Heteroskedastisitas

Econometrics, Economics

Heteroskedastisitas

Asumsi penting lainnya dari classical linier regression model adalah bahwa disturbance term error dan homoskedastisitas varians sama untuk semua disturbance term error. Masalah heteroskedastisitas akan lebih sering muncul pada data cross-sectional daripada time series.
Heteroskedastisitas terjadi apabila varians dari setiap kesalahan pengganggu tidak bersifat konstan. Dampak yang akan ditimbulkan adalah asumsi yang terjadi masih tetap tidak berbias, tetapi tidak lagi efisien.
Halbert White mengatakan bahwa uji Χ2 merupakan uji umum ada tidaknya kesalahan spesifikasi model karena hipotesis nol yang melandasi adalah asumsi bahwa: (1) residual adalah homoskedastisitas dan merupakan variabel independen, (2) spesifikasi linear atas model sudah benar. Dengan hipotesis nol tidak ada heteroskedastisitas, jumlah observasi (n) dikalikan R2 yang diperoleh dari regresi auxiliary secara simtotis akan mengikuti distribusi Chi Square dengan derajat kebebasan sama dengan jumlah variabel independen (tidak termasuk konstanta). Bila salah satu atau kedua asumsi ini tidak dipenuhi akan mengakibatkan nilai statistik t yang signifikan. Namun sebaliknya, jika nilai statistik t tidak signifikan, berarti kedua asumsi di atas dipenuhi, artinya model yang digunakan lolos dari masalah heteroskedastisitas.
Manurung et al. (2005) menjelaskan bahwa ada dua cara untuk mendeteksi keberadaan heteroskedastisitas, yaitu metode informal dan metode formal. Metode informal biasanya dilakukan dengan melihat grafik plot dari nilai prediksi variabel independen (ZPRED) dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi heteroskedastisitas jika tidak terdapat pola yang jelas dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y. Metode formal untuk mendeksi keberadaan heteroskedastisitas antara lain dengan Park Test, Glejser Test, Spearman’s Rank Correlation Test, Golfeld-Quandt Test, Breusch-Pagan-Godfrey Test, White’s General Heteroscedasticity Test, dan Koenker-Basset Test.
Nachrowi dan Usman (2006) menjelaskan bahwa data cross section sering memunculkan varians error yang heteroskedastis, akan tetapi, bukan berarti data time series terhindar dari permasalahan ini. Indeks harga saham, inflasi, nilai tukar, atau suku bunga, seringkali mempunyai varians error yang tidak konstan. Sekalipun keberadaan heteroskedastisitas masih memberikan pendugaan yang tidak bias dan konsisten, pendugaan tersebut sudah tidak efisien, yaitu varians dari estimator tidak minimum. Akibatnya pada uji t, interval kepercayaan, dan berbagai ukuran lainnya, menjadi tidak tepat. Model yang dikenal sebagai AutoRegressive Conditional Heteroscedasticity (ARCH) dan Generalized AutoRegressive Conditional Heteroscedasticity (GARCH) justru memanfaatkan heteroskedastisitas untuk membuat model.
Misalkan kita memiliki persamaan regresi
Yi = a0 + a1.Xi + ei
regresikan persamaan untuk mendapatkan a0, a1 dan nilai residualnya (ei)
Uji Heteroskedastisitas dengan metode di bawah ini:
A. Uji Park

  1. Regresikan nilai absolut residual (ei) pada x
    ln(ei^2) = b0 + b1.ln(Xi) + Vi
  2. Bila b1 signifikan beda dengan 0 (uji t) maka persamaan memiliki masalah hetrosekdastistas
  3. Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen (Yi)

    4. B. Uji Glejser:

    1. Regresikan nilai absolut ei pada x
      |ei| = b0 + b1.Xi + Vi atau
      |ei| = b0 + b1.sq(Xi^2) + Vi atau
      |ei| = b0 + b1.(1/Xi) + Vi atau
      dll
    2. Apabila t pada b1 signifikan artinya ada heteroskedastistas
    3. Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen (Yi)

