Langkah yang Harus dilakukan apabila ditemukan Adanya

Heteroskedastisitas (Langkah Perbaikan)

Cara mentransformasikan heteroskedastisitas menjadi homoskedastisitas adalah tergantung pada apakah varians kesalahan sebenarnya diketahui atau tidak diketahui

Ketika diketahui: Metode Kuadrat Kecil Tertimbang/Weighted Least Square (WLS)

Model Regresi

Lalu kita bagi sisi kiri dan kanan model regresi diatas dengan yang diketahui

berarti adalah akar kuadrat dari varians

Oleh karena residual telah homoskedastis, maka model dapat digunakan dengan OLS, dan penduga yang diperoleh akan bersifat BLUE

Ketika Tidak diketahuiAsumsi 1: Varians Kesalahan Proporsional terhadap ,

transformasi akar kuadratBila setelah mengestimasi regresi OLS biasa kita memetakan

residu-residu dari regresi terhadap variabel penjelas X , dan melihat pola yang serupa dengan gambar dibawah ini

Grafik pada slide sebelumya menunjukkan bahwa varians kesalahan berhubungan linear atau proporsional terhadap X

Varians heteroskedastis proposrsional atau berhubungan linear dengan , konstanta adalah faktor proporsionalitas.

Dalam persamaan di atas kita membagi kedua sisi model dengan kuadrat atau disebut transformasi akar kuadrat.

Asumsi 2: Varians Kesalahan Proporsional terhadap

Jika hasil residu yang diestimasi memperlihatkan bahwa varians kesalahan tidak secara linear berhubungan dengan X, melainkan naik secara proporsional terhadap kuadrat X.

Lalu membagi kedua sisi model dengan

Asumsi 3: Kesalahan varians sebanding dengan kuadrat dari nilai rata-rata Y

Varians sebanding dengan kuadrat dari nilai yang diharapkan dari Y. Maka sekarang

jika kita mentransformasikan persamaan awal menjadi:

kita dapat melanjutkan dalam dua langkah: Pertama, menjalankan regresi OLS biasa, mengabaikan masalah heteroskedastisitas tersebut dan memperoleh . Kemudian, dengan menggunakan estimasi seperti sebagai berikut:

Pada Langkah 2, membentuk regresi, meskipun tidak persis mereka adalah estimator yang konsisten. Oleh karena itu, transformasi akan menunjukkan hasil yang memuaskan dalam praktek jika ukuran sampel cukup besar.

Asumsi 4: Transformasi Log

Jika kita mengestimasi model dalam bentuk log hal ini akan mengurangi heteroskedastisitas. Artinya jika kita mengestimasi masalah heteroskedastisitas mungkin akan berkurang dalam bentuk transformasi ini karena transformasi log menekan skala pengukuran variabel, sehingga mengurangi sepuluh kali selisih diantara dua nilaimenjadi selisih dua kali saja. Misal 80 adalah hasil kali 8 dan 10, tapi ln 80 (=4,3280) hanya dua kali besar ln 8 (=2,0794)