6.1. Multikolinearitas
Dengan Perbaikan
a. Menghilangkan Variabel Independen
Ketika kita menghadapi persoalan serius tentang
multikolinieritas, salah satu metode sederhana yang bisa dilakukakan
adalah dengan menghilangkan salah satu variabel independen yang
mempunyai hubungan linier kuat. Misalnya dalam kasus hubungan
antara tabungan dengan pendapatan dan kekayaan, kita bisa
menghilangkan variabel independen kekayaan.
Akan tetapi menghilangkan variabel independen di dalam suatu
model akan menimbulkan bias spesifikasi model regresi. Masalah bias
spesifikasi ini timbul karena kita melakukan spesifikasi model yang salah
di dalam analisis. Ekonomi teori menyatakan bahwa pendapatan dan
kekayaan merupakan faktor yang mempengaruhi tabungan sehingga
kekayaan harus tetap dimasukkan di dalam model.
1
b. Transformasi Variabel
Misalnya kita menganalisis perilaku tabungan masyarakat
dengan pendapatan dan kekayaan sebagai variabel independen. Data
yang kita punyai adalah data time series. Dengan data time series ini maka
diduga akan terjadi multikolinieritas antara variabel independen
pendapatan dan kekayaan karena data keduanya dalam berjalannya
waktu memungkinkan terjadinya trend yakni bergerak dalam arah yang
sama. Ketika pendapatan naik maka kekayaan juga mempunyai trend
yang naik dan sebaliknya jika pendapatan menurun diduga kekayaan juga
menurun.
Dalam mengatasi masalah multikolinieritas tersebut, kita bisa
melakukan transformasi variabel. Misalnya kita mempunyai model
regresi time series sbb:
Yt 0 1 X 1t 2 X 2t et (6.1)
dimana :
Y = tabungan;
X1 = pendapatan;
X2 = kekayaan
Yt 1 0 1 X 1t 1 2 X 2t 1 et 1 (6.2)
Yt Yt 1 1 ( X 1t X 1t 1 ) 2 ( X 2t X 2t 1 ) vt (6.4)
dimana vt = et – et-1
c. Penambahan Data
Masalah multikolinieritas pada dasarnya merupakan persoalan
sampel. Oleh karena itu, masalah multikolinieritas seringkali bisa diatasi
jika kita menambah jumlah data. Kita kembali ke model perilaku
tabungan sebelumnya pada contoh 6.5. dan kita tulis kembali modelnya
sbb:
Yi 0 1 X 1i 2 X 2i ei (6.5)
3
Contoh Kasus 6.1:
Tabel 6.1.
Perkembangan Ekspor, Konsumsi, impor,
angkatan kerja dan populasi
4
Lakukan regresi LS EKS C CONS IMP AK POP
Dari hasil output regresi diatas dapat kita susun persamaan sebagai berikut :
5
Untuk medeteksi awal apakah dalam suatu model mengandung
multikolinearitas, maka tindakan awal dengan melihat estimasi nilai R2 yang
tinggi (lebih dari 0.8), nilai F tinggi, dan nilai t-statistik semua atau hampir
semua variabel penjelas tidak signifikan. Dari hasil diatas dapat kita lihat R 2
tinggi, F tinggi namun sebagian besar tidak signifikan. Artinya ada
kemungkinan model diatas mengandung multikolinearitas yang serius..
Dependent Variable: AK
Method: Least Squares
Date: 01/09/17 Time: 04:49
Sample: 1990 2014
Included observations: 25
Jika kita bandingkan R12 regresi LS EKS C CONS IMP AK POP dengan R22
regresi LS AK IMP CONS POP C, maka R12 = 0.959611lebih kecil dari R22 =
0.964931, sehingga dapat disimpulkan model diatas mengandung
multikolearitas.
6
Misal variable konsumsi kita hilangkan
Hasil regresi diatas : R kuadrat yang tinggi (lebih dari 0.8), nilai F tinggi, dan
nilai t-statistik hampir semua variabel penjelas signifikan.
6.2. Heteroskedastisitas
7
a. Varian Variabel gangguan Diketahui (i2 )
Jika kita mengetahui besarnya varian maka penyembuhan masalah
heteroskedastisitas bisa dilakukan melalui metode WLS yang merupakan
bentuk khusus dari metode Generalized Least Squares (GLS). Dari metode
WLS ini akhirnya kita bisa mendapatkan estimator yang BLUE kembali.
