Spurious Regression Adalah Apa? Kenali Risikonya dalam Analisis OLS

Dalam analisis ekonometrika, regresi digunakan untuk mengetahui hubungan antara satu variabel dengan variabel lainnya. Salah satu metode estimasi yang paling umum dipakai adalah Ordinary Least Square (OLS). Ordinary Least Square adalah metode yang digunakan mengestimasi pengaruh variabel independen terhadap variabel dependen berdasarkan data yang tersedia.

Namun, penggunaan OLS tidak selalu menghasilkan kesimpulan yang dapat dipercaya. Salah satu masalah yang perlu diperhatikan, terutama ketika menggunakan data time series, adalah spurious regression atau regresi palsu. Spurious regression terjadi ketika model regresi menunjukkan adanya hubungan statistik yang kuat antara variabel-variabel yang sebenarnya tidak memiliki hubungan yang bermakna.

Kondisi ini dapat membuat peneliti memperoleh nilai R-squared yang tinggi, koefisien signifikan, dan statistik uji yang terlihat meyakinkan, meskipun hubungan tersebut sebenarnya muncul akibat karakteristik data yang tidak stasioner. Lalu, apa itu Spurious Regression dan apa saja risikonya dalam analisis Ordinary Least Square (OLS)? Simak penjelasannya di bawah ini sahabat DQLab!

1. Apa itu Spurious Regression?

Spurious regression adalah kondisi ketika hasil regresi menunjukkan hubungan yang secara statistik terlihat signifikan, tetapi hubungan tersebut sebenarnya tidak mencerminkan hubungan ekonomi yang nyata. Masalah ini paling sering ditemukan ketika peneliti melakukan regresi terhadap data time series yang tidak stasioner. Data time series adalah data yang dikumpulkan berdasarkan urutan waktu. Misalnya:

• inflasi bulanan

• harga komoditas tahunan,

• Produk Domestik Regional Bruto (PDRB)

• jumlah penduduk

• nilai ekspor

• tingkat pengangguran.

Beberapa data ekonomi memiliki kecenderungan meningkat atau menurun dari waktu ke waktu. Jika dua variabel sama-sama memiliki tren, regresi OLS dapat menangkap pola tersebut sebagai hubungan statistik, meskipun keduanya sebenarnya tidak berkaitan secara langsung.

Sebagai contoh, peneliti ingin melihat hubungan antara jumlah pengguna internet dan harga suatu komoditas selama 20 tahun. Keduanya sama-sama mengalami peningkatan dari tahun ke tahun. Regresi OLS mungkin menghasilkan R-squared yang tinggi dan koefisien yang signifikan. Namun, bukan berarti peningkatan pengguna internet menyebabkan harga komoditas meningkat. Hubungan tersebut bisa saja muncul hanya karena kedua variabel memiliki tren waktu.

Baca Juga: 4 Contoh Portfolio Data Scientist yang Luar Biasa

2. Hubungan Spurious Regression dengan OLS

OLS pada dasarnya merupakan metode untuk memperoleh estimasi koefisien regresi dengan meminimalkan jumlah kuadrat residual. Secara sederhana, model regresi linear dapat ditulis sebagai berikut:

Y = β₀ + β₁X + ε

Keterangan:

• Y = variabel dependen

• X = variabel independen

• β₀= konstanta

• β₁= koefisien regresi

• ε = error

OLS akan menghasilkan estimasi β₀ dan β₁ berdasarkan data yang digunakan.

Permasalahan muncul ketika data yang digunakan memiliki karakteristik time series tertentu, terutama ketika variabel-variabel tersebut tidak stasioner dan tidak memiliki hubungan jangka panjang yang valid. Dalam kondisi tersebut, OLS tetap dapat menghasilkan output statistik yang terlihat sangat baik. Namun, output tersebut dapat menggambarkan hubungan yang sebenarnya tidak ada.

Jadi, masalahnya bukan karena OLS merupakan metode yang salah. OLS diterapkan pada kondisi data yang tidak sesuai tanpa pemeriksaan lebih lanjut.

3. Bagaimana Cara Mengenali Spurious Regression?

Salah satu langkah penting adalah memeriksa stasioneritas data sebelum melakukan analisis regresi time series. Peneliti dapat menggunakan berbagai uji stasioneritas. Salah satunya adalah Augmented Dickey-Fuller (ADF) test. Secara umum, pengujian tersesbut digunakan untuk membantu menentukan apakah suatu data memiliki unit root atau tidak.

Apabila data tidak stasioner pada level, peneliti dapat melakukan transformasi tertentu. Misalnya, naik ke tingkat first difference. Kemudian, peneliti bisa melakukan pengujian kembali. Namun, tidak semua data nonstasioner harus langsung di-difference. Jika beberapa variabel tidak stasioner tetapi memiliki hubungan jangka panjang (cointegration), pendekatan ekonometrika seperti cointegration test dan Error Correction Model (ECM) dapat menjadi pilihan yang lebih tepat.

