Persamaan regresi linear jika menggunakan estimasi ordinary least square maka estimasinya rentan terhadap tidak memenuhi syarat asumsi klasik, salah satunya adalah heteroskedastisitas.
Ada Beberapa cara mengatasi heteroskedastisitas dalam regresi linear. Ada 3 cara yaitu antara lain:
- Dengan cara transformasi data.
- Dengan cara weighted least square (WLS) atau regresi linear dengan menggunakan pembobot.
- Dengan cara membiarkannya namun menggunakan koefisien estimasi yang robust atau kebal terhadap pelanggaran heteroskedastisitas, yaitu koefisien estimasi Huber White.
Cara Mengatasi Heteroskedastisitas Dengan Transformasi
Cara yang pertama adalah dengan menggunakan trasformasi data, yaitu dengan mengubah bentuk data yang digunakan dalam model regresi. Transformasi yang sering atau direkomendasikan untuk cara mengatasi heteroskedastisitas dengan transformasi adalah transformasi inverse logaritma natural dan transformasi logaritma natural.
- Transformasi inverse logaritma natural
Dalam model transformasi ini, variabel-variabel di dalam ditransformasi ke dalam bentuk satu per logaritma natural dari variabel, yaitu misalnya variabel X1 menjadi 1/(LN X1). Sehingga apabila model awalnya adalah:
Y = b0 + b1 X1 + b2 X2 + e
maka akan diubah menjadi 1/LN(Y) = b0 + b1 1/LN(X1) + b2 1/LN(X2) + e
- Transformasi Logaritma Natural
Dalam model transformasi berikutnya ini, variabel-variabel di dalam ditransformasi ke dalam bentuk logaritma natural dari variabel, yaitu misalnya variabel X1 menjadi (LN X1). Sehingga apabila model awalnya adalah:
Y = b0 + b1 X1 + b2 X2 + e
maka akan diubah menjadi LN(Y) = b0 + b1 LN(X1) + b2 LN(X2) + e.
Cara Mengatasi Heteroskedastisitas Dengan Weighted Least Square (WLS)
Cara yang kedua adalah dengan menggunakan WLS, yaitu dengan menggunakan pembobot dalam model regresi yang dilakukan. WLS yang merupakan kepanjangan dari Weighted Least Square adalah model regresi linear dengan pembobot atau weighted. Dimana weighted atau pembobot didasarkan pada variabel bebas yang menjadi penyebab terjadinya heteroskedastisitas, yaitu variabel bebas yang berkorelasi kuat dengan residual persamaan regresi.
Cara Mengatasi Heteroskedastisitas dengan ROBUST
Cara yang terakhir adalah dengan menggunakan ROBUST, yaitu dengan menggunakan koefisien estimasi yang kebal atau robust terhadap tidak memenuhi syarat asumsi heteroskedastisitas. Jadi dibiarkan saja tetap terjadi heteroskedastisitas, namun koefisien estimasi tidak akan terdampak atau model tidak bias, sebab koefisien estimasi yang dihasilkan berdasarkan metode robust ini telah kebal. Koefisien estimasi ini biasa disebut dengan istilah Huber White.