Untuk mengetahui bagaimana metode WLS ini bekerja, misalkan kita
mempunyai model regresi sederhana sbb:
Yi 0 1 X i ei (6.7)
Jika varian variabel gangguan i2 diketahui maka persamaan (6.7) dibagi
i akan mendapatkan persamaan sbb:
Yi 0 i ei
(6.8)
i i i i
8
b. Ketika Varian Variabel gangguan Tidak Diketahui (I2 )
Dalam kenyataannya sulit kita mengetahui besarnya varian
variabel gangguan. Oleh karena itu dikembangkanlah metode
penyembuhan yang memberi informasi cukup untuk mendeteksi varian
yang sebenarnya. Ada beberapa metode yang dapat digunakan untuk
menyembuhkan masalah heteroskedastisitas.
Metode White
Jika kita tidak mengetahui besaranya varian variabel gangguan
maka kita tidak mungkin bisa menggunakan metode WLS. OLS estimator
sebenarnya menyediakan estimasi parameter yang konsisten jika terjadi
heteroskedastisitas tetapi standard errors OLS yang biasa tidak tepat
untuk membuat sebuah kesimpulan. White kemudian menggembangkan
perhitungan standard errors heteroskedastisitas yang dikoreksi
(heteroscedasticity-corrected standard errors). Untuk menjelaskan
metode White ini kita ambil contoh regresi sederhana sbb:
Yi 0 1 X i ei (6.11)
Dimana var(ei ) i2
Jika model mempunyai varian variabel gangguan yang tidak sama maka
varian estimator tidak lagi efisien. Varian estimator ˆ1 menjadi:
xi2 i2
var( ˆ1 ) (6.12)
( xi2 ) 2
xi2 ei2
var( ˆ1 ) (6.13)
( xi2 ) 2
Yi 0 1 X i ei (6.14)
Y 0 Xi ei
1
Xi Xi Xi Xi
1
0 1 X i vi (6.16)
Xi
ei
dimana vi
Xi
10
Sekarang kita bisa membuktikan bahwa varian variabel gangguan dalam
persamaan (6.16) tidak lagi heteroskedastisitas tetapi homoskedastisitas:
2
e
E (v ) E i
2
karena persamaan (6.16)
i
X
i
1
(ei2 ) (6.17)
Xi
1 2
Xi
Xi
2 Karena persamaan (6.15)
E (ei2 ) 2 X i2 (6.18)
Yi e
0 1 i
Xi Xi Xi Xi
1
0 1 vi (6.19)
Xi
Kita dapat membuktikan bahwa varian variabel gangguan persamaan
(7.62) sekarang bersifat homoskedastisitas yaitu:
2
e
E (v ) E i
2
i
Xi
1
2 (ei2 )
Xi
11
1 2 2
Xi
X i2
2 karena persamaan (6.18) (6.20)
Tabel 6.2.
Perkembangan Ekspor, Konsumsi, impor,
angkatan kerja dan populasi
13
Heteroskedasticity Test: White
Karena nilai Prob. Chi-Square(14) 0,0461 lebih kecil dari 0,05, maka dapat
disimpulkan model diatas mengandung heteroskedastisitas.
14
Dependent Variable: LOG(IMP)
Method: Least Squares
Date: 01/09/17 Time: 05:51
Sample: 1990 2014
Included observations: 25
Karena nilai Prob. Chi-Square(9) sebesar 0,065, lebih besar dari 0,05,
maka dapat disimpulkan model diatas mengandung tidak
heteroskedastisitas.
15
b. cara mengatasi heteroskedastisitas pada regresi dengan metode
Weighted Least Square
.
Uji menguji ada tidaknya heteroskedastisitas dapatjuga digunakan Uji
Breusch Pagan Godfrey (BPG).
Hipotesis:
H0: tidak ada heteroskedastisitas
H1: ada heteroskedastisitas
16
Pembobotan yang digunakan untuk mengatasi adalah dengan mengalikan
semua variable dengan 1 (residual kuadrat), sehingga diperoleh variable
i
baru sebagai berikut :
Tabel 6.3.
