BAB 2 TINJAUAN PUSTAKA 2.1 Heteroskedastis Masalah serius ...
BAB 2 TINJAUAN PUSTAKA 2.1 Heteroskedastis Masalah serius ...
BAB 2 TINJAUAN PUSTAKA 2.1 Heteroskedastis Masalah serius ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
<strong>2.1</strong> <strong>Heteroskedastis</strong><br />
<strong>BAB</strong> 2<br />
<strong>TINJAUAN</strong> <strong>PUSTAKA</strong><br />
<strong>Masalah</strong> <strong>serius</strong> lainnya yang mungkin kita hadapi dalam analisis regresi ada-<br />
lah heteroskedastis.Ini timbul pada saat bahwa varians dari faktor konstan untuk<br />
semua nilai dari variabel bebas yang tidak terpenuhi.<br />
<strong>Heteroskedastis</strong> adalah keadaan dimana faktor gangguan tidak memiliki varian<br />
yang sama. <strong>Heteroskedastis</strong> merupakan suatu fenomena dimana estimator<br />
regresi bias, namun tidak efisien,sebagai contoh yang berhubungan dengan pengeluaran<br />
dari keluarga yang berpendapatan rendah biasanya lebih kecil dibandingkan<br />
dari keluarga yang berpendapatan tinggi karena kebanyakan pengeluaran keluarga<br />
yang berpendapatan rendah biasanya merupakan barang kebutuhan pokok,dengan<br />
kemungkinan yang terbatas untuk kehendak lainnya.Maka jika data tentang pengeluaran<br />
keluarga digunakan sebagai variabel penjelas,analisis regresi akan cenderung<br />
memiliki masalah heteroskedastis. Gangguan heteroskedastis ini membawa kita<br />
pada hasil uji statistik yang tidak tepat serta interval keyakinan untuk estimasi<br />
parameter yang kurang tepat pula.<br />
Uji heteroskedastis bertujuan untuk menguji apakah dalam model regresi<br />
terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain.<br />
Jika varian residual satu pengamatan ke pengamatan lain tetap, maka disebut<br />
homoskedastis, dan jika berbeda disebut heteroskedastis. Keadaan heteroskedastis<br />
tersebut dapat terjadi karena beberapa sebab, antara lain:<br />
1. Data dari satu variabel atau lebih mengandung nilai dengan jarak (range)<br />
yang lebar antara data paling kecil dengan data paling besar.<br />
2. Perbedaan laju pertumbuhan antara variabel dependen dan independen signifikan<br />
pada periode pengamatan untuk data deret waktu.<br />
5<br />
Universitas Sumatera Utara
3. Dalam data sendiri terdapat heteroskedastis.<br />
Model heteroskedastis yang memperhitungkan perubahan tersebut dapat mem-<br />
buat penggunaan dan estimasi data menjadi lebih efisien.<br />
Beberapa asumsi/ contoh dalam model regresi yang terkait dengan heteros-<br />
kedastis antara lain, misalnya:<br />
1. Kesalahan orang yang baru belajar mengetik. Semakin dia berlatih, kesala-<br />
han yang dilakukan semakin sedikit.<br />
2. Meningkatnya pendapatan, maka tabungan secara rata-rata juga meningkat.<br />
Artinya keluarga yang berpendapatan tinggi secara rata-rata menabung lebih<br />
banyak daripada keluarga berpendapatan rendah,tetapi variabilitas dalam<br />
tabungannya juga besar.<br />
