Heteroskedastisitas

Definisi Heteroskedastisitas

Uji heteroskedastisitas mengacu pada varian yang tidak seragam dalam urutan variabel. Ini juga disebut sebagai kesalahan. Idealnya, peneliti menginginkan homoskedastisitas atau homogenitas dalam varian. Varian homogen menjelaskan asumsi peneliti.

Anda bebas menggunakan gambar ini di situs web Anda, templat, dll., Harap berikan kami tautan atribusiBagaimana Memberikan Atribusi? Tautan Artikel menjadi Hyperlink
Misalnya: Sumber: Heteroskedastisitas (wallstreetmojo.com)

Bentuk seperti kerucut terlihat ketika dispersi heteroskedastik diplot pada grafik. Ini menggambarkan kesalahan dalam varians. Sebagian besar data dunia nyata menunjukkan heteroskedastisitas. Penyebaran yang tidak merata lebih mungkin terjadi—ini menjadi masalah bagi asumsi regresi. Peneliti mengubah model statistik dalam upaya untuk menemukan hasil yang lebih baik.

Takeaway kunci

Heteroskedastisitas umumnya mengacu pada hamburan titik data yang tidak sama. Akibatnya, nilai yang diamati menyimpang dari nilai yang diprediksi secara tidak seragam.
Ada dua subtipe, dispersi heteroskedastis murni dan tidak murni. Kesalahan statistik seperti itu biasa terjadi untuk rentang besar dan studi cross-sectional.
Dispersi heteroskedastik mengurangi koefisien akurasi variasi—analis harus mengerjakan ulang atau meningkatkan model mereka untuk menentukan akurasi yang lebih tinggi.
Beberapa model regresi rentan terhadap dispersi heteroskedastis. Analis mencoba memecahkan kesalahan tersebut dengan mengubah variabel dependen.

Heteroskedastisitas Dijelaskan

Heteroskedastisitas adalah bahasa Yunani untuk data dengan dispersi yang berbeda. Sebagai contoh, dalam statistik, jika urutan variabel acak memiliki varian terbatas yang sama, itu disebut dispersi homoskedastis; jika suatu barisan tidak memiliki varians yang sama, itu dikenal sebagai dispersi heteroskedastik.

Dispersi adalah cara untuk menggambarkan tingkat distribusi data di sekitar nilai atau titik pusat. Dispersi yang lebih rendah menunjukkan presisi yang lebih tinggi dalam pengukuran data, sedangkan dispersi yang lebih tinggi berarti akurasi yang lebih rendah.

Sebaran residual diplot pada grafik untuk memvisualisasikan korelasi antara data dan model statistik tertentu. Jika dispersinya heteroskedastis, maka dianggap sebagai masalah. Peneliti mencari homoskedastisitas. Poin data harus memiliki varian konstan untuk memenuhi asumsi peneliti.

Pada plot residual, heteroskedastisitas pada regresi berbentuk kerucut. Dalam plot pencar, varian meningkat dengan peningkatan nilai pas. Untuk studi cross-sectional seperti pendapatan, kisarannya adalah dari kemiskinan hingga warga berpenghasilan tinggi; ketika diplot pada grafik, datanya heteroskedastis.

Heteroskedastisitas dikategorikan menjadi dua jenis.

heteroskedastisitas murni
Heteroskedastisitas tidak murni

Dalam dispersi heteroskedastis murni, model statistik yang dipilih benar. Tetapi dengan, kesalahan dispersi heteroskedastik yang tidak murni (residual) diamati — sebagai akibatnya, model statistik tidak benar untuk data yang diberikan. Kesalahan ini menyebabkan varians.

Metode

Ada tiga metode untuk memperbaiki heteroskedastisitas dan memperbaiki model –

Mendefinisikan ulang variabel
Regresi tertimbang
Transformasi variabel dependen

Pada metode pertama, analis dapat mendefinisikan kembali variabel untuk memperbaiki model dan mendapatkan hasil yang diinginkan dengan akurat. Dalam metode kedua, analisis regresi diberi bobot yang tepat. Terakhir, pendekatan ketiga adalah menukar cara kerja di setiap model. Misalnya, ada variabel dependen dan variabel prediktor; dengan mengubah variabel dependen, seluruh model akan dirubah. Jadi, ini adalah pendekatan penting untuk bergerak maju.

Variabel independen yang digunakan dalam analisis regresi disebut sebagai variabel prediktor. Variabel prediktor memberikan informasi tentang variabel dependen terkait mengenai hasil tertentu.

Sangat penting untuk menentukan apakah data menunjukkan dispersi heteroskedastis murni atau dispersi heteroskedastis murni — pendekatannya bervariasi untuk setiap subtipe. Selain itu, meningkatkan variabel yang digunakan dalam bentuk tidak murni adalah penting. Jika diabaikan, variabel-variabel ini menyebabkan bias dalam akurasi koefisien, dan nilai-p menjadi lebih kecil dari yang seharusnya.

