Page 29 - MODUL PEMBELAJARAN EKONOMETRIKA

3. Prosedur koreksi
Jika pada suatu model regresi terdeteksi heterokedastisitas, maka standar error dari regresi
menjadi bias Sebagai konsekuensinya, seluruh upe uji hipotesis (parsial dan exclusion) menjadi
menyesatkan Unnik itu perlu dilakukan koreksi terhadap model Terdapat 2 tipe koreksi yakmi (1) koreksi
terhadap standar error regresi dan (2) Generalized Least Square GLS. Tipe koreksi yang pertama
dilakukan hanya terbatas pada standar error regresi Tidak ada modifikasi atau estimasi ulang atas
parameter yang diperoleh dari OLS Koreksi terhadap standar error regresi dilakukan melalui prosedur
yang diuraikan oleh White (1980) dan dikenal dengan nama Heterocedasticity Robust Standard Error.
Prosedur White (1980) dilakukan terutama jika heterokedastisitas yang terjadi adalah pada
model yang telah dispesifikasi dengan benar. Setelah memeriksa kembali model yang diestimasi tidak
ditemukan dasar untuk mengubah susunan variabel. Koreksi dengan metode GLS dapat mengubah
parameter atau interpretasi sehingga diambil langkah hanya untuk mengoreksi standard error parameter.

C. Multikolinearitas
Dan prinsip matematika matniks, kita mengetahui bahwa jika sistem persamaan mengalami kondisi
ketidakbebasan secara linier (di mana terdapat suatu baris/kolom yang merupakan kombinasi linier baris/kolom
yang lain) maka sistem persamaan tersebut tidak akan memiliki solusi. Inilah yang terjadi jika variabel bebas yang
ada pada model mengalami multikolinearitas sempurna Sedangkan jika mulukolinearitas adalah tidak sempurna,
maka kesulitan yang terjadi adalah kesulitan dalam inferensi Karena standar error yang bersifat variabel.
1. Penyebab multikolinieritas
Terdapat beberapa penyebab multikolineantas, di antaranya (Montgomery and Peck. 1982)
a. Cara pengambilan data dan kecilnya ukuran sampel
b. Pembatas pada model atau populasi yang disampel Misalnya kita meregresi konsumsi listrik
terhadap pendapatan dan ukuran rumah. Di sini populasi dari mana sampel diperoleh memiliki
karakteristik kolinearitas, di mana individu yang memiliki pendapatan tinggi umumnya
memiliki rumah berukuran besar
3
2
c. Spesifikasi model. Penambahan polynomial ( , , ) berpotensi menimbulkanmasalah
multikolineantas terutama jika kisaran nilai x yang dimiliki adalah kecil
d. Model yang overdetermined Hal ini terjadi jika model dimaksud memiliki lebihbanyak variabel
dibandingkan jumlah sampel (umumnya terjadi pada penelitianmedis).
e. Common trend. Terutama jika kita menggunakan data time series, banyak variabel seperti GDP,
konsumsi agregat, PMA, dan sebagainya bergerak searah berdasarkan waktu.
2. Teknik deteksi
Gujarati (2003) menyatakan bahwa multikolinearitas adalah fenomena sampling. Ia terjadi pada
sampel dan bukan pada populasi Hal ini tentu saja jika kita telah menspesifikasikan variabel yang masuk
ke dalam model dengan benar (misalnya tidak ada variabel yang merupakan multiplikasi dari variabel
lainnyas Dengan kata lain jika dimungkinkan untuk bekerja pada populasi maka multikolineantas tidak
akan pernah menjadi suatu masalah.
Dalam istilah lain yang terkait. Kmenta (1986) menyatakan permasalahanmultikolinearitas
adalah persoalan derajat. bukan apakah ada atau tidak ada suatukolinearitas pada data yang dimiliki
Beberapa metode yang dapat digunakan untukmengukur derajat kolinearitas adalah
2
a. yang tinggi tetapi sedikit variabel yang signifikan Meskipun kolinearitas menyebabkan
standard error dan parameter menjadi lebih besar tetapi hal ini tidak terjadi pada model secara
2
keseluruhan. Residual model adalah tidak bias dengan demikian yang dimiliki adalah valid.
2
Jadi, jika kita memiliki model dengan yang tinggi (misalnya >0.7) tetapi sedikit variabel yang
signifikan, kita dapat menduga bahwa model yang dimiliki mengalami multikolineantas.
b. Koefisien korelasi yang tinggi di antara regressor. Cara langsung mendeteksi adanya
mulukolinearitas adalah dengan menghitung koefisien korelasi di antara variabel bebas
Koefisien korelasi yang dihitung dapat bersifat pairwise correlation (zero order correlation):
yang menunjukkan korelasi di antara vanabel x, atau bersifat parsial (Farrar Glauber, 1967):

26