Asumsi Klasik Gauss-Markov (BLUE)

Anda baru saja menjalankan regresi pertama untuk skripsi. Hasilnya keluar rapi di layar: koefisien, galat baku, $R^2$, dan deretan tanda bintang yang menandai signifikansi. Anda lega — angkanya seperti yang diharapkan.

Lalu dosen penguji bertanya satu kalimat: “Dari mana Anda tahu angka-angka ini bisa dipercaya?” Anda menunjuk $R^2$ yang tinggi. Penguji menggeleng. Anda terdiam.

Jawabannya bukan di $R^2$, dan bukan di tanda bintang. Jawabannya ada di sekumpulan syarat yang harus dipenuhi data Anda sebelum hasil regresi pantas dipercaya. Syarat-syarat itu sudah dirumuskan dua abad lalu oleh dua matematikawan, Carl Friedrich Gauss dan Andrey Markov. Kalau syaratnya terpenuhi, metode regresi yang Anda pakai — yang bernama kuadrat terkecil biasa — mendapat gelar kehormatan: BLUE. Artikel ini menjelaskan gelar itu dan kelima syaratnya, dari nol.

Sekilas Istilah: OLS, Garis Regresi, dan Sisa

Sebelum masuk ke gelar BLUE, kita sepakati tiga istilah dasar dulu, supaya tidak ada yang menggantung.

OLS singkatan dari Ordinary Least Squares — dalam bahasa kita, kuadrat terkecil biasa. Ini cara paling lazim untuk menarik garis lurus yang paling “pas” menembus awan titik data. Caranya: pilih garis yang membuat jumlah kuadrat selisih vertikal antara titik dan garis sekecil mungkin. Selisih itulah yang kita sebut sisa.

Model regresi linear menuliskan hubungan begini:

Penjelasan tiap lambang:

• $Y_i$ = nilai variabel yang ingin kita jelaskan (variabel terikat) untuk pengamatan ke-$i$. Misalnya nilai ujian mahasiswa ke-$i$.
• $X_{1i}, X_{2i}, \dots$ = variabel penjelas (variabel bebas) untuk pengamatan ke-$i$. Misalnya jam belajar, jumlah kehadiran.
• $\beta_0$ = titik potong (intercept), nilai $Y$ saat semua $X$ nol.
• $\beta_1, \dots, \beta_k$ = kemiringan (slope) — seberapa besar $Y$ berubah saat satu $X$ naik satu satuan, sisanya tetap.
• $u_i$ = galat (gangguan) pengamatan ke-$i$: bagian $Y$ yang tidak dijelaskan oleh garis. Ini besaran teoretis yang sebenarnya, yang tak pernah kita lihat langsung.
• subskrip $i$ menandai pengamatan ke-$i$, dari ke-1 sampai ke-$n$ (banyaknya data).

Begitu kita taksir model itu dengan OLS, kita memperoleh koefisien taksiran $\hat{\beta}_0, \hat{\beta}_1, \dots$ (dibaca “beta-topi” — tanda topi artinya “hasil taksiran dari data”). Dari koefisien itu lahir nilai prediksi $\hat{Y}$ dan sisa $e$. Inilah persamaan polos yang akan dipakai berulang kali di artikel ini:

Contoh kecil: kalau nilai aktual seorang mahasiswa $y = 5$ dan garis regresi memprediksi $\hat{y} = 6{,}07$, maka sisanya $e = 5 - 6{,}07 = -1{,}07$ (model menebak satu koma nol tujuh terlalu tinggi). Sisa adalah versi galat $u$ yang bisa kita hitung dari data; galat $u$ sendiri tetap tersembunyi.

Apa Itu BLUE

BLUE singkatan dari Best Linear Unbiased Estimator — dalam bahasa kita, taksiran linear takbias terbaik. Tiga kata, tiga klaim terpisah:

Teorema Gauss-Markov menyatakannya begini: kalau lima asumsi (yang akan kita bahas) terpenuhi, maka OLS adalah BLUE. Kata “terbaik” di sini punya makna sangat spesifik — ragam terkecil. Tidak ada taksiran linear takbias lain yang lebih presisi dari OLS. OLS bukan sekadar “salah satu cara yang boleh”; ia adalah yang paling presisi dalam kelasnya.

