Mengatasi heteroskedastisitas dalam model regresi linier sangat penting untuk dilakukan agar model persamaan regresi yang kita hasilkan dapat diandalkan (terbaik). Model regresi yang best linier unbiased estimation (BLUE) bisa kita dapatkan ketika semua asumsi-asumsi regresi terpenuhi salah satunya adalah tidak adanya heteroskedastisitas pada residualnya.
Heteroskedastisitas terjadi ketika kesalahan standar suatu variabel yang dipantau selama periode waktu atau observasi tertentu tidak konstan.
Adanya heteroskedastisitas memiliki konsekuensi serius bagi sebuah estimasi model regresi. Meskipun estimator regresi tetap tidak bias, tetapi kesalahan standar estimasi yang besar mempunyai konsekuensi hasil estimasi regresi menjadi tidak presisi.
Akibatnya, interval kepercayaan dan tes hipotesis tidak dapat diandalkan. Cara mengatasi heteroskedastisitas dalam regresi linear. Pada prinsipnya, ada 3 cara yaitu antara lain:
- transformasi data (Logaritma Natural dan Inverse Log Natural)
- weighted least square (WLS) atau regresi dengan menggunakan pembobot.
- tetap membiarkannya namun menggunakan koefisien estimasi yang robust atau kebal terhadap pelanggaran heteroskedastisitas, yaitu koefisien estimasi Huber White.
Kali ini kita akan mencoba membahas bagaimana mengatasi heteroskedastisitas menggunakan cara mentransformasi data variabel-variabelnya ke dalam bentuk logaritma natural (LN). Sehingga apabila kits mempunyai model awal Y = a + b1 X1 + b2 X2 + e, maka akan ditransformasi menjadi LN(Y) = a + b1 LN(X1) + b2 LN(X2) + e.
Presedur di Eviews
Cara melakukan penghitungan persamaan regresi LN ini sangat mudah dalam Eviews. Seperti melakukan penghitungan regresi seperti biasa di Eviews namun sedikit mengubah kode rumusnya. Kita hanya tinggal mengubah isi estimate equation-nya. Bila di model regresi biasa kita menggunakan rumus seperti ini:
maka, jika menggunakan transformasi LN kita tinggal mengubah rumusnya menjadi seperti ini:
Hasil estimasi menggunakan transformasi data variabel tersebut adalah sebagai berikut:
Cukup mudah dan simpel bukan? Kalau ada cara yang lebih simpel mengapa pakai cara lain yang lebih ribet.
Tentunya, setelah anda melakukan regresi linear dengan menggunakan model transformasi logaritma natural tersebut, kita tetap harus uji kembali heteroskedasitisitasnya. Apakah masih ada pelanggaran asumsi tidak adanya heteroskedastisitas. Silakan gunakan uji yang dianggap paling powerfull. Bisa pakai grafik, Breusch-Pagan, Koenker-Bassett, atau White.
Jika sudah tidak ada masalah, maka model tersebut sukses dalam mengatasi permasalahan asumsi tersebut. Namun, jika masih ada maka kita bisa menggunakaan salah satu cara lain yang sudah saya sebutkan di atas.
Oh ya, bila masalah heteroskedastisitas sudah beres, asumsi-asumsi model regresi yang lainnya juga harus tetap diperiksa kembali. Setelah semua beres jangan lupa cara interpretasinya mengikuti model modifikasi terbaru ya….