Seorang peneliti menjalankan regresi laba terhadap ukuran perusahaan untuk seratus emiten. Hasilnya keluar dengan deretan tanda bintang yang menggembirakan: slope-nya besar, dan nilai-p-nya teramat kecil. Ia hampir menulis kesimpulan “sangat signifikan” di skripsinya.
Lalu pembimbingnya bertanya satu kalimat: “Galat baku apa yang kamu pakai?” Setelah diganti dengan galat baku yang tahan terhadap ragam galat tak konstan, nilai-p-nya membengkak — masih signifikan, tetapi tidak segemilang tadi. Yang menarik: slope-nya sama persis. Angka koefisiennya tidak bergeser satu pun, hanya ukuran ketidakpastiannya yang dikoreksi.
Itulah inti galat baku kukuh (robust standard errors). Bukan alat untuk mengubah jawaban, melainkan alat untuk membuat ukuran keyakinan kita jujur — bahkan saat asumsi ragam galat seragam runtuh. Materi ini membongkar cara kerjanya dari nol: kenapa ia sahih, bagaimana rumusnya, dan varian mana yang dipakai kapan.
Intuisi: Memperbaiki Termometer, Bukan Suhunya
Bayangkan Anda mengukur suhu ruangan dengan termometer yang skalanya melenceng. Angka yang ia tunjuk salah, tetapi suhu ruangan tidak berubah hanya karena termometernya rusak. Yang perlu diperbaiki bukan ruangannya — cukup termometernya.
Regresi punya dua keluaran berbeda:
- Koefisien ($b_0$, $b_1$) — tebakan terbaik tentang hubungan, ibarat suhu ruangan.
- Galat baku (standard error) — ukuran ketidakpastian tiap koefisien, ibarat termometer pembaca suhu.
Saat ragam galat tak seragam (heteroskedastik), koefisien tetap benar — garis regresi tidak bergeser. Yang rusak adalah galat baku: rumus baku OLS menghitungnya dengan mengandaikan ragam galat seragam, jadi saat andaian itu salah, angkanya melenceng. Galat baku kukuh adalah “termometer yang dikalibrasi ulang”: ia menghitung ketidakpastian tanpa berasumsi ragam galat seragam. Koefisien dibiarkan apa adanya; hanya galat bakunya yang dihitung dengan cara yang lebih jujur.
Pelebaran ragam galat itu — pemicu seluruh masalah — paling jelas dilihat sebagai corong:
Dari Mana Galat Baku Berasal
Untuk paham apa yang dikoreksi galat baku kukuh, kita perlu tahu rumus galat baku berasal dari mana. Ragam taksiran koefisien OLS punya bentuk umum yang disebut sandwich (roti lapis), karena ada “isi” yang diapit dua “roti” yang sama:
$$\text{Var}(\hat{b}) = \underbrace{(X'X)^{-1}}_{\text{roti}} \; \underbrace{\Big( X' \,\Omega\, X \Big)}_{\text{isi}} \; \underbrace{(X'X)^{-1}}_{\text{roti}}$$Baca tiap lambang polos, satu per satu:
- $X$ = matriks data variabel bebas (tiap baris satu observasi, tiap kolom satu variabel, plus satu kolom konstanta untuk intercept).
- $X'$ (dibaca “X aksen”) = transpos $X$ — matriks $X$ yang dibalik baris-kolomnya. Detail aljabarnya tidak penting di sini; yang penting perannya.
- $(X'X)^{-1}$ = “roti” — bagian yang hanya bergantung pada variabel bebas, tidak pada galat. Sama di kedua sisi.
- $\Omega$ (dibaca “omega”) = “isi” — matriks yang memuat ragam galat tiap observasi. Di sinilah seluruh perbedaan terletak.
Seluruh pertarungan ada di isi $\Omega$. Pertanyaannya cuma satu: apa yang kita anggap sebagai ragam galat tiap observasi?
