HETEROSKEDASTISITAS

Sifat Dasar

Varians bersyarat dari Yi meningkat dengan meningkatnya X dan
varians Yi tersebut tidak sama.

Beberapa Contoh :

Mengikuti error learning models.
Belajar dari kesalahan, sehingga i akan
menurun.
Dengan meningkatnya pendapatan maka variasi
penggunaan pendapatan juga meningkat,
sehingga
i

juga meningkat.
Peningkatan teknik pengumpulan data, yaitu
penurunan
kesalahan dalam pengolahan data, sehingga

i
cenderung akan menurun.

Konsekuensi
Varians tidak minimum sehingga penaksiran dari koefisien
regresi tidak tepat.

Yi = bo + b
1
X
1
Mis : E(
i
) =

(wi)(wixiyi) (wixi)(wiyi)
b
1
* = ----------------------------------------
(wi)(wixi) (wixi)

wi
Var (b
1
*) = -------------------------------------
(wi)(wixi) (wixi)

wi = 1/

xiyi xi
Penaksir OLS : b1 = -------- Var (b
1
) = ----------
(xi) xi

Jika ada heteroskedastisitas 2 = ki2

ki adalah konstanta yang menunjukkan bahwa varians tiap sample berbeda
secara proporsional, sehingga :

xi ki xiki xi ki
Var (b1) = ---------------- = ---------------- = Var (b
1
OLS) ---------- -
(xi) (xi)( xi) xi

Var (b
1
OLS) = Var (b
1
hom)
x
i
k
i
Bila terjadi heteroskedastisitas ----------- > 1 ,
x
i


Sehingga Var (b
1
het) lebih besar daripada Var (b
1

hom)

Kesimpulan

1. Bila ada heteros. maka yang digunakan sebagai
penaksir dari bi dan var(bi) adalah bi* dan Var (b
1
*)
yang minimum.

2. Bila digunakan Var (b1), maka perkiraan inteval dan
pengujian signifikansi tidak tepat (baik uji t maupun
uji F)
Mendeteksi
1. Sifat Dasar Masalah
Dapat diketahui ada/tidak nya het. Mis : konsumsi meningkat
bila pendapatan meningkat.

2. Metode Grafik
Bila ada suatu pola tertentu, maka ada het.hubungan yang
terjadi bukan hanya antara e dengan X, tetapi juga antara e
dengan Y.


3. Park Test

Model : i = XibeVi atau ln i = ln + b ln Xi +
Vi

Karena i biasanya tidak diketahui, maka digunakan
e
i
sebagai pendekatan dan digunakan regresi sebagai
berikut :
ln ei = ln + b ln Xi + Vi = a + b ln Xi + Vi
*) Bila b signifikan : het.
*) Bila b tidak signifikan : hom.

Jadi pada Park test ada 2 tahap prosedur, yaitu :
Melakukan regresi dengan OLS tanpa memperhatikan
ada/tidak het.
Melakukan regresi antara ei dengan Xi untuk menguji
het.

4. Rank Correlation

di
2
di = perbedaan rank X dengan rank | ei|
Rs = 1 6 [ ------------ ] n = jumlah observasi
n(n
2
1)

rs V n - 2
t = -------------- df = n - 2
V t - rs
2


5. Goldfeld and Quandt Test
1. Susun data X (variable bebas) dari data terkecil sampai terbesar
2. Data ditengah sebanyak 20% - 30% dibuang dan sisa data dibagi dua.
3. Hitung ESS (error Sum of Squares) masing-masing kelompok data.
4. Hitung Fh = ESS2/ESS1 . Bila Fh > Ft , maka ada het.
Memperbaiki
I . Bila i diketahui
Untuk menaksir b
1
dan var(b
1
) digunakan penaksir yang tertimbang, yaitu
b
1
* dan var (b
1
*)

II. Bila i tidak diketahui
Karena i
2
jarang diketahui, maka digunakan model transformasi dengan
beberapa asumsi. Model yang dikemukakan adalah : Yi = b0
+ b
1
Xi + ei
Asumsi I : E (i ) = Xi dibagi dengan Xi
Asumsi II : E (i ) = Xi dibagi dengan Vxi
Asumsi III : E (i ) = Yi dibagi dengan E(Y)
Asumsi IV : Ln Yi = b0 + b
1
ln Xi + i
Model logaritme dapat mengurangi/menghilangkan het.
karena akan memperkecil perbedaan nilai antar variable atau
antar sampel