pelanggaran asumsi regresi
DESCRIPTION
bagaimana mengatasi jika adaasumsi yangtidak dipenuhiTRANSCRIPT
PELANGGARAN ASUMSI REGRESI
A. Multikolinieritas
1. Asumsi yang Dilanggar:
Adanya kolonieritas ganda antara variabel bebas X.
2. Konsekuensi:
Bila ada Perfect Collinearity, koefisien regresi parsialnya
tidak dapat ditentukan dan standard errornya tak terbatas
(infinite)
Kolonieritas tinggi tetapi tidak sempurna, koefisien regresi
dapat dicari tetapi standard errornya terlalu besar,
sehingga interval konfidensinya terlalu besar
3. Cara Mendeteksinya:
a) R2 besar sekali tetapi tak satupun dari koefisien regresi
parsial yang signifikan kalau dipergunakan kriteria uji t.
b) Menghitung koefisien regresi sederhana antar dua
variabel,bila nila r nya besar berarti ada korelasi antar
kedua variabel bebas
c) Bila jumlah variabel bebasnya lebih dari 2 maka koefisien
korelasi sederhana bisa menyesatkan karena bisa saja
koefisien korelasi sederhananya nilainya kecil namun
masih diperoleh kolinieritas ganda besar sehingga perlu
dicari koefisien korelasi parsial
d) Bila R2 tinggi dan koefisien korelasi parsialnya tinggi
maka ada kemungkinan terdapat kasus multikolinieritas,
namun bila R2 tinggi namun korelasi parsial ganda rendah
adanya multikolinieritas susah diketahui.
4. Cara Mengatasinya
a) Menggunakan informasi sebelumnya
b) Menggabungkan data cross section dan data series
c) Mengeluarkan variabel yang kolinieritasnya tinggi
d) Mentransformasi data dengan perbedaan pertama
e) Menambah data
B. Heteroskedastisitas
1. Asumsi yang dilanggar: E(ei)=2, untuk semua i,
2. Konsekuensinya:
a) Estimasi parameternyan masih unbiased dan konsisten
namun tidak mempunyai varian terkecil dalam artian
estimasinya tidak efisien
b) Uji signifikansi parameter kurang kuat karena interval
konfidensi yang terlalu lebar
3. Cara mendeteksinya
a) Dengan melihat sifat persoalan, yang akan menunjukkan
kemungkinan terjadinya heteroskedasitas. Contohnya
untuk data-data cross section kemungkinan adanya kasus
heteroskedastisitas
b) Metode Grafik, bila tidak diketahui sebelumnya bisa
dilakukan plot terhadap nilai residualnya, dengan nilai
dugaan Y, pola yang terbentuk dapat dijadikan dasar
transformasi apakah yang bisa dilakukan terhadap data.
c) Park Test, dengan dua tahapan. Tahapan I, buat regresi
dengan OLS, dan didapatkan nilai ei , Tahap II, bentuk
persamaan regresi
ln ei = A + B ln Xi +Vi setelah itu ujilah estimasi
parameter B nya apabila signifikan maka ada kasus
heteroskedastisitas.
d) Uji Glejser (khusus untuk data besar), caranya untuk tahap
pertama sama dengan Park test, Tahap kedua buat regresi
untuk model
|ei| = BXi + vi
|ei| = B√Xi + vi
|ei| = B(1/Xi) + vi
|ei| = B(1/√Xi) + vi
langkah selanjutnya seperti Park Test
e) Uji Korelasi Rank Spearman
Tahap I: Buatlah regresi antara Y dan X, dan hitung
nilai residualnya
Tahap II: Buatlah rank |ei| dan X dan hitung
koefisien korelasi spearman
dimana di = perbedaan dalam rank yang diberikan
kepada dua karakteristik yang berbeda
dari observasi ke-i
n = banyaknya observasi yang diberi rank.
- Tahap III: Ujilah dengan uji t nilai rs diatas dengan
rumus
, dengan df=n-2
4. Cara mengatasinya
a) Kalau 2i diketahui maka menggunakan metode WLS
b) Kalau 2i tidak diketahui:
Asumsi E(i2) = 2X2
i, bagi Y dan X dengan Xi
Asumsi E(i2) = 2Xi, buatlah regresi antara Y/√Xi,
1/√Xi, melalui titik asal sehingga tidak terdapat
intercep, kemudian kalikan model dengan √Xi
Asumsi 3: E(i2) = 2 [E(Yi)]2,buatlah persamaan
regresi
Asumsi 4: Transformasi Log (ln e)
C. Otokorelasi:
1. Asumsi yang dilanggar E(i,j) = 0 ,i≠j, terjadi karena ada sifat
kelembaman, tidak mudahnya situasi untuk berubah, bentuk
fungsi tidak tepat, kesalahan spesifikasi variabel, adanya
fenomena Cobweb, Time Lags, Manipulasi data.
2. Konsekwensinya:
a) Estimasi parameternya unbiased, konsisten namun tidak
efisien (varian tak minimum)
b) Interval konfidensi menjadi besar, sehingga uji
signifikansi kurang kuat
c) Varians error akan underestimate 2
d) Varians dan standard error dari estimasi parameternya
juga underestimate.
3. Cara Mendeteksinya:
a) Metode Grafik, Plot residual dan urutan waktu, bila
berpola ada otokorelasi
b) Uji Durbin Watson:
Ho: tak ada otokorelasi positif
Bila: d < dL : tolak Ho, d>dU: terima Ho, dL≤d≤dU, tak
dapat disimpulkan
Ho: tak ada otokorelasi negatif
Bila: d >4 - dL : tolak Ho, d<4-dU: terima Ho, 4-dU ≤d≤
4-dL, tak dapat disimpulkan
Ho: tak ada otokorelasi positif dan negatif
Bila: d < dL atau d > 4- dL : tolak Ho, dU<d<4-dU: terima
Ho, dL≤d≤dU atau4-dU ≤d≤ 4-dL, tak dapat disimpulkan
3. Cara Mengatasinya:
a) Jika struktur otokorelasi diketahui: kalikan model
dengan koefisien korelasi orde I (||<1), kemudian
kurangi model I dengan model II (sudah dikurangi ):
b) Jika struktur otokorelasi tidak diketahui, maka kita
estimasikan nilai koefisien korelasi orde I dengan
antara 0 dan 1, maka model diatas dimasukkan nilai
=1 maka Yt =BXt +µt, nilai dapat didasarkan
pada nilai durbin watson (lihat Gujarati, ecometric)