    C. Uji Goldfeld-Quandt

    1. Urutkan data X berdasarkan nilainya
    2. Bagi data menjadi 2, satu bagian memiliki nilai yang tinggi, bagian lainnya memiiki nilai yang rendah, sisihkan data pada nilai tengah
    3. Jalankan regresi untuk masing-masing data
    4. Hitung F test, F=[ESSlarge X/df]/[ESSsmall X/df]
    5. Apabila nilai F unite, maka homoskedastistas
Yohan Naftali
http://yohanli.com

61 Comments

farah

Saya mahasiswi yang akan sidang bulan maret ini. Saya mw tnya ttg uji Glejser.Dalam uji Glejser itu digunakan variabel Abnormal ut. Bisa tolong Anda jelaskan? Saya mohon bantuannya. Trims.

Amanda

pak,dalam skripsi saya menggunakan regresi linear berganda dengan spss metode backward dan non intersep.hasil output yang didapat adanya mslh hetersoskedastisitas.bagaimana saya memecahkannya?apakah setiap data apabila menggunakan non intersep alias tdk ada nilai konstan selalu terjadi mslh heteroskedastisitas?thx.

Yohan Naftali

coba obati problem tsb, bila masih belum dapat diatasi, jangan pakai OLS

Yohan Naftali

GENERAL LEAST SQUARE : SOLUSI ATAS GEJALA

HETEROSKEDASTISITAS

Oleh : Sri Nawatmi dan Agung Nusantara

ABSTRAK

Penyimpangan asumsi homoskedastisitas terhadap operasi OLS sekalipun tidak merusak sifat unbiased dan konsistensinya, namun merusak efisiensi estimatornya. Rusaknya sifat efisiensi estimator OLS tersebut menyebabkan hasil pengujian hipotesisnya menjadi meragukan.

GLS, sebagai salah satu bentuk estimasi least square, merupakan bentuk estimasi yang dibuat untuk mengatasi sifat heteroskedastisitas yang memiliki kemampuan untuk mempertahankan sifat efisiensi estimatornya tanpa harus kehilangan sifat unbiased dan konsistensinya.
PENDAHULUAN

Estimasi Ordinary Least Square (OLS), sebagai salah satu bentuk estimasi Least Square (LS), merupakan bentuk estimasi yang paling banyak dipelajari dan digunakan sebagai alat analisis. Kepopuleran OLS sebenarnya lebih didorong oleh kesederhanaan bentuk analisisnya. Namun, sebagai alat yang sederhana, maka OLS perlu didukung oleh kondisi data ideal, sebagaimana ditunjukkan oleh asumsi klasik OLS.

Ada beberapa asumsi klasik yang harus dipenuhi oleh bentuk estimasi OLS agar hasil estimasinya dapat diandalkan. Salah satu asumsi penting yang akan dibicarakan dalam tulisan ini adalah asumsi homoskedastisitas. Asumsi homoskedastisitas ini berkaitan dengan kesalahan penggangu (e ). Asumsi ini dirumuskan sebagai var (e ) = E(ei – Eei )2 = E(e 2 ) = s2 = konstan untuk semua i. Sifat heteroskedastisitas potensial untuk dialami oleh data cross-section yang biasanya merupakan data hasil rata-rata dari suatu wilayah. Disamping itu gejala heteroskedastisitas ini juga potensial untuk dialami oleh model random coefficient, sebagaimana yang diperkenalkan oleh Hildreth-Houck (Judge, 1985:419-420; Thomas, 1996: 279-282).
PENDETEKSIAN HETEROSKEDASTISITAS

Ada berbagai cara untuk dapat mendeteksi adanya gejala heteroskedastisitas, yaitu, antara lain, the White test, Harvey test, Glejser test, ARCH test, Breusch-Pagan-Godfrey test. Pada bagian ini hanya akan dibicarakan serba ringkas mengenai pengujian-pengujian tersebut.

