A.
Pengertian Multikolinieritas
Analisis regresi linier berganda digunakan untuk
menganalisis hubungan linear antara dua atau lebih
variabel bebas secara bersama-sama dengan satu variabel
terikat. Adanya korelasi antar variabel yang cukup tinggi
menimbulkan multikolinearitas yang menyebabkan model
persamaan regresi yang diperoleh mnjadi kurang layak.
Multikolinieritas ditemukan pertama kali oleh Ragnar
Frisch (Institute of Economics, Oslo University). Pada
awalnya,
hubungan
pengertian
yang
multikolinieritas
linier
sempurna
atau
adalah
adanya
pasti
diantara
bebas
sendiri
dalam
berarti
kolinieritas
model
regresi.
hubungan
ganda
linier
Istilah
tunggal,
(multikolinieritas)
secara
substansi
diketahui
bahwa
total
terjadi
multikolinieritas
yang
hamper
tidak
adanya
multikolinieritas.
Jika
terdapat
mengakibatkan
penggunaan
OLS
dalam
multikolinieritas
yang
hampir
sempurna
terjadi,
beberapa
cara
untuk
mengetahui
ada
tidaknya
atau
melebihi
0.8
maka
hal
tersebut
menunjukkan
terjadinya
masalah
multikolinearitas
dalam regresi.
b. Dengan melihat nilai VIF (Varian Infloating Factor)
VIF = 1 / (1 R2)
Untuk yang dua variabel bebas, nilai R nya dapat
dihitung dengan :
x2
2
N x 2 ()
2
2
N x 1 ( x 1 )
x 2( x ) ( x )
N x 1
r x x =
1
adanya
collinearity).
Misal
R2
0.8
akan
menghasilkan VIF = 5.
Tidak ada batasan baku berapa nilai VIF dikatakan
tinggi, nilai VIF di atas 5 sudah membuat kita harus hatihati.
Menurut Gujarati (1978), jika nilai Toleransi kurang dari
0.1 atau nilai VIF melebihi 10 maka hal tersebut
menunjukkan bahwa multikolinearitas adalah masalah
yang pasti terjadi antar variabel bebas.
c. R2 tinggi, tapi tidak ada / hanya sedikit variabel bebas
yang signifikan secara statistik
d. Jika pengujian F untuk regresi adalah nyata tetapi
pengujian pada koefisien regresi secara individu tidak
nyata, maka multikolinieritas mungkin terjadi.
e. Koefisien korelasi antar variabel bebas tinggi atau
mendekati 1.
Misalkan ada data sebagai berikut :
Y
5
8
8
9
9
13
6
9
4
3
X1
2
3
5
4
6
2
3
4
5
6
X2
3
4
6
5
7
6
4
5
4
3
Menghitung manual
x2
2
N x 2 ()
2
N x 12( x 1 )
x 2( x ) ( x )
N x 1
r x x =
1
Menggunakan SPSS
terjadi
Coefficientsa
Standardiz
ed
Unstandardized Coefficient
Coefficients
Collinearity
Statistics
Toleranc
Model
1
Std. Error
(Constant 2.55
)
X1
1.09
Beta
Sig.
VIF
1.626
1.570
.160
.271
-.552 -4.029
.005
.950 1.052
.000
.950 1.052
2
X2
1.96
1
.302
.889
6.490
Dependent
variable: Y
Dikarenakan VIF =1,052 < 10 maka diindikasikan tidak terjadi
multikolinieritas
C.
D.
beberapa
cara
untuk
mengatasi
adanya
matriks korelasi
||
R
bR [(p-1) x 1] =
b1
R
b2
R
b p 1
X 1
X 1 ) + 1
+ 2
X 1
+ 2(Xi2 - X 2 ) + 2
X 2 ) + 1 (Xi1 -
- X 2 ) + i
menurut rumus untuk mendapatkan 0 yaitu:
X 1 ) + 2 (Xi2
0 =
X 1 - 2
Y - 1
X 2
maka berlaku
X 1 + 2
Y = 0 + 1
X 2
sehingga
X 1 + 2
Yi (0 + 1
X 2 ) = 1 (Xi1 -
X 1
) + 2(Xi2 -
X 2 ) + i
Yi -
Y = 1 (Xi1 -
Jika yi = Yi -
X 1
) + 2(Xi2 -
X 2 ) + i
xi1 = Xi1 -
X 1
xi2 = Xi2 -
X 2
untuk
mencari
model
regresi
menjadi
sederhana.
