Cara Mengatasi Heteroskedastisitas Regresi Linear

0
320

Cara Mengatasi Heteroskedastisitas Regresi Linear

Dalam pembahasan ini, akan kita kupas tuntas Cara Mengatasi Heteroskedastisitas Regresi Linear. Dimana telah kita ketahui bersama bahwa persamaan regresi linear jika menggunakan estimasi ordinary least square maka estimasinya rentan terhadap pelanggaran asumsi klasik, salah satunya adalah heteroskedastisitas.

Cara Mengatasi Heteroskedastisitas Regresi Linear
Cara Mengatasi Heteroskedastisitas Regresi Linear

Tentunya para pembaca mungkin pernah menemui kasus seperti itu ketika melakukan uji heteroskedastisitas pasca melakukan uji regresi.

Statistikian menyempatkan diri untuk membuat artikel ini yang merupakan kelanjutan dari artikel sebelumnya tentang uji heteroskedastisitas. Tujuannya adalah agar para pembaca tidak kesulitan jika berhadapan dengan kasus masalah pelanggaran heteroskedastisitas.

Sehingga semoga saja tulisan ini dapat membantu sebanyak mungkin bagi pembaca untuk kiranya dapat menemukan cara mengatasi heteroskedastisitas pada regresi linear.

Pengertian Heteroskedastisitas

Sebelum masuk kebahasan cara mengatasi heteroskedastisitas pada regresi linear, sebaiknya kita harus review kembali apa itu sebenarnya heteroskedastisitas. Pengertian Heteroskedastisitas adalah keadaan dimana terjadinya ketidaksamaan varian dari error untuk semua pengamatan setiap variabel bebas pada model regresi.

Cici-ciri Heteroskedastisitas

Keadaan terjadinya ketidaksamaan varian dari error untuk semua pengamatan setiap variabel bebas pada model regresi, akan mengakibatkan timbulnya ciri-ciri heteroskedastisitas di dalam model regresi.

Keadaan tersebut apabila diaplikasikan dalam prakteknya, maka akan terjadi korelasi kuat antara Y prediksi dengan Residualnya. Dimana Y Prediksi adalah Y hasil persamaan Regresi. Sedangkan residual adalah selisih antara Y atau variabel terikat dengan Y Prediksi. Hal ini disebabkan oleh adanya korelasi kuat salah satu atau beberapa variabel bebas dengan residual hasil persamaan regresi.

Maka dalam setiap uji heteroskedastisitas yang ada, akan menggunakan prinsip tersebut yaitu menilai korelasi antara variabel bebas dengan residualnya. Misalnya saja Uji Glejser, yang menguji hal tersebut dengan cara melakukan regresi variabel bebas terhadap absolut residual.

Adanya heteroskedastisitas, berarti ada salah satu atau beberapa variabel bebas yang nilai p value uji parsialnya signifikan atau terima H1. Dan secara keseluruhan, hasil uji F atau uji simultan dalam uji glejser tersebut juga signifikan.

Cara Mengatasi Heteroskedastisitas

Baiklah kita langsung masuk ke dalam tahap bahasan tentang bagaimana cara mengatasi heteroskedastisitas dalam regresi linear. Pada prinsipnya, ada 3 cara yaitu antara lain:

  1. Dengan cara transformasi data.
  2. Dengan cara weighted least square (WLS) atau regresi linear dengan menggunakan pembobot.
  3. Dengan cara membiarkannya namun menggunakan koefisien estimasi yang robust atau kebal terhadap pelanggaran heteroskedastisitas, yaitu koefisien estimasi Huber White.

Mengatasi Pelanggaran Heteroskedastisitas dengan Transformasi

Cara yang pertama adalah dengan menggunakan trasformasi data, yaitu dengan mengubah bentuk data yang digunakan dalam model regresi. Transformasi yang sering atau direkomendasikan untuk cara mengatasi heteroskedastisitas dengan transformasi adalah transformasi inverse logaritma natural dan transformasi logaritma natural.

Cara Mengatasi Heteroskedastisitas dengan Transformasi inverse logaritma natural

Dalam model transformasi ini, variabel-variabel di dalam ditransformasi ke dalam bentuk satu per logaritma natural dari variabel, yaitu misalnya variabel X1 menjadi 1/(LN X1). Sehingga apabila model awalnya adalah: Y = b0 + b1 X1 + b2 X2 + e, maka akan diubah menjadi 1/LN(Y) = b0 + b1 1/LN(X1) + b2 1/LN(X2) + e.

