Salah satu cara simpel untuk menyelesaikan masalah heteroskedastisitas adalah menggunakan transformasi data inverse log. Cara ini hanya membutuhkan beberapa tahap saja di Eviews.
Mengatasi masalah heteroskedastisitas dalam model regresi linier wajib 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. Pada prinsipnya, ada 3 cara untuk menyelesaiakan masalah heteroskedastisitas dalam regresi linear, 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 daat variabel-variabelnya ke dalam bentuk inverse logaritma natural (1/LN). Jadi, apabila kita mempunyai model awal Y = a + b1 X1 + b2 X2 + e, maka akan ditransformasi menjadi 1/LN(Y) = a + b1 1/LN(X1) + b2 1/LN(X2) + e.
Prosedur Penyelesaian menggunakan 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 inverse logaritma natural kita tinggal mengubah rumusnya menjadi seperti ini:
Hasil estimasi menggunakan transformasi data variabel tersebut adalah sebagai berikut:
Tentunya, setelah anda melakukan regresi linear dengan menggunakan model transformasi inverse logaritma natural tersebut, kita tetap harus uji kembali heteroskedasitisitasnya. Apakah masih ada pelanggaran asumsi tidak adanya heteroskedastisitas. Silakan gunakan uji yang dianggap paling pas. Kita bisa menggunakan uji grafik, Breusch-Pagan, Koenker-Bassett, atau White.
Jika sudah tidak ada masalah, maka model solusi tersebut berhasil digunakan dalam menyelesaikan 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. Selamat mencoba…