Versi homoskedastik: isi yang seragam
Galat baku baku OLS mengisi $\Omega$ dengan satu angka untuk semua observasi — ragam galat dianggap sama di mana-mana, sebesar $\sigma^2$. Isinya menyederhana drastis dan rumusnya menyusut menjadi:
$$\text{Var}_{\text{OLS}}(\hat{b}) = \sigma^2 (X'X)^{-1}, \qquad \hat{\sigma}^2 = \frac{\sum_{i=1}^{n} e_i^2}{n - k}$$Lambangnya: $e_i = y_i - \hat{y}_i$ = sisa observasi ke-$i$ (selisih nilai aktual dan prediksi); $n$ = banyak observasi; $k$ = banyak parameter yang ditaksir (untuk regresi sederhana $k = 2$: intercept dan slope); $\hat{\sigma}^2$ = taksiran ragam galat, dianggap satu angka yang berlaku untuk semua.
Di sinilah letak kerapuhannya: kalau ragam galat sebenarnya tidak seragam, memaksakan satu angka $\sigma^2$ untuk semua observasi membuat seluruh hitungan melenceng.
Versi kukuh: isi yang menghargai tiap observasi
White (1980) menyumbang gagasan sederhana yang mengubah ekonometrika empiris: jangan paksakan satu ragam untuk semua. Pakai sisa kuadrat tiap observasi $e_i^2$ sebagai taksiran ragam galat observasi itu sendiri. Observasi yang sisanya besar memang sedang berada di bagian corong yang lebar, jadi pantas diberi bobot ragam yang besar.
Isi $\Omega$ kini tidak lagi seragam — ia diisi $e_i^2$ yang berbeda-beda per observasi. Inilah varian HC0 (Heteroskedasticity-Consistent nomor 0), galat baku kukuh versi asli White:
$$\text{Var}_{\text{HC0}}(\hat{b}) = (X'X)^{-1} \Big( \sum_{i=1}^{n} e_i^2 \, x_i x_i' \Big) (X'X)^{-1}$$di mana $x_i$ adalah baris data observasi ke-$i$. Roti $(X'X)^{-1}$ tetap sama dengan versi OLS — sekali lagi inilah kenapa koefisien tidak berubah: koefisien dihitung dari $X$ dan $y$, sama sekali tak menyentuh isi $\Omega$. Yang berubah hanya cara isi dihitung, dan isi hanya memengaruhi galat baku.
Bentuk Ringkas untuk Regresi Sederhana
Rumus matriks di atas terlihat menakutkan, tetapi untuk regresi satu variabel bebas ia menyusut jadi bentuk yang bisa dihitung tangan. Galat baku kukuh slope $b_1$ adalah:
$$\text{Var}_{\text{HC0}}(b_1) = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2 \, e_i^2}{\Big[ \sum_{i=1}^{n} (x_i - \bar{x})^2 \Big]^2}$$Bandingkan dengan galat baku baku OLS untuk slope yang sama:
$$\text{Var}_{\text{OLS}}(b_1) = \frac{\hat{\sigma}^2}{\sum_{i=1}^{n} (x_i - \bar{x})^2} = \frac{\big[\sum e_i^2 /(n-k)\big]}{\sum (x_i - \bar{x})^2}$$Perhatikan satu-satunya beda di pembilang. Versi baku memakai satu taksiran ragam $\hat{\sigma}^2$ yang sama untuk semua, sedangkan versi kukuh menimbang tiap sisa kuadrat $e_i^2$ menurut letak observasinya ($(x_i - \bar{x})^2$). Observasi jauh dari $\bar{x}$ yang juga punya sisa besar — persis ciri ujung corong — menyumbang paling banyak ke ketidakpastian. Itulah yang ditangkap galat baku kukuh dan diabaikan galat baku baku.
Tiap lambang di kedua rumus:
- $(x_i - \bar{x})$ = simpangan nilai $X$ ke-$i$ dari rata-ratanya — sama persis dengan gagasan simpangan di variabilitas. Misalnya kalau $\bar{x} = 9$ dan $x_i = 16$, simpangannya $16 - 9 = 7$.
- $e_i^2$ = sisa kuadrat observasi ke-$i$ — ukuran besar-kecilnya galat di titik itu. Kalau sisanya $e_i = 1{,}53$, maka $e_i^2 = 2{,}35$.
- $\sum_{i=1}^{n}(x_i - \bar{x})^2$ = jumlah simpangan kuadrat $X$, di penyebut dikuadratkan lagi.
