varians
1. Pendahuluan
Misalkan kita memiliki model regresi
Yi = β0+ β1X1+ β2X2 + . . . + βkXk + εi
atau secara matrik dapat kita tuliskan
y1 1 x11 x21... xk 1
1 x
y2 = 12 x22 xk 2
+
. . . . .
. . . .
. 1 x
x2 n xkn
yn
1n
Dalam analisis regresi dengan menggunakan
metode kuadrat terkecil (MKT - OLS: ordinary
least square), ada beberapa asumsi yang harus
dipenuhi yaitu: (i) galat εi berdistribusi normal
dengan nilai tengah nol (E(εi ) = 0); (ii) Varian
dari εi adalah sama (homoskedastis); (iii) Tidak
ada korelasi diantara galat C orr(εi , εj ) = 0; (iv)
Tidak ada multikolinier di antara peubah
bebas. Dari model (1) dan juga kondisi E(ε) = 0
maka
E(yi ) = β0 + β1x1i + β2 x2i + · · · + βk xki
= XT β
Dalam notasi matriks
E(y) = X β
Hal tersebut berarti bahwa
y i ∼ N (xT β, σ 2 ) ∀i = 1, 2, . . . , n
Atau
2
y ∼ M N (X β, σ I ).
Jadi Var(y) = Var(ε) = σ2 I atau Var(yi )
= Var(εi ) = σ2 untuk semua i = 1, 2, . . . , n
atau
2 0 ... 0
2
0 ... 0
Var (e) 2I
... ... ... 0
2
0 0 ...
Ini adalah kondisi ideal dimana semua asumsi
dari MKT terpenuhi
Dalam topik kali ini yang akan dibahas
adalah berkaitan dengan
homoskedastisitas, yang akan mencakup:
1. Sifat dari heteroskedastisitas
2. Akibat yang akan ditimbulkan akibat
adanya heteroskedastisitas
3. Metode untuk mendeteksi
heteroskedastisitas
4. Cara untuk mengatasi
heteroskedastistas
Sifat/Karaketeristik dari Heteroskedastisitas