Anda di halaman 1dari 11

ANALISIS REGRESI LINIER BERGANDA

MULTIKOLINEARITAS

Disusun Oleh :

1. Rahmat Khairul Saleh H1091151013


2. Nurhalita H1091151041
3. Shindy Utari H1091151005
4. Bayu Mustika K. H1091151031

Dosen Pembimbing :
Naomi NessyanaDebataraja, S.Si. M.Si

JURUSAN MATEMATIKA

PRODI STATISTIK

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS TANJUNGPURA

PONTIANAK

2016

MULTIKOLINEARITAS
Multikolineriatas terjadi karena adanya hubungan linier di antara variabel-variabel bebas ( x )
dalam model regresi. Bila variabel- variabel bebas berkolerasi dengan sempurna maka
disebut multikolinearitas sempurna.

Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi
antara masing-masing variabel independen dalam model regresi. Multikolinearitasbiasanya
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.

Kriteria pengujian:

Jika nilai tolerance > 0,1 (10%) dan nilai VIF < 10, maka data tidak mengalami

multikolinieritas, dan sebaliknya.

Penyebab multikolinearitas dalam model regresi, antara lain:


1. Kesalahan teoritis dalam pembentukan model fungsi regresi yang dipergunakan/
memasukkan variabel bebas yang hampir sama, bahkan sama.
2. Terlampau kecilnya jumlah pengamatan yang akan dianalisis dengan model regresi.

Ternyata multikolinearitas juga mempunyai konsekuensi atau efek di dalam model regresi,
antara lain
1. Walaupun koefisien regresi dari variabel X dapat ditentukan (determinate), tetapi
kesalahan standarnya akan cenderung semakin besar dengan meningkatnya tingkat korelasi
antara peningkatan variabel bebas.
2. Karena besarnya kesalahan standar, selang keyakinan untuk parameter populasi yang
relevan cenderung untuk lebih besar.
3. Dalam kasus multikolinearitas yang tinggi, data sampel mungkin sesuai dengan
sekelompok hipotesis yang berbeda-beda. Jadi probabilitas untuk menerima hipotesis yang
salah akan meningkat.
4. Selama multikolinearitas tidak sempurna, penaksiran koefisien regresi adalah
mungkin tetapi taksiran dan kesalahan standarnya menjadi sangat sensitif terhadap perubahan
dalam data.
Jika multikolinearitas tinggi, seseorang mungkin memperoleh R 2 yang tinggi, tetapi tidak satu
pun atau sangat sedikit koefisien yang ditaksir yang penting secara statistik.
Akibat yang dtimbulkan multikolineritas

1. Penaksir- penaksir kuadrat terkecil tidak bisa ditentukan.


2. Varian dan kovarian dari penaksir menjadi tak terhingga.
Jika terdapat multikolinearitas ( bukan sempurna ), maka akibat yang bisa terjadi
adalah:
1.dengan naiknya derajat kolerasi di antara variabel- variabel , penaksir- penaksir
dengan MKT masih bisa di peroleh, namun kesalahan baku ( standard residua)
cenderung besar.
2.karena kesalahan baku besar, maka probabilitas kesalahan tipe 11 (menerima
hipotesis yang salah ) akan semakin besar.
3. taksiran- taksiran parameter MKT dan kesalahan bakunya akan menjadi sangat
sensitif terhadap perubahan kecil dalam data.
4. jika multikolinearitas tinggi, mungkn koefesien determinasi (r 2) bisa tinggi juga,
tetapi hanya sedikit bahkan tidak ada taksiran koefesien yang signifikan.

Cara mendeteksi multikolinearitas

1.Frisch confluence analysis

Gejala-gejala yang bisa dipakai untuk menandai adanya multikolinearitas adalah koefesien
determinasi, koefesien korelasi parsial dan kesalahan baku dari parameter- parameter regresi.

Prosedur yang dilakukan dalam uji ini adalah semua kemungkinan regresi antar dua variabel
independen ditaksir dengan mencoba setiap variabel berturut-turut sebagai variabel terikat.
Kemudian dimasukkkan variabel baru yang ada dalam model secara bertahap.

