if E[ε | X] 0
n n
1
ˆ β) n X ' Ω 1
X 1
n(β X ' Ω 1ε
n n
Converge to normal with a stable variance O(1)?
1
X ' Ω 1 X
a constant matrix? Assumed.
n
1
X ' Ω 1ε a mean to which we can apply the central limit theorem?
n
Heteroscedasticity case?
1 1 n x i i xi
n
X ' Ω 1ε =
n i1 i i
. Var i
2
,
i
is just data.
i
Apply Lindeberg-Feller.
Autocorrelation case? More complicated.
2 i
ˆ
nK
Yt=β1+β2X2t+β3X3t+β4X4t+…+βkXkt+ut
where
Var(ut)=σt2
Applied Econometrics