Kita sudah berguru mengenai konsep uji kenormalan model statistik. Selanjutnya saya akan mengulas mengenai konsep dari uji perkiraan selanjutnya, yaitu uji kehomogenan atau yang biasa disebut juga uji homoskedastisitas. Perlu diketahui sebelumnya, dalam penamaan uji perkiraan model yang benar ialah diambil dari nama hipotesis nol pengujian. Kalau dalam uji kenormalan, H nol atau hipotesis nolnya ialah bahwa error atau galat model itu mengikuti distribusi normal, maka nama ujinya ialah uji normalitas atau kenormalan. Kalau episode kali ini, hipotesis nol (H0) nya adalah errormodel itu mempunyai varians (ragam) yang konstan (homogen) sehingga namanya ialah uji homoskedastisitas, bukan sebaliknya uji heteroskedastisitas.
Uji homoskedastisitas dipakai dalam menguji error atau galat dalam model statistik untuk melihat apakah varians atau keragaman dari error terpengaruh oleh faktor lain atau tidak, contohnya untuk analisis data runtun waktu, apakah keragaman errornya terpangaruh oleh waktu atau tidak, atau kalau datanya cross section maka apakah varians dari error berubah-ubah setidap amatan atau tidak. Biasanya uji statistik yang dipakai diantara ialah uji Levene (SPSS), One way Anova (SPSS), uji korelasi Spearman (SPSS), uji Breush-Pagan Goodfrey, uji Harvei, uji Glejser, uji ARCH, dan uji White pada paket agenda Eviews. Inilah semua alat yang tersedia, layaknya Anda akan memotong sesiung bawang, Anda memotong mau pakai alat yang mana, ada pisau, silet, gergaji, golok, atau keris. Anda tingga menentukan selama fungsinya sama, namun alangkah baiknya Anda mengerti berbedaan dari masing-masing alat tersebut.
Lalu, kenapa error harus homogen ?
Ini melanjuti perkiraan kenormalan, bahwa perkiraan homogen harus terpenuhi semoga model tidak berubah untuk setiap amatan atau tidak dipengaruhi oleh waktu, maka haruslah ia variansnya tetap atau konstan. Sebab jikalau perkiraan homogen ini tidak terpenuhi maka kesimpulan model akan tidak tepat. Oleh lantaran itu, varians error model harusnya homogen untuk setiap amatan (sama).
Biasanya, yang menjadikan perkiraan baik normalitas dan perkiraan homoskedastisitas tidak terpenuhi dalam model statistik ialah adanya pencilan data atau outlier data. Oleh lantaran itu, sebelum memodelkan sebaiknya Anda harus mengeksplorasi data Anda terlebih dahulu untuk mengetahui adanya outlier atau tidak. Anda sanggup melihat sebaran data Anda melaui plot atau box-plot. Outlier dalam data biasanya memerlukan sebuah analisis statistik yang robust (metode yang berpengaruh dan resisten terhadap outlier).
Untuk mengatasi adanya outlier, Anda sanggup melaksanakan transformasi pada data Anda, sanggup dengan ln (baca : len) atau melogaritmanaturalkan nilai data, diakarkan, atau sanggup juga dengan transformasi Box-Cox dengan memakai paket agenda olah data.
Namun, dalam tahapan analisis statistik, jikalau memang data yang outlier tersebut kurang penting berdasarkan tujuan analisis Anda, Anda sanggup saja mengeliminasinya meskipun dampaknya jumlah runtun waktu atau jumlah amatan pada model Anda nantinya berkurang jawaban pengeliminasian tersebut. Jika outliertersebut terkait akrab dengan analisis Anda sanggup saja Anda tetap mengikutkannya dalam model (meskipun penuh risiko pada ujii asumsi), tetapi akan sangat menarik bila data outlier itu Anda kaji secara tersendiri, contohnya analisis pendapatan masyarakat pulau Madura sebelum dan setelah Jembatan Suromadu dibangun, atau sanggup juga analisis pendapatan orisinil tempat sebelum dan setelah UU Otonomi Daerah diberlakukan, atau analisis terhadap pertumbuhan ekonomi Indonesia sebelum dan setelah krisis tahun 1997-1998.
Demikian ulasan singkat mengenai uji perkiraan kedua kali ini.