Uji Homoskedastisitas dengan R

Uji homoskedastisitas dengan R

Tahukah teman-teman uji asumsi homskedastisitas? Ya, uji ini merupakan uji asumsi yang ulas sedikit di urutan ketiga setelah uji non-autokorelasi (teman-teman yang mau belajar dan memahami bisa klik di sini). Uji homoskedastisitas ini merupakan salah satu uji wajib dalam pemodelan regresi linier (dalam parameter) dan sebagai bagian dari uji asumsi klasik hingga saat ini.

Adapun prinsip dari uji asumsi ini adalah mendeteksi apakah sebaran residual model memiliki pola tertentu atau tidak berpola. Bila sebarannya berpola, itu artinya varians variabel bebas yang berada di dalam model kita memiliki varians (ragam) yang tidak konstan untuk setiap amatan-i atau amatan-t. Gangguan asumsi ini merupakan kebalikan dari gangguan autokorelasi, ia lebih cenderung banyak dialami dalam pemodelan menggunakan data cross section daripada pemodelan dengan menggunakan data runtun waktu (time series).

Untuk mendeteksi apakah residual model kita mengalami gangguan asumsi homoskedastisitas atau tidak, dalam penerapannya di R, kali ini kita coba menggunakan 2 uji, yaitu uji White test dan uji Breush-Pagan. Masing-masing uji ini dalam bahasa R menggunakan package yang berbeda, White test menggunakan package skedastic dan uji Breush-Pagan menggunakan package lmtest.

Bagaimana kriteria hasil pengujiannya? Sama halnya dengan uji asumsi lainnya, tujuan dari uji asumsi pada dasarnya adalah menerima Hipotesis Nol dan menolak Hipotesis alternatifnya. Jadi, residual sebuah model regresi linier memenuhi asumsi homoskedastisitas bila nilai p-value statistik ujinya lebih besar dari 0,05 atau alpha penelitian. Dalam penerapannya di R, kita dapat menggunakan beberapa code berikut:

Code:

#Install dan aktifkan package lmtest
install.packages("lmtest")
library(lmtest)
install.packages("skedastic")
library(skedastic)

#Mengenerate Dataset
x1 <- c(8, 7, 9, 3, 6, 8, 9, 2, 9, 8, 4, 4, 6, 10)
y <- c(5, 4, 7, 2, 5, 6, 8, 3, 5, 7, 2, 2, 3, 9)
df <- data.frame(x1, y)

#Melihat sekilas dataset
head(df)

Hasil:

  x1 y
1  8 5
2  7 4
3  9 7
4  3 2
5  6 5
6  8 6

Code:

#Pemodelan Regresi Linier Sederhana
model <- lm(y~x1, data = df)

#Melihat ringkasan pemodelan regresi linier berganda
summary(model)

Hasil:

Call:
lm(formula = y ~ x1, data = df)
Residuals:
     Min       1Q   Median       3Q      Max
-1.73476 -0.89163  0.05322  0.96009  1.84120
Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -0.4343     0.9209  -0.472    0.646    
x1            0.7966     0.1301   6.121 5.17e-05 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1.187 on 12 degrees of freedom
Multiple R-squared:  0.7574,    Adjusted R-squared:  0.7372
F-statistic: 37.46 on 1 and 12 DF,  p-value: 5.171e-05

Code:

#uji Homoskedastisitas dengan Uji White
white_lm(model)

Hasil:

  statistic p.value       parameter method       alternative

     3.65    0.161         2 White's Test               greater

Code:

#uji Homoskedastisitas dengan Uji Breush-Pagan
bptest(model)

Hasil:

    studentized Breusch-Pagan test
data:  model
BP = 0.018602, df = 1, p-value = 0.8915

Interpretasi: terlihat baik p-value uji White dan Breush-Pagan > 0,05 atau alpha penelitian sehingga disimpulkan bahwa residual model regresi linier memenuhi asumsi homoskedastisitas.

Oke, demikian sedikit ulasan bagaimana kita menerapkan uji homoskedastisitas dengan R. Jangan lupa untuk share, tanya-tanya di kolom komentar, dan menyimak unggahan berikutnya. Semoga bermanfaat.

Referensi: Nursiyono, Joko Ade dan Pray P.H. Nadeak. 2021. Data Mining: Analisis Regresi dengan R Studio. Binjai: Miranda Novelia.
Add Comments


EmoticonEmoticon