"Apa arti BLUE sebenarnya?"

"BLUE = Best Linear Unbiased Estimator. Linear: estimator berupa kombinasi linear dari y. Unbiased: rata-ratanya tepat menyasar parameter sebenarnya. Best: di antara semua estimator linear unbiased, OLS punya varians terkecil (paling efisien) — di widget ini terlihat sebagai histogram OLS yang lebih ramping dibanding estimator 2-titik yang gemuyar. Teorema Gauss-Markov menjamin tiga sifat itu sekaligus asalkan asumsinya terpenuhi."

"Estimator 2-titik juga tepat sasaran (unbiased) — kenapa tetap lebih buruk?"

"Karena hanya memakai dua hari dengan pergerakan IHSG paling ekstrem, hampir seluruh informasi 30 hari terbuang. Rata-ratanya masih menuju nilai sebenarnya, tetapi sebarannya lebar: pada satu sampel bisa jauh meleset ke atas, pada sampel lain jauh ke bawah. Inilah bedanya bias dan efisiensi — tidak bias belum berati bisa diandalkan; varians kecil-lah yang membuat estimator berguna untuk satu sampel saja."

"Apa konsekuensinya kalau asumsi homoskedastisitas dilanggar?"

"Gauss-Markov mensyaratkan varians error konstan (homoskedastik). Saat slider heteroskedastisitas dinaikkan, keunggulan presisi OLS standar berkurang — OLS tidak lagi estimator linear unbiased terbaik. Solusi praktisnya bukan membuang OLS, melainkan memperbaiki inferensinya: gunakan kesalahan standar robust (White/Huber), atau estimasi dengan WLS/GLS yang memberi bobot lebih kecil pada observasi bervarians besar sehingga kembali efisien."

Gauss-Markov: Kenapa OLS itu BLUE

Setiap mahasiswa ekonometrika menghafal istilah BLUE — Best Linear Unbiased Estimator — tetapi makna kata Best sering berhenti di hafalan. Widget ini membuatnya terlihat: estimasi beta saham BBCA terhadap IHSG dihitung berulang kali (replikasi) dari sampel 30 hari yang tiap kali ditarik ulang dari populasi yang sama dengan β sebenarnya = 1,10. Dua estimator diadu: OLS yang memakai seluruh 30 hari, dan estimator 2-titik yang hanya memakai dua hari dengan pergerakan pasar paling ekstrem.

Hasilnya kontras. Keduanya rata-rata tepat menuju 1,10 (unbiased), tetapi sebaran OLS jauh lebih rapat. Kata Best di BLUE berarti persis itu: varians terkecil di antara semua estimator linear unbiased. Teorema Gauss-Markov menjaminnya — dengan syarat: error bertidak bebas, rata-rata nol, varians konstan (homoskedastik), dan tidak berkorelasi dengan regressor.

Cara Pakai

Geser Replikasi simulasi dari 1 ke atas — pada nilai kecil ditampilkan titik-titik estimasi individual, pada ≥ 5 muncul histogram sebaran. Baca SD(OLS) vs SD(2-titik) di header: angka yang lebih kecil menandakan estimator lebih presisi. Lalu geser Heteroskedastisitas noise untuk membuat varians error membesar pada hari-hari pasar ekstrem — perhatikan keunggulan OLS melesap seiring pelanggaran asumsi. Tombol ⌖ Reset Simulasi mengembalikan konfigurasi penuh.

Rumus Kunci

$$\hat{\beta}_{OLS} = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2}$$$$\text{Var}(\hat{\beta}) = \frac{\sigma^2}{\sum (x_i - \bar{x})^2}$$

Dengan asumsi Gauss-Markov terpenuhi, tidak ada estimator linear unbiased lain yang variansnya lebih kecil dari OLS. Estimator 2-titik pada widget tetap unbiased karena bentuknya juga linear dan ekspektasinya benar, tetapi variansnya jauh lebih besar — informasi 28 hari lainnya terbuang percuma.

Poin Penting

Simulasi seperti ini disebut eksperimen Monte Carlo: parameter sebenarnya diketahui (β = 1,10), sehingga kualitas estimator bisa dinilai langsung terhadap kebenaran yang biasanya tak terlihat di data riil. Pelajarannya untuk praktik: OLS tetap unbiased saat asumsi efisiensi dilanggar, tetapi kesimpulan uji-t dan confidence interval jadi tak bisa dipercaya — di situlah kesalahan standar robust berperan.

Gauss-Markov: Kenapa OLS itu BLUE

Cara Pakai

Rumus Kunci

Poin Penting

Terkait