Empat Varian: HC0–HC3 dan Sedikit Koreksi
HC0 punya satu kelemahan praktis: pada sampel kecil ia cenderung meremehkan ketidakpastian (galat bakunya sedikit terlalu kecil). Penyebabnya, sisa OLS $e_i$ secara sistematis sedikit lebih kecil dari galat sejati, terutama untuk observasi ber-leverage tinggi — yaitu observasi dengan nilai $X$ ekstrem yang “menarik” garis regresi mendekat ke dirinya sendiri. Tiga varian berikutnya mengoreksi kelemahan ini, makin lama makin tegas.
Kunci koreksinya adalah leverage $h_i$, yaitu seberapa besar pengaruh observasi ke-$i$ terhadap nilai prediksinya sendiri. Nilainya antara 0 dan 1; makin dekat ke 1, makin observasi itu “mendikte” garis. Jumlah seluruh $h_i$ selalu sama dengan $k$ (banyak parameter).
| Varian | Isi $\Omega$ memakai | Gagasan koreksi | Sumber |
|---|---|---|---|
| HC0 | $e_i^2$ | Tanpa koreksi (White asli) | White 1980 |
| HC1 | $\dfrac{n}{n-k}\,e_i^2$ | Koreksi sampel kecil sederhana — kalikan dengan faktor derajat bebas | MacKinnon-White 1985 |
| HC2 | $\dfrac{e_i^2}{1 - h_i}$ | Bagi tiap sisa kuadrat dengan $1 - h_i$ — koreksi per observasi menurut leverage | MacKinnon-White 1985 |
| HC3 | $\dfrac{e_i^2}{(1 - h_i)^2}$ | Sama seperti HC2 tetapi dikuadratkan — koreksi paling tegas, baku modern | Davidson-MacKinnon 1993 |
Pola koreksinya mudah dibaca: HC1 mengalikan semua sisa dengan satu faktor $\tfrac{n}{n-k}$ (kasar, sama untuk semua). HC2 dan HC3 jauh lebih cerdas — keduanya membesarkan sisa observasi ber-leverage tinggi (yang $1 - h_i$-nya kecil) secara individual, karena justru observasi itulah yang sisanya paling diremehkan OLS. HC3 mengkuadratkan pembagi sehingga koreksinya paling kuat, dan itulah yang membuatnya paling aman di sampel sedang.
Ada juga HC4 (Cribari-Neto 2004), yang menyesuaikan pangkat pembagi menurut seberapa ekstrem leverage tiap observasi — berguna saat ada beberapa titik ber-leverage sangat tinggi. Untuk pemakaian sehari-hari, HC3 sudah cukup.
Anjuran 2026: pakai HC3 sebagai baku, terutama untuk sampel kecil sampai sedang (di bawah beberapa ratus observasi). Pada sampel sangat besar keempat varian praktis sama karena koreksi leverage menjadi tak berarti. Stata memakai HC1 sebagai bawaan perintah robust-nya — itu masih jauh lebih baik daripada galat baku baku, tetapi untuk sampel sedang HC3 lebih konservatif.
Contoh Hitung dari Nol
Mari hitung galat baku kukuh slope dari awal pada data kecil yang sengaja heteroskedastik — data yang sama dengan contoh di heteroskedastisitas, agar Anda bisa membandingkan langsung. Delapan rumah tangga; $X$ = pendapatan (juta Rp per bulan), $Y$ = pengeluaran (juta Rp per bulan).
