Documente Academic
Documente Profesional
Documente Cultură
net/publication/319081398
CITATIONS READS
0 4,365
3 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Komang Gde Sukarsa on 04 September 2017.
1
Jurusan Matematika, Fakultas MIPA – Universitas Udayana [Email: nie.phoez.pam@gmail.com]
2
Jurusan Matematika, Fakultas MIPA – Universitas Udayana [Email: sukarsakomang@yahoo.com]
3
Jurusan Matematika, Fakultas MIPA – Universitas Udayana [Email: asihmath77@gmail.com]
§
Corresponding Author
ABSTRACT
In the regression analysis we need a method to estimate parameters to fulfill the BLUE characteristic.
There are assumptions that must be fulfilled homoscedasticity one of which is a condition in which the
assumption of error variance is constant (same), infraction from the assumptions homoskedasticity
called heteroscedasticity. The Consequence of going heteroscedasticity can impact OLS estimators
still fulfill the requirements of not biased, but the variant obtained becomes inefficient. So we need a
method to solve these problems either by Weighted Least Square (WLS). The purpose of this study is
to find out how to overcome heteroscedasticity in regression with WLS. Step of this research was do
with the OLS analysis, then testing to see whether there heteroscedasticity problem with BPG method,
the next step is to repair the beginning model by way of weighting the data an exact multiplier factor,
then re-using the OLS procedure to the data that have been weighted, the last stage is back with a
heteroscedasticity test BPG method, so we obtained the model fulfill the assumptions of
homoskedasicity. Estimates indicate that the WLS method can resolve the heteroscedasticity, with
exact weighting factors based on the distribution pattern of data seen.
20
P.A. Maziyya, I K.G. Sukarsa, N.M. Asih Mengatasi Heteroskedastisitas pada Regresi dengan..
karena pada OLS diasumsikan bahwa nilai duga linier terlebih dahulu sehingga dapat memenuhi
parameter regresi bernilai sama untuk setiap asumsi-asumsi pada OLS.
observasi. Mekanisme kerja WLS yaitu apabila Asumsi yang diberikan pada metode GLS
varian variabel gangguan tidak diketahui maka adalah: { } { } Dengan
untuk menyelesaikan masalah heteroskedasti- Ω merupakan matriks simetrik definit positif
sitas adalah dengan mengetahui pola dan nonsingular yang diketahui dan berukuran n
heteroskedastisitas itu sendiri, jika variabel x n, sehingga Ω dapat difaktorisasi menjadi:
gangguan proporsional terhadap maka model
akan dibagi dengan √ , jika varian variabel Dengan C merupakan matriks dengan kolom-
gangguan adalah proporsional terhadap kolomnya adalah vektor ciri dari Ω dan Λ
sehingga model akan dibagi dengan , selain merupakan matriks diagonal dengan unsur
proporsional dengan dan bisa juga diagonalnya akar ciri dari Ω.
diasumsikan bahwa pola varian variabel Didefinisikan variabel baru
gangguan adalah proporsional terhadap [ ] dengan merupakan matriks diagonal yang
sehingga dibagi dengan (Gujarati [3]). entri pada diagonal ke-i adalah √ sehingga
Pada penelitian ini penulis ingin mengetahui . Diberikan
bagaimana cara mengatasi heteroskedastisitas Model regresi dapat
pada regresi dengan metode Weighted Least ditransformasi dengan mengalikan matriks P
Square. Pada penelitian ini digunakan data yang sehingga diperoleh:
mengandung masalah heteroskedastisitas.
Atau
1.1 Metode Kuadrat Terkecil
Variansi pada adalah
Model persamaan regresi linier berganda:
[1] { }
Oleh karena itu, dalam mengestimasi dengan
Metode kuadrat terkecil adalah metode yang GLS dibutuhkan matriks P yang merupakan
bertujuan untuk meminimumkan jumlah kuadrat dekomposisi dari matriks Ω. Akan tetapi dalam
galat (sum square error). Pendugaan koefisien prakteknya matriks Ω sulit untuk ditentukan,
regresi linear berganda dengan metode kuadrat maka secara praktis menurut Gujarati [2] GLS
terkecil dapat dilakukan dengan menggunakan diperkhusus dengan melihat pada pola yang
persamaan matriks [4], sebagai berikut: ditunjukkan sisaan terhadap variabel X yang
disebut dengan Weigted Least Square (WLS)
