Ekonometrika program studi pendidikan ekonomi dan koperasi


Cara Mendeteksi Heteroskedastisitas



Yüklə 232,77 Kb.
səhifə3/4
tarix17.09.2018
ölçüsü232,77 Kb.
#69180
1   2   3   4

Cara Mendeteksi Heteroskedastisitas


  1. Metode Informal (Grafik)

Metode dengan cara grafik ini merupakan cara yang paling cepat dan mudah.

Ketentuannya dari metode grafik ini adalah :

Jika residual mempunyai varian yang sama (homoskedastisitas) maka kita tidak mempunyai pola yang pasti dari residual. Sebaliknya, jika residual mempunyai sifat heteroskedastisitas jika residual ini menunjukkan pola tertentu.


  1. Metode Park

  2. Metode Glejser,

  3. Metode korelasi Spearman,

  4. Metode Goldfeld-Quandt, metode Breusch-Pagan-Godfrey, dan

  5. Metode White


Cara Penyembuhan Heteroskedastisitas

Ketika model kita diketahui mengandung masalah heteroskedastisitas maka harus disembuhkan karena walaupun estimator masih linear dan tidak bias, tapi tidak lagi efisien karena tidak mempunyai varian minimum.



Untuk menghilangkan heteroskedastisitas ini ada beberapa alternatif yang dapat dilakukan. Tapi juga, alternatif ini sangat tergantung pada ketersediaan informasi tentang varian dan residual.

  • Jika varian dan residual diketahui, maka heteroskedastisitas dapat diatasi dengan metode Weighted Least Square (WLS) atau Kuadrat Terkecil Tertimbang.

  • Jika varian tidak diketahui, maka heteroskedastisitas dapat diatasi dengan metode White dan atau metode transformasi.


EVALUASI


  1. Menurut Anda apa yang dimaksud dengan model dalam kondisi kena heteroskedastisitas ?

  2. Jika model kita terkena heteroskedastisitas, apa memang pengaruhnya ?

  3. Apakah masih dalam kondisi BLUE jika model kita terkena heteroskedastisitas ?

  4. Jika model kita terkena heteroskedastisitas, boleh tidak model tersebut kita lanjutkan saja tanpa perbaikan? Mengapa? Jelaskan!

  5. Bagaimana kita dapat mengetahui suatu model terkena heteroskedastisitas?

  6. Jika model kita kena heteroskedastisitas dan ingin menyembuhkannya, bagaimana cara penyembuhannya?

  7. Diketahui data-data ekonomi Indonesia periode 1980-2008 sbb:




TAHUN

FDI

GDP

OPEN

INF

1980

5.85

13.26

48.36

15.97

1981

5.94

13.34

45.75

7.09

1982

6.13

13.36

43.40

9.69

1983

6.25

13.37

50.58

11.46

1984

5.82

13.44

42.88

8.76

1985

6.39

13.46

33.63

4.31

1986

6.19

13.52

40.79

8.83

1987

6.58

13.57

39.00

8.9

1988

6.36

13.62

39.50

5.47

1989

6.53

13.70

41.28

5.97

1990

6.56

13.76

45.87

9.53

1991

6.97

13.83

48.18

9.52

1992

7.57

13.89

48.59

4.94

1993

8.64

13.96

45.52

9.77

1994

8.24

14.03

41.46

9.24

1995

8.81

14.11

43.69

8.64

1996

8.44

14.18

41.50

6.47

1997

8.15

14.23

70.47

11.05

1998

8.49

14.09

63.97

77.63

1999

9.02

14.11

46.92

2.01

2000

9.20

14.14

72.55

9.35

2001

8.16

14.18

61.85

12.55

2002

8.03

14.23

43.37

10.03

2003

8.60

14.27

39.35

5.06

2004

8.43

14.32

47.79

6.4

2005

9.10

14.38

50.80

17.11

2006

8.70

14.43

43.72

6.6

2007

9.24

14.49

44.90

6.59

2008

9.61

14.55

50.13

11.06

Dimana :