Langkah 1 — regresi OLS biasa, ambil sisanya. Dengan rumus slope dan intercept dari regresi linear sederhana, data ini memberi:
$$\hat{y} = 0{,}20 + 0{,}7167\,x$$Rata-rata pendapatan $\bar{x} = 9$, dan jumlah simpangan kuadrat $\sum(x_i - \bar{x})^2 = 168$ (kita perlu angka ini nanti). Sekarang hitung sisa tiap rumah tangga $e_i = y_i - \hat{y}_i$ dan kuadratkan:
| $i$ | $x_i$ | $y_i$ | $\hat{y}_i$ | $e_i = y_i - \hat{y}_i$ | $e_i^2$ |
|---|---|---|---|---|---|
| 1 | 2 | 1,8 | 1,633 | 0,167 | 0,028 |
| 2 | 4 | 3,4 | 3,067 | 0,333 | 0,111 |
| 3 | 6 | 4,2 | 4,500 | −0,300 | 0,090 |
| 4 | 8 | 6,6 | 5,933 | 0,667 | 0,444 |
| 5 | 10 | 6,0 | 7,367 | −1,367 | 1,868 |
| 6 | 12 | 9,6 | 8,800 | 0,800 | 0,640 |
| 7 | 14 | 8,4 | 10,233 | −1,833 | 3,361 |
| 8 | 16 | 13,2 | 11,667 | 1,533 | 2,351 |
| Σ | ≈ 0 | 8,893 |
Sisa berjumlah nol (sifat baku OLS), dan sisa kuadrat membengkak ke bawah (0,028 di atas → 3,361 dan 2,351 di bawah) — itulah corong dalam bentuk angka.
Langkah 2 — galat baku baku OLS dulu, sebagai pembanding. Taksiran ragam $\hat{\sigma}^2 = \tfrac{\sum e_i^2}{n-k} = \tfrac{8{,}893}{8 - 2} = 1{,}4822$. Maka:
$$\text{Var}_{\text{OLS}}(b_1) = \frac{1{,}4822}{168} = 0{,}008823 \;\Rightarrow\; \text{SE}_{\text{OLS}}(b_1) = \sqrt{0{,}008823} = 0{,}0939$$Langkah 3 — HC0: timbang tiap sisa menurut letaknya. Kalikan tiap $(x_i - \bar{x})^2$ dengan $e_i^2$-nya sendiri, lalu jumlahkan:
| $i$ | $x_i - \bar{x}$ | $(x_i - \bar{x})^2$ | $e_i^2$ | $(x_i - \bar{x})^2 \cdot e_i^2$ |
|---|---|---|---|---|
| 1 | −7 | 49 | 0,028 | 1,361 |
| 2 | −5 | 25 | 0,111 | 2,778 |
| 3 | −3 | 9 | 0,090 | 0,810 |
| 4 | −1 | 1 | 0,444 | 0,444 |
| 5 | 1 | 1 | 1,868 | 1,868 |
| 6 | 3 | 9 | 0,640 | 5,760 |
| 7 | 5 | 25 | 3,361 | 84,028 |
| 8 | 7 | 49 | 2,351 | 115,204 |
| Σ | 212,253 |
Lihat dua baris terakhir mendominasi: observasi 7 dan 8 punya pendapatan ekstrem (jauh dari $\bar{x}$) sekaligus sisa besar — persis ujung corong. Galat baku baku meratakan semua sisa jadi satu angka dan menutupi fakta ini; galat baku kukuh menangkapnya. Sekarang masukkan ke rumus ringkas:
$$\text{Var}_{\text{HC0}}(b_1) = \frac{212{,}253}{168^2} = \frac{212{,}253}{28.224} = 0{,}007520 \;\Rightarrow\; \text{SE}_{\text{HC0}}(b_1) = 0{,}0867$$Langkah 4 — HC3: koreksi leverage. HC3 mengganti $e_i^2$ dengan $e_i^2 / (1 - h_i)^2$. Leverage tiap observasi (dihitung dari posisi $X$-nya; jumlahnya $= k = 2$):
| $i$ | $h_i$ | $1 - h_i$ | $e_i^2$ | $\dfrac{e_i^2}{(1-h_i)^2}$ | $(x_i-\bar{x})^2 \cdot \dfrac{e_i^2}{(1-h_i)^2}$ |
|---|---|---|---|---|---|
| 1 | 0,417 | 0,583 | 0,028 | 0,082 | 4,000 |
| 2 | 0,274 | 0,726 | 0,111 | 0,211 | 5,267 |
| 3 | 0,179 | 0,821 | 0,090 | 0,133 | 1,200 |
| 4 | 0,131 | 0,869 | 0,444 | 0,589 | 0,589 |
| 5 | 0,131 | 0,869 | 1,868 | 2,473 | 2,473 |
| 6 | 0,179 | 0,821 | 0,640 | 0,949 | 8,537 |
| 7 | 0,274 | 0,726 | 3,361 | 6,374 | 159,339 |
| 8 | 0,417 | 0,583 | 2,351 | 6,909 | 338,560 |
| Σ | 2,000 | 519,965 |