The White’s test. Uji ini didasarkan atas pendekatan formal terhadap jenis pencarian pola residual. Pengujian ini diawali dengan meregresikan nilai kuadrat residual dengan variabel bebas. Bentuk regresinya adalah sebagai berikut:

RES² = f (X1, X2, X3, X1², X2², X3 ²)

Selanjutnya proses pengujian dapat menggunakan uji F(n,k) atau uji c² dengan nilai tabel terkait dengan nilai R², yaitu nR². (Judge, 1985: 453; Ramanathan, 1989: 455-456; Thomas, 1996: 287, White, 1980: 483-499 ).

The Harvey’s test. Uji ini dalam khasanah ekonometri termasuk dalam kategori multiplicative heteroschedasticity. Pengujian Harvey ini didasarkan atas tabel statistik chi-square. ( Judge, 1985: 439-441; Harvey, 1976: 461-465).

The Glejser test. Uji Glejser ini sebenarnya merupakan kelanjutan dari uji nonparametric Park. Glejser beranggapan bahwa pengujian Park masih belum cukup untuk mengindikasi gejala heteroskedastisitas. Maka, Glejser mengusulkan untuk meregresikan nilai absolut residual dari variabel bebasnya. ( Judge, 1985:431-434).

Autoregressive Conditional Heteroskedastisitas (ARCH). Secara tradisional asumsi heteroskedastisitas diarahkan pada data cross section. Sedangkan untuk data time series kesalahan pengganggu dimodelkan dalam proses stochastic yang pemodelannya kebanyakan didasarkan atas asumsi homoskedastisitas. Dasar pemikiran model ARCH ini adalah bahwa varian dari kesalahan penggangu error pada periode t (yang berarti sama dengan s2 ) tergantung pada ukuran squared error term pada periode (t-1). Keputusan dari pengujian ini dapat dilakukan dengan menggunakan tabel chi-square atau mengunakan uji F standar. (Judge, 1985:441-444; Thomas, 1996: 310-311; Gujarati, 1995:436-438).

The Breusch-Pagan-Godfrey test. Uji ini merupakan penyempurnaan uji Goldfeld-Quandt. Uji G-Q memiliki kemampuan yang memuaskan untuk diterapkan pada sampel kecil sedangkan B-P-G dapat diterapkan secara memuaskan untuk sampel besar. Pemikiran inti model uji B-P-G ini adalah var(e) = f ( k + aZ1 + bZ2 +…). Z merupakan variabel yang diduga mempengaruhi kesalahan penggangu varian, yang mungkin tercakup di dalamnya sejumlah explanatory variables yang ada di persamaan estimasi maupun variabel lain di luar persamaan yang diperkirakan akan mempengaruhi var (e). (Judge, 1985: 446-447; Thomas, 1996:287-288; Breusch and Pagan, 1979:1287-1294)

Uji-uji asumsi homoskedastisitas di atas telah tersedia dalam satu bentuk paket software ekonometri. Dalam kesempatan ini, penulis menggunakan dua macam software yaitu MicroTSP v.7 dan Shazam v.6.2. Sebagai upaya untuk memperjelas pengujian di atas maka akan diambil sebuah kasus permintaan untuk pangan dengan menggunakan sampel permintaan pangan di negara Jepang yang datanya bersumber pada OECD National Accounts.

Dengan mengunakan model dasar permintaan pangan Q = f (X, P, G), dimana Q adalah jumlah makanan yang diminta, X pengeluaran total masyarakat, P indeks harga untuk makanan, dan G indeks harga umum. Selanjutnya variabel-variabel tersebut didefinisikan sebagai berikut:

Q = NTE = total expenditure in current prices

X = RTE = total expenditure in constant prices 1980

P = expenditure on food in current prices (NF) : expenditure on food in constant prices 1980 (RF)
G = NTE : RTE

Selanjutnya, model estimasi yang akan dioperasionalkan memiliki bentuk double log seperti di bawah ini:
L(RF) = konstanta + a L(NTE) + b L(P) + c L(G) + e

dimana L merupakan bentuk logaritma natural (logaritma dengan bilangan basis bilangan alamiah, e).