yaitu beberapa melakukan pembobotan dengan
1.2 Weighted Least Square .
√
Pada estimasi OLS, salah satu asumsi
yang harus dipenuhi adalah 1.3 Heteroskedastisitas
{ }
yaitu galat bersifat homoskedastisitas. Greene Menurut Widarjono[6] terdapat
[1] menyatakan apabila terjadi pelanggaran konsekuensi terhadap estimator OLS jika ada
asumsi tersebut, yakni kemungkinan variansinya masalah heteroskedastisitas namun tetap
tidak sama (heteroskedastisitas), maka metode mempertahankan asumsi metode OLS dan ada
yang dapat digunakan untuk menduga koefisien kemungkinan tidak akan menghasilkan
regresi adalah metode Generalized Least Square estimator linear tidak bias yang terbaik, apabila
(GLS). Penaksir β pada metode GLS diperoleh varian estimator mengandung
dengan cara mentransformasikan model regresi heteroskedastisitas maka variansnya sebagai
berikut:
21
E-Jurnal Matematika Vol. 4 (1), Januari 2015, pp. 20-25 ISSN: 2303-1751
22
P.A. Maziyya, I K.G. Sukarsa, N.M. Asih Mengatasi Heteroskedastisitas pada Regresi dengan..
2. Setelah memperoleh persamaan regresi, Dari gambar [3] dapat disimpulkan bahwa
kemudian dilakukan pengujian untuk melihat terdapat pola sebaran yang menunjukkan titik-
titik yang terus-menerus bergerak mendekati
Tabel 1. Anova
nol. Berdasarkan pola tesebut mengindikasikan
Sumber Variansi JK Df
Regresi 7210,980 2
adanya heteroskedastisitas. Jika diketahui
Sisaan 2112,408 82 bentuk spesifik dari heteroskedastisitas pada
Total 9323,388 84 gambar, maka dapat melakukan pembobotan
a. Dependent Variable: Y terhadap variabel terikat dan variabel bebas
b. Predictors: (Constant), X2, X1 sesuai dengan bentuk heteroskedastisitasnya.
Namun pada gambar [3] sulit untuk
apakah terdapat masalah heteroskedastisitas mengidentifikasi pola sebarannya, oleh karena
atau tidak dengan menggunakan uji BPG. itu usaha perbaikan model untuk menghilangkan
3. Tahap berikutnya adalah melakukan heteroskedastisitas akan diboboti dengan
perbaikan pada model awal menggunakan √
23
E-Jurnal Matematika Vol. 4 (1), Januari 2015, pp. 20-25 ISSN: 2303-1751
1 0,84
√
2 0,49
√
3 0,78
Dapat disimpulkan bahwa hasil pengujian
terhadap heteroskedastisitas dengan uji BPG 4 0,07
pada taraf sebesar 0,05 diperoleh nilai
5 0,67
> . Berdasarkan kriteria pengujian, maka
keputusan yang diambil adalah tolak H0 atau 6 0,99
data mengalami heteroskedastisitas.
Berikut ini hasil uji heteroskedastisitas dengan
3.2 Estimasi Dengan WLS metode BPG yang telah diboboti.
Berdasarkan perhitngan dengan metode
BPG diperoleh bahwa H0 ditolak yang artinya Tabel 4. Hasil Uji Heteroskedastisitas dengan
terdapat masalah Heteroskedastisitas dalam BPG
model, sehingga diperlukan adanya perbaikan No
pada model agar tidak menyesatkan kesimpulan. Tabel Kesimpulan
. Hitung
Persoalan heteroskedastisitas dapat 1 16,42 5,95 Heteroskedastisitas
ditangani dengan melakukan pembobotan suatu 2 28,01 5,95 Heteroskedastisitas
faktor yang tepat kemudian menggunakan 3 19,63 5,95 Heteroskedastisitas
metode OLS terhadap data yang telah diboboti. 4 12,31 5,95 Heteroskedastisitas
Pemilihan terhadap suatu faktor untuk
5 7,30 5,95 Heteroskedastisitas
pembobotan tergantung bagaimana sisaan
6 0,18 5,95 Homoskedastisitas
berkorelasi dengan X atau Y, jika sisaan
proporsional terhadap maka model akan
dibagi dengan √ , jika sisaan adalah Dapat disimpulkan bahwa pembobot pada
proporsional dengan sehingga model akan taraf sebesar 0,05 dapat mengatasi
dibagi dengan , selain proporsional dengan heteroskedastisitas dengan diperoleh nilai
dan bisa juga diasumsikan bahwa pola varian < . Berdasarkan kriteria
sisaan adalah proporsional dengan [ ] pengujian, maka keputusan yang diambil adalah
sehingga dibagi dengan . Namun dalam terima H0 atau data tidak mengalami
prakteknya tidak selalu dengan pembobotan heteroskedastisitas.
dapat mengatasi heteroskedastisitas
√
24
P.A. Maziyya, I K.G. Sukarsa, N.M. Asih Mengatasi Heteroskedastisitas pada Regresi dengan..
DAFTAR PUSTAKA
25