Cara Mengatasi Heteroskedastisitas dengan Transformasi Logaritma Natural

Dalam model transformasi berikutnya ini, variabel-variabel di dalam ditransformasi ke dalam bentuk logaritma natural dari variabel, yaitu misalnya variabel X1 menjadi (LN X1). Sehingga apabila model awalnya adalah: Y = b0 + b1 X1 + b2 X2 + e, maka akan diubah menjadi LN(Y) = b0 + b1 LN(X1) + b2 LN(X2) + e.

Tentunya, setelah anda melakukan regresi linear dengan menggunakan model transformasi tersebut, anda harus periksa kembali, apakah masih terdapat pelanggaran heteroskedastisitas ataukah tidak.

Jika sudah tidak ada, maka model tersebut sukses dalam mengatasi permasalahan asumsi tersebut. Tapi jangan lupa, asumsi klasik lainnya juga harus diperiksa kembali.

Untuk tutorial cara mengatasi asumsi heteroskedastisitas dengan transformasi menggunakan SPSS atau EVIEWS, akan dibahas dalam artikel-artikel berikutnya. Oleh karena itu jangan kemana-mana, stay tune up with statistikian.com.

Cara yang pertama adalah dengan menggunakan trasformasi data, yaitu dengan mengubah bentuk data yang digunakan dalam model regresi. Transformasi yang sering atau direkomendasikan untuk cara mengatasi heteroskedastisitas dengan transformasi adalah transformasi inverse logaritma natural dan transformasi logaritma natural.

Jika ternyata masih tidak sukses, dimana masih terdapat pelanggaran asumsi heteroskedastisitas, maka anda coba cari model transformasi lainnya.

Dan jika masih tidak berhasil, maka anda bisa mencoba untuk menggunakan cara mengatasi heteroskedastisitas regresi linear menggunakan WLS atau menggunaka model Robust.

Mengatasi Asumsi Heteroskedastisitas dengan Weighted Least Square atau WLS

Cara yang kedua adalah dengan menggunakan WLS, yaitu dengan menggunakan pembobot dalam model regresi yang dilakukan. WLS yang merupakan kepanjangan dariĀ  Weighted Least Square adalah model regresi linear dengan pembobot atau weighted. Dimana weighted atau pembobot didasarkan pada variabel bebas yang menjadi penyebab terjadinya heteroskedastisitas, yaitu variabel bebas yang berkorelasi kuat dengan residual persamaan regresi.

Bagaimana lebih lanjut tentang cara mengatasi pelanggaran heteroskedastisitas menggunakan WLS ini, maka anda harus baca artikel kami selanjutnya yang berjudul “Weighted Least Square atau WLS dalam mengatasi heteroskedastisitas Regresi Linear.”

Mengatasi Heteroskedastisitas dengan ROBUST

Cara yang terakhir adalah dengan menggunakan ROBUST, yaitu dengan menggunakan koefisien estimasi yang kebal atau robust terhadap pelanggaran asumsi heteroskedastisitas.

Jadi dibiarkan saja tetap terjadi heteroskedastisitas, namun koefisien estimasi tidak akan terdampak atau model tidak bias, sebab koefisien estimasi yang dihasilkan berdasarkan metode robust ini telah kebal. Koefisien estimasi ini biasa disebut dengan istilah Huber White.

Bagaimana mengatasi heteroskedastisitas dengan Robust? Akan kita bahas pula pada artikel selanjutnya, tentang mengatasi masalah asumsi heteroskedastisitas dengan Robust pada SPSS dan cara mengatasi masalah heteroskedastisitas dengan Robust pada EViews atau aplikasi STATA.

Baiklah para pembaca yang berbahagia, semoga artikel yang singkat dan sederhana ini cukup membantu. namun tentunya anda tidak boleh berhenti cukup disini saja, sebab masih ada artikel selanjutnya yang menanti anda.

Agar masalah asumsi heteroskedastisitas yang anda hadapi dapat teratasi secara tuntas. Salam bahagia dan sehat selalu.

TINGGALKAN KOMENTAR

Please enter your comment!
Please enter your name here