<\/p>\n
Uji Goldfeld-Quandt<\/strong> digunakan untuk mengetahui apakah terdapat heteroskedastisitas<\/a> dalam suatu model regresi.<\/span><\/p>\n Heteroskedastisitas mengacu pada penyebaran residu<\/a> yang tidak merata pada berbagai tingkat variabel respons<\/a> dalam model regresi.<\/span><\/p>\n Jika terjadi heteroskedastisitas, hal ini melanggar salah satu asumsi utama regresi linier<\/a> yang menyatakan bahwa residu tersebar secara merata di setiap tingkat variabel respons.<\/span><\/p>\n Tutorial ini memberikan contoh langkah demi langkah bagaimana melakukan uji Goldfeld-Quandt di R untuk menentukan ada tidaknya heteroskedastisitas dalam model regresi tertentu.<\/span><\/p>\n Pertama, kita akan membuat model regresi linier berganda<\/a> menggunakan kumpulan data mtcars<\/strong> yang ada di R:<\/span><\/p>\n Selanjutnya, kita akan menggunakan fungsi gqtest()<\/b> dari paket lmtest<\/strong> untuk melakukan uji Goldfeld-Quandt guna menentukan apakah terdapat heteroskedastisitas.<\/span><\/p>\n Fungsi ini menggunakan sintaks berikut:<\/span><\/p>\n gqtest(model, order.by, data, pecahan)<\/span><\/strong><\/p>\n Emas:<\/span><\/p>\n *Uji Goldfeld-Quandt bekerja dengan menghilangkan sejumlah pengamatan yang terletak di tengah kumpulan data dan kemudian menguji untuk melihat apakah distribusi residu berbeda dari dua kumpulan data hasil yang terletak di kedua sisi kumpulan data. observasi sentral.<\/span><\/p>\n Biasanya, kami memilih untuk menghapus sekitar 20% dari total observasi. Dalam hal ini, mtcars memiliki total 32 observasi, sehingga kita dapat memilih untuk menghapus 7 observasi pusat:<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Uji Goldfeld-Quandt menggunakan hipotesis nol dan hipotesis alternatif berikut:<\/span><\/p>\n Karena nilai p tidak kurang dari 0,05, kita gagal menolak hipotesis nol. Kami tidak memiliki cukup bukti untuk menyatakan bahwa terdapat heteroskedastisitas dalam model regresi.<\/span><\/p>\n Jika Anda gagal menolak hipotesis nol uji Goldfeld-Quandt, maka tidak terjadi heteroskedastisitas dan Anda dapat melanjutkan untuk menginterpretasikan hasil regresi awal.<\/span><\/p>\n Namun jika hipotesis nol ditolak, berarti terdapat heteroskedastisitas pada data. Dalam hal ini, kesalahan standar yang ditampilkan dalam tabel keluaran regresi mungkin tidak dapat diandalkan.<\/span><\/p>\n Ada beberapa cara umum untuk mengatasi masalah ini, antara lain:<\/span><\/p>\n 1. Transformasikan variabel respon.<\/strong><\/span><\/p>\n Anda dapat mencoba melakukan transformasi pada variabel respon, misalnya mengambil log, akar kuadrat, atau akar pangkat tiga<\/a> dari variabel respon. Umumnya hal ini dapat menyebabkan hilangnya heteroskedastisitas.<\/span><\/p>\n 2. Gunakan regresi tertimbang.<\/strong><\/span><\/p>\n Regresi tertimbang memberikan bobot pada setiap titik data berdasarkan varians dari nilai yang dipasang. Pada dasarnya, hal ini memberikan bobot rendah pada titik data yang memiliki varian lebih tinggi, sehingga mengurangi kuadrat residunya.<\/span><\/p>\n Jika bobot yang digunakan sesuai, regresi tertimbang dapat menghilangkan masalah heteroskedastisitas.<\/span><\/p>\n Cara melakukan regresi linier berganda di R<\/a> Uji Goldfeld-Quandt digunakan untuk mengetahui apakah terdapat heteroskedastisitas dalam suatu model regresi. Heteroskedastisitas mengacu pada penyebaran residu yang tidak merata pada berbagai tingkat variabel respons dalam model regresi. Jika terjadi heteroskedastisitas, hal ini melanggar salah satu asumsi utama regresi linier yang menyatakan bahwa residu tersebar secara merata di setiap tingkat variabel respons. Tutorial ini memberikan […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Langkah 1: Buat model regresi<\/strong><\/h3>\n
#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127 on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09\n<\/strong><\/pre>\n Langkah 2: Lakukan tes Goldfeld-Quandt<\/strong><\/span><\/h3>\n
\n
#load lmtest library<\/span>\nlibrary(lmtest)\n\n#perform the Goldfeld Quandt test<\/span>\ngqtest(model, order.by = ~disp+hp, data = mtcars, fraction = 7)\n\n\tGoldfeld-Quandt test\n\ndata: model\nGQ = 1.0316, df1 = 10, df2 = 9, p-value = 0.486\nalternative hypothesis: variance increases from segment 1 to 2\n<\/strong><\/pre>\n\n
\n
Apa yang harus dilakukan selanjutnya<\/strong><\/h3>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Bagaimana melakukan tes White di R<\/a>
Cara melakukan tes Breusch-Pagan di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"