<\/p>\n
Dalam analisis regresi, heteroskedastisitas<\/a> mengacu pada penyebaran residu 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 variansnya konstan.<\/span><\/p>\n Ketika terdapat heteroskedastisitas dalam analisis regresi, hasil analisis menjadi sulit dipercaya.<\/span><\/p>\n Salah satu cara untuk mengetahui apakah terdapat heteroskedastisitas dalam analisis regresi<\/a> adalah dengan menggunakan uji Breusch-Pagan<\/a> .<\/strong><\/span><\/p>\n Tutorial ini menjelaskan cara melakukan tes Breusch-Pagan dengan Python.<\/span><\/p>\n Untuk contoh ini, kita akan menggunakan dataset berikut yang mendeskripsikan atribut 10 pemain bola basket:<\/span><\/p>\n Kami akan menyesuaikan model regresi linier berganda dengan menggunakan penilaian sebagai variabel respons dan poin, assist, dan rebound sebagai variabel penjelas. Selanjutnya akan dilakukan uji Breusch-Pagan untuk mengetahui apakah terdapat heteroskedastisitas dalam regresi.<\/span><\/p>\n Langkah 1: Sesuaikan model regresi linier berganda.<\/strong><\/span><\/p>\n Pertama, kita akan menyesuaikan model regresi linier berganda:<\/span><\/p>\n Langkah 2: Lakukan tes Breusch-Pagan.<\/strong><\/span><\/p>\n Selanjutnya dilakukan uji Breusch-Pagan untuk mengetahui adanya heteroskedastisitas.<\/span><\/p>\n Tes Breusch-Pagan menggunakan hipotesis nol dan alternatif berikut:<\/span><\/p>\n Hipotesis nol (H 0<\/sub> ):<\/strong> Ada homoskedastisitas.<\/span><\/p>\n Hipotesis alternatif: (Ha):<\/strong> tidak<\/em> ada homoskedastisitas (yaitu ada heteroskedastisitas)<\/span><\/p>\n Dalam contoh ini, statistik pengali Lagrange untuk pengujian ini adalah 6,004<\/strong> dan nilai p yang sesuai adalah 0,1114<\/strong> . Karena nilai p ini 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 Pada contoh sebelumnya, kita melihat bahwa tidak terdapat heteroskedastisitas dalam model regresi.<\/span><\/p>\n Namun, ketika heteroskedastisitas memang terjadi, ada tiga cara umum untuk memperbaiki situasi tersebut:<\/span><\/p>\n Contoh: Tes Breusch-Pagan dengan Python<\/strong><\/span><\/h2>\n
import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\n\n#create dataset<\/span>\ndf = pd.DataFrame({'rating': [90, 85, 82, 88, 94, 90, 76, 75, 87, 86],\n 'points': [25, 20, 14, 16, 27, 20, 12, 15, 14, 19],\n 'assists': [5, 7, 7, 8, 5, 7, 6, 9, 9, 5],\n 'rebounds': [11, 8, 10, 6, 6, 9, 6, 10, 10, 7]})\n\n#view dataset\n<\/span>df\n\n\trating points assists rebounds\n0 90 25 5 11\n1 85 20 7 8\n2 82 14 7 10\n3 88 16 8 6\n4 94 27 5 6\n5 90 20 7 9\n6 76 12 6 6\n7 75 15 9 10\n8 87 14 9 10\n9 86 19 5 7<\/strong><\/pre>\n import<\/span> statsmodels.formula.api as<\/span> smf\n\n#fit regression model<\/span>\nfit = smf.ols('rating ~ points+assists+rebounds', data=df). fit<\/span> ()\n\n#view model summary\n<\/span>print<\/span> (fit.summary())\n<\/strong><\/pre>\n from<\/span> statsmodels.compat import<\/span> lzip\nimport<\/span> statsmodels.stats.api as<\/span> sms\n\n#perform Bresuch-Pagan test<\/span>\nnames = ['Lagrange multiplier statistic', 'p-value',\n 'f-value', 'f p-value']\ntest = sms.het_breuschpagan(fit.resid, fit.model.exog)\n\nlzip(names, test)\n\n[('Lagrange multiply statistic', 6.003951995818433),\n ('p-value', 0.11141811013399583),\n ('f-value', 3.004944880309618),\n ('f p-value', 0.11663863538255281)]<\/strong><\/pre>\n Cara Memperbaiki Heteroskedastisitas<\/strong><\/span><\/h2>\n