<\/p>\n
Dalam analisis regresi, heteroskedastisitas<\/strong> (terkadang dieja heteroskedastisitas) mengacu pada penyebaran residu atau istilah kesalahan yang tidak merata. Lebih tepatnya, hal ini terjadi ketika terdapat perubahan sistematis dalam distribusi residu pada rentang nilai terukur.<\/span><\/p>\n Heteroskedastisitas menjadi masalah karena regresi kuadrat terkecil biasa (OLS) mengasumsikan bahwa residu berasal dari populasi yang homoskedastisitas<\/em> , artinya varians konstan.<\/span><\/p>\n Ketika terdapat heteroskedastisitas dalam analisis regresi, hasil analisis menjadi sulit dipercaya. Secara khusus, heteroskedastisitas meningkatkan varians estimasi koefisien regresi, namun model regresi tidak memperhitungkannya.<\/span><\/p>\n Hal ini membuat model regresi lebih mungkin mengklaim bahwa suatu istilah dalam model tersebut signifikan secara statistik, padahal kenyataannya tidak.<\/span><\/p>\n Tutorial ini menjelaskan cara mendeteksi<\/span> heteroskedastisitas, penyebab terjadinya heteroskedastisitas, dan potensi cara mengatasi masalah heteroskedastisitas.<\/span><\/p>\n Cara paling sederhana untuk mendeteksi heteroskedastisitas adalah dengan menggunakan nilai yang sesuai\/plot sisa<\/em> .<\/span><\/p>\n Setelah Anda memasukkan garis regresi ke kumpulan data, Anda dapat membuat plot sebar yang memperlihatkan nilai-nilai yang dipasang pada model dibandingkan dengan sisa dari nilai-nilai yang dipasang tersebut.<\/span><\/p>\n Plot sebar di bawah menunjukkan plot tipikal dari nilai yang dipasang versus residu<\/em> yang terdapat heteroskedastisitas.<\/span><\/p>\n Perhatikan bagaimana residu semakin menyebar seiring dengan meningkatnya nilai yang dipasang. Bentuk \u201ckerucut\u201d ini merupakan tanda terjadinya heteroskedastisitas.<\/span><\/p>\n Heteroskedastisitas terjadi secara alami pada kumpulan data yang memiliki rentang nilai data yang diamati sangat beragam. Misalnya:<\/span><\/p>\n Beberapa kumpulan data lebih rentan terhadap heteroskedastisitas dibandingkan kumpulan data lainnya.<\/span><\/p>\n Ada tiga cara umum untuk mengoreksi heteroskedastisitas:<\/span><\/p>\n Salah satu cara untuk mengoreksi heteroskedastisitas adalah dengan mentransformasikan variabel terikat dalam beberapa cara. Transformasi yang umum dilakukan adalah dengan mengambil log variabel terikat.<\/span><\/p>\n Misalnya, jika kita menggunakan ukuran populasi (variabel independen) untuk memprediksi jumlah toko bunga di suatu kota (variabel dependen), kita dapat mencoba menggunakan ukuran populasi untuk memprediksi logaritma jumlah toko bunga di sebuah kota.<\/span><\/p>\n Penggunaan log variabel dependen, bukan variabel dependen asli, sering kali mengakibatkan hilangnya heteroskedastisitas.<\/span><\/p>\n Cara lain untuk memperbaiki heteroskedastisitas adalah dengan mendefinisikan kembali variabel terikat. Cara umum untuk melakukan hal ini adalah dengan menggunakan tarif<\/em> untuk variabel terikat, bukan nilai mentahnya.<\/span><\/p>\n Misalnya, daripada menggunakan ukuran populasi untuk memprediksi jumlah toko bunga di suatu kota, kita dapat menggunakan ukuran populasi untuk memprediksi jumlah toko bunga per kapita.<\/span><\/p>\n Dalam kebanyakan kasus, hal ini mengurangi variabilitas yang secara alami terjadi dalam populasi yang lebih besar karena kita mengukur jumlah toko bunga per orang, bukan jumlah toko bunga itu sendiri.<\/span><\/p>\n Cara lain untuk mengoreksi<\/span> heteroskedastisitas adalah dengan menggunakan regresi tertimbang. Jenis regresi ini memberikan bobot pada setiap titik data berdasarkan varians dari nilai yang dipasang.<\/span><\/p>\n Pada dasarnya, hal ini memberikan bobot rendah pada titik data yang memiliki varian lebih tinggi, sehingga mengurangi kuadrat residunya. Jika bobot yang digunakan sesuai maka masalah heteroskedastisitas dapat dihilangkan.<\/span><\/p>\n Heteroskedastisitas adalah masalah yang cukup umum dalam analisis regresi, karena banyak kumpulan data pada dasarnya memiliki varian yang tidak konstan.<\/span><\/p>\n Namun, dengan menggunakan plot nilai pas versus plot sisa<\/em> , heteroskedastisitas dapat dengan mudah dikenali.<\/span><\/p>\n Dan dengan mentransformasikan variabel terikat, mendefinisikan ulang variabel terikat, atau menggunakan regresi tertimbang, masalah heteroskedastisitas seringkali dapat dihilangkan.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Dalam analisis regresi, heteroskedastisitas (terkadang dieja heteroskedastisitas) mengacu pada penyebaran residu atau istilah kesalahan yang tidak merata. Lebih tepatnya, hal ini terjadi ketika terdapat perubahan sistematis dalam distribusi residu pada rentang nilai terukur. Heteroskedastisitas menjadi masalah karena regresi kuadrat terkecil biasa (OLS) mengasumsikan bahwa residu berasal dari populasi yang homoskedastisitas , artinya varians konstan. Ketika […]<\/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 Cara mendeteksi heteroskedastisitas<\/strong><\/span><\/h2>\n
Apa penyebab terjadinya heteroskedastisitas?<\/strong><\/span><\/h2>\n
\n
Cara Memperbaiki Heteroskedastisitas<\/strong><\/span><\/h2>\n
1. Transformasikan variabel terikat<\/span><\/strong><\/h3>\n
2. Definisikan kembali variabel terikat<\/strong><\/span><\/h3>\n
3. Gunakan regresi tertimbang<\/span><\/strong><\/h3>\n
Kesimpulan<\/strong><\/span><\/h2>\n