Observasi 1 dan 8 punya leverage tertinggi (0,417) karena pendapatannya paling ekstrem — koreksi membesarkan sisa kuadrat mereka paling banyak. Hasilnya:
$$\text{Var}_{\text{HC3}}(b_1) = \frac{519{,}965}{168^2} = 0{,}018424 \;\Rightarrow\; \text{SE}_{\text{HC3}}(b_1) = 0{,}1357$$Langkah 5 — bandingkan keempatnya. Mengulang langkah serupa untuk HC1 dan HC2:
| Cara hitung galat baku | SE slope $b_1$ | Uji-$t$ ($b_1/\text{SE}$) | Nilai-$p$ |
|---|---|---|---|
| Baku OLS (asumsi homoskedastik) | 0,0939 | 7,63 | 0,0003 |
| HC0 (White asli) | 0,0867 | 8,26 | 0,0002 |
| HC1 (koreksi $n/(n-k)$) | 0,1001 | 7,16 | 0,0004 |
| HC2 (koreksi $1-h$) | 0,1081 | 6,63 | 0,0006 |
| HC3 (koreksi $(1-h)^2$ — baku modern) | 0,1357 | 5,28 | 0,0019 |
Slope tetap $b_1 = 0{,}7167$ di semua baris — hanya galat bakunya yang berubah. (Verifikasi semua angka di atas memakai statsmodels lewat python3; semuanya cocok persis.)
Interpretasi
Tiga pelajaran dari tabel di atas.
Pertama, koefisien tak tersentuh. Semua baris punya $b_1 = 0{,}7167$ yang sama. Galat baku kukuh tidak pernah mengubah tebakan hubungan — ia hanya mengubah ukuran keyakinan terhadap tebakan itu. Inilah kenapa memakainya tidak pernah merugikan: Anda tidak kehilangan informasi apa pun tentang besarnya efek.
Kedua, HC3 paling konservatif. Galat bakunya (0,1357) jelas terbesar, sehingga uji-$t$-nya terkecil (5,28) dan nilai-$p$-nya terbesar (0,0019). Pada sampel kecil seperti ini, koreksi leverage HC3 berbeda nyata dari HC0 — perhatikan HC0 (0,0867) bahkan lebih kecil dari galat baku baku, peringatan bahwa HC0 tanpa koreksi bisa terlalu optimis di sampel kecil. Itulah alasan HC3 menjadi anjuran baku: ia tidak mudah memberi keyakinan palsu.
Ketiga, kesimpulan akhir di sini tidak berubah. Slope tetap signifikan dengan semua cara ($p$ jauh di bawah 0,05). Ini lazim: galat baku kukuh sering hanya menggeser nilai-p sedikit. Namun pada kasus genting — saat hubungan sebenarnya lemah — galat baku baku yang terlalu kecil bisa membuat sesuatu tampak signifikan padahal bukti aslinya rapuh. Di situlah galat baku kukuh menyelamatkan Anda dari kesimpulan keliru.
Visualisasi Interaktif
Geser tingkat heteroskedastisitas dan korelasi kelompok, lalu amati galat baku OLS biasa, HC3, dan berkelompok berubah dramatis — sementara koefisien $\hat{\beta}$ tetap pada tempatnya. Perhatikan kapan sebuah hasil yang “signifikan” dengan galat baku biasa berubah menjadi “tidak signifikan” begitu galat bakunya dikukuhkan.
Cara Pakai di Perangkat Lunak
# R
library(sandwich); library(lmtest)
m <- lm(y ~ x, data = dat)
coeftest(m, vcov = vcovHC(m, type = "HC3")) # baku modern
coeftest(m, vcov = vcovHC(m, type = "HC1")) # setara default Stata
* Stata
reg y x, robust // bawaan = HC1
reg y x, vce(hc3) // HC3 (anjuran sampel sedang)
# Python (statsmodels)
import statsmodels.api as sm
m = sm.OLS(y, X).fit(cov_type='HC3') # baku modern
print(m.summary())
Satu argumen saja (type/vce/cov_type) mengubah cara galat baku dihitung; koefisien dalam keluaran tetap sama.