Satu hal yang sering disalahpahami, dan penting digarisbawahi sejak awal: BLUE tidak membutuhkan asumsi kenormalan galat. Galat tidak harus berdistribusi lonceng (normal) agar OLS jadi takbias dan paling efisien. Kenormalan baru diperlukan untuk satu hal lain — yaitu agar uji-t dan uji-F persis sahih pada sampel kecil. Untuk klaim “takbias dan paling presisi”, lima asumsi Gauss-Markov saja sudah cukup.

Lima Asumsi Gauss-Markov

Sekarang kita bahas kelima syaratnya satu per satu. Tiap asumsi punya nama teknis, tetapi inti tiap satu bisa dipahami dengan bahasa sehari-hari.

Asumsi 1 — Linear dalam parameter

Model harus linear pada koefisien $\beta$, bukan harus linear pada variabelnya. Ini sering bikin bingung, jadi mari pelan-pelan.

“Linear dalam parameter” artinya tiap $\beta$ cuma dikalikan dengan sesuatu lalu dijumlahkan — tidak ada $\beta$ yang dipangkatkan, diakarkan, atau jadi pangkat. Maka model $Y = \beta_0 + \beta_1 X^2 + u$ memenuhi asumsi ini, walaupun ada $X^2$, karena yang penting $\beta_1$-nya tetap dikalikan langsung. Sebaliknya $Y = \beta_0 + X^{\beta_1} + u$ melanggar, karena $\beta_1$ jadi pangkat. Akibat pelanggaran: bentuk hubungan salah ditangkap, taksiran jadi bias.

Asumsi 2 — Pengambilan sampel acak

Sampel $(X_i, Y_i)$ diambil secara acak dari populasi, sehingga tiap pengamatan mewakili populasi yang sama. Pelanggaran yang lazim: data deret waktu yang punya tren kuat, atau sampel yang ter-seleksi diam-diam (misal hanya perusahaan yang bertahan sampai sekarang yang masuk data — yang bangkrut hilang; ini dikenal sebagai bias keselamatan / survivorship bias).

Asumsi 3 — Tidak ada multikolinearitas sempurna

Tidak ada variabel bebas yang merupakan kombinasi linear sempurna dari variabel bebas lain. Contoh pelanggaran telak: kalau $X_2 = 2 X_1$ persis, dua variabel itu sebenarnya membawa informasi yang sama, dan secara matematis OLS tidak bisa menghitung koefisiennya sama sekali (matriksnya tak bisa dibalik).

Perhatikan kata “sempurna”. Kolinearitas tinggi tetapi tidak sempurna masih diperbolehkan — OLS tetap jalan, hanya saja galat bakunya membengkak sehingga koefisien jadi tidak presisi. Selengkapnya di Multikolinearitas.

Asumsi 4 — Rata-rata galat nol bersyarat (eksogenitas)

Ini asumsi paling kritis dari semuanya. Notasinya:

Penjelasan tiap lambang:

• $E(\cdot)$ = nilai harapan, yaitu rata-rata teoretis jangka panjang.
• $u_i$ = galat pengamatan ke-$i$ (bagian $Y$ yang tak dijelaskan garis).
• tanda $\mid X_i$ dibaca “diketahui nilai $X_i$”, artinya “untuk setiap nilai $X$ tertentu”.
• jadi keseluruhannya: “rata-rata galat sama dengan nol pada setiap nilai $X$”.

Maknanya polos: tidak ada informasi apa pun di dalam $X$ yang bisa membantu menebak galat. $X$ dan galat benar-benar tak berkaitan. Istilah teknisnya, $X$ eksogen (datang dari luar, tidak terkontaminasi).

Kalau asumsi ini dilanggar — misalnya ada variabel penting yang dihilangkan dari model padahal berkorelasi dengan $X$ — maka taksiran jadi bias: angka koefisiennya salah, dan jumlah data sebanyak apa pun tidak akan memperbaikinya. Ini sumber utama masalah yang disebut endogenitas.