Konsekuensi heteroskedastis adalah:<br />
1. Koefisien tetap tidak bias namun nilai koefisien berfluktuasi tajam jika model<br />
diperbaharui dengan menambah data atau sampel yang berbeda.<br />
2. Estimasi menjadi tidak akurat.<br />
Makridakis et.al (1992), mengatakan ada beberapa cara untuk mendeteksi ada<br />
atau tidaknya heteroskedastis, yaitu metode informal dan metode formal. Metode<br />
informal biasanya dilakukan dengan melihat grafik dari nilai prediksi variabel independen<br />
dengan residualnya. Variabel dinyatakan tidak terjadi heteroskedastis jika<br />
terdapat pola yang jelas dan titik-titik menyebar disekitar angka nol pada sumbu<br />
y, dan metode formal untuk mendeteksi keberadaan heteroskedastis antara lain<br />
dengan : Uji Park, Uji Glijser, Uji White dan uji Goldfold-Quandt.<br />
Data cross section(data panel) sering memunculkan varians error yang heteroskedastis,<br />
akan tetapi bukan berarti data deret waktu terhindar dari permasalahan<br />
ini, misalnya : indeks harga saham, inflasi, nilai tukar,atau suku bunga, sering<br />
6<br />
Universitas Sumatera Utara
kali mempunyai varians error yang tidak konstan. Sekalipun keberadaan heteroskedastis<br />
masih memberikan pendugaan yang tidak bias dan konsisten, pendugaan<br />
tersebut sudah tidak efisien yaitu varians dari estimator tidak minimum. Akibatnya<br />
pada uji t, interval kepercayaan dan berbagai ukuran lainnya menjadi tidak<br />
tepat. Salah satu cara untuk mengakomodasi heteroskedastis adalah dengan melakukan<br />
pemodelan varians yang dapat melakukan estimasi dengan tepat. Ini berarti<br />
penyimpangan antara varians aktual dengan varians ramalan tidak jauh berbeda.<br />
Berbagai model parametrik telah banyak dibuktikan pada dekade terakhir<br />
ini, untuk lebih jelas lihat, Brockwell dan Davis (1996), Shumway dan Stofler<br />
(2001) dan Tong (1990). Estimasi parameter untuk model linier telah banyak<br />
dikaji, sementara untuk model tak linier masih sedikit karena kompleksitasnya/<br />
kerumitannya.<br />
Penelitian pada umunya dilakukan untuk kasus tertentu saja,misalnya :Estimasi<br />
parameter model ARCH (Autoregresive Conditional Heteroscedasticity) dan<br />
GARCH (Generalized Autoregresive Conditional Heteroscedasticity) yang masingmasing<br />
diperkenalkan oleh Engle (1982) dan Bollerslev (1986). Bahwa dalam model<br />
ARCH (Q), perubahan varians dipengaruhi oleh sejumlah Q data acak sebelumnya.<br />
Model GARCH merupakan penyempurnaan dari model ARCH, yaitu sebuah<br />
konsep tentang ketidakkonstanan varians dari data acak, dan perubahan varians ini<br />
dipengaruhi oleh data acak sebelumnya yang tersusun dalam urutan waktu. Model<br />
GARCH cukup baik untuk memodelkan data yang berubah variansnya, namun<br />
tidak untuk data yang benar-benar acak.<br />
Beberapa tulisan yang relevan antara lain : Giraitis dan Robinson (2001) yang<br />
mengajukan Estimasi parameter Wittle (∼). Pada tahun 2003, Chatterjee dan Das<br />
