tokomodemku Posted on 4:05 pm

 Pengertian Heteroskedastisidas

 Pengertian Heteroskedastisidas

Heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak sama (konstan). Residual adalah factor-faktor lain yang terlibat akan tetapi tidak termuat dalam model. Karena residual ini merupakan variable yang tidakdiketahui, maka di asumsikan bahwa nilai residual bersifat acak.

Masalah ini merupakan salah satu pelanggaran terhadap asumsi klasik. Sebaliknya, jika varian variabel pada model regresi memiliki nilai yang sama (konstan) maka disebut dengan homoskedastisitas. Jika kergaman residual/error tidak bersifat konstan, data dapat dikatakan bersifat heteroskedastisitas. [1]

  1. Penyebab dan Akibat Terjadinya Heteroskedastisitas

Ada beberapaalasan yang menyebabkan varians kesalahan pengganggu menjadi variabel yang selalu berubah, antara lain sebagai berikut:

  1. Basis data dari satu atau lebih variabel mengandung nilai-nilai dengan satuan jarak yang lebar, yaitu jarak antara nilai yang paling kecil dengan  yang paling besar adalah lebar.
  2. Perbedaan laju pertumbuh anantara variabel-variabel dependen dan independen adalah signifikan dalam periode pengamatan untuk data time series.
  3. Terdapat situasi error learning, misalnya kita ingin mengetahui hubungan tingkat kesalahan mengetik terhadap berbagaivariabel. Jika kita menggunakan sampel yang bersifat panel/time saries akan sangat mungkin model yang dimiliki akan bersifa theteroskedastisitas. Hal ini disebabkan kesalahan pengetikan akan menurun dari waktu kewaktu dan terjadi konvergensi diantara elemen sampel (kesalahananggota sample yang paling tidak terampil akan menurun mendekati mereka yang awalnya sudah terampil).
  4. Sifat data yang digunakan dalam analisis. Pada penelitian dengan menggunakan data runtut waktu, kemungkinan asumsi itu mungkin benar. Data itu pada umumnya mengalami perubahan yang relative sama atau proporsional, baik yang menyangkut data variabel bebas maupun data variabel tak bebas. Tetapi pada penelitian dengan menggunakan data seleksi hilang, kemungkinan asumsi itu benar adalah lebih kecil. Hal ini disebabkan data itu pada umumnya tidak mempunyai tingkatan yang sama atau sebanding.

Keadaan heteroskedastisitas diatas akan mengakibatkan hal-hal berikut:

  1. Penduga OLS yang diperoleh tetap memenuhi persyaratan tidak bias.
  2. Varian yang diperoleh menjadi tidak efisien, artinya cendrung membesar sehingga tidak lagi merupakan varian yang terkecil. Kecendrungan semakin membesarnya varian tersebut akan mengakibatkan uji hipotesis yang dilakukan juga tidak akan memberikan hasil yang tidak baik (tidak valid). Dengan demikian, model perlu diperbaiki dulu agar pengaruh dari heteroskedastisitasnya hilang.[2]

sumber :

https://chadodomrealestateagentlittleelmtx.com/fantasy-manager-football-apk/