Asumsi 5 — Homoskedastisitas (ragam galat seragam)

Ragam galat harus konstan untuk semua nilai $X$:

Penjelasan tiap lambang:

• $\text{Var}(\cdot)$ = ragam (varians), ukuran seberapa lebar sebaran galat.
• $\sigma^2$ (dibaca “sigma kuadrat”) = sebuah angka tetap — sama besar di mana pun $X$ berada.

“Homoskedastisitas” berasal dari kata Yunani homos (sama) dan skedasis (sebaran): sebaran galat yang sama lebar di sepanjang $X$. Kalau ragam justru berubah-ubah — misalnya galat makin besar saat pendapatan makin tinggi — itu namanya heteroskedastisitas (hetero = berbeda). Akibatnya: OLS masih takbias, tetapi tidak lagi “terbaik”, dan galat bakunya jadi salah.

Sebagian buku teks menambahkan asumsi keenam: galat tidak berkorelasi antarpengamatan, $\text{Cov}(u_i, u_j) = 0$ untuk $i \neq j$ (di sini $\text{Cov}$ = kovarians, ukuran keterkaitan dua besaran). Asumsi ini paling relevan untuk data deret waktu dan data panel; pelanggarannya disebut autokorelasi.

Sisa OLS Selalu Berjumlah Nol

Sebelum lanjut ke akibat pelanggaran, ada satu fakta yang menenangkan dan mudah diperiksa. Untuk setiap regresi yang punya titik potong $\beta_0$, sisa OLS selalu memenuhi dua hal: jumlahnya tepat nol, dan ia tak berkorelasi dengan $X$. Ini bukan asumsi yang harus diuji — ini akibat aljabar dari cara OLS memilih garis.

Mari buktikan dengan data kecil yang sama dengan gambar di atas. Tujuh pengamatan: $x = 1,2,\dots,7$ dan $y = 3,4,4,6,5,7,8$. OLS menghasilkan garis $\hat{y} = 2{,}142857 + 0{,}785714\,x$ (terverifikasi dengan Python; rata-rata $\bar{x}=4$, $\bar{y}=5{,}285714$, dan garis selalu lewat titik $(\bar{x}, \bar{y})$).

Jumlah kolom terakhir tepat nol — yang positif dan yang negatif saling membatalkan. Sisa terbesar (mutlak) ada di $x = 5$: nilai aktualnya 5 sementara garis menebak 6,07, jadi $e = 5 - 6{,}07 = -1{,}07$, persis seperti yang ditandai pada gambar.

Hati-hati: sisa berjumlah nol di sampel kita (fakta aljabar) berbeda dengan Asumsi 4 yang menyatakan rata-rata galat teoretis nol pada setiap nilai $X$ di populasi. Yang pertama selalu benar otomatis; yang kedua adalah syarat soal dunia nyata yang bisa saja dilanggar.

Akibat Kalau Dilanggar

Inilah tabel yang sebaiknya Anda kuasai sebelum sidang. Bedakan baik-baik: ada pelanggaran yang membuat koefisien salah (bias), ada yang hanya membuat galat baku salah (koefisien tetap benar). Dua hal ini beda tingkat bahayanya.

Poin kunci yang harus melekat:

• Pelanggaran A4 (eksogenitas) dan A1 (linearitas) membuat angka koefisien salah — taksiran bias. Ini bahaya besar: kesimpulan riset Anda bisa keliru arah.
• Pelanggaran A5 (homoskedastisitas) dan autokorelasi hanya membuat galat baku salah — koefisiennya tetap benar, tetapi uji-t dan p-value jadi menyesatkan. Bahaya, tetapi obatnya mudah: cukup ganti galat baku, koefisien tak perlu disentuh.

Urutan tindakan penting: selesaikan dulu masalah bias (A4) sebelum repot membenahi galat baku. Percuma memoles galat baku kalau angka koefisiennya sendiri sudah salah.

Mengapa “Terbaik” Itu Berharga

Kata “terbaik” pada BLUE sering terasa abstrak. Mari buat konkret dengan percobaan ulang (simulasi).

