Mengatasi heteroskedastis merupakan langkah lanjutan apabila data terindikasi mengandung unsur heteroskedastis. untuk melihat adanya indikasi bisa dilihat di Mendeteksi Heteroskedastisini harus dilakukan agar kita masih bisa menggunakan analisis tersebut. ada beberapa cara yang dapat digunakan untuk kepentingan tersebut:
1. Metode Generalized Least Squares (GLS)
Metode ini sering juga disebut dengan metode kuadrat terkecil tertimbang. syarat dalam menggunakan metode ini adalah diketahuinyasi2varians.
Perhatikan model berikut :
Yi = b0 + b1Xi + εi dengan Var (εi) = si2
Masing-masing dikalikansj2

Yi* = b0* + b1Xi* + εi*
Setelah ditransfomasi tersebut maka telah homoskedastis, pembuktiannya dapat ditunjukkan sebagai berikut:

2. Transformasi dengan 1/Xj
Permasalahan pada metode GLS diatas adalah harus mengetahui si2 dulu. namun, kenyataannya nilai si2 hampir tidak pernah diketahui. untuk menanggulangi permasalahan tersebut maka digunakan asumsi untuk menetukan nilai si2, pada bagian akan dicoba mengasumsikan bahwa:
E(ej2)=s2Xj2
Transformasi menghasilkan:

Setelah transformasi maka akan menghasilkan residual yang konstan.
Pembuktian sebagai berikut:

![]() |
3. Transformasi dengan 1/ÖXi
Untuk kasus ini, diasumsikan bahwa:
E(ej2)=s2Xj
Setelah ditransformasi, maka model pada persamaan menjadi

Pembuktian bahwa hasil transformasi telah mengakibatkan rasidual konstan adalah:

untuk mengetahui bentuk data dari asumsi tersebut, dapat dilihat pada gambar berikut.

4.Transformasi E(Yi)
Transformasi ini biasanya digunakan untuk data yang tersebar seperti gambar berikut:

Dengan mengasumsikan:
E(ej2)=s2[E(Yj)]2
Hasil dari transformasi menjadi:

Seperti biasanya dapat dibuktikan sebagai berikut:

Permasalah dalam metode transformasi ini adalah tidak diketahuinya nilai E(Yj). oleh karena itu, digunakan penduga E(Yj), atau sering dinotasikan dengan . sehingga persamaan hasil transformasi adalah:
5. Transformasi dengan Logaritma
Transformasi ini ditujukan untuk memperkecil skala antar variabel bebas. Dengan semakin ‘sempitnya’ range nilai observasi, diharapkan variasi error juga tidak akan berbeda besar antar kelompok observasi.
Model yang digunakan adalah:
Ln Yi = β0 + β1 Ln Xi + εi
6. White Heteroscedasticity /Robust Standar Error
Metode ini terdapat di program EViews sehingga akan lebih mudah. biasanya terdapat pada option Heteroscedatisity consistent coefficient covariance. Untuk bagian ini masih belom ngerti secara matematiknya gimana. tapi bisa aja langsung menggunakan program bukan hanya eviews tapi bisa juga terdapat pada PcGive, Eviews, Microfit, Shazam, Stata, and Limdep.
post nya keren gan, bisa bantu buat belajar kompre.
ReplyDeleteKak, ada gak contoh perhitungan manual untuk mengaplikasikan rumus2 matematika dalam mengatasi masalah heterokedastisitas dan autokorelasi ?? terima kasih banyak atas ilmunya.....
ReplyDeletekak ada penjelesan uji BP dengan R language kak?
ReplyDeleteThank you for sharing several methods that can be used for this purpose, they seem to be quite essential.
ReplyDeletePortable EVIEWS 12 Full Version
ReplyDeleteVisit
s.id/Eviews12
Kak, apakah ada referensi buku untuk penyembuhan heteroskedastisitas menggunakan LogN?
ReplyDelete