Hasil perhitungan untuk mendeteksi adanya gejala heteroskedastisitas terhadap model di atas adalah sebagai berikut:

Tabel 1:
Print Out Software MicroTSP v.7.0 : Estimasi OLS

Setelah melakukan regresi dengan menggunakan OLS maka langkah selanjutnya adalah menguji hasil estimasi di atas dengan uji heteroskedastisitas. Untuk itu, tabel 2 akan menyajikan uji White yang menggunakan software MicroTSP v.7.0 dan tabel 3 akan menyajikan uji B-P-G, uji ARCH, uji Harvey, uji Glejser.

Tabel 2:

Print Out Software MicroTSP v.7.0 : Uji White

Dari uji White di atas, yang perlu diperhatikan adalah uji F(23,6) yang sebesar 3,784. Dengan F (23,6) tabel sebesar 3,76 pada taraf 1% maka dapat disimpulkan bahwa kehadiran heteroskedastisitas dapat terdeteksi. Demikian pula halnya dengan uji yang terdapat dalam tabel 3. Untuk chi-square tabel dengan derajad kebebasan 1 adalah 5,023 (probabilitas 2,5%) sedangkan untuk derajad kebebasan 3 adalah 9,348 (probabilitas 2,5%). Dari tabel 3 dapat terlihat bahwa terdapat kecenderungan model yang terbentuk juga mengalami heteroskedastisitas.

Dengan terdeteksinya gejala heteroskedastisitas maka memaksakan diri untuk menggunakan model estimasi OLS akan berakibat hasil estimasi tidak efisien, yang dampak ikutannya adalah prosedur standar pengujiannya tidak dapat dijadikan pegangan (dubious value). Ketidak mampuan hasil uji standarnya karena terdapat perbedaan nilai varian di bawah kondisi heteroskedastisitas dengan di bawah kondisi homoskedastisitas sebagaimana diasumsikan.(Thomas, 1996:283-284).

Tabel 3:
Print Out Software Shazam v.6.2: Uji Heteroskedastisitas

GENERAL LEAST SQUARE

Apabila efisiensi estimator dianggap lebih penting daripada sifat unbiased dan konsisten apabila berada di bawah kondisi heteroskedastisitas, maka model estimasi GLS lebih tepat untuk digunakan daripada model estimasi OLS. Yang dilakukan pada pembentukan model estimasi GLS ini pada dasarnya ada dua, yaitu melakukan transformasi data dasar analisis dan menerapkan model OLS terhadap data yang telah ditransformasikan. Anggap saja model yang akan diestimasi adalah sebagai berikut

Yt = a + bXt + et ..…………………………………………………………………(1

dimana et berada di bawah kondisi heteroskedastisitas, sehingga var(et) = s²i . Hal penting yang perlu diperhatikan adalah, apabila kita mentransformasikan kesalahan penggangu et melalui cara membaginya dengan si maka kita akan memiliki kesalahan penggangu yang baru, yaitu et* = et /si , yang memiliki varian konstan, yaitu

var (et *) = var(et /si )= (1/ s²i) var(et ) = (1/s²i ) s²i = 1 ………………(2

Apabila dilakukan transformasi terhadap persamaan (1) dalam bentuk membaginya dengan si , maka kita akan memiliki kesalahan penggangu yang bersifat homoskedastisitas:

Yt / si = a(1/ si ) + b(Xt / si )+ et /si ……………………………………….(3a

Yang secara ringkas dapat dituliskan sebagai berikut:

Yt * = aV + bXt *+ et* ….……………………………………………………(3b

Hal penting yang perlu dicatat dari persamaan (3b) adalah bahwa persamaan tersebut sekarang tidak memiliki konstanta, karena konstanta sudah berubah menjadi variabel sebagai akibat dari proses pembagian dengan si yang dapat dianggap sebagai penimbang (weighted).

Apabila dalam model estimasi OLS residualnya diminimasi, maka pada model estimasi GLS-pun residual juga terminimasi. Perbedaannya hanya terletak pada, apabila OLS terminimasi secara langsung sedangkan GLS terminimasi secara tidak langsung. Bentuk kuadrat residual dari model estimasi GLS dengan menggunakan penimbang dapat dilihat sebagai berikut:

å(ei / si)² = åliei² ……………..……………………………………………(4

dimana l i = 1/si² merupakan penimbang. ( Thomas, 1996: 290-291; Judge, 1985: 174-177 dan 419-422).