mengkaji Estimator yang diperoleh dengan meminimumkan fungsi tertentu pada<br />
model ARCH, sedangkan Peng dan Yao (2003) memperkenalkan Estimator Least-<br />
Absolut pada model ARCH, kemudian Berkes dan Horvath (2004) yang mengkaji<br />
Estimator Likelihood pada model ARCH.<br />
7<br />
Universitas Sumatera Utara
Pendekatan stokastik pada analisis estimasi heteroskedastis tak linier model<br />
deret waktu dilakukan dengan menggunakan model-model statistik untuk menjelaskan<br />
perilaku dinamis, dari suatu model deret waktu. Hal ini mengasumsikan<br />
bahwa suatu deret waktu dibangkitkan dari suatu mekanisme atau model stokastik<br />
yang didefenisikan dengan suatu persamaan :<br />
Xi = m (ρ; Zi − 1) + σ(θ; Zi− 1)ε i,i∈ Z (<strong>2.1</strong>.1)<br />
Dimana (Xi)i∈ adalah titik stasioner dan titik ergodik; (Zi = Xi,...,Xi−q+1;<br />
Xi−q)i∈Z adalah barisan dimensi −q dengan q bilangan bulat positif tak hingga ;<br />
(∈i)i∈Z adalah variabel acak dengan variansi satu sedemikian sehingga ∈i indepen-<br />
den pada σ(Zj,j
pose dari ∂H(x) dimana ∂K(ψ; z) =(∂ ′ pK(ψ; z); ∂ ′ θ K(ψ; z))′ maka didefenisikan<br />
:<br />
∂ 2 ⎛<br />
K(ψ; z) = ⎝ ∂2K(ψ ′ ; z) ∂ 2 pθK(ψ; z)<br />
∂ 2 0ρK(ψ; z) ∂ 2<br />
θ2K(ψ; z)<br />
Untuk fungsi h yang riil, h (p) adalah turunan pertama orde p, dengan h (0) = h �V � ε<br />
adalah Eucliden dari vektor V dan �M� M = maxi,j |Mij| dari matriks kuadrat :<br />
M =(Mij)<br />
Selanjutnya diasumsikan bahwa vektor parameter Ψ0 =(ρ0, Θ0) dari (<strong>2.1</strong>) sedemikian<br />
sehingga ρ0 ∈ int(Θ) dan Θ0 ∈ int( ˜ Θ), di mana int(Θ) dan int( ˜ Θ) menotasikan<br />
masing-masing interior tak-kosong dari Θ dan ˜ Θ. andaikan juga bahwa<br />
semua variabel acak dalam tulisan ini didefinisikan atas ruang probabilitas yang<br />
sama (Ω,W,P), di mana Ω adalah suatu himpunan, W adalah suatu field-σ dari<br />
Ω dan P adalah ukuran probabilitas W . Dengan asumsi-asumsi berikut:<br />
(A1) Momen orde empat dari himpunan berhingga εi<br />
(A2) Fungsi m(ρ; z) dan σ(Θ; z) terdiferensialkan dua kali secara kontinu masingmasing<br />
terhadap ρ ∈ int(Θ) dan terhadap Θ ∈ int( ˜Θ), dan terdapat suatu<br />
fungsi positip α(z) sedemikian sehingga E[α4 (Z0)] < ∞ dan<br />
�<br />
max sup |m(ρ; z)|, sup ||ĉm(ρ; z)||ε, sup ||∂<br />
ρ∈Θ<br />
ρ∈Θ<br />
ρ∈Θ<br />
2 m(ρ; z)||M,<br />
sup |σ(θ; z)|, sup ||∂σ(θ; z)||ε, sup ||∂<br />
ρ∈Θ<br />
ρ∈Θ<br />
ρ∈Θ<br />
2 �<br />
σ(θ; z)||M � α(z)<br />
(A3) Terdapat suatu fungsi positip β(z) sedemikian sehingga E [β4 (Z0)] < ∞ dan<br />
untuk semua ρ1,ρ2 ∈ Θ dan Θ1, Θ2 ∈ ˜Θ,<br />
max{|m (ρ1; z) − m (ρ2; z)| , �∂m(ρ1; z) − ∂m(ρ2; z)�e ,<br />
�∂ 2 m(ρ1; z) −−∂ 2 m(ρ2; z)� M , |σ (θ1; z) − σ (θ2; z)| ,<br />
�∂σ (θ1; z) −−∂σ(θ2; z)� ε , �∂ 2 σ (θ1; z) −−∂ 2 σ (θ2; z)� M }<br />
� β(z) min {�ρ1 − ρ2� ε , �θ1 − θ2� ε }<br />
Asumsi (A1) setidaknya dipenuhi oleh εi Gauss dan Student. (lihat, misalnya,<br />
Ngatchou dan Wandji (2005))<br />
⎞<br />
⎠<br />
9<br />
Universitas Sumatera Utara