FDI

=

Investasi asing langsung (nilai realisasi investasi asing langsung dalam bentuk ln)

GDP

=

Pertumbuhan ekonomi (di-proxy dengan ln PDB riil)

OPEN

=

Rasio ekspor dan impor terhadap PDB (keterbukaan ekonomi)

INF

=

Inflasi (%)




  1. Uji deteksi heteroskedastisitas dari hasil regresi FDI terhadap GDP, OPEN, dan INF dari data tabel tersebut melalui :

  • Metode Informal (Grafik),

    • Metode Park,

    • Metode Glejser,

    • Metode Korelasi Spearman,

    • Metode Goldfeld-Quandt,

    • Metode Breusch-Pagan-Godfrey, dan

    • Metode White.




  1. Jika model tersebut terkena heteroskedastisitas, bagaimana cara penyembuhannya? Jelaskan !



MATERI 7
AUTOKORELASI
TUJUAN
Menjelaskan dan memahami pelanggaran asumsi klasik : autokorelasi.

KOMPETENSI
Setelah mempelajari bab ini, Anda akan dapat:

  • Memahami sifat dan konsekuensi dari autokorelasi.

  • Memahami cara mendeteksi autokorelasi seperti Metode Durbin-Watson dan Metode Breusch-Godfrey

  • Memahami cara penyembuhan autokorelasi baik ketika struktur autokorelasi diketahui maupun tidak diketahui.



URAIAN MATERI
Sifat dan Konsekuensi dari Autokorelasi

Secara harfiah autokorelasi berarti adanya korelasi antara anggota observasi satu dengan observasi lain yang berlainan waktu. Dalam kaitannya dengan asumsi metode OLS, autokorelasi merupakan korelasi antara satu variabel gangguan dengan variabel gangguan yang lain.

Jadi, autokorelasi (autocorrelation) adalah hubungan antara residual satu observasi dengan residual dengan observasi lainnya. Autokorelasi lebih mudah timbul pada data yang bersifat runtut waktu (time series), karena berdasarkan sifatnya data masa sekarang dipengaruhi oleh data pada masa-masa sebelumnya. Meskipun demikian, tetap dimungkinkan autokorelasi terdapat pada data yang bersifat antar objek (cross section).
Pengaruh autokorelasi

Apabila data yang kita analisis mengandung autokorelasi, maka estimator yang kita dapatkan memiliki karakteristik berikut ini :



  1. Estimator metode kuadrat terkecil masih linear

  2. Estimator metode kuadrat terkecil masih tidak bias

  3. Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum (no longer best)

Dengan demikian, seperti halnya pengaruh heteroskedastisitas, autokerelasi juga akan menyebabkan estimator hanya bersifat LUE, tidak lagi BLUE.


Cara Mendeteksi Autokorelasi
Cara untuk memeriksa ada tidaknya autokorelasi adalah dengan :

  • Uji Durbin Watson (D-W)

Uji D-W merupakan salah satu uji yang banyak dipakai untuk mengetahui ada tidaknya autokorelasi

  • Uji Breusch-Godfrey (uji BG)

Nama lain uji BG ini adalah uji lagrange-multiplier (uji LM) atau (pengganda lagrange)
Cara Penyembuhan Autokorelasi
Oleh karena diketahui adanya korelasi serial mengakibatkan pemerkira OLS yang bias tak efisien, maka perlu untuk mencari jalan keluarnya. Cara penyembuhannya sangat tergantung kepada pengetahuan apa yang kita miliki tentang ketergantungan di antara kesalahan pengganggu tersebut. Kita akan bedakan dua situasi. Situasi pertama kalau struktur autokorelasi diketahui dan situasi kedua kalau struktur tidak diketahui.

Apabila data kita mengandung autokorelasi, data harus segera diperbaiki agar model tetap dapat digunakan. Untuk menghilangkan masalah autokorelasi, harus diketahui terlebih dahulu besarnya koefisien autokorelasi, ρ.

