You are on page 1of 16

ASUMSI KLASIK REGRESI HETEROSKEDASTISITAS

OLEH : NOVIA ULFA T TIARA RIZKI A.P

Definisi dan Sifat Dasar


Dalam regresi linear berganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model regresi linear berganda memenuhi sifat BLUE (Best, Linear, Unbiased, dan Estimator) adalah variansi galat konstan atau tidak terjadi heteroskedastisitas. Homoskedastisitas adalah kondisi dalam mana varians dari data adalah sama pada seluruh pengamatan. Uji Regresi bisa dilakukan jika data bersifat Homoskedastisitas bukan Heteroskedastisitas. Pada analisis regresi, heteroskedastisitas berarti situasi dimana keragaman variabel independen bervariasi pada data yang kita miliki. Jika keragaman residual/error tidak bersifat konstan, data dapat dikatakan bersifat heteroskedastisitas.

Kejadian-kejadian yang menyebabkan terjadinya gejala heterokedasitas adalah : 1. Proses latihan yang kontinyu menyebabkan kesalahan (error) yang timbul akan makin kecil, sehingga lama-lama menjadi sangat kecil dan konstas yang berarti varian residu i2 akan sama dengan satu. 2. Dengan sistem pengumpulan data yang baik, memungkinkan terjadinya penyipangan atau kekeliruan yang semakin kecil sehingga didapatkan data dengan kekeliruan yang relatif kecil dan konstan. Beberapa asumsi dalam model regresi yang terkait dengan heteroskedastisitas antara lain adalah residual (e) memiliki nilai rata-rata nol, keragaman yang konstan, dan residual pada model tidak saling berhubungan, sehingga estimator bersifat BLUE. Jika asumsi ini dilanggar maka prediksi model yang dibuat tidak dapat diandalkan.

dampak Heteroskedastisitas

Dampak heteroskedastisitas, antara lain : Hasil taksiran yang didapat dari model regresi yang mengandung heteroskedastisitas, akan tetap tak bias tetapi variansnya besar (tidak efisien). Selang kepercayaan semakin lebar. Estimator OLS masih linear. 2 penaksir konvensional sebenarnya, yaitu Bias muncul karena tidak lagi merupakan estimator bias dari 2 Rumus-rumus biasa untuk menaksir varians estimator OLS umumnya bias. Menurut teori, kita tak bisa mengatakan apakah bias itu akan positif (bias ke atas) atau negatif (bias ke bawah). Suatu bias positif terjadi bila OLS mengestimasi taksiran varians estimator sesungguhnya terlalu besar, dan bias negatif terjadi jika OLS mengetimasi taksiran varians estimator yang sebenarnya terlalu sedikit.

Metode Identifikasi
Pendeteksian ada tidaknya masalah heteroskedastisitas dapat dilakukan antara lain dengan metode grafik atau menggunakan uji statistik yaitu uji Park, uji Glejser, dan uji White. Metode Grafik Prinsip metode ini adalah memeriksa pola residual ( ) terhadap taksiran langkah pertama yang harus dilakukan adalah dengan mengasumsikan bahwa di dalam data tidak terdapat heteroskedastisitas sehingga persamaan regresi dapat dibuat. Setelah didapat persamaan regresi, akan dilakukan estimasi untuk mendapatkan nilai . Langkah selanjutnya adalah menghitung ( ) dengan rumus: dimana adalah perkiraan dari Y. Kemudian buat plot dan

Uji Park Prinsip yang digunakan dalam uji park adalah memanfaatkan bentuk regesi untuk melihat adanya heteroskedastisitas. Menurut uji Park, jika pada regresi signifikan secara statistika, maka terdapat heteroskedastisitas didalam data. Melalui uji ini akan dilihat hubungan antara varians yang berbeda-beda itu dengan variabel bebas X. Persamaaan yang digunakan untuk melihat hubungan tersebut adalah sebagai berikut : Karena tidak diketahui, maka Park menganjurkan agar digunakan galat pengganggu untuk mewakili. Sehingga persamaan akan menjadi :

Tindakan Perbaikan
Heteroskedastisitas tidak merusak sifat tak bias penaksir-penaksir OLS, tapi penaksir-penaksir itu tidak lagi efisien, bahkan dalam sampel besar sekalipun.

