ASUMSI
Terdapat beberapa asumsi klasik yang melandasi analisis regresi linier berganda yakni
Nilai rata-rata bersyarat dari unsur εi yang tergantung pada nilai
tertentu peubah penjelas X adalah nol atau E(εi) = 0, untuk i = 1, 2,
…, n.
Ragam bersyarat dari εi adalah konstan (homoskedastik) atau V(εi)
= σ2, untuk i = 1, 2, …, n.
Tidak ada autokorelasi dalam galat atau Cov(εi, εj) = 0 di mana i ≠ j. Peubah penjelas X bersifat non-stokastik yaitu tetap dalam
penyampelan berulang atau jika stokastik, didistribusikan secara independen dari galat atau Cov(Xi, εi) = 0.
Tidak ada multikolinieritas di antara peubah penjelas X atau Cov(Xi,
Xj) = 0 di mana i ≠ j.
E
(
ε
i) = 0, untuk
i
= 1, 2,
…,
n
Penyimpangan terhadap asumsi ini
tidaklah sangat kritis dari segi praktis
karena pelanggaran terhadap asumsi ini hanya mempengaruhi intersep dari
Dimisalkan persamaan regresi dinyatakan
dengan
Misalkan pula E(εi) tergantung pada Xi, tidak
nol tetapi sama dengan suatu konstanta k Maka
=
= ; di mana α = β0 + k.
Jika asumsi
E
(ε
i) = 0 tidak terpenuhi
maka tidak dapat menaksir nilai
β
0 yang sebenarnya.Homoskedastisitas atau
V
(
ε
i)
=
σ
2, untuk
i
= 1, 2, …,
n
.
Homoskedastisitas berarti bahwa varians tiap unsur disturbance εi, tergantung
(conditional) pada nilai yang dipilih dari variabel yang menjelaskan adalah suatu
Jika kondisi ragam tidak sama untuk masing-masing
i
, maka V(ε
i) =σ
i2Beberapa alasan terjadinya heteroskedastisitas
1. Mengikuti error – learning model, karena
manusia belajar maka kesalahan mereka dalam perilaku menjadi semakin lama semakin kecil. Dalam kasus ini, σi2 diharapkan untuk menurun.
Contoh kasus adalah suatu penelitian tentang pengaruh lama jam praktek mengetik terhadap kesalahan mengetik. Dengan meningkatnya
2. Dengan meningkatnya pendapatan,
orang mempunyai lebih banyak
pendapatan yang dapat digunakan sesuai dengan keinginan sehingga memiliki lebih banyak space untuk memilih pembagian pendapatan mereka.
Jadi
σ
i2 diharapkan meningkat seiringdengan meningkatnya pendapatan.
3. Peningkatan dalam teknik pengumpulan
Konsekuensi
Heteroskedastisitas
Jika semua asumsi terpenuhi kecuali
homoskedastisitas, maka penduga OLS tetap tak bias dan konsisten tetapi
Untuk model dengan satu variabel penjelas
Penduga OLS dari
Dengan heteroskedastistas
Sedangkan Varians dengan OLS dan asumsi homoskedastisitas adalah
Dengan
Jika terdapat hereoskedastisitas, misalkan Maka menjadi
Jadi jika terjadi heteroskedastisitas maka OLS akan menduga terlalu rendah
1. Jika terdapat heteroskedastisitas,
secara teori BLUE dari adalah penduga kuadrat terkecil tertimbang
2. Varians yang diperoleh dari OLS
dengan asumsi heteroskedastisitas tidak lagi minimum
3. Akibat dari no. 2, selang kepercayaan
untuk menjadi lebih lebar dan
pengujian signifikansi menjadi kurang kuat
Pendeteksian
Heteroskedastisitas
1. Sifat Dasar MasalahSeringkali sifat masalah yang sedang dipelajari menyarankan apakah
heteroskedasitas akan dijumpai atau tidak. Sebagai contoh, analisis mengenai
pengeluaran investasi bisa diperkirakan akan terdapat heteroskedastistas jika
Metode Grafik
Dengan memetakan terhadap , dapat disimpulkan sebagai heteroskedastisitas jika pemetaan antara keduanya
mempunyai pola tertentu (sistematis) atau tidak acak.
Jika model melibatkan dua atau lebih variabel X dipetakan terhadap setiap
Beberapa kemungkinan pola
pemetaan terhadap :
Pengujian Rank Korelasi dari Spearman
Didefinisikan koefisien korelasi dari Spearman adalah
r
s = 1 – 6di mana
d
i merupakan selisih rank yang ditempatkan untuk dua karakteristik yang berbedaa dari invidual atau fenomena ke-i
Tahapan dalam pengujian rank korelasi dari Spearman yaitu:
1. Buat persamaan regresi dan dapatkan nilai galat ei.
2. Dengan mengabaikan tanda dari ei (nilai mutlak),
kemudian meranking ei dan Xi yang selanjutnya
menghitung selisih rank keduanya, di. Tentukan nilai
rs berdasar persamaan
3. Gunakan statistik t berikut yang kemudian
dikomparasikan dengan ttabel pada taraf yang
ditetapkan dengan db = n – 2.
t =
Tindakan perbaikan
Jika diketahui : Metode Kuadrat Terkecil Tertimbang (Weighted Least Squares)
Perhatikan dua model berikut 1
2
Penduga dari MKT diperoleh dengan
meminimumkan , dengan memberikan bobot yang sama untuk tiap
Metode Kuadrat Terkecil Tertimbang meminimumkan
Dimana adalah bobot yang dipilih
sedemikian hingga observasi yang ekstrim mendapatkan bobot yang lebih rendah
dan adalah penduga kuadrat terkecil tertimbang.
Penduga dari metode Kuadrat Terkecil Tertimbang adalah sebagai berikut
Dan
Jika tidak diketahui : Lakukan
transformasi
Asumsi I : , varians dari proporsional terhadap kuadrat variabel
Transformasikan dengan cara berikut :
Bagi model asli seluruhnya dengan yaitu:
Dimana adalah error yang telah ditransformasi
Asumsi 2 , varians dari proporsional terhadap variabel
Maka model asli dapat ditransformasi sebagai berikut:
Jika
Asumsi 3 , varians dari proporsional terhadap kuadrat nilai harapan
Dimana
Jika kita transformasikan model asli sebagai berikut:
Maka
Namun trnsformasi ini tidak operasional karena yang mengandung dan yang tidak diketahui. dapat diduga dengan
Oleh karena itu transformasi ini dilakukan dalam dua langkah :
1. Lakukan regresi OLS biasa tanpa
memperhatikan heteroskedastisitas dan mendapatkan
2. Transformasikan model awal sebagai berikut:
Asumsi 4. Transformasi Log Kita melakukan regresi
Transformasi ini seringkali mengurangi
heteroskedastisitas karena transformasi ln dapat memampatkan skala.
Manfaat lain dari transformasi ini bahwa
koefisien kemiringan mengukur elstisitas dari Y terhadap X, yaitu persentase perubahan Y untuk setiap persentase perubahan X