Untuk menghitung nilai ρ, dapat digunakan Uji g atau bisa dikenal dengan Uji Berenblutt-Webb. Uji ini menggunakan persamaan :

variabel et menggambarkan residual persamaan regesi model awal, sedang vt merupakan residual dari persamaan regresi yang sudah didiferensi satu kali. Kita susun lagi H0:ρ = 1 (bukan H0:ρ = 0). Kemudian bandingkan nilai hitung g dengan nilai kritis d. jika g lebih kecil daripada dL, Ho tidak dapat diterima, atau dengan kata lain ada korelasi positif di antara residual.

Kemudian setelah ρ diketahui, baru kita dapat menghilangkan autokorelasi.

Beberapa alternatif menghilangkan masalah autokorelasi adalah sebagai berikut :



  1. Bila struktur Autokorelasi (ρ) diketahui.

  2. Bila struktur Autokorelasi (ρ) tidak diketahui.

  • Bila ρ tinggi : Metode Diferensi Tingkat Pertama.

  • Estimasi ρ didasarkan pada statisitk d Durbin Watson.

  • Estimasi ρ dengan metode dua langkah Durbin

  • Bila ρ tidak diketahui : Metode Cochrane-Orcutt.



EVALUASI


  1. Jika suatu model terkena autokorelasi, apa implikasinya ?

  2. Jika suatu model terkena autokorelasi, apakah model tersebut masih BLUE?

  3. Jika suatu model terkena autokorelasi, apakah model tersebut dapat digunakan tanpa perbaikan? Mengapa? Jelaskan!

  4. Bagaimana cara mendeteksi adanya autokorelasi?

  5. Bagaimana cara penyembuhan autokorelasi ?

  6. Diketahui data-data ekonomi Indonesia periode 1980-2008 sbb:




TAHUN

FDI

GDP

OPEN

INF

1980

5.85

13.26

48.36

15.97

1981

5.94

13.34

45.75

7.09

1982

6.13

13.36

43.40

9.69

1983

6.25

13.37

50.58

11.46

1984

5.82

13.44

42.88

8.76

1985

6.39

13.46

33.63

4.31

1986

6.19

13.52

40.79

8.83

1987

6.58

13.57

39.00

8.9

1988

6.36

13.62

39.50

5.47

1989

6.53

13.70

41.28

5.97

1990

6.56

13.76

45.87

9.53

1991

6.97

13.83

48.18

9.52

1992

7.57

13.89

48.59

4.94

1993

8.64

13.96

45.52

9.77

1994

8.24

14.03

41.46

9.24

1995

8.81

14.11

43.69

8.64

1996

8.44

14.18

41.50

6.47

1997

8.15

14.23

70.47

11.05

1998

8.49

14.09

63.97

77.63

1999

9.02

14.11

46.92

2.01

2000

9.20

14.14

72.55

9.35

2001

8.16

14.18

61.85

12.55

2002

8.03

14.23

43.37

10.03

2003

8.60

14.27

39.35

5.06

2004

8.43

14.32

47.79

6.4

2005

9.10

14.38

50.80

17.11

2006

8.70

14.43

43.72

6.6

2007

9.24

14.49

44.90

6.59

2008

9.61

14.55

50.13

11.06

Dimana :



FDI

=

Investasi asing langsung (nilai realisasi investasi asing langsung dalam bentuk ln)

GDP

=

Pertumbuhan ekonomi (di-proxy dengan ln PDB riil)

OPEN

=

Rasio ekspor dan impor terhadap PDB (keterbukaan ekonomi)

INF

=

Inflasi (%)




  1. Uji deteksi autokorelasi dari hasil regresi FDI terhadap GDP, OPEN, dan INF dari data tabel tersebut melalui :

  • Metode Durbin-Watson

  • Metode Breusch-Godfrey




  1. Jika model tersebut terkena autokorelasi, bagaimana cara penyembuhannya? Jelaskan !


Yüklə 232,77 Kb.

Dostları ilə paylaş:
1   2   3   4




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2024
rəhbərliyinə müraciət

    Ana səhifə