Asumsi Klasik : Multikolinearitas, Heterokedastisitas, dan Autokorelasi PDF

Preview

Summary

Asumsi Klasik : Multikolinearitas, Heterokedastisitas, dan Autokorelasi Arif Rahman Hakim https://independent.academia.edu/ArifRahmanHakim Materi  Multikolinearitas Definisi Penyebab Dampak Deteksi Perbaikan Definisi Multikolinearitas  Adanya hubungan atau korelasi yang cukup kuat antara sesa...

Description

Asumsi Klasik : Multikolinearitas, Heterokedastisitas, dan Autokorelasi

Arif Rahman Hakim https://independent.academia.edu/ArifRahmanHakim

Materi  Multikolinearitas Definisi Penyebab Dampak Deteksi Perbaikan

Definisi Multikolinearitas  Adanya hubungan atau korelasi yang cukup kuat antara sesama variabel bebas yang disertakan dalam model.  Definisi lain adalah korelasi linear yang perfect atau eksak di antara variabel penjelas yang dimasukkan ke dalam model.  Multikolinearitas dianggap penting karena Jika X1 meningkat sebanyak 1-unit , maka akan naik sebesar dengan X2 konstan.Tetapi jika X1 dan X2 collinear, maka hal dia tas tidak akan terjadi. Karena segera setelah X1 berubah, maka X2 juga akan berubah. Maka selanjutnya akan sulit untuk melihat pengaruh masing-masing X1 dan X2 terhadapY.

Ilustrasi Multikolinearitas

Sum ber : Guj arat i, 2004

Penyebab Multikolinearitas  cara pengambilan data,  ukuran sampel yang dipakai terlalu kecil,  acuan yang digunakan pada model atau

populasi yang disampel,  spesifikasi model yang tidak tepat, dan  ketidakseimbangan variabel dalam model dengan jumlah sampel.

Dampak Multikolinearitas

Sum ber : Guj arat i, 2004

Deteksi Multikolinearitas  Nilai koefisien determinasi ( R-squared)

yang cukup tinggi dan dengan F-test yang signifikan, lalu dengan t-test tidak ditemukan adanya koefisien yang signifikan.  Koefisien korelasi antar variabel regressor diatas 0.85. X1 X2 X3 X4 X5 X6

X1 1.0000 0.9916 0.6206 0.4647 0.9792 0.9911

X2 0.9916 1.0000 0.6043 0.4464 0.9911 0.9953

X3 0.6206 0.6043 1.0000 -0.1774 0.6866 0.6683

X4 0.4647 0.4464 -0.1774 1.0000 0.3644 0.4172

X5 0.9792 0.9911 0.6866 0.3644 1.0000 0.9940

X6 0.9911 0.9953 0.6683 0.4172 0.9940 1.0000

Deteksi Multikolinearitas  Variance inflation factor (VIF). Jika mempunyai

nilai VIF diatas 10 atau mempunyai nilai dibawah 1/VIF, maka terindikasi multikolinearitas.  Auxiliary regression, prosedur yang membandingkan R-squared model dengan setiap nilai R-squared variabel independen terhadap (K-1) regressor.  Condition Index. Nilai CI berada diantara 10 hingga 30. (Nilai ini bisa didapatkan dari output perangkat lunak SAS).

Perbaikan Multikolinearitas

 Penggunaan informasi apriori yang dapat

ditemukan dari teori, penelitian lain yang telah dilakukan, atau judgement peneliti.  Penggabungan data cross section dengan runtut waktu, sering kita menyebutnya dengan data panel.  Melakukan penggantian atau mengeluarkan variabel yang tidak menyebabkan kesalahan spesifikasi.  Transformasi variabel berupa penggunaan derajat pertama, pembobotan atau penggunaan rasio, serta bentuk logaritma.

Materi  Heterokedastisitas Definisi Akibat Deteksi Perbaikan

https://independent.academia.edu/ArifRahmanHakim

Definisi Heterokedastisitas (1)

 Varian komponen error et bersifat tidak homogen

atau nilai absolut penyimpangan model yang relatif tidak sama untuk setiap nilai variabel bebas atau sepanjang periode observasi.  Jika terdapat heterokedastisitas, maka varians matriks dari error adalah sbb.

Definisi Heterokedastisitas (2)

 Ilustrasi heterokedastisitas vs homokedastisitas, sbb :

 Kita juga dapat melihat plot residual kondisi ada

heterokedastisitas atau tidak.



vs

Akibat Heterokedastis (1)  Estimator OLS tidak bias dan konsisten.  Estimator OLS tidak effisien. Meskipun

estimator yang dihasilkan linier dan tidak bias tapi variansnya tidak minimum.  Karena nilai variance makin besar menyebabkan standard error tersebut tidak tepat sehingga pengujian nilai F dan t menjadi tidak valid.

Akibat Heterokedastis (2) Ilustrasi hal terebut adalah sbb.

 Keberadaan heteroscedasticity dapat

menyebabkan terjadinya kesalahan dalam penarikan kesimpulan.

Deteksi Heterokedastis  Deteksi heterokedastisitas dapat dilakukan

dengan mengamati residual kuadrat yang menunjukkan suatu pola tertentu.

 Bentuk prosedur formal yang dapat digunakan

untuk mendeteksi adanya hetero berupa  Park Test,  GlejserTest,  Breusch Pagan Test atau  White Test.

Perbaikan Heteroskedastisitas 1. Saat diketahui menggunakan weighted least squares (WLS) atau generalized least squares (GLS) untuk mengkoreksi heteroskedastisitas. 2. Saat tidak diketahui Kita bisa menggunakan estimasi dengan pendekatan white s heterocedasticity-consistent variances and standard errors. Pilihan ini sudah tersedia pada perangkat lunak Eviews.

Materi  Autokorelasi  Definisi  Akibat

 Deteksi

 Perbaikan

https://independent.academia.edu/ArifRahmanHakim

Autokorelasi

 Residual regresi yang tidak bedas dari satu observasi ke

observasi lainnya.  Autokorelasi juga didefinisikan sebagai korelasi antara error ei dengan ej untuk i  j.  Ilustrasi autokorelasi, sbb :

Autokorelasi (1)

 Ilustrasi nonautokorelasi, sbb :

Autokorelasi (2)

 Jika terdapat autokorelasi, maka varians

matriks dari error adalah sbb.

Autokorelasi (3)

 Struktur matriks AR(1)

sehingga var (b) menjadi

Akibat Autokorelasi  Model

regresi yang mengalami autokorelasi tetap memiliki estimator yang tidak bias, konsisten, dan tetap terdistribusi normal.  Estimator ini tidak memenuhi syarat BLUE karena varians residual regresi tidak minimum pada estimator kelas linier.

Deteksi Autokorelasi  Metode Grafik (ilustrasi autokorelasi dan non

autokorelasi).  Bentuk prosedur Durbin Watson

 Bentuk prosedur formal yang dapat digunakan

untuk mendeteksi autokorelasi berupa  Breusch Godfrey LM Test.

Perbaikan Autokorelasi 1.Penambahan term lag (yt-1) sebelumnya pada model regresi awal 2.Transformasi data membentuk varian GLS. 3.Penggunaan formulasi korelasi serial dengan robust standard error. Prosedur ini dikenalkan oleh Newey (1987).

Perbaikan Autokorelasi (2)

 Bentuk estimator GLS

 Karena kita mempunyai matriks P yaitu

 Data dalam bentuk transformasi untuk struktur AR(1)

dalam GLS.

Terima Kasih

https://independent.academia.edu/ArifRahmanHakim...