Ekonometrika
Program Studi Statistika, semester Ganjil 2012/2013
Heteroskedasticity
Penyimpangan asumsi ketika ragam galat
tidak konstan
Ragam galat populasi di setiap
X
itidak sama
Terkadang naik seiring dengan nilai
X
i
Terkadang turun seiring dengan nilai
X
iIlustrasi grafis asumsi Homokesdastisitas
2
2Ilustrasi grafis asumsi Heterokesdastisitas
2
2var
u
iX
i
E
u
iX
i
i3 2
1
X
X
X
2 3 2
2 2
1
Contoh-contoh kasus dengan
Heteroskedastisitas
Error learning models
Kesalahan semakin sedikit seiring waktu
Pada kasus menduga jumlah kesalahan ketik berdasarkan lama jam latihan.
Semakin lama jam latihan, rata-rata maupun ragam kesalahan ketik semakin kecil
Pada kasus pendapatan dan saving
Semakin banyak pendapatan semakin banyak pilihan jumlah uang yang ingin ditabung
Semakin banyak pendapatan semakin beragam jumlah saving
Adanya pencilan atau sebaran salah satu peubah
eksogen yang menjulur
Kesalahan dalam spesifikasi model
Tidak menggunakan peubah eksogen yang sesuai
Efek dari Heterokesdastisitas
Penduga OLS bagi β tetap tidak bias dan konsisten.
Heterokesdastisitas meningkatkan ragam dari sebaran penduga
β
Penduga β bukan lagi penduga yang paling efisien
Pada uji t dan uji F terjadi underestimation bagi
ragam atau simpangan baku penduga parameter
Statistik uji t atau statistik uji F menjadi lebih besar dari
yang sebenarnya
Lebih sering terjadi penolakan H0 pada uji koefisien
parameter
Uji-uji tersebut menjadi kurang terpercaya
Efek secara matematis terhadap struktur
ragam penduga koefisien
Untuk regresi linier sederhana:
2 2 2 2
2 1 1 ˆ var i
i X x
X
Dengan modifikasi:
2
2 2 2 2 2 2 1 ˆ var
i i i x x x
2
2 2 2
i i x x Jika ragam tidak konstan maka:
Pada kasus heterokesdastisitas, ragam berfluktuasi seiring nilai X Ragam penduga β menjadi lebih besar → penduga yang tidak efisien
(*) ˆ var 2 2 2 2 2
i i i x x
2
2 2 2 2 ˆ ˆ var
i i x x Jika heterokesdastisitas tidak terdeteksi:
pada uji t dan uji F digunakan satu nilai penduga
ragam, dan dipakai hubungan berikut:
Nilai tersebut akan jauh lebih kecil daripada nilai ragam
Underestimated variance or standard deviation:
Memberikan nilai statistik uji t atau F yang terlalu
besar
Cara mendeteksi
Secara grafis
Berdasarkan plot residual
Dengan uji statistik
1. Breusch-Pagan LM test
2. Glesjer LM test
3. Harvey-Godfrey LM test
4. Park LM test
5. Goldfeld-Quant test
6. White test
Pada 1, 2, 3, 4, 6, dibentuk auxiliary regression dengan residual
sebagai peubah endogen dan X sebagai peubah eksogen
Koefisien determinasi dari auxiliary regression dipakai sebagai
statistik uji
Pada 5 dilakukan sub sampling berdasarkan nilai X yang
Y^ u^2
no heteroscedasticity
Y^ u^2
yes
Y^ u^2
yes
Y^ u^2 yes
Y^ u^2 yes
Y^ u^2 yes
Breusch-Pagan LM test
Langkah 1: duga model regresi di atas dan dapatkan
penduga residualnya
i ki
k i
i
i X X X u
Y 1 2 2 3 3 ...
