Pelanggaran Asumsi Klasik

Bab 7. Pelanggaran Asumsi Klasik: Heteroskedastisitas

7.1 Pendahuluan

Metode OLS baik model regresi sederhana maupun regresi berganda mengasumsikan bahwa variabel gangguan mempunyai rata-rata nol atau mempunyai varian yang konstan dan variabel gangguan tidak berkorelasi antara satu observasi dengan lainnya sehingga dapat menghasilkan estimator OLS yang BLUE. Pada bab ini akan membahas bagaimana jika variabel gangguan mempunyai varian yang tidak konstan atau heteroskedastisitas dalam model.         

Bab ini penting untuk dikuasai oleh para mahasiswa karena bahasan pada bab ini akan menjadi barometer kemampuan mahasiswa untuk menghasilkan model ekonometrika yang dapat dipertanggungjawabkan secara ilmiah dalam pengembangan ilmu pengetahuan melalui penelitian skripsi    dan secara praktis berkaitan dengan pengambilan kebijakan yang dapat dimanfaatkan oleh pihak-pihak yang membutuhkannya.

Kemampuan awal yang perlu dikuasai para mahasiswa adalah sudah menguasai atau mengikuti mata kuliah ekonomi makro dan mikro, matematika dan statistik. Sedangkan untuk melengkapi pemahaman para mahasiswa tentang bab ini para mahasiswa dapat membaca referensi-referensi lain yang berkaitan dengan materi tersebut.

7.1.1 Deskripsi Singkat

         Pembahasan bab ini akan dimulai dari definisi dan sifat dasar heteroskedastisitas, kemudian dilanjutkan dengan materi sebab-sebab munculnya heteroskedastisitas, konsekuensi atau akibat heteroskedastisitas, cara mendeteksi atau mengetahui heteroskedastisitas dan cara penyembuhannya dengan menggunakan beberapa metode.

7.1.2 Relevansi

Diharapkan setelah mahasiswa memahami materi pengujian asumsi klasik heteroskedastisitas mahasiswa dengan mudah dapat menerapkannya untuk menghasilkan  model regresi dengan estimator OLS yang BLUE yang bermanfaat untuk secara ilmiah untuk pengembangan ilmu pengetahuan melalui penelitian skripsi dan secara praktis untuk pengambilan kebijakan.

7.1.3 Kompetensi Dasar

        Mahasiswa diharapkan dapat menghasilkan atau mengaplikasikan model regresi dengan estimator OLS yang bersifat BLUE.

7.1.4 Indikator

Dengan memberikan kuliah pada bab ini maka mahasiswa diharapkan dapat:

• Menjelaskan definisi dan sifat dasar heteroskedastisitas
• Menjelaskan sebab-sebab terjadinya heteroskedastisitas
• Menjelaskan konsekuensi heteroskedastisitas
• Mengerti dan menerapkan cara deteksi heteroskedastisitas dengan beberapa metode.
• Mengerti dan menerapkan cara penyembuhan heteroskedastisitas dengan beberapa metode.

7.2 Penyajian Materi

7.2.1 Definisi dan Sifat Dasar Heteroskedastisitas

Heteroskedastisitas adalah suatu kondisi dimana variabel gangguan (tidak memiliki varian yang konstan atau sama. Masalah ini merupakan salah satu pelanggaran terhadap asumsi klasik. Asumsi penting dalam model linear klasik (CLRM) adalah bahwa variabel gangguan dalam fungsi regresi populasi adalah homoskedastisitas s. Artinya, unsur gangguan tersebut memiliki varian yang sama atau konstan. Disimbolkan dengan:

   

Masalah heteroskedastisitas lebih sering muncul dalam data cross section dari pada data  time series. Karena dalam data cross section menunjukkan obyek yang berbeda dan waktu yang berbeda pula. Antara obyek satu dengan yang lainnya tidak ada saling keterkaitan, begitu pula dalam hal waktu. Sedangkan data  time series, antara observasi satu dengan yang lainnya saling mempunyai kaitan. Terdapat tren yang cenderung sama sehingga varians residualnya juga cenderung sama. Tidak seperti data cross section yang cenderung menghasilkan varian residual yang berbeda.

7.2.2 Sebab-sebab Heteroskedastisitas

            Ada beberapa alasan mengapa varians e_i  tidak konstan), yaitu :

1. Sejalan proses belajar (error learning models) manusia, kesalahan (error) perilaku makin mengecil seiring berjalannya waktu. Dalam kasus ini, σ_i² akan mengecil.
2. Dengan pendapatan meningkat, maka orang akan lebih mempunyai kebebasan dan akan lebih banyak pilihan untuk menggunakan pendapatannya itu. Sehingga varian variabel gangguan (σ_i²) akan meningkat sejalan dengan peningkatan pendapatannya.
3. Perbaikan teknik pengumpulan data akan menurunkan varian variabel gangguan (σ_i²).
4. Kesalahan spesifikasi model.

Kesalahan spesifikasi model yang dikarenakan menghilangkan variabel penting dalam model misalnya:

• Dalam fungsi permintaan jika tidak dimasukkan harga komoditi complementary (komplementer) maka σ_i² tidak konstan.
• Kesalahan transformasi data (misalnya rasio / first difference).
• Kesalahan bentuk fungsi (misalnya linear atau log-linear model)

 7.2.3 Konsekuensi Heteroskedastisitas

Jika terkena heteroskedastisitas maka dengan demikian estimator tidak lagi mempunyai varian yang minimum apabila kita menggunakan motode OLS. Oleh karena itu, estimator  yang kita dapatkan akan mempunyai karakteristik sebagai berikut (Gujarati & Porter, 2010):

1. Estimator metode kuadrat terkecil (OLS) masih linear dan konsisten.
2. Estimator metode kuadrat terkecil masih tidak bias (unbiased).
3. Tetapi, estimator metode kuadrat terkecil tidak mempunyai varian yang minimum lagi (no longer best).

Dalam banyak literatur dikemukakan bahwa dengan adanya heteroskedastisitas maka estimator OLS tidak menghasilkan estimator yang Best Liniar Unbiased Estimator (BLUE) hanya mungkin baru sampai Linear Unbiased Estimator (LUE) (Widarjono, 2010; Sumodiningrat, 2010).

Materi Selengkapnya dapat di _DOWNLOAD DI LINK INI.

Tweet