Bayangkan kebenaran sesungguhnya adalah $Y = 2 + 3X + u$ — jadi kemiringan sejati $\beta_1 = 3$. Kita ambil sampel berisi 30 pengamatan, lalu taksir kemiringannya dengan dua cara berbeda:

1. OLS — memakai seluruh 30 titik untuk menarik garis.
2. Taksiran dua-titik — hanya memakai dua titik ekstrem (nilai $X$ terkecil dan terbesar), lalu menarik garis lewat keduanya. Cara ini juga linear dan takbias, jadi ia teman seperjuangan OLS di kelas “linear takbias”.

Kita ulangi pengambilan sampel 200.000 kali dan catat sebaran kemiringan dari tiap metode. Hasilnya (terverifikasi dengan Python):

Perhatikan dua hal. Pertama, kedua metode rata-ratanya sama-sama 3,00 — keduanya takbias, sama-sama benar “rata-rata”. Kedua, simpangan baku OLS (0,24) jauh lebih kecil daripada dua-titik (0,57) — sekitar 2,3 kali lebih rapat. Artinya, pada satu sampel yang kebetulan Anda punya, taksiran OLS jauh lebih mungkin dekat ke nilai sejati 3, sementara taksiran dua-titik lebih sering meleset jauh.

Itulah arti “terbaik”: di antara semua yang takbias, OLS yang paling jarang meleset jauh. Bukan karena OLS lebih sering benar rata-rata (semua sama di situ), tetapi karena OLS paling presisi. Widget di bawah memperagakan hal ini secara visual — perhatikan kedua sebaran berpusat di nilai sejati yang sama, tetapi sebaran OLS jauh lebih sempit.

Eksperimen yang disarankan:

1. Bandingkan sebaran OLS dan taksiran alternatif. Keduanya berpusat di nilai sejati (takbias), tetapi OLS lebih rapat (terbaik).
2. Naikkan tingkat heteroskedastisitas. Lihat OLS perlahan kehilangan keunggulan presisinya — di sinilah Asumsi 5 berperan.
3. Perkecil ukuran sampel. Lihat kedua sebaran sama-sama melebar.

Cara Memeriksa di Perangkat Lunak

Setelah paham kelima asumsi, Anda perlu tahu cara memeriksanya di perangkat lunak. Berikut tiga yang paling lazim di lingkungan akademik. (Catatan: untuk pelanggaran A5, praktik modern sering langsung memakai galat baku kukuh tanpa menunggu hasil uji — uji formal lebih untuk pelaporan.)

# R
m <- lm(y ~ x1 + x2, data = dat)
library(lmtest); bptest(m)        # A5 homoskedastisitas: Breusch-Pagan
library(car);    vif(m)           # A3 multikolinearitas: VIF
dwtest(m)                          # autokorelasi: Durbin-Watson
# galat baku kukuh (HC3) untuk inferensi yang sahih saat A5 dilanggar:
library(sandwich); coeftest(m, vcov = vcovHC(m, type = "HC3"))

* Stata
reg y x1 x2, vce(robust)   // langsung pakai galat baku kukuh
estat hettest              // Breusch-Pagan (A5)
estat vif                  // multikolinearitas (A3)
estat dwatson              // autokorelasi

# Python (statsmodels)
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_breuschpagan
m = sm.OLS(y, sm.add_constant(X)).fit()
bp = het_breuschpagan(m.resid, m.model.exog)   # (LM, p, F, pF)
m_rob = sm.OLS(y, sm.add_constant(X)).fit(cov_type="HC3")  # galat baku kukuh

Excel Pendamping

/excel/asumsi-klasik-blue.xlsx berisi: daftar periksa lima asumsi dengan diagnosis tiap pelanggaran, simulasi taksiran takbias dengan ragam besar versus kecil, tabel akibat dan obat, serta templat uji cepat (Breusch-Pagan manual dan statistik Durbin-Watson).

⬇ Unduh asumsi-klasik-blue.xlsx

Cek Pemahaman

1. Sebuah regresi memenuhi keempat asumsi pertama, tetapi galatnya tidak berdistribusi normal. Bolehkah OLS tetap disebut BLUE? Jelaskan.