Dengan menggunakan contoh kasus permintaan pangan yang terdeteksi gejala heteroskedastisitasnya, model estimasi GLS dapat dilihat pada tabel 4 berikut ini.(Prosedur penghitungan estimasi GLS dapat dilihat pada lampiran 2).
Tabel 4:
Print Out Penghitungan GLS
dengan menggunakan Software MicroTSP v.7.0

Dari tabel 4 terlihat adanya konsistensi hasil perhitungan antara GLS dengan model OLS , baik dalam nilai koefisiennya maupun dalam hal pengujiannya. Demikian juga halnya, apabila kedua model estimasi tersebut diuji tingkat normalitasnya, korelasi serialnya, dan stabilitas strukturalnya. (lihat Lampiran 3 dan Lampiran 4). Model estimasi GLS ini tidak memerlukan pengujian heteroskedastisitas lagi karena secara otomatis model GLS sudah terbebas dari gejala heteroskedastisitas berdasarkan persamaan (2).
KESIMPULAN

Dari perbandingan hasil perhitungan antara model estimasi OLS dengan GLS terlihat bahwa GLS merupakan alternatif model estimasi yang baik untuk berhadapan dengan gejala heteroskedastisitas. Hal tersebut dikarenakan, di samping GLS memiliki kemampuan untuk menetralisir akibat pelanggaran asumsi homoskedastisitas, model GLS juga tidak kehilangan sifat unbiased dan konsistensi dari model estimasi OLS.

Namun demikian, yang tidak boleh dilupakan adalah keputusan penggunaan GLS haruslah didasarkan atas pertimbangan bahwa efisiensi estimator memang dipandang perlu untuk dipertahankan. Dan apabila efisiensi estimator dari suatu model dirasa tidak perlu dipertahankan maka penggunaan model estimasi GLS menjadi pekerjaan yang tidak memberi manfaat apapun.

REFERENSI

Breusch, T.S., and A.R. Pagan, 1979, A Simple Test of Heteroschedasticity and Random Coefficient Variation, Econometrica, 47, : 1287-1294.

Cragg, J.G., 1983, More Efficient Estimation in the Presence of Heteroschedasticity of Unknown Form, Econometrica, 51, : 751-764.

Greenberg, E., 1980, Finite Sample Moments of Preliminary Test Estimator in the Case of Possible Heteroschedasticity, Econometrica, 48, : 1805-1813.

Gujarati, D., 1995, Basic Econometrics, McGraw-Hill Inc.,

Harvey, A.C., 1976, Estimating Regression Models with Multiplicative Heteroschedasticity, Econometrica, 44, : 461-465.

Judge, G.G. (et.al), 1985, The Theory and Practice of Econometrics, John Wiley and Sons.

Ramanathan, R., 1989, Introductory Econometrics with Applications, Harcourt Brace Jovanovich, Pub..

Thomas, R.L., 1996, Modern Econometrics: An Introduction, Addison-Wesley.

White, H., 1980, A Heteroschedasticity Consistent Covariance Matrix Estimator and a Direct Test for Heteroschedasticity, Econometrica, 50, : 483-499.

Sumber: OECD National Accounts

Posted by idtesis at 12:02 PM 0 comments

setiawan

mohon bantuannya.
saya ada sedikit masalah dengan skripsi saya. saya menggunakan analisis regresi linier berganda dalam melakukan analisisnya. di dalam analisis tersebut ada beberapa asumsi yang digunakan. yang saya mau tanyakan bagaimana caranya melakukan uji pada asumsi – asumsi tersebut. asumsinya normalitas, multikolinieritas, homoskedastisitas, autokorelasi. atas bantuannya saya ucapkan terimakasih

gita

ass. sy mahasiswa yang sdng mnyusun skripsi.boleh minta data tentang uji glejser and krim ke email sy ya?soalnya sy sdng butuh sekali saat ini.makasih bnyk yaah^_^

