Uji Multikolinearitas dan Autokorelasi

A. Multikolinearitas
Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi
yang tinggi antara masing-masing variabel independen dalam model
regresi. Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang
digunakan saling terkait dalam suatu model regresi. Oleh karena itu
masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang
hanya melibatkan satu variabel independen.
Indikasi terdapat masalah multikolinearitas dapat kita lihat dari kasus-kasus
sebagai berikut:
1. Nilai R2 yang tinggi (signifikan), namun nilai standar error dan tingkat
signifikansi masing-masing variabel sangat rendah.
2. Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan
pada variabel yang diamati.
3. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang
seharusnya memiliki pengaruh positif (nilai koefisien positif), ditunjukkan dengan
nilai negatif.
Memang belum ada kriteria yang jelas dalam mendeteksi
masalah multikolinearitas dalammodel regresi linier. Selain itu hubungan
korelasi yang tinggi belum tentu berimplikasi terhadap
masalah multikolinearitas. Tetapi kita dapat melihat indikasi multikolinearitas
dengan tolerance value (TOL), eigenvalue, dan yang paling umum digunakan
adalah varians inflation factor (VIF).
Hingga saat ini tidak ada kriteria formal untuk menentukan batas terendah dari
nilai toleransi atau VIF. Beberapa ahli berpendapat bahwa nilai toleransi kurang
dari 1 atau VIF lebih besar dari 10 menunjukkan multikolinearitas signifikan,
sementara itu para ahli lainnya menegaskan bahwa besarnya R 2 model dianggap
mengindikasikan adanya multikolinearitas. Klein (1962) menunjukkan bahwa, jika
VIF lebih besar dari 1/(1 R2) atau nilai toleransi kurang dari (1 R 2),
maka multikolinearitas dapat dianggap signifikan secara statistik.
B. Autokorelasi
Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara
errorserangkaian observasi yang diurutkan menurut waktu (data time series). Uji
autokorelasiperlu dilakukan apabila data yang dianalisis merupakan data time
series (Gujarati, 1993).

dimana:
d = nilai Durbin Watson
ei = jumlah kuadrat sisa
Nilai Durbin Watson kemudian dibandingkan dengan nilai d- tabel. Hasil
perbandingan akan menghasilkan kesimpulan seperti kriteria sebagai berikut:
1. Jika d < dl, berarti terdapat autokorelasi positif
2. Jika d > (4 dl), berarti terdapat autokorelasi negatif
3. Jika du < d < (4 dl), berarti tidak terdapat autokorelasi
4. Jika dl < d < du atau (4 du), berarti tidak dapat disimpulkan
Berikut ini adalah daerah pengujian durbin watson:

Oke,kemudian kita lihat contoh berikut(pengerjaannya sama dengan

langkah pengerjaan regresi linier berganda, untuk yang belum mengerti secara
penuh regresi linier berganda bisa menyimaknya disini >>:
Seandainya kita memiliki variabel dependen (Y) tingkat inflasi di Amerika
Serikat, dengan variabel independen yang diamati adalah kurs Yen terhadap
US$ (X1), kurs Rupiah terhadap US$ (X2), dan kurs US$ terhadap
Poundsterling (X3), maka kita akan memilki model sebagai berikut:
Y = 0 + 1X1 + 2X2 + 3X3 +
Berikut adalah data-datanya selama 10 tahun dari tahun 1979 1988:
Y

X1

X2

X3

7,62

623

219,0
2

2,12

627

226,6
3

2,33

5,75

632

220,6
3

2,02

9,2

661

249,0
6

1,75

6,5

889

237,5
5

1,52

6,16

901

237,4
5

1,34

2,93

778

238,4
7

1,30

2,81

855

168,3
5

1,47

2,61

1.153

144,6

1,64

2,96

1.325

128,1
7

1,78

11,03

Maka dengan Minitab 14, langkah-langkah pengerjaannya adalah sebagai

berikut:
1. Buka Minitab, kemudian copy paste datanya ke dalam worksheet
minitab seperti berikut ini:

2. Kemudian langkah kedua, dari menubar pilih Stat Regression

Regression seperti berikut:

3. Setelah muncul kotak dialog Regression, masukkan variabel Y ke

kotak Response, dan masukkan variabel X1, X2, dan X3 ke kotak Predictors.
Proses ini dilakukan dengan memblok variabel dan pilih select. Setelah itu
pilih Option (kiri bawah), lalu centang durbin Watson statistic, varians inflation
factor, dan predicter R-square. Durbin Watson statistic berguna untuk melihat
indikasi autokorelasi, sedangkan nilai varians inflation factor (VIF) adalah untuk
melihat adanya indikasi multikolinearitas pada model, kemudian klik OK OK,

4. Kemudian outputnya seperti berikut:

Persamaan Regresi yang dihasilkan adalah:

Y = -26,3 + 0,0086 X1 + 0,0843 X2 + 4,26 X3
Dari persamaan tersebut dapat dikemukakan bahwa semua
variabel berpengaruh positif, artinya jika terjadi kenaikan inflasi di Amerika
Serikat, maka akan diikuti oleh ketiga variabel penjelas/independen.
Dengan koefisien korelasi X1 dan X2 yang sangat kecil, maka pengaruhnya
tidak signifikan. Karena jumlah sampel yang baik minimal adalah 30, serta
pemilihan variabel secara dilakukan secara acak, karena untuk kebutuhan
ilustrasi saja.
Nilai VIF pada output menunjukkan keberadaan multikolinearitas tidak
signifikan, artinya tidak ada indikasi multikolinearitas dalam model. Ini
ditunjukkan dengan nilai VIF berturut-turut untuk X1, X2, dan X3 adalah
4,7, 3,9, dan 1,7.
Nilai signifikansi pada output Analysis Of Variance menunjukkan model regresi
yang digunakan kurang baik, diindikasikan dengan nilai F-statistik yang kecil
(3,44%) dan nilai p-value 0,092 > 0,05.
Nilai Durbin Watson mengindikasikan tidak adanya autokorelasi yang
terjadi yang diindikasikan dengan nilai 2,06. Nilai tersebut terletak pada daerah
tengah rentang pengujianautokorelasi Durbin Watson.
Untuk masalah heteroskedastisitas, akan dibahas pada bahasan lain Statistik 4
Life. (yoz)
About these ads

Memuat...