Notice: Array to string conversion in /home/u8992020/public_html/wp-includes/formatting.php on line 1098
Mengatasi Heteroskedastisitas Regresi Linear - Jasa Olah Data USH Indonesia
Skip to content
Home » Info Jasa Olah Data » Mengatasi Heteroskedastisitas Regresi Linear

Mengatasi Heteroskedastisitas Regresi Linear

  • by
heteroskedastisitas

Pada pembahasan kali ini akan dibahas secara rinci bagaimana tata cara dalam mengatasi permasalahan heteroskedastisitas regresi linier. Dimana kita semua tahu bahwa ketika persamaan regresi linier menggunakan estimasi kuadrat terkecil biasa, estimasi tersebut rawan melanggar asumsi klasik, yang salah satunya adalah heteroskedastisitas.

Apa Itu Heteroskedastisitas?

Jadi, sebelum membahas bagaimana cara mengatasi heteroskedastisitas regresi linier, ada baiknya kita melihat terlebih dahulu apa itu heteroskedastisitas. Yang dimaksud dengan heteroskedastisitas adalah suatu kondisi dimana varians kesalahan tidak sama untuk semua pengamatan dari setiap variabel bebas dalam model regresi.

Lalu Apa Ciri-ciri Heteroskedastisitas?

Terjadinya pertidaksamaan varians kesalahan untuk semua pengamatan masing-masing variabel bebas dalam model regresi menyebabkan munculnya karakteristik heteroskedastisitas dalam model regresi. Ketika situasi ini diterapkan dalam praktik, ada korelasi kuat antara prediksi Y dan residual. Dimana prediksi Y, Y adalah hasil dari persamaan regresi. Sedangkan residual adalah selisih antara Y atau variabel terikat yang diprediksi oleh Y.

Gimana Cara Mengatasinya?

Langsung saja ke tahap pembahasan mengenai bagaimana heteroskedastisitas regresi linear dapat diatasi dengan mudah. Berikut 3 cara yang dapat dilakukan:

  1. Lakukan transformasi data.
  2. Lakukan weighted least squares (WLS) atau regresi linier berbobot.
  3. Biarkan saja, tetapi gunakan koefisien estimasi yang kuat atau kebal pada pelanggaran heteroskedastisitas yang terjadi, dengan mengaplikasikan koefisien estimasi Huber White.

Melakukan Transformasi

Cara pertama menggunakan transformasi data, yaitu bentuk data yang digunakan dalam model regresi diubah. Transformasi yang sering direkomendasikan untuk menangani masalah heteroskedastisitas adalah dengan mengaplikasikan transformasi log natural terbalik dan juga memakai transformasi log natural.

  • Transformasi Terbalik atau Inverse Log Natural

Pada model transformasi inverse log natural, variabel internal ditransformasikan dalam bentuk log natural dari variabel tersebut, misalnya variabel X1 maka menjadi 1/(LN X1).

Jadi jika bentuk awalnya adalah : Y = b0 + b1 X1 + b2 X2 + e

Bentuk itu diubah jadi seperti ini : 1/LN (Y) = b0 + b1 1/LN(X1) + b2 1/LN (X2) + e

  • Transformasi Logaritma Natural

Lalu jika pada model transformasi log natural, variabel internal ditransformasikan dalam log natural variabel, contohnya variabel X1 menjadi (L N X1).

Jadi jika bentuk awalnya adalah : Y = b0 + b1 X1 + b2 X2 + e

Bentuk itu diubah jadi seperti ini : LN (Y) = b0 + b1 LN (X1) + b2 LN (X2) + e

Seusai melakukan regresi linier dengan menggunakan model transformasi. Pengecekan kembali harus dilakukan untuk memastikan apakah masih terdapat pelanggaran atau tidak. Bila tidak, berarti masalah tersebut sudah teratasi. Namun jangan lupa bahwa asumsi klasik lainnya juga perlu dikaji ulang.

Menggunakan Weighted Least Square

Menggunakan Weighted Least Square atau WLS merupakan cara kedua yang dapat dilakukan. Caranya adalah dengan menggunakan bobot pada model regresi yang dijalankan. WLS, yang merupakan singkatan dari Weighted Least Square, adalah model regresi linier berbobot.

Dimana pembobotan didasarkan pada variabel bebas yang menyebabkan munculnya heteroskedastisitas, yaitu variabel bebas yang berkorelasi kuat dengan persamaan regresi residual.

Menggunakan ROBUST

Memakai ROBUST merupakan cara terakhir yang dapat dilakukan. Cara yang harus dilakukan adalah mengaplikasikan koefisien estimasi yang kebal atau kuat terhadap pelanggaran yang terjadi pada hipotesis heteroskedastisitas. Sehingga hanya heteroskedastisitas yang terjadi, akan tetapi koefisien yang diestimasi tidak akan terpengaruh atau model tidak bias, karena koefisien yang diestimasi yang dihasilkan menurut metode robust ini kebal. Koefisien estimasi inilah yang biasanya dikenal dengan Huber White.

Demikian yang dapat kami sampaikan mengenai bagaimana cara Mengatasi Heteroskedastisitas Regresi Linear. Semoga bermanfaat dan terima kasih.