2. Anda meregresikan upah terhadap lama pendidikan, tetapi lupa memasukkan variabel “kemampuan” (yang berkorelasi dengan pendidikan dan juga memengaruhi upah). Asumsi mana yang dilanggar, apa akibatnya pada koefisien pendidikan, dan apakah menambah data akan menolong?

3. (Transfer) Pada regresi pengeluaran rumah tangga terhadap pendapatan, uji Breusch-Pagan menolak homoskedastisitas (galat membesar pada pendapatan tinggi). Rekan Anda langsung membuang variabel pendapatan dan mencari variabel pengganti. Apakah ini langkah yang tepat? Apa yang sebaiknya dilakukan?

Kesalahan Umum

Mengira $R^2$ tinggi berarti asumsi terpenuhi. $R^2$ mengukur seberapa rapat data mengelilingi garis (kecocokan), bukan keabsahan asumsi. Model dengan $R^2 = 0{,}9$ bisa saja bias berat kalau ada variabel penting yang dihilangkan. Kecocokan tinggi dan taksiran benar adalah dua hal terpisah.

Mengira kenormalan galat adalah syarat BLUE. Bukan. Lima asumsi Gauss-Markov tidak memuat kenormalan. Kenormalan hanya untuk inferensi persis di sampel kecil; pada sampel besar Teorema Limit Pusat menolong.

Sibuk menguji homoskedastisitas, lupa eksogenitas. Banyak yang rajin menjalankan Breusch-Pagan tetapi tak pernah bertanya apakah ada variabel penting yang hilang. Padahal A4 jauh lebih berbahaya: ia membuat koefisien bias, bukan sekadar galat baku salah.

Mengira pelanggaran homoskedastisitas membuat koefisien salah. Tidak. Koefisien tetap takbias; yang salah hanya galat baku. Cukup ganti ke galat baku kukuh, koefisien tak perlu diubah sama sekali.

Menguji semua asumsi tetapi tak tahu urutan tindakan. Kalau A4 dilanggar, percuma membenahi galat baku lebih dulu. Bereskan bias dulu (kausalitas yang sah), baru urus efisiensi (galat baku).

Dipakai di Dunia Nyata

Skripsi dan tesis empiris. Bab metodologi hampir selalu memuat “uji asumsi klasik”. Penguji nyaris pasti menanyakan hasil uji heteroskedastisitas dan multikolinearitas — dan, kalau pengujinya tajam, akan mengejar soal eksogenitas (variabel apa yang mungkin hilang).

Riset kebijakan BPS dan Bappenas. Menaksir dampak program (misalnya efek subsidi terhadap konsumsi rumah tangga) bertumpu pada eksogenitas. Tanpa itu, angka dampaknya tidak layak jadi dasar kebijakan publik — bisa salah arah dan memboroskan anggaran.

Analisis keuangan dan pasar modal. Regresi imbal hasil saham terhadap faktor risiko (lihat CAPM) mengandalkan asumsi-asumsi ini agar galat bakunya sahih. Karena data keuangan kerap heteroskedastik dan berautokorelasi, praktik baku memakai galat baku kukuh atau berkelompok hampir secara default.

Lanjutan

Setelah memahami fondasi BLUE, lanjut ke pelanggaran spesifik dan cara menanganinya:

• Uji Normalitas (Jarque-Bera, Shapiro-Wilk)
• Heteroskedastisitas (Breusch-Pagan, White)
• Autokorelasi (Durbin-Watson, Breusch-Godfrey)
• Multikolinearitas (VIF, Indeks Kondisi)
• Galat Baku Kukuh (Robust SE)

Fondasi yang dibutuhkan, kalau perlu disegarkan dulu:

• Regresi Linear Sederhana (OLS)
• Asumsi OLS

Referensi

• Gauss, C. F. (1821). Theoria combinationis observationum erroribus minimis obnoxiae.
• Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach, Bab 3–5.
• Greene, W. H. (2018). Econometric Analysis, Bab 4.
• Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics, Bab 3.