Baca Juga: Contoh Implementasi Data Science dalam Keseharian

4. Apa Risiko Spurious Regression?

Spurious regression dapat memberikan kesan bahwa model penelitian sangat baik, padahal kesimpulannya tidak valid. Beberapa risiko yang perlu diperhatikan antara lain:

1. Koefisien terlihat signifikan

Hasil uji t dapat menunjukkan bahwa variabel independen berpengaruh signifikan terhadap variabel dependen. Peneliti kemudian mungkin menyimpulkan bahwa terdapat hubungan yang kuat antara kedua variabel. Padahal, signifikansi tersebut bisa muncul karena karakteristik data time series yang tidak stasioner.

2. Nilai R-squared sangat tinggi

R-squared menunjukkan seberapa besar variasi variabel dependen dapat dijelaskan oleh variabel independen dalam model. Pada spurious regression, nilai R-squared dapat menjadi sangat tinggi meskipun hubungan antarvariabel sebenarnya tidak bermakna. Karena itu, R-squared yang tinggi tidak otomatis menunjukkan bahwa model regresi sudah baik.

3. Statistik uji terlihat meyakinkan

Selain R-squared dan uji t, hasil regresi dapat menunjukkan statistik lain yang tampak mendukung model. Jika peneliti hanya melihat output tersebut tanpa memeriksa karakteristik data, kesimpulan penelitian menjadi keliru.

4. Kesimpulan ekonomi terkesan menyesatkan

Risiko terbesar bukan sekedar masalah statistik, tetap interpretasi ekonomi. Jika hubungan palsu dianggap sebagai hubungan nyata, peneliti dapat membuat rekomendasi atau kesimpulan kebijakan berdasarkan hubungan yang sebenarnya tidak ada.

5. Contoh Sederhana Spurious Regression

Misalnya seorang mahasiswa ingin meneliti pengaruh antara jumlah pengguna internet (X) terhadap harga bawang merah (Y). Data yang digunakan adalah data tahunan selama 25 tahun. Setelah menjalankan regresi OLS, diperoleh hasil

• R-squared = 0,95

• koefisien X signifikan

• p-value < 0,05

Sekilas, hasilnya terlihat sangat bagus. Mahasiswa tersebut kemudian menyimpulkan bahwa jumlah pengguna internet berpengaruh signifikan terhadap harga bawang merah. Namun, setelah dilakukan uji stasioneritas, ternyata kedua variabel tidak stasioner pada level.

Dalam kondisi tersebut, hasil regresi awal perlu dicermati kembali. Nilai R-Squared yang tinggi dan koefisien yang signifikan belum cukup untuk memastikan bahwa hubungan tersebut benar-benar mencerminkan hubungan ekonomi. Bisa saja kedua variabel sama-sama memiliki tren waktu sehingga menghasilkan spurious regression.

Spurious regression adalah salah satu masalah yang perlu diwaspadai ketika menggunakan OLS pada data time series. Regresi palsu dapat membuat hubungan yang sebenarnya tidak bermakna terlihat signifikan secara statistik. Ciri seperti R-squared tinggi dan koefisien signifikan tidak cukup untuk memastikan bahwa model regresi valid. Peneliti perlu memahami karakteristik data, terutama stasioneritas, sebelum menginterpretasikan hasil OLS.

FAQ

1. Apa yang dimaksud dengan spurious regression?

Spurious regression adalah kondisi ketika hasil regresi menunjukkan hubungan statistik yang kuat antara variabel, tetapi hubungan tersebut sebenarnya tidak memiliki makna yang valid. Kondisi ini sering berkaitan dengan data time series yang tidak stasioner.

2. Apakah R-squared tinggi berarti regresi bebas dari spurious regression?

Tidak. R-squared yang tinggi justru dapat muncul pada spurious regression. Karena itu, peneliti perlu melakukan pemeriksaan lain, terutama uji stasioneritas dan analisis karakteristik data.

3. Bagaimana cara mengatasi spurious regression?

Langkahnya bergantung pada karakteristik data. Peneliti dapat melakukan uji stasioneritas, memeriksa cointegration, melakukan differencing jika sesuai, atau menggunakan model time series seperti ECM ketika terdapat hubungan jangka panjang.

Kalau kamu tertarik untuk berkarir sebagai Data Analyst yang menguasai teknik Data Cleaning secara handal, ini adalah saat yang tepat! Yuk, segera Sign Up ke DQLab! Di sini, kamu bisa belajar dari dasar hingga tingkat lanjut dengan materi dan tools yang relevan dengan kebutuhan industri, bahkan tanpa latar belakang IT. Belajar kapan saja dan di mana saja dengan fleksibilitas penuh, serta didukung oleh fitur eksklusif Ask AI Chatbot 24 jam!

Tidak cuma itu, DQLab juga sudah menerapkan metode pembelajaran HERO (Hands-On, Experiential Learning & Outcome-based) yang dirancang ramah untuk pemula, dan telah terbukti mencetak talenta unggulan yang sukses berkarier di bidang data. Jadi, mau tunggu apa lagi?

Jadi, tunggu apa lagi? Segera persiapkan diri untuk menguasai keterampilan di bidang data dan teknologi dengan subscribe modul premium, atau ikuti Bootcamp Data Analyst with SQL and Python sekarang juga!

Penulis: Reyvan Maulid