Yohan Naftali

Uji Glejser:
1. Regresikan nilai absolut ei pada x
|ei| = b0 + b1.Xi + Vi atau
|ei| = b0 + b1.sq(Xi^2) + Vi atau
|ei| = b0 + b1.(1/Xi) + Vi atau
dll
2. Apabila t pada b1 signifikan artinya ada heteroskedastistas

3. Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen (Yi)

Kurnia Ali

saya sedang menyusun skripsi tentang nilai intrinsik saham,dalam estimasi nilai EPS saya menggunakan uji autoregresi(data yang digunakan secara triwulan selama 2 tahun).out put yang dihasilkan banyak yang memiliki probabilitas lebih besar dari 5%, dengan SSE yang tinggi,sehingga menurut dosen saya tidak dapat digunakan untuk metode peramalan.saya masih binggung syarat apa saja yang harus dipenuhi agar uji autoregresi memiliki model peramalan yang baik?terima kasih atas bantuan bapak.

Yohan Naftali

kalau regresi biasa memang kurang baik untuk analisis. begini saja, kunci dari regresi time series adalah stasioneritas, pastikan data anda stasioner ! selanjutnya tergantung nasib….

alternatifnya pakai metode ARCH untuk peramalan lebih baik

Saya sedang melakukan penelitian peramalan dengan regresi non linier (harapnya memperbaiki hasil peramalan pada regresi linier)

rini

saya sedang menyusun skripsi, model yang saya pakai adalah partial adjustment model dan menggandung dummy variabel untuk 26 kecamatan, akan saya estimasi dengan metode generalized least square fixed effect dengan menggunakan panel data. pertanyaan saya apakah masih perlu dilakukan uji multikolinieritas? apakah uji multikolinieritas tersebut termasuk dummy variabelnya? terima kasih atas bantuan bapak

fajri

sy mhswi yg sedang mengerjakan tugas akhir,sy berencana mencoba membandingkan metode GLS dengan metode general moment of method (GMM),tp sy masih bingung mempelajari kedua metode tsb dengan pendekatan matrix….sebenarnya bagaimana proses pembobotan thdp matriks pd metode GLS pak?? dan klo bs metode GMM juga,,sebelumnya trimakasih ats bantuannya.

Yohan Naftali

Asumsi klasik berlaku untuk regresi linier, GLS merupakan bentuk umum dari OLS/WLS, tentunya harus masih mengacu kepada asumsi klasik (salah satunya uji multikolinearitas), biasanya WLS digunakan apabila metode OLS menghasilkan masalah heteroskedastisitas. Kesimpulannya, menurut saya, masih perlu dilakukan uji multikolinearitas, juga untuk dummy variabelnya, karena pada prinsipnya regresi dengan variabel dummy dianggap sebagai regresi biasa.

CMIIW

rini

saya lanjut ya pa, kalau begitu uji multikolinieritasnya pakai yang mana ya pa? apa cukup pakai matriks korelasi saja? karena dengan VIF, dengan R square = 1,maka VIFnya tak hingga. terima kasih

ivan

Saya sedang membuat penelitian tentang IHSG dengan menggunakan ARCH. Hal yang ingin saya tanyakan adalah apakah penggunaan data harus stationer pada tingkat level?

Thank’s

Yohan Naftali

pertanyaan aneh!

Apakah data yg digunakan harus stasioner? Ya, pasti

Apakah data harus stasioner pada level? Tidak.

Gita

Pak, mo nanya pak
saya mencoba menganalis hubungan antara respon inflasi dengan jmlh uang beredar (d(L(IHK)) vs (d(L(M2)), 1991:1 s/d 2007:12, menggunakan pendekatan ARCH model, krn diduga terdapat cluster volatilitas yang akibatnya varian residual tidak homoskedastis, terbukti adanya heteroskedastis dengan uji ARCH-LM yang signifikan pad tingkat 1%.
Model akhirnya saya masukkan unsur ARMA jenis AR saja, tujuannya agar corelogram residual semuanya signifikan hingga lag ke 40 dan Q-statistiknya lebih kecil dari Q-statistik tabel, shingga diduga tidak terdapat serial korelasi.
Namun setelah dilihat histogram dan Jarque-Bera-nya ternyata residualnaya tidak terdistribusi secara normal, tetapi jika dilakukan uji Unit Root, hasilnya residual stasioner pada tingkat 1%.
Pertanyaannya Pak! apakah dengan tidak terdistribusi secara normal maka model saya dianggap tidak baik? atau seberapa pentingkah residual harus terdistribusi secara normal dalam sebuah model ARCH?
terimakasih Bapak.