Respesifikasi Model cukup mengestimasi model dalam bentuk log, hal ini sering mengurangi Heteroskedastisitas. Artinya jika kita mengestimasi : Masalah Heteroskedastisitas mungkin akan berkurang besar dalam transformasi log menekan skala-skala pengukuran variabel.

contoh

Teori keuangan menyatakan bahwa salah satu indikator kesehatan perusahaan adalah ROA (Return on Asset), yaitu bagaimana setiap aset yang dimiliki prusahaan produktif dan menghasilkan keuntungan. Harga saham merupakan cerminan dari aktivitas perusahaan, karena harga saham berfluktuasi sesuai dengan kondisi perusahaan. Untuk itu diambil sampel 7 bank yang besar di Indonesia. Data diperoleh dari Media Indonesia dan Infobank tahun 2008. Data seluruhnya adalah

Bank

Keuntungan (miliar)

Aset (miliar)

BCA MANDIRI
BRI UOB NIAGA BNI NISP EKONOMI LIPPO BTPN

3359 3179
4840 357 770 1558 206 185 465 338

197052 272791
203730 18192 54890 172484 27321 14956 30343 10550

Harga saham (rupiah/lembar) 3150

3200
6050 1050 690 1420 900 1120 1540 2175

Mendeteksi adanya heteroskedastisitas menggunakan metode grafik


250000

200000

150000 Series1 100000

50000

0 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

Kesimpulan : titik-titik yang ditunjukkan pada plot di atas, tidak menunjukkan pola homoskedastisitas, maka dapat dikatakan bahwa terjadi pelanggaran asumsi klasik regresi, yaitu terjadinya heteroskedastisitas.

TINDAKAN PERBAIKAN RESPESIFIKASI MODEL Terlebih dahulu akan dilakukan estimasi model regresi double log, yaitu Y = ln 0 + ln 1 X1i + ln 2 X2i + ln 1 X3i + ln 1 X4i + ln 1 X5i + Ui lnY = - 5,66 + 0,735 lnX1 + 0,584 lnX2

Hasil analisis Predictor Coef SE Coef T P Constant -5,656 1,218 -4,65 0,002 lnX1 0,7346 0,1070 6,87 0,000 lnX2 0,5838 0,1952 2,99 0,020

S = 0,319810 R-Sq = 94,6% R-Sq(adj) = 93,1% Analysis of Variance Source DF SS MS F P Regression 2 12,6003 6,3001 61,60 0,000 Residual Error 7 0,7159 0,1023 Total 9 13,3162

kesimpulan : berdasarkan hasil analisis di atas, seluruh koefisien signifikan pada level 0,01 menggunakan uji-t. Itu berarti bahwa aset dan harga saham berpengaruh linier terhadap keuntungan perusahaan. Dengan menjumlahkan seluruh koefisien, didapatkan nilai > 1, yang artinya selama penelitian keuntungan mempunyai karakteristik tingkat pengembalian terhadap skala yang bersifat meningkat.

Mendeteksi adanya heteroskedastisitas model yang telah di respesifikasi menggunakan metode grafik
Dengan mengeplotkan nilai duga Y dengan nilai residual kuadrat, diperoleh gambar seperti berikut :
0.3 0.25 0.2 0.15 0.1 0.05 0 0 2 4 6 8 10

Series1

Kesimpulan : titik-titik yang ditunjukkan pada plot di atas, menunjukkan pola homoskedastisitas, yaitu berkumpul pada area tertentu, itu berarti ragam residual sudah konstan. maka dapat dikatakan bahwa respesifikasi model regresi menggunakan model double log, dapat mengurangi / menghilangkan heteroskedastisitas.

Jika dibandingkan dengan model linier (melihat nilai Rsq-adj), nilai Rsq-adj pada model liner lebih besar dibanding pada model double log. Namun, jika dilihat dari asumsi regresi yang harus dipenuhi, model yang paling tepat digunakan adalah model double log.