i i
i Y Y
uˆ ˆ
Langkah 2: menduga auxiliary regression berikut di
mana peubah bebas yang digunakan adalah peubah-peubah yang mungkin mempengaruhi ragam galat
Peubah eksogen X
i pi
i
i a a X a X v
Langkah 3: formulasikan hipotesis nol dan
alternatif
Hipotesis nol: kasus homokesdastisitas, tidak
ada hubungan antara X dan residual
Hipotesis alternatif: kasus heterokesdastisitas,
terdapat hubungan antara H0 a1 a2 ... aXp dan residual 0
satu sedikit
paling :
1 ai
H
Langkah 4: Dapatkan statistik uji berdasarkan
koefisien determinasi dari auxiliary regression R2
2 1
2 ~
nR p
LM Derajat bebas adalah jumlah X yang digunakan di dalam
auxiliary regression
Langkah 5: Tolak H0 jika ada bukti yang nyata
Glesjer LM test
Langkah 1: duga model regresi di atas dan dapatkan
penduga residualnya
i ki
k i
i
i X X X u
Y 1 2 2 3 3 ...
i i
i Y Y
uˆ ˆ
Langkah 2: menduga auxiliary regression berikut di
mana peubah bebas yang digunakan adalah peubah-peubah yang mungkin mempengaruhi ragam galat
Peubah eksogen X
i pi
i
i a a X a X v
Langkah 3: formulasikan hipotesis nol dan
alternatif
Hipotesis nol: kasus homokesdastisitas, tidak
ada hubungan antara X dan residual
Hipotesis alternatif: kasus heterokesdastisitas,
terdapat hubungan antara H0 a1 a2 ... aXp dan residual 0
satu sedikit
paling :
1 ai
H
Langkah 4: Dapatkan statistik uji berdasarkan
koefisien determinasi dari auxiliary regression R2
2 1
2 ~
nR p
LM Derajat bebas adalah jumlah X yang digunakan di dalam
auxiliary regression
Langkah 5: Tolak H0 jika ada bukti yang nyata
Harvey-Godfrey LM test
Langkah 1: duga model regresi di atas dan dapatkan
penduga residualnya
i ki
k i
i
i X X X u
Y 1 2 2 3 3 ...
i i
i Y Y
uˆ ˆ
Langkah 2: menduga auxiliary regression berikut di
mana peubah bebas yang digunakan adalah peubah-peubah yang mungkin mempengaruhi ragam galat
Peubah eksogen X
uˆi2 a1 a2X2i ... a2X pi vi Langkah 3: formulasikan hipotesis nol dan
alternatif
Hipotesis nol: kasus homokesdastisitas, tidak
ada hubungan antara X dan residual
Hipotesis alternatif: kasus heterokesdastisitas,
terdapat hubungan antara H0 a1 a2 ... aXp dan residual 0
satu sedikit
paling :
1 ai
H
Langkah 4: Dapatkan statistik uji berdasarkan
koefisien determinasi dari auxiliary regression R2
2 1
2 ~
nR p
LM Derajat bebas adalah jumlah X yang digunakan di dalam
auxiliary regression
Langkah 5: Tolak H0 jika ada bukti yang nyata
Park LM test
Langkah 1: duga model regresi di atas dan dapatkan
penduga residualnya
i ki
k i
i
i X X X u
Y 1 2 2 3 3 ...
i i
i Y Y
uˆ ˆ
Langkah 2: menduga auxiliary regression berikut di
mana peubah bebas yang digunakan adalah peubah-peubah yang mungkin mempengaruhi ragam galat
Peubah eksogen X
uˆi a a ln X i ... a ln X pi vi Langkah 3: formulasikan hipotesis nol dan
alternatif
Hipotesis nol: kasus homokesdastisitas, tidak
ada hubungan antara X dan residual
Hipotesis alternatif: kasus heterokesdastisitas,
terdapat hubungan antara H0 a1 a2 ... aXp dan residual 0
satu sedikit
paling :
1 ai
H
Langkah 4: Dapatkan statistik uji berdasarkan
koefisien determinasi dari auxiliary regression R2
2 1
2 ~
nR p
LM Derajat bebas adalah jumlah X yang digunakan di dalam
auxiliary regression
Langkah 5: Tolak H0 jika ada bukti yang nyata
Goldfeld-Quant Test
Ide dasar: jika ragam sama untuk seluruh
pengamatan (homoskedastic) maka:
Ragam dari sub sampel pertama akan sama dengan ragam dari sub sampel kedua
Uji dapat dilakukan jika diketahui peubah mana
yang paling berhubungan dengan galat residual
Dari plot antara residual dengan masing-masing peubah eksogen
Kelemahan:
Jika heteroskedastisitas disebabkan oleh lebih dari satu peubah eksogen
Tidak dapat dilakukan pada data deret waktu
Langkah 1:
Tentukan peubah eksogen yang paling berhubungan dengan ragam galat.