Yohan Naftali

Penting, karena residual (error terms) diasumsikan berdistribusi normal dengan rata-rata 0. Coba ditransformasi lagi, atau gunakan model ARCH lainnya.

wahyu

apakah dalam model arch garch perlu juga di uji multikolinieritas? soalnya uji asumsi yang satu ini tidak pernah disinggung dalam pembahasan arch garch.

PAcoel

apakah model PAM harus dalam bentuk log?

juliana

pak,saya mahasiswi UNJ, jika ingin melakukan uji heteroskedastisitas dengan menggunakan SPSS bagaimana caranya…trima kasih

admin

Pakai EViews aja, lebih gampang, residual test pakai uji white

Kalau pakai SPSS harus meregresikan residual nya dengan variabel bebas-nya

agus

salam kenal.
minta tolong perbedaan antara OLS dan WLS.

Thanks.

admin

OLS = metode least square biasa
WLS = weighted least square -> pakai pembobotan, menghitung koefisiennya dengan iterasi

agus

terima kasih

saputro

Pak, saya lagi penelitian. sekarang lagi kesulitan mengerjakan heterokedastisitas dengan menggunakan metode white memakai SPSS versi 15. Mohon bantuannya. Saya mohon dijelaskan langkah demi langkah.
Terima kasih sebelumnya.

admin

untuk non cross term:
1. regresikan variabel tak bebas terhadap variabel bebas untuk mendapatkan kuadrat dari residualnya
2. regresikan kuadarat residual dengan variabel bebas
selesai…
ada tabel chi square-nya kan?

Pengujiannya
1. Tetapkan hipotesis
a. Null Hypothesis : Homoscedastics
b. Alternative Hypothesis : Heteroscedastics
2. Dapatkan R square dari langkah no 2 di atas
3. Kalikan R square dengan jumlah observasi

Nah, kalau di EViews/genetik nilai Prob-nya sudah otomatis dihitung, bila nilai prob lebih kecil dari nilai alpha (biasanya dipakai 5%) maka tidak cukup bukti untuk menyatakan tidak ada heteroskedastistas (ada gejala heteroskedastisitas)
Kalau pakai SPSS, sepengetahuan saya bisa pakai makro, tapi cara mudahnya tinggal bandingkan R square x jumlah obserbasi dengan nilai chi squarenya.
Derajat bebas = jumlah variabel – 1.
Contoh bila R square = 0.25082
No. of Observations = 34
R² x Observation = 8.52782
Jumlah variabel = 7

Maka DOF = 7-1 = 6,

X² (0.05,6) = 12,592 <-- dari tabel critical values of chi square Karena R² x Observation = 8.52782 < dari 12,592 maka null hipotesis diterima atau ada bukti untuk menyatakan tidak ada heteroskedastistas Kalau di Eviews atau Genetik (program buatan saya sendiri) langsung didapatkan nilai prob 0.74264 (yang lebih besar dari 0.05, maka hipotesis tidak dapat ditolak)

aria

Pak, saya sedang melakukan uji hasil untuk TA..,saya hingga saat ini masi benar2 kesulitan untuk membuat rumusan ARMA-GARCH untuk meramalkan return dan volatilitas beberapa jenis saham untuk periode juli 2009..,karena selama saya mencoba (dengan mengganti2 model ARMA dan GARCH),distribusinya selalu tidak mau normal..,mungkin krn anjlokny semua harga saham th 2008..,apakah bapak memiliki saran ttg ini?,terimakasih sebelumnya..