Bila dari persamaan di atas kita bentuk persamaan:
Yi
= 1Zi1 + 2Zi2 + i
Dengan
YiR =
Zi1 =
Zi2 =
yi
S Y n1
xi
S 1 n1
xi 1
S 2 n1
Yi Yi
S Y n1
Xi 1 X 1
S 1 n1
Xi 2 X 2
S 2 n1
lebih
Keterangan:
R
Yi
Yi
: Jumlah Observasi
SY
(
n
i=1
Z
i1
Xi1
X 1
S1
(
(
n
i=1
S2
i=1
maka
2
Y iY ) /(n1)
prosedur
1 ) /(n1)
X i 1 X
2 )2 /(n1)
X i 2 X
ini
disebut
dengan
prosedur
Rescaling.
ryx[(p-1) x 1] =
1
r 21
r 12
1
r p1,1 r p1,2
[ ]
r y1
r y2
r y , p1
r 1, p1
r 2, p1
Neter
dkk,
dalam
bukunya
Applied
Linear
bersama
dengan
berbagai
kemungkinan
nilai
estimator
>
regression
akan
bias
tetapi
melihat
besarnya
VIF
dan
melihat
pola
^
k
H 0 : =0
di dalam model)
H0: R 0
p; n p1;
jika
Fhitung > F
DF
SS
MS
Regres
SSRegR
Error
n-p-1
SSER
Total
n-1
SSTR
Fhitung
MSRegR MSRegR/MSER
SST R = ( Y i Y
R 2
) =1
SSE R = ( Y iRY^ R )
MSER
MSReg R=
SSReg R
p
MSE R=
SSE R
np1
kepentingan
estimasi,
maka
model
ke
b ) dengan cara:
Ridge
bentuk
bi=
Sy R
b
S xi i
( )
; i = 1,2,....,p-1
p1
b0 =Y b 1 X 1 b p1 X
Akhirnya
didapat model
regresi berganda
yang siap
X1
149.3
161.2
171.5
175.5
180.8
190.7
202.1
212.4
226.1
231.9
239
258
269.8
288.4
304.5
X2
4.2
4.1
3.1
3.1
1.1
2.2
2.1
5.6
5
5.1
0.7
5.6
3.9
3.1
4.6
X3
108.1
114.8
123.2
126.9
132.1
137.7
146
154.1
162.3
164.3
167.6
176.8
186.6
199.7
213.9
49.3
50.3
56.6
323.4
336.8
353.9
7
1.2
4.5
223.8
232
242.9
data
diatas
dapat
disimpulkan
bahwa
terdapat
yi
S Y n1
xi
S 1 n1
=
=
Yi Yi
S Y n1
Xi 1 X 1
S 1 n1
Zi2 =
Zi3 =
SY
xi 1
S 2 n1
xi 1
S 3 n1
(
(
(
(
n
:
:
i=1
S X2
i=1
S X3
Xi 2 X 2
S 2 n1
Xi 3 X 3
S 3 n1
2
Y iY ) /(n1)
i=1
S X1
i=1
= 12.5082
1 )2 /(n1)
X i 1 X
= 63.51674
2 )2 /(n1) = 1.74138
X i 2 X
2
X i 3 X 3 ) /(n1) = 41.58106
Y = 30.0944
X 1=237.517
X 2=3.6778
X 3=167.378
YR
-0.275231
Z1
-0.336851
Z2
0.072734
Z3
-0.345758
-0.265536
-0.291412
0.058806
-0.306678
-0.215122
-0.252081
-0.080471
-0.257682
-0.213183
-0.236808
-0.080471
-0.236100
-0.219000
-0.216570
-0.359026
-0.205770
-0.187976
-0.178767
-0.205821
-0.173106
-0.143379
-0.135237
-0.219749
-0.124693
-0.069697
-0.095907
0.267722
-0.077447
-0.038672
-0.043594
0.184156
-0.029618
-0.048367
-0.021447
0.198084
-0.017952
-0.073575
0.005664
-0.414737
0.001296
0.019498
0.078215
0.267722
0.054958
0.062156
0.123272
0.030951
0.112120
0.133899
0.194296
-0.080471
0.188530
0.256057
0.255773
0.128445
0.271357
0.372397
0.327941
0.462711
0.329102
0.391787
0.379109
-0.345099
0.376931
0.513945
0.444404
0.114517
0.440509
Z2
Z3
Pearson
Correlation
Sig. (2-tailed)
N
Pearson
Correlation
Sig. (2-tailed)
N
Pearson
Correlation
Sig. (2-tailed)
Z3
YR
.215
.999
.984
18
.391
18
.000
18
.000
18
.215
.214
.268
.391
18
18
.395
18
.282
18
.999
.214
.985
.000
.395
.000
YR
N
Pearson
Correlation
Sig. (2-tailed)
N
Z'Z = rxx =
Z'Y
18
18
18
18
.984
.268
.985
.000
18
.282
18
.000
18
18
1
0,215 0,999
