Heteroskedastisitas Adalah: Penjelasan, Jenis, hingga Dampak

Sudahkah Anda tahu tentang heteroskedasitas? Melansir laman Research connectiosn, heteroskedastisitas adalah mengacu pada nilai-nilai suatu variabel (dependen) yang tersebar secara tidak merata (varians tidak sama) di seluruh nilai-nilai pada variabel prediktor (independen) kedua.

Heteroskedastisitas adalah tidak adanya homoskedastisitas (varians yang sama pada variabel dependen antar nilai/tingkat variabel independen), yang merupakan asumsi utama analisis regresi linier.

Selengkapnya, pahami heteroskedastisitas di artikel ini!

Apa Itu Heteroskedastisitas?

Dalam statistik, heteroskedastisitas terjadi ketika standar deviasi dari variabel prediksi, yang dipantau pada nilai berbeda dari variabel independen atau terkait dengan periode waktu sebelumnya, tak konstan.

Dengan heteroskedastisitas, tanda dari pemeriksaan visual terhadap sisa kesalahan adalah bahwa kesalahan tersebut akan cenderung menyebar seiring berjalannya waktu.

Mengutip situs Investopedia, heteroskedastisitas sering muncul dalam dua bentuk, yakni bersyarat dan tidak bersyarat.

Heteroskedastisitas bersyarat mengidentifikasi volatilitas nonkonstan yang terkait dengan volatilitas periode sebelumnya (misalnya harian).

Sedangkan heteroskedastisitas tidak bersyarat mengacu pada perubahan struktural umum dalam volatilitas yang tidak terkait dengan volatilitas periode sebelumnya.

Heteroskedastisitas tidak bersyarat digunakan ketika periode volatilitas tinggi dan rendah di masa depan dapat diidentifikasi.

Jenis-Jenis Heteroskedastisitas

Sudah disebutkan sebelumnya jika heteroskedastisitas memiliki dua bentuk, yaitu bersyarat dan tidak bersyarakat. Berikut ini penjelasan selengkapnya.

1. Heteroskedastisitas Bersyarat

Heteroskedastisitas bersyarat pada dasarnya tidak dapat diprediksi. Tidak ada tanda-tanda yang membuat para analis percaya bahwa data akan tersebar kapan saja.

Sering kali, produk keuangan dianggap mengalami heteroskedastisitas bersyarat karena tidak semua perubahan dapat dikaitkan dengan peristiwa tertentu atau perubahan musiman.

Penerapan umum dari heteroskedastisitas bersyarat adalah pada pasar saham, dimana volatilitas hari ini sangat terkait dengan volatilitas kemarin. Model ini menjelaskan periode volatilitas tinggi yang persisten dan volatilitas rendah.

2. Heteroskedastisitas Tidak Bersyarat

Heteroskedastisitas tanpa syarat dapat diprediksi dan dapat berhubungan dengan variabel yang bersifat siklis. Hal ini dapat mencakup penjualan ritel yang lebih tinggi yang dilaporkan selama periode belanja musim liburan.

Perubahan dalam varians dapat dikaitkan langsung dengan terjadinya peristiwa tertentu atau penanda prediktif jika pergeseran tersebut tidak bersifat musiman.

Hal ini dapat dikaitkan dengan peningkatan penjualan ponsel pintar dengan dirilisnya model baru karena aktivitasnya bersifat siklus berdasarkan peristiwa namun tidak serta merta ditentukan oleh musim.

Heteroskedastisitas juga dapat berhubungan dengan kasus di mana data mendekati suatu batas—di mana variansnya harus lebih kecil karena batas tersebut membatasi jangkauan data.

Cara Mengatasi Heteroskedatisitas

Terdapat beberapa metode untuk mengatasi heteroskedasitisitas, di antaranya yaitu:

1. Transformasi Variabel

Yakni menggunakan transformasi matematis pada variabel independen atau dependen untuk mencapai homoskedastisitas.

2. Weighted Least Squares (WLS)

Metode ini memberikan bobot yang berbeda pada observasi yang memiliki varians yang berbeda.

3. Penggunaan Variabel Dummy

Dengan cara menambahkan variabel dummy untuk menangkap heteroskedastisitas yang mungkin terkait dengan variabel kategorikal yang tidak diikutsertakan dalam model.

4. Robust Standard Errors

Cara lainnya yaitu penggunaan kesalahan standar yang tahan terhadap heteroskedastisitas dapat membantu memitigasi dampaknya pada estimasi parameter.

Sebelum menerapkan langkah-langkah ini, penting untuk memeriksa apakah heteroskedastisitas memang merupakan masalah dalam data Anda dan seberapa serius dampaknya terhadap analisis regresi yang dilakukan.

Dampak Heteroskedastisitas

Kondisi heteroskedastisitas dapat berdampak pada analisis regresi, di antaranya yaitu:

Ketidakberterimaan (Inefficiency) Estimasi: Estimasi parameter regresi mungkin tetap konsisten, tetapi tidak efisien, artinya varians estimasi menjadi lebih besar.
Kesalahan dalam Interval Kepercayaan: Interval kepercayaan untuk parameter regresi mungkin terlalu lebar atau terlalu sempit jika heteroskedastisitas tidak diatasi.
Pengujian Hipotesis yang Tidak Akurat: Uji hipotesis yang didasarkan pada asumsi homoskedastisitas dapat memberikan hasil yang tidak akurat jika heteroskedastisitas terjadi.

***

Itulah penjelasan tentang heteroskedastisitas. Pemahaman tentang heteroskedastisitas dalam analisis data, termasuk data survei online, sangatlah penting.

Dengan mengenali dan mengatasi heteroskedastisitas, kita dapat meningkatkan keakuratan interpretasi data dan memastikan bahwa kebijakan atau keputusan yang diambil berdasarkan data tersebut dapat lebih dapat diandalkan.