Apa itu Heteroskedastisitas?
Dalam statistik, heteroskedastisitas (atau heteroskedastisitas) terjadi ketika kesalahan standar suatu variabel, yang dipantau selama jumlah waktu tertentu, tidak konstan. Dengan heteroskedastisitas, tanda pada inspeksi visual dari kesalahan residual adalah bahwa mereka akan cenderung menyebar seiring waktu, seperti yang digambarkan pada gambar di bawah ini.
Heteroskedastisitas sering muncul dalam dua bentuk: kondisional dan tanpa syarat. Heteroskedastisitas bersyarat mengidentifikasi volatilitas tidak konstan ketika periode volatilitas tinggi dan rendah di masa mendatang tidak dapat diidentifikasi. Heteroskedastisitas tanpa syarat digunakan ketika masa depan volatilitas tinggi dan rendah dapat diidentifikasi.
Gambar oleh Julie Bang © Investopedia 2019
Pengambilan Kunci
- Dalam statistik, heteroskedastisitas (atau heteroskedastisitas) terjadi ketika kesalahan standar suatu variabel, dipantau selama jumlah waktu tertentu, tidak konstan. Dengan heteroskedastisitas, tanda tanda pada inspeksi visual dari kesalahan residual adalah bahwa mereka akan cenderung untuk menyebar dari waktu ke waktu, seperti yang digambarkan dalam gambar di bawah ini. Heteroskedastisitas adalah pelanggaran terhadap asumsi untuk pemodelan regresi linier, dan sehingga dapat memengaruhi validitas analisis ekonometrik atau model keuangan seperti CAPM.
Sementara heteroskedastisitas tidak menyebabkan bias dalam estimasi koefisien, itu membuat mereka kurang tepat; presisi yang lebih rendah meningkatkan kemungkinan bahwa estimasi koefisien lebih jauh dari nilai populasi yang benar.
Dasar-dasar Heteroskedastisitas
Di bidang keuangan, heteroskedastisitas bersyarat sering terlihat dalam harga saham dan obligasi. Tingkat volatilitas ekuitas ini tidak dapat diprediksi selama periode apa pun. Heteroskedastisitas tanpa syarat dapat digunakan ketika mendiskusikan variabel yang memiliki variabilitas musiman yang dapat diidentifikasi, seperti penggunaan listrik.
Karena berkaitan dengan statistik, heteroskedastisitas (juga dieja heteroskedastisitas) mengacu pada varians kesalahan, atau ketergantungan hamburan, dalam minimal satu variabel independen dalam sampel tertentu. Variasi ini dapat digunakan untuk menghitung margin kesalahan antara set data, seperti hasil yang diharapkan dan hasil aktual, karena memberikan ukuran penyimpangan titik data dari nilai rata-rata.
Agar dataset dianggap relevan, mayoritas poin data harus berada dalam sejumlah standar deviasi dari mean seperti yang dijelaskan oleh teorema Chebyshev, yang juga dikenal sebagai ketimpangan Chebyshev. Ini memberikan pedoman mengenai probabilitas variabel acak yang berbeda dari rata-rata.
Berdasarkan jumlah standar deviasi yang ditentukan, variabel acak memiliki probabilitas tertentu yang ada dalam titik-titik tersebut. Misalnya, mungkin diperlukan bahwa kisaran dua standar deviasi mengandung setidaknya 75% dari titik data yang dianggap valid. Penyebab umum varians di luar persyaratan minimum sering dikaitkan dengan masalah kualitas data.
Kebalikan dari heteroskedastik adalah homoskedastik. Homoskedastisitas mengacu pada suatu kondisi di mana varian dari istilah residual konstan atau hampir sama. Homoskedasticity adalah salah satu asumsi pemodelan regresi linier. Homoskedastisitas menunjukkan bahwa model regresi dapat didefinisikan dengan baik, artinya memberikan penjelasan yang baik tentang kinerja variabel dependen.
Jenis Heteroskedastisitas
Tak bersyarat
Heteroskedastisitas tanpa syarat dapat diprediksi, dan paling sering berhubungan dengan variabel yang bersifat siklikal. Ini dapat mencakup penjualan ritel yang lebih tinggi yang dilaporkan selama periode belanja liburan tradisional atau peningkatan panggilan perbaikan pendingin udara selama bulan-bulan yang lebih hangat.
Perubahan dalam varians dapat dikaitkan langsung dengan terjadinya peristiwa tertentu atau penanda prediktif jika pergeseran tersebut tidak musiman secara tradisional. Hal ini dapat dikaitkan dengan peningkatan penjualan ponsel cerdas dengan merilis model baru karena aktivitasnya berdasarkan siklus acara tetapi tidak selalu ditentukan oleh musim.
Bersyarat
Heteroskedastisitas kondisional tidak dapat diprediksi secara alami. Tidak ada tanda yang mengarahkan analis untuk percaya bahwa data akan menjadi lebih atau kurang tersebar pada suatu titik waktu. Seringkali, produk keuangan dianggap tunduk pada heteroskedastisitas bersyarat karena tidak semua perubahan dapat dikaitkan dengan peristiwa spesifik atau perubahan musiman.
Pertimbangan Khusus
Heteroskedastisitas dan Pemodelan Keuangan
Heteroskedastisitas adalah konsep penting dalam pemodelan regresi, dan dalam dunia investasi, model regresi digunakan untuk menjelaskan kinerja sekuritas dan portofolio investasi. Yang paling terkenal di antaranya adalah Capital Asset Pricing Model (CAPM), yang menjelaskan kinerja suatu saham dalam hal volatilitas relatif terhadap pasar secara keseluruhan. Perluasan model ini telah menambahkan variabel prediktor lain seperti ukuran, momentum, kualitas, dan gaya (nilai versus pertumbuhan).
Variabel-variabel prediktor ini telah ditambahkan karena mereka menjelaskan atau menjelaskan perbedaan dalam variabel dependen. Kinerja portofolio dijelaskan oleh CAPM. Misalnya, pengembang model CAPM menyadari bahwa model mereka gagal menjelaskan anomali yang menarik: saham berkualitas tinggi, yang lebih tidak stabil daripada saham berkualitas rendah, cenderung berkinerja lebih baik daripada yang diperkirakan model CAPM. CAPM mengatakan bahwa saham berisiko tinggi harus mengungguli saham berisiko rendah. Dengan kata lain, saham dengan volatilitas tinggi harus mengalahkan saham dengan volatilitas yang lebih rendah. Tetapi saham berkualitas tinggi, yang kurang stabil, cenderung berkinerja lebih baik dari yang diperkirakan oleh CAPM.
Kemudian, peneliti lain memperluas model CAPM (yang telah diperluas untuk memasukkan variabel prediktor lain seperti ukuran, gaya, dan momentum) untuk memasukkan kualitas sebagai variabel prediktor tambahan, juga dikenal sebagai "faktor." Dengan faktor ini sekarang dimasukkan dalam model, anomali kinerja saham volatilitas rendah diperhitungkan. Model-model ini, yang dikenal sebagai model multi-faktor, membentuk dasar investasi faktor dan beta pintar.