Cek Pemahaman
1. Sebuah regresi sederhana atas empat observasi memberi $\hat{y} = 1{,}0 + 1{,}7\,x$, dengan $\bar{x} = 2{,}5$ dan $\sum(x_i - \bar{x})^2 = 5$. Sisa keempatnya: $e = 0{,}3;\ 0{,}6;\ -2{,}1;\ 1{,}2$ pada $x = 1, 2, 3, 4$. Hitung galat baku HC0 slope dari nol.
Lihat jawaban
Simpangan $x_i - \bar{x}$: −1,5; −0,5; 0,5; 1,5 → kuadratnya 2,25; 0,25; 0,25; 2,25. Sisa kuadrat $e_i^2$: 0,09; 0,36; 4,41; 1,44.
Kalikan tiap pasang lalu jumlahkan:
| $(x_i-\bar{x})^2$ | $e_i^2$ | hasil kali |
|---|---|---|
| 2,25 | 0,09 | 0,2025 |
| 0,25 | 0,36 | 0,0900 |
| 0,25 | 4,41 | 1,1025 |
| 2,25 | 1,44 | 3,2400 |
| Σ | 4,635 |
Masukkan ke rumus ringkas: $\text{Var}_{\text{HC0}}(b_1) = \dfrac{4{,}635}{5^2} = \dfrac{4{,}635}{25} = 0{,}1854$, jadi $\text{SE}_{\text{HC0}}(b_1) = \sqrt{0{,}1854} = 0{,}4306$. (Sebagai pembanding, galat baku baku OLS untuk data ini 0,7937 — jauh lebih besar di sini, karena observasi ber-sisa-besar kebetulan dekat $\bar{x}$ sehingga kurang menambah ketidakpastian slope; itulah inti penimbangan per observasi.)
2. (Soal transfer.) Seorang mahasiswa meregresi imbal hasil saham 200 emiten terhadap rasio utangnya. Plot sisa terhadap prediksi membentuk corong jelas. Ia melaporkan: “Slope = 0,45 dengan galat baku OLS biasa = 0,18, jadi $t = 2{,}5$, signifikan.” Pembimbing memintanya menghitung ulang dengan HC3; hasilnya galat baku HC3 = 0,26. (a) Berapa uji-$t$ dengan HC3, dan apakah masih signifikan pada taraf 5% (nilai kritis ≈ 1,97)? (b) Apakah slope 0,45 ikut berubah? (c) Mana yang lebih jujur dilaporkan, dan kenapa?
Lihat jawaban
(a) $t_{\text{HC3}} = \dfrac{0{,}45}{0{,}26} = 1{,}73$. Karena $1{,}73 < 1{,}97$, slope tidak lagi signifikan pada taraf 5% dengan galat baku kukuh.
(b) Tidak. Slope tetap 0,45 — galat baku kukuh tidak pernah mengubah koefisien, hanya galat baku. Yang berubah dari $t = 2{,}5$ ke $t = 1{,}73$ semata-mata karena galat bakunya membesar (0,18 → 0,26).
(c) HC3 yang lebih jujur. Plot corong menunjukkan heteroskedastisitas, sehingga galat baku OLS biasa (0,18) terlalu kecil dan membuat hasil tampak lebih meyakinkan daripada sebenarnya. Melaporkan signifikansi berdasarkan galat baku yang diketahui salah adalah menyesatkan. Yang benar: laporkan dengan HC3 dan simpulkan bahwa bukti pengaruh rasio utang ternyata lemah.
Kesalahan Umum
Mengira galat baku kukuh mengubah koefisien. Tidak. Koefisien dihitung dari roti $(X'X)^{-1}$ yang tak tersentuh — hanya isi $\Omega$ yang diganti, dan isi cuma memengaruhi galat baku. Kalau koefisien Anda berubah setelah ganti jenis galat baku, ada yang keliru di kode.
