Title | Asumsi Klasik : Multikolinearitas, Heterokedastisitas, dan Autokorelasi |
---|---|
Author | Arif Rahman Hakim |
Pages | 26 |
File Size | 530.2 KB |
File Type | |
Total Downloads | 512 |
Total Views | 668 |
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...
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...