Facebook SDK

HETEROSKEDASTICITY

Diartikan sebagai : terjadinya hubungan antara variabel error (e) dengan variabel (x), ini membuat varians masing2 dari X adalah besar & tidak efisien dalam memprediksi nilai Y, shg nilai standart deviasi menjadi besar.

CARA MENDETEKSI HETEROSKEDASTICITY:

1. Metode Grafik
melalui diagram pencar (scatter Plot), bila data menunjukkan  pola yg sistematik (beraturan) maka dalam regresi terjadi gejala heteroskedasticity.

2. Metode Rank Spearman
Dilakukan melalui pengujian koefisien korelasi 
Rank Spearman Method:
t.hitung rank Spearman > t.tabel rank Spearman = data dalam regresi homoskedasticity.
t.hitung rank Spearman < t.tabel rank Spearman = data dalam regresi heteroskedasticity

Penanggulangan Heteroskedasticity

Dapat dilakukan melalui pendekatan transformasi
Log: Log Y = ßo + ß1.Log X1 + ß2.Log X2 + e 
Dengan model diatas, rank data diperkecil menjadi misal 80 menjadi 1,9030899  atau 8 menjadi 0,9030899 jadi yang asalnya merupakan besaran 10 kali lipat, sekarang tinggal kira-kira dua  kali lipat saja, maka varians akan semakin kecil  serta data menjadi semakin homoskedasticity.

AUTOKORELASI

Autokorelasi dapat diartikan : korelasi yg terjadi di antara anggota observasi yg terletak berderet secara series dalam runtun waktu  (data time series) atau korelasi antara tempat yg berderet kalau datanya cross-sectional. Dalam model regresi tidak di perbolehkan terjadi autokorelasi diantara komponen2 data yang akan di analisa.

PENYEBAB AUTOKORELASI

1. Inertia:
    data umumnya yg digunakan berbentuk kumulatif bukan individual series. Shg nilai data pada satu titik lebih besar dari data sebelumnya.
2. Manipulasi Data:
    menggunakan data tahunan menjadi triwulanan dgn cara membagi tiga data tahunan scr langsung

MENDETEKSI ADANYA AUTOKORELASI


Dalam praktek scr umum, metode yg sering digunakan adalah: Durbin-Watson Method.
Dalam regresi linier tidak terjadi autokorelasi jika nilai Durbin-Watson : 1,70 – 2,30 

PENANGGULANGAN AUTOKORELASI

Memakai metode First Differens dengan
formulasi sebagai berikut:
             Y = bo + b1X1 + b2X2 + b3X3 + e
menjadi:
         Y-(Yt-1)=bo+b1(X1-X1t-1)+b2(X2-X2t-1)+b3(X3-X3t-1)+e.

MENGAPA PERLU DATA LINIER 

“ dalam melakukan analisa antar variabel, yg ingin dilacak adalah kekuatan interaksi dan kontribusi variabel satu terhadap variabel lainnya, jika data yg digunakan tidak linier maka scr statistik hasil analisa tidak dapat menjawab hipotesis atau hasil analisa tak mencerminkan kondisi yg diharap, berarti  estimasinya tdk estimated dan prediksinya tidak Predicted “


Post a Comment

Berkomentar sesuai dengan judul blog ini yah, berbagi ilmu, berbagi kebaikan, kunjungi juga otoriv tempat jual aksesoris motor dan mobil lengkap

Lebih baru Lebih lama