Urutkan pengamatan untuk peubah ini dari yang terbesar ke yang terkecil
Langkah 2:
Bagi pengamatan terurut menjadi dua sub sampel yang sama besar
c pengamatan di tengah dihilangkan
2 sub sampel beranggotakan ½(n - c) pengamatan
Sub sampel I beranggotakan pengamatan dengan nilai-nilai besar
Langkah 3:
Lakukan analisis regresi untuk Y terhadap X yang digunakan di langkah 1, pada masing-masing sub sampel
Dapatkan JK Residual untuk masing-masing model
Langkah 4:
Hitung statistik uji F sbb:
Langkah 5: Tolak H0 jika ada bukti yang nyata
dari statistik uji
n c k n c k
F JKG
JKG
F
2 1 2
1 ,
2
1 ~
JKG1 adalah JK Galat dengan nilai terbesar.
Bagaimana menentukan nilai
c
, jumlah
pengamatan di tengah yang dihapuskan?
Umumnya digunakan 1/6 atau 1/3 dari jumlah
White’s test
Uji LM yang mempunyai kelebihan dari uji-uji yang
lain
Tidak memerlukan pengetahuan awal tentang
peubah eksogen penyebab heteroskedastisitas
Tidak sensitif terhadap asumsi kenormalan
Dapat dipakai untuk regresi dengan k parameter
(k-1 peubah eksogen)
Untuk ilustrasi digunakan regresi dengan 2 peubah
White’s test
Langkah 1: duga model regresi di atas dan dapatkan
penduga residualnya
i i
i
i X X u
Y 1 2 2 3 3
i i
i Y Y
uˆ ˆ
Langkah 2: menduga auxiliary regression berikut
Semua peubah eksogen digunakan
Digunakan pangkat dua dari semua peubah
eksogen
Interaksi yang mungkin antara semua peubah
eksogen
i i
i i
i i
i
i a a X a X a X a X a X X v
Langkah 3: formulasikan hipotesis nol dan
alternatif
Hipotesis nol: kasus homokesdastisitas, tidak
ada hubungan antara X dan residual
Hipotesis alternatif: kasus heterokesdastisitas,
terdapat hubungan antara X dan residual
6 2
1
0 a a ... a
H
0 satu
sedikit paling
:
1 ai
H
Langkah 4: Dapatkan statistik uji berdasarkan
koefisien determinasi dari auxiliary regression R2
2 1 6
2 ~
nR
LM
Langkah 5: Tolak H0 jika ada bukti yang nyata
Metode mengatasinya
Weighted least square
Jika penyebab heterokesdastisitas diketahui, informasi
ini dapat digunakan untuk menerapkan metode Weighted Least Square (WLS)
Sebagai ilustrasi dari penerapan WLS: misalkan ragam
galat berhubungan dengan suatu peubah zi
2 2var ui zi
Bagi persamaan regresi dengan zt
i i i i i i i i v z x z x z z y
1 1 2 2 3 3
t t t z u v
Dengan hubungan tersebut, dapat dibentuk ragam yang
konstan, sbb:
22 2 2 2 var var
var
i i i i i i i z z z u z u v
Parameter diperoleh dari model dengan peubah yang
White’s Method
Heteroskedasticity – consistent estimation
method
Dipakai ketika penyebab heteroskedastisitas
tidak diketahui
Diberikan koreksi tertentu dari White, pada
penduga ragam dan simpangan baku dari
metode OLS.
White’s heteroskedasticity – corrected