2..uji ferrar glauber

.secara garis besar tiga langkah dalam uji ferrar- glauber

a.Perhitungan untuk menguji orthogonal

b.Perhitungan ratio f untuk menguji lokasi multikolinearitas

c.Perhitungan ratio t untuk menguji pola multikolinearitas

Beberapa cara mengindentifikasi adanya multinolinieritas pada model regresi, diantaranya


adalah :

1. Jika nilai regresi menunjukkan nilai R2 yang tinggi dan F statistik yang sangat
signifikan (goodness of fit terpenuhi), namun sebagian besar variabel bebas tidak
signifikan pengaruhnya (t hitung kecil)
2. Terdapat korelasi yang tinggi (R > 0.8) antara satu pasang atau lebih variabel
bebas dalam model

3. Mencari nilai Condition Index (CI). Condition indek yang bernilai lebih dari 30
mengindentifikasikan adanya multikolineritas

4. Dapat pula melihat indikasi multikolinearitas dengan Tole rance Value (TOL),
Eigenvalue, dan yang paling umum digunakan adalah Varians Inflation
Factor (VIF). nilai VIF > 10 mengindentifikasi adanya multikolinieritas.

5. Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan


pada variabel yang diamati.

6. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang
seharusnya memiliki pengaruh positif (nilai koefisien positif), ditunjukkan dengan
nilai negatif.

Cara mengatasi Multikolinearitas


1. Transformasi variabel, yaitu menganalisis ulang model regresi yang sama,
tetapi dengan nilai variabel-variabel yang telah ditransformasikan.
2. Adanya informasi apriori/ informasi sebelumnya. Informasi ini bisa datang
dari teori ekonomi atau dari penelitian empiris sebelumnya dimana masalah kolinearitas
ternyata kurang serius.
3. Menghubungkan data cross sectional dan data urutan waktu, yang dikenal
sebagai penggabungan data (pooling the data).
4. Mengel uarkan satu variabel atau lebih dan bias/ kesalahan spesifikasi. Yaitu
dengan mengeluarkan salah satu dari dua variabel bebas yang mempunyai korelasi sederhana
relatif tinggi (misalnya >).
5. Penambahan data baru.
Dengan backward combination analysis, yaitu dengan meregresikan secara berulang-ulang
variabel tak bebas dengan pasangan-pasangan variabel bebas yang kombinasinya berbeda-
beda.

Study kasus
Contoh aplikasi ini adalah kasus permintaan ayam di AS selama periode 1960-1989
(gujarati,1995:228)

No Tahun Y x1 x2 x3 x4
1 1960 27.8 397.5 123.5 42.2 50.7
2 1961 29.9 413.3 156.9 38.1 52
3 1962 29.8 439.2 145.9 40.3 54
4 1963 30.8 459.7 79.2 39.5 55.3
5 1964 31.2 492.9 77.4 37.3 54.7
6 1965 33.2 528.6 80.2 38.1 63.7
7 1966 35.6 560.3 80.4 39.3 69.8
8 1967 36.4 624.6 83.9 37.8 65.9
9 1968 36.7 666.4 85.5 38.4 64.5
10 1969 38 717.8 93.7 40.1 70
11 1970 40.4 768.2 106.1 38.6 73.2
12 1971 40.3 843.3 104.8 39.8 67.8
13 1972 41.8 911.6 114 39.7 79.1
14 1973 40.4 931.1 124.1 52.1 95.4
15 1974 40.7 1021.5 127.6 48.9 94.2
16 1975 58.3 123.5
17 1976 42.7 1349.6 143.6 57.9 129.9
18 1977 44.1 1449.4 139.2 40.1 1165.9 142.9
19 1978 47.7 1575.5 165.5 63.7 130.9
20 1979 50.6 1759.1 203.3 61.6 129.8
21 1980 50.1 1994.2 216.6 58.9 128
22 1981 51.7 2258.1 221.6 66.4 141
23 1982 52.9 2478.7 232.6 70.4 168.2
24 1983 46.8 2597.5 248.3 51.6 111.9
25 1984 45.7 2613.3 259.2 50.9 132.5
26 1985 55.2 2739.2 269.2 53.6 125.9
27 1986 41.7 2859.7 279.2 58.7 133
28 1987 47.5 2992.9 287.4 54.3 142
29 1988 44.7 3028.6 280 63.7 135.2
30 1989 48.4 3160.3 290.4 55.4 146

Adapun variabe yang digunakan di atas adalah

Y = konsumsi ayam perkapita

X1 =pendapatan riil perkapita

X2= harga ayam eceran riil per unit

X3= harga kambing eceran riil per unit


X4= harga sapi eceran riil per unit

Teori ekonomi mikro mengajarkan bahwa permintaan akan suatu barang dipengaruhi oleh
pendapatan konsumen , harga barang itu sendiri, harga barang substitusi, dan harga barang
komplementer.