0,215
1
0,214
0,999 0,214
1
[ ]
0,984
r xy = 0,268
0,985
0.000000
0.001000
0.002000
0.003000
0.004000
0.005000
0.005000
0.006000
0.007000
0.008000
0.009000
0.010000
Z2
1.0499
1.0465
1.0440
1.0417
1.0394
1.0372
1.0372
1.0350
1.0328
1.0306
1.0284
1.0262
Z3
469.3596
125.0871
56.9305
32.4808
21.0150
14.7356
14.7356
10.9280
8.4465
6.7398
5.5160
4.6086
0.020000
0.030000
0.040000
0.050000
0.060000
0.070000
0.080000
0.090000
0.100000
0.200000
0.300000
0.400000
0.500000
0.600000
0.700000
0.800000
0.900000
1.000000
1.4570
0.8054
0.5664
0.4520
0.3878
0.3478
0.3208
0.3014
0.2868
0.2250
0.1983
0.1790
0.1633
0.1500
0.1384
0.1282
0.1192
0.1111
1.0047
0.9840
0.9639
0.9444
0.9255
0.9071
0.8894
0.8721
0.8553
0.7115
0.6014
0.5152
0.4465
0.3907
0.3449
0.3067
0.2746
0.2473
1.4566
0.8055
0.5667
0.4524
0.3883
0.3482
0.3212
0.3018
0.2872
0.2254
0.1986
0.1793
0.1636
0.1502
0.1386
0.1284
0.1193
0.1112
Nilai VIF yang diambil adalah VIF yang relatif dekat dengan satu,
sedangkan nilai koefisien estimator parameter dengan berbagi
kemungkinan bias c dapat dilihat pada tabel berikut :
k
0.000000
0.001000
0.002000
0.003000
0.004000
0.005000
0.005000
0.006000
0.007000
0.008000
0.009000
0.010000
0.020000
0.030000
0.040000
0.050000
Z1
0.1591
0.3171
0.3719
0.3996
0.4162
0.4273
0.4273
0.4352
0.4411
0.4456
0.4491
0.4520
0.4645
0.4674
0.4678
0.4671
Z2
0.0601
0.0598
0.0598
0.0598
0.0598
0.0598
0.0598
0.0598
0.0599
0.0599
0.0599
0.0600
0.0604
0.0608
0.0612
0.0616
Z3
0.8128
0.6544
0.5991
0.5709
0.5538
0.5422
0.5422
0.5338
0.5275
0.5225
0.5184
0.5150
0.4977
0.4899
0.4848
0.4808
0.060000
0.070000
0.080000
0.090000
0.100000
0.200000
0.300000
0.400000
0.500000
0.600000
0.700000
0.800000
0.900000
1.000000
0.4659
0.4643
0.4627
0.4609
0.4590
0.4395
0.4207
0.4034
0.3874
0.3726
0.3589
0.3461
0.3343
0.3232
0.0619
0.0623
0.0626
0.0629
0.0632
0.0656
0.0669
0.0675
0.0677
0.0674
0.0669
0.0663
0.0655
0.0646
0.4773
0.4742
0.4713
0.4686
0.4659
0.4430
0.4231
0.4051
0.3888
0.3737
0.3599
0.3470
0.3351
0.3239
k
Z1
Z2
Z3
k
Z1
Z2
Z3
Dari berbagai harga c yang ada, nlai VIF mulai tampak ada
penurunan pada c sebesar 0.03. Harga c yang memberikan VIF
relatif dekat dengan 1, yaitu pada c=0.03 ini menunjukkan
bahwa pada c=0,03 koefisien
4. Pengujian hipotesis
Ho :
dalam model)
= 0,05
ANOVAa
Model
1
Regressi
on
Sum of
Squares
.973
df
3
Mean
Square
F
.324 167.48
2
Sig.
.000b
Residual
.027
14
Total
1.000
17
a. Dependent Variable: Yr
b. Predictors: (Constant), Z3, Z2, Z1
.002
Ftabel=3.34
Karena Fhitung> Ftabel maka tolak Ho
Maka
dengan
tingkat
kepercayaan
sebesar
95
dapat
Sy R
b
S xi i
( )
b1 =
b2=
S y R 12,5082
b =
0,4674=0.0920
S x 1 1 63,5167
( ) (
( ) (
( ) (
b3 =
S y R 12,5082
b =
0,0608=0.4367
Sx 2 2
1,7414
S y R 12,5082
b =
0,4899=0.1474
S x3 3 41,5811
3
b0 =Y b 1 X 1 b2 X 2b 3 X