Memakai HC0 atau HC1 pada sampel kecil. Keduanya cenderung meremehkan ketidakpastian saat $n$ kecil karena tak (cukup) mengoreksi leverage. Untuk sampel kecil sampai sedang pakai HC3.
Mengira galat baku kukuh menyembuhkan bias. Galat baku kukuh hanya memperbaiki galat baku, bukan koefisien. Kalau masalahnya bias — variabel terabaikan, endogenitas, simultanitas — galat baku kukuh tidak membantu sama sekali. Untuk bias, obatnya lain (variabel instrumen, fixed effect, dan sebagainya).
Memakai galat baku kukuh padahal masalahnya korelasi antar-galat dalam kelompok. HC0–HC4 hanya menangani ragam galat tak konstan (heteroskedastisitas), bukan galat yang saling berkorelasi di dalam kelompok. Untuk data berkelompok (siswa dalam sekolah, observasi berulang per perusahaan) pakai galat baku berkelompok; untuk deret waktu pakai Newey-West.
Lupa melaporkan jenis galat baku. Penelaah Q1 hampir pasti bertanya, “Galat baku apa yang dipakai?” Menjawab “OLS baku” untuk data lintas-individu adalah tanda bahaya — hampir semua data lintas-individu menuntut galat baku kukuh.
Dipakai di Dunia Nyata
- Keuangan perusahaan (data emiten BEI). Hampir semua regresi lintas-emiten heteroskedastik — perusahaan besar punya ragam laba, arus kas, dan imbal hasil yang jauh lebih lebar. Galat baku kukuh (sering HC3 atau berkelompok per perusahaan) sudah jadi syarat baku di jurnal keuangan; melaporkan galat baku OLS biasa nyaris pasti memicu pertanyaan penelaah.
- Ekonomi rumah tangga (SUSENAS BPS). Regresi konsumsi atau pengeluaran terhadap pendapatan klasik heteroskedastik (rumah tangga kaya jauh lebih beragam). Galat baku kukuh menjadi praktik baku di jurnal ekonomi pembangunan Indonesia.
- Studi upah (SAKERNAS). Ragam upah membesar pada jenjang pendidikan tinggi karena imbal hasil pendidikan makin beragam — contoh klasik dalam ekonomi ketenagakerjaan, dan alasan utama galat baku kukuh jadi baku di studi upah.
- Evaluasi kebijakan. Saat menaksir dampak sebuah program, galat baku yang terlalu kecil bisa membuat program tampak “berhasil signifikan” padahal buktinya lemah — galat baku kukuh menjaga klaim dampak tetap jujur sebelum masuk ke rekomendasi kebijakan.
Lanjutan
Galat baku kukuh adalah obat untuk satu gangguan: ragam galat tak konstan dalam data lintas-individu. Dua gangguan saudaranya butuh obat yang berbeda, tetapi semua bertumpu pada gagasan sandwich yang sama:
- Clustered Standard Errors — galat berkorelasi di dalam kelompok (siswa dalam sekolah, observasi berulang per perusahaan). Isi $\Omega$ diisi per kelompok, bukan per observasi.
- Autokorelasi (Durbin-Watson, Breusch-Godfrey) — galat berkorelasi lintas waktu pada data deret waktu; obatnya galat baku Newey-West (HAC).
Fondasi dan peta:
- Heteroskedastisitas (Breusch-Pagan & White) — masalah yang disembuhkan galat baku kukuh, termasuk cara mendeteksinya.
- Asumsi Klasik Gauss-Markov (BLUE) — tempat asumsi homoskedastisitas berasal.
Reference
- White, H. (1980), “A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity”, Econometrica, 48(4), 817–838.
- MacKinnon, J. G. & White, H. (1985), “Some Heteroskedasticity-Consistent Covariance Matrix Estimators with Improved Finite Sample Properties”, Journal of Econometrics, 29(3), 305–325.
- Davidson, R. & MacKinnon, J. G. (1993), Estimation and Inference in Econometrics, Oxford University Press.
- Cribari-Neto, F. (2004), “Asymptotic Inference under Heteroskedasticity of Unknown Form”, Computational Statistics & Data Analysis, 45(2), 215–233.
- Wooldridge, J. M. (2019), Introductory Econometrics: A Modern Approach, 7th ed., Ch. 8.