Penyebab

Dispersi heteroskedastis disebabkan karena alasan berikut.

Itu terjadi dalam kumpulan data dengan rentang besar dan berosilasi antara nilai terbesar dan terkecil.
Itu terjadi karena perubahan proporsionalitas faktor.
Di antara alasan lain, sifat variabel bisa menjadi penyebab utama.
Ini terutama terjadi dalam studi cross-sectional.
Beberapa model regresi rentan terhadap dispersi heteroskedastis.
Pemilihan model regresi yang tidak tepat dapat menyebabkannya.
Ini juga dapat disebabkan oleh formasi kumpulan data dan perhitungan yang tidak efisien juga.

Contoh

Contoh 1

Contoh heteroskedastis yang paling mendasar adalah konsumsi rumah tangga. Variasi konsumsi meningkat dengan peningkatan pendapatan—berbanding lurus. Karena ketika pendapatan rendah, varian konsumsi juga rendah. Orang berpenghasilan rendah membelanjakan sebagian besar untuk barang dan tagihan yang diperlukan — lebih sedikit variasi. Sebaliknya, dengan peningkatan pendapatan, orang cenderung membeli barang-barang mewah dan mengembangkan banyak kebiasaan—kurang dapat diprediksi.

Contoh #2

Seorang pelatih yang menghubungkan lari yang dicetak oleh setiap pemain dengan waktu yang dihabiskan dalam latihan adalah contoh dari homoskedastisitas. Dalam hal ini, skor akan menjadi variabel dependen, dan waktu pelatihan menjadi variabel prediktor.

Contoh #3

Aplikasi dasar heteroskedastisitas ada di pasar saham — varians saham dibandingkan untuk tanggal yang berbeda. Selain itu, investor menggunakan dispersi heteroskedastis dalam model regresi untuk melacak sekuritas dan portofolio. Dispersi heteroskedastis dapat atau tidak dapat diprediksi tergantung pada situasi tertentu yang diambil dalam suatu penelitian.

Misalnya, ketika harga suatu produk dipelajari pada peluncuran model baru, heteroskedastisitas dapat diprediksi. Tetapi untuk perbandingan curah hujan atau pendapatan, sifat penyebarannya tidak dapat diprediksi.

Homoskedastisitas vs Heteroskedastisitas

Homokedastisitas mengacu pada varians yang sama dalam residu. Varians yang tidak sama dalam residu, di sisi lain, menyebabkan dispersi heteroskedastis. Dalam analisis regresi, istilah ‘residual’ mengacu pada perbedaan antara data yang diamati dan diprediksi.
Saat menggunakan model regresi, peneliti mencari dispersi Homoskedastik. Oleh karena itu, dispersi heteroskedastik dipandang sebagai masalah yang harus dipecahkan.
Homoskedastisitas jarang terjadi, sedangkan dispersi heteroskedastisitas umumnya diamati dalam contoh dunia nyata.
Homoskedastisitas juga disebut sebagai homogenitas varians. Sebaliknya, heteroskedastisitas sering disebut ‘kesalahan’.
Homoskedastisitas tidak dikategorikan, tetapi dispersi heteroskedastisitas memiliki subtipe murni dan tidak murni.

Pertanyaan yang Sering Diajukan (FAQ)

Apa itu heteroskedastisitas secara sederhana?

Ini adalah penyimpangan yang tidak sama dari data yang diamati dari data yang diprediksi. Saat diplot pada grafik, bentuk kerucut terlihat–menunjukkan varian yang tidak sama dalam residual. Dispersi heteroskedastik dapat diprediksi dalam skenario tertentu—bergantung pada aplikasinya.

Apa itu heteroskedastisitas dalam regresi?

Dalam analisis regresi, residual menunjukkan varian yang tidak sama tersebar di sekitar nilai terukur dan oleh karena itu dianggap sebagai kesalahan. Dispersi heteroskedastis sangat umum diamati pada data regresi yang melibatkan rentang besar. Pilihan model regresi memainkan peran kunci dalam dispersi. Beberapa model statistik rentan terhadap kesalahan. Data dan model statistik yang dipilih harus cocok satu sama lain.

Apa yang menyebabkan heteroskedastisitas?

Hal ini disebabkan oleh sejumlah besar kumpulan data dan studi cross-sectional. Pilihan yang salah juga dapat menyebabkannya—beberapa model regresi rentan terhadap dispersi heteroskedastik. Selain itu, dapat disebabkan oleh sifat variabel yang dipilih.

Artikel yang Direkomendasikan

Ini adalah panduan untuk Heteroskedastisitas & definisinya. Kami menjelaskannya dalam regresi dengan contoh dan membandingkannya dengan homoskedastisitas. Anda dapat mempelajarinya lebih lanjut dari artikel berikut –