21
paling tidak terampil akan menurun mendekati mereka yang awalnya sudah terampil.
4. Peningkatan diskresi. Hal ini tampak jelas pada Gambar 2.2 dengan
menggunakan variabel pendapatan. Aktifitas oleh individu yang memiliki pendapatan tinggi akan jauh lebuh variatif dibandingkan mereka yang
berpendapatan rendah. Dengan demikian suatu model regresi dengan menggunakan variabel semacam ini akan mengalami peningkatan residual
kuadrat dengan semakin besarnya pendapatan. 5.
Perbaikan tehnik pengambilan data. Dampaknya akan menurun. Jadi,
bank yang mempunyai peralatan pemprosesan data yang canggih nampaknya akan mempunyai kesalahan yang lebih kecil dalam laporan
bulanan atau kuartalan untuk langganan mereka dibandingkan dengan bank yang tidak memiliki peralatan seperti itu.
Didalam data itu sendiri memang terdapat Heteroskedastisitas, terutama dalam data cross-section. Misalnya, tingkat-tingkat penghasilan antar kota jarang
sekali bernilai sama, harga-harga saham yang banyak dipengaruhi oleh faktor- faktor eksternal dan sebagainya.
2.7.2 Akibat Terjadinya Heteroskedastisitas
Adanya Heteroskedastisitas bukan berarti suatu model regresi adalah lemah. Jika regresi dengan Ordinary Least Square tetap dilakukan dengan adanya
heteroskedastisitas maka akan diperoleh koefisien-koefisien hasil estimasi sampai
dalam persamaan tetap tidak bias, akan tetapi nilai-nilai
22
koefisien tersebut berfluktuasi lebih tajam daripada nilai-nilai normalnya. Dengan kata lain, jika model itu diperbaharui ulang dengan menambah data atau dengan
sampel-sampel yang digunakan berbeda, maka koefisien-koefisien hasil estimasi akan bervariasi secara signifikan diseputar nilai rata-ratanya. Karena ayunan yang
lebar pada koefisien-koefisien hasil estimasi, maka kesalahan dari suatu taksiran tunggal pada masing-masing model yang diperbaharui akan juga berubah-ubah
secara lebar sehingga taksiran akan menjadi kurang efisien daripada seharusnya. Rata-rata kesalahan taksiran dalam jangka panjang akan serupa dengan rata-rata
kesalahan taksiran dengan model tanpa Heteroskedastisitas. Suatu model taksiran yang baik menuntut bahwa koefisien-koefisien estimasi tidak bias dan bahwa
taksiran tunggal dari suatu model berubah-ubah didalam suatu jarak yang sempit. Inilah yang disebut dengan konsep tidak bias dan estimator-estimator yang
efisien. Kenyataan bahwa koefisien-koefisien taksiran tidak bias dapat dilihat pada contoh berikut ini dalam konteks model dua variabel dengan bentuk deviasi
[ 2].
2.29 Perhatikan bahwa varian dari error tidak berpengaruh dalam pembuktian
penaksir-penaksir dengan Ordinary Least Square adalah tidak bias. Persamaan- persamaan diatas berlaku dibawah asumsi Homoskedastisitas. Apabila asumsi
tersebut dilanggar, sehingga terjadi Heteroskedastisitas maka varian penaksirnya menjadi [8]
23
2.30 Apabila Persamaan 2.30 ini digunakan untuk melakukan taksiran varian,
maka selang kepercayaan hasil penaksiran untuk koefisien-koefisien, dan hitungan uji t dan uji F akan hilang tidak lagi dapat dipercaya. Menurut [2] untuk
menghitung nilai t adalah 2.31
Jika standard error mengecil maka t cenderung membesar namun kelihatannya signifikan, padahal sebenarnya tidak signifikan. Sebaliknya jika
standard error membesar, maka t cenderung mengecil dan tidak signifikan, padahal sebenarnya adalah signifikan. Hal ini berarti bahwa jika terdapat
heteroskedastisitas dalam model regresi maka uji t menjadi tidak menentu. Sehingga dapat menyesatkan kesimpulan yang akan diambil.
2.7.3 Pendeteksian Heteroskedastisitas