Dengan data yang ada, kita dapat mengestimasi fungsi permintaan ayam di AS adalah

Y' = a + b1X1 + b2X2 + b3X3 +b4 X4 + error

Cara Mendeteksi

Dari study kasus diatas kita akan mendeteksi apakah data tersebut multikolinearitas atau tidak
menggunakan uji hipotesis dengan SPSS.

Hipotesis:

Ho: tidak adanya multikolinearitas

H1: adanya multikolinearitas

kriteria uji:

Data akan multikolinearitas jika VIF pada SPSS 10

statistik uji:

1. Klik Start->IBM SPSS 21

2. PilihVariabel View danisikan data seperti berikut tulis nama variabel yang diinginkan

(jangan gunakan spasi) klik DATA VIEW copy-kan data variabel yang akan diuji dari

EXCEL SHEET/DATA DALAM FORMAT EXCEL pada DATA VIEW SHEET.data

spss siap dianalisis lebih lanjut seperti pada gambar berikut.


Klik ANALYZE pilih REGRESSION pilih linier masukkan variabel
dependen ke kotak DEPENDENT masukkan variabel independen pada kotak
independent klik SAVE klik pilihan UNSTANDARDIZED pada kotak
RESIDUAL klik CONTINUE klik OKmuncul Res_1 pada data sheet
SPSS.
Output selanjutnyanya adalah tabel Coefficients menunjukkan nilai parameter a, b1, b2 dan
b3, sebagai berikut

a = 28.632

b1 = 0.004menunjukkan nilai korelasi antara variabel X1 dan Y positif dengan sig-


=0.262

b2 = 0.40 menunjukkan nilai korelasi antara variabel X2 dan Y positif, dalam hal ini
nilai sig. = 0.244 .

b3 = 0.97 menunjukkan nilai korelasi antara variabel X3 dan Y positif,nilai sig. 0.652

b4 = 0.183 menunjukkan nilai korelasi antara variabel X4 dan Y positif, nilai sig
= 0.048

Hal ini pun didukung dengan nilai VIF pada baris variabel X1 memiliki nilai VIF nya > 10
yang menunjukkan bahwa terjadinya pelanggaran asumsi multikolinearitas.
Dan jika kita hitung nilai R Square masing-masing parameter yang akan dibandingkan
dengan nilai parameter, maka dapat diperoleh R Square = 1 - 1/(VIF)

Parameter b1 = 0.004 maka nilai R Square = 1 - (1/26.133) = 1 - 0,038 = 0.962

Parameter b2 = 0.040 maka nilai R Square = 1 - (1/14.402) = 1 - 0,069 = 0.930

Parameter b3 = 0.097 maka nilai R Square = 1 - (1/11.350) = 1 0.088 = 0.912

Parameter b4 =0.183 maka nilai R Square = 1 - (1/29.622) = 1 0.034 = 0.966

Kita ingin mengetahui apakah data kita multikolinearitas, jika x1 dan x4 dikeluarakan. Pilih
analyze pilih regression pilih linier seperti pada gambar dibawah.
Lalu pilih statistic klik estimates,colinearitas diagnosis, model fit pilih continue lalu ok.

Hasil output yang dihasilkan spss.

selanjutnya untuk mengetahui data sudah Normal atau tidak dilakukan uji hipotesis.
Hipotesis:
Ho : terjadi multikolinearitas
H1 : tidak terjadi multikolinearitas
Taraf signifikan : 0,05
Statistik Uji:
Kriteria Pengujian
Ho ditolak jika nilai VIF 10, dan Ho diterima jika nilai VIF > 10
Kesimpulan
Dari tabel coefficientsa diatas, diketahui nilai VIF b2 dan b3 bernilai 10 dan

nilainya sama yaitu 2.004 . Dan dapat disimpulkan bahwa data tersebut tidak
multikolinearitas setelah mengeluarkan X1 dan X4. Kita tidak perlu melakukan
transformasi.