agus

tanya pak.

bagaimana menentukan bobot dalam WLS?
terima kasih.

farida HS

Pak, mau tanya bagaimana cara menentukan nilai bobot dalam WLS?? Apa semua nilai xi atau yi dirubah semua , atau dapat dikelompokkan lagi, sehingga nilai bobotnya berbeda-beda?.
Thanks Pak.

admin

Bobotnya ditentukan dengan metode pencarian heuristik

rhony

weleh2 pak pusing amat ya regresi linier, kebetulan aku juga lagi ngerjain tesis yg guna in regresi linier berganda. makasih pak, sharingnya. ntar kalo aku mentok, boleh pak konsultasi ? via email misalnya? thank 4 sharing

Reina

Pak Yohan, mohon penjelasan perbedaan uji heteroskedastis antara metode Park dengan metode Koenker Basset. Kebetulan agak susah mencari literatur mengenai metode Koenker Basset.
Terima kasih…

eko ardianto

mas, aku sedang nyusun tesis. Aku pakai data panel, perlukah uji normalitas? makasih sebelumnya.

admin

perlu dong, kalau masih pakai regression yang didasari asumsi, tentunya asumsi klasik perlu diuji…

wiya

pengujian asumsi residual n’pengujian asumsi klasik,sama tidak?

admin

sama…
asumsi klasik -> residual normal..

minervahero

Apa sih arti dari residual error dalam uji White????
Bagaimana cara mendapatkan nya?? dan juga cara membacanya…. Thx

admin

Ikuti langkah langkah yang saya tulis untuk uji white, residual error adalah beda antara Y aktual dengan Y yang dihitung

hendro

saya mau tanya….ada g cara menghitung ARCH atao GARCH dg manualnya…mksh

hendro

saya mau tanya…bisakah ARCH di hitung dg manual…mksh

admin

Bisa sekali…

admin

Pakai iterasi

nana

Pak, gimana cara melakukan uji white test di eviews.. (langkah2nya)…
terimakasih

andi

pak, saya mahasiswa D4 yg lg nyusun skripsi. saya menggunakan GA untuk pewramalan data time series cross section. mohon bimbingannya pak.
kira2 apa yg harus saya jadiin sbg kromosomnya? mohon bantuan kirim ke icha_schumy@yahoo.co.id
makasi pak,

Rafi

Yth. Pak Yohan
Saya mau tanya pak, kebetulan lg bikin skripsi. Jika kita menggunakan model VAR dan ARDL Bound Test untuk uji kointegrasinya (variabelnya indeks saham), apakah uji asumsi klasik masih diperlukan? Alasannya?
Ditunggu jawabannya ya Pak.
Terima kasih sebelumnya.

bekti

Pak,mau nnya gmna langkah langkah umum untuk menguji pakai metode garch..sekian terimakasih banyak sebelumnya…

linggar

pak saya mahasiswi yang sidang bulan mei in, saya ada masalah heterros gimana ngobatinya yah..???sudah saya coba pake uji park dan semuanya tp tetep heteros

fidah

salam kenal pak..
saya fida..skrg saya lg nyusun skripsi..saya ambil tentang regresi multilevel..saya mu tanya..klo dalam regresi multilevel perlu ada uji normalitas, heterokedastisitas, dan autokeralsi g pak? klo ya..gmn caranya pak..
terima kasih ya pak sebelumnya..
mohon balasannya..

admin

@fida, salam kenal juga.

Regresi tersebut juga harus mengikuti kaidah ols. Intinya apabila anda menggunakan OLS yang berdasarkan asumsi klasik, maka sebaiknya dilakukan uji asumsi klasik.

mila

saya mau tanya pak tentang uji heteroskedastis dengan menggunakan uji Harvey.
kebetulan saat ini sedang mnyusun skripsi nah data yg saya olah dengan menggunakan eviews 6, cuma pakai harvey aja yg lolos uji sdgkan pakai yg lain tdk lolos. tapi teorinya saya belum dapat. bisa tolong bantu untuk teorinya Pak?
terima kasih sebelumnya

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.