Dr. Masarina Flukeria, M.S.E., M.P.P.

Video ini membahas masalah heteroskedastisitas dalam analisis regresi. Heteroskedastisitas terjadi ketika varian dari residual tidak konstan, berdampak pada estimator beta dan test statistik. Dampaknya termasuk standar error beta yang lebih kecil dari seharusnya, test statistik yang overestimate, dan koefisien yang tidak efisien. Penting untuk memperhatikan masalah ini dalam pemodelan regresi agar hasil analisis lebih akurat dan efisien.

Oke, ketika kita melakukan pemodelan dengan menggunakan regresi,

ada beberapa problem yang perlu diantisipasi.

Sebelumnya kamu sudah belajar, problem multikolinearitas.

Problem multikolinearitas itu muncul ketika kamu menggunakan

more than one variable, more than one independent variable.

Artinya disini ketika kamu menggunakan banyak variable, hati-hati.

Jangan sampai independent variable itu saling berhubungan.

Yang mana saling berhubungannya itu ditunjukkan dengan

Sekarang kita masuk ke problem berikutnya,

Problem heteroskedasticitas ini berlaku baik untuk simple linear regression

Kalau saya melakukan penelitian bagaimana sesungguhnya

pengeluaran konsumsi rumah tangga untuk semua pendapatan

di seluruh Indonesia misalkan seperti itu, bagaimana pola pengeluarannya.

Nah, saya akan bisa mendapati bahwa ketika dia masuk ke dalam low income,

misalkan 1 juta per bulan, misalkan saya bilang ini masih kategori low income.

Saya punya data kan, saya bisa nge-plotkan, skater-plotkan.

Ketika saya bicara low income, dia punya karakteristik pengeluaran konsumsinya di area ini.

Tapi ketika dia semakin besar income-nya,

maka dia juga akan semakin besar pengeluarannya seperti ini.

Poin utamanya ketika belajar heteroskedasticitas itu adalah

kamu lihat bagaimana varian dari residualnya, apakah dia konstan atau tidak.

Ketika kamu berhadapan dengan penelitian yang tadi saya sebutkan, artinya apa?

Residual, residual itu kan ketika Y aktual dikurangi dengan Y prediktif.

Ketika kamu melakukan ini, dan kamu tahu kan makin besar X,

ternyata kamu akan mendapati variasi yang semakin besar pula.

Dan itu akan berdampak kepada residualnya.

Sementara pemodelan dengan regresi, asumsi utamanya itu adalah

Tapi ketika kamu melihat data kamu seperti ini,

maka kamu sadar bahwa varian dari residual kamu tidak konstan.

Dan ketika dia tidak konstan, itu namanya heteroskedasticitas.

Tapi kalau dia konstan, namanya homoskedasticitas.

Konstan itu bukan berarti benar-benar plok-plok, plok lima-lima, enggak gitu ya.

kalaupun dia berbeda, berbedanya itu berbeda-beda tipis.

Tidak seperti ini, kan gitu kan, beda banget kan.

Tapi kalau ini kan beda-beda, tapi kita bisa bilang dia masih relatif konstan.

Kalaupun dia naik-naik, tapi kan dia relatif,

kalau saya tidak punya garis di sini, dia kan relatif sama kan.

Jadi yang ini dengan yang ini itu masuk ke homoskedasticitas.

Tapi yang ini sama yang ini itu masuk ke heteroskedasticitas.

Nah, sekarang mungkin pertanyaan akan berlanjut.

Terus, emang kalau kayak gini, efeknya apa di dalam penghitungan regresi?

Gini kan, impact-nya apa sih kalau ada heteroskedasticitas?

Oke, I assume kamu sudah mengerti ya, saya akan hapus.

Ingat bahwa ketika kamu punya model seperti ini,

kamu perlu memastikan kan, apakah estimator beta itu mampu mengestimasi the true parameter.

Ya beta itu sendiri kan, ini estimator, ini parameter.

Di dalam uji hipotesis, salah satu tahapan yang perlu kamu kerjakan itu apa?

T-statistik sama dengan, ingat perajalan sebelumnya?

Atau mungkin nanti akan disebutkan lagi terkait formula ini,

Gini kan, dan ini sendiri, itu formulanya seperti apa?

Oke, EI, semoga saya ingat, EI kwadrat akar dari dibagi dengan sigma EI kwadrat,

dibagi dengan n-2 sigma XE dikurang X bar kwadrat.

Nah, lihat baik-baik apa impact dari heteroskedastisitas.

Tadi kan dia lebih berimpact kepada varian dari residualnya kan?

Di mana ini itu merupakan komponen dari ini kan?

Tapi kalau misalkan kamu menghitung dia ada heteroskedastisitas, artinya apa?

Artinya adalah, asumsinya kan harusnya dia konstan kan?

Tapi di sini kamu ada heteroskedastisitas,

berarti kan asumsi konstan tidak lagi berlaku kalau ada problem ini.

Dampaknya adalah kamu akan menghasilkan standar error untuk beta yang lebih kecil dari yang seharusnya.

Kalau ini lebih kecil dari seharusnya, dampaknya apa lagi?

Dampaknya adalah kamu akan mendapatkan test statistik yang lebih besar dari yang seharusnya.

Kalau heteroskedastisitas terjadi, dampaknya kan di sini kan?

Artinya saya ulangi ya, artinya adalah kamu akan mendapati standar error beta yang lebih kecil daripada yang seharusnya.