Variabel baru setelah pembobotan
17
Method: Least Squares
Date: 01/09/17 Time: 05:47
Sample: 1990 2014
Included observations: 25
18
6.3. Autokorelasi
Yt 0 1 X t et (6.21)
et et 1 vt 1 1 (6.22)
Yt 0 1 X t et (6.23)
et et 1 vt 1 1 (6.24)
19
Dimana residual vt memenuhi asumsi residual metode OLS yakni E(vt)=0;
Var(vt) = 2; dan Cov (vt,vt-1) =0.
Kelambanan (lag) satu persamaan (6.23) sbb:
Yt 1 0 1 X t 1 et 1 (6.25)
Jika kedua sisi dalam persamaan (6.25) dikalikan dengan maka akan
menghasilkan persamaan sbb:
Yt 1 0 1 X t 1 et 1 (6.26)
Yt 0 t X t vt (6.28)
Dimana Yt (Yt Yt 1 ); 0 0 (1 ); 1 1 ; X t ( X t X t 1 )
20
1) Metode Diferensi Tingkat Pertama
Nilai terletak antara -1 1. Jika nilai = 0 berarti tidak ada
korelasi residual tingkat pertama (AR 1). Namun jika nilai = 1 maka
model mengandung autokorelasi baik positif maupun negatif. Ketika
nilai dari = +1, masalah autokorelasi dapat disembuhkan dengan
diferensi tingkat pertama metode generalized difference equation.
Misalkan kita mempunyai model sederhana seperti persamaan (6.29)
sebelumnya, metode diferensi tingkat pertama (first difference) dapat
dijelaskan sbb:
Yt 0 1 X t et (6.29)
Yt Yt 1 1 ( X t X t 1 ) (et et 1 ) (6.31)
Atau dapat ditulis menjadi persamaan sbb:
Yt 0 1 X t 2T et (6.33)
21
dimana T adalah trend, nilainya mulai satu pada awal periode dan
terus menaik sampai akhir periode. Residual et dalam persamaan
(6.24) tersebut mengikuti autoregresif tingkat pertama. Transformasi
persamaan (6.34) dengan metode first difference akan menghasilkan
persamaan sbb:
dimana residual vt et et 1
Pada proses diferensi tingkat pertama persamaan (6.32) menghasilkan
persamaan (6.33) yang mempunyai konstanta sedangkan diferensi
pertama pada persamaan (6.34) tanpa menghasilkan konstanta.
t
2
g 2
n
(6.34)
e
1
t
t
22
3) Estimasi Didasarkan Pada Statistik d Durbin Watson
Kita hanya bisa mengaplikasikan metode transformasi first
difference jika nilai tinggi yakni mendekati satu. Metode ini tidak bisa
digunakan ketika rendah. Untuk kasus nilai rendah maka kita bisa
menggunakan statistik d dari Durbin Watson. Kita bisa mengestimasi
dengan cara sbb:
d 2(1 ˆ ) (6.35)
d
ˆ 1 (6.36)
2
Sebagaimana pembahasan sebelumnya, kita bisa mencari nilai dari
estimasi statistik pada persamaan (6.36) di atas. Asumsi first difference
menyatakan bahwa ˆ 1 hanya terjadi jika d=0 di dalam persamaan
(6.36). Begitu pula jika d = 2 maka ˆ 0 dan bila d =4 maka ˆ 1 .
Persamaan tersebut hanya suatu pendekatan tetapi kita bisa
menggunakan nilai statistik d untuk mendapatkan nilai . Di dalam
sampel besar kita dapat mengestimasi dari persamaan (6.36) dan
menggunakan yang kita dapatkan untuk model generalized difference
equation dalam persamaan (6.13) sebelumnya.
Dimana vt (et et 1 )
23
1. Lakukan regresi dalam persamaan (6.38) dan kemudian
perlakukan nilai koefisien Yt-1 sebagai nilai estimasi dari .
Walaupun ini bias, tetapi merupakan estimasi yang konsisten
2. setelah mencapai pada langkah pertama, kemudian lakukan
transformasi variabel Yt (Yt Yt 1 ) dan X t ( X t X t 1 ) dan
kemudian lakukan regresi metode OLS pada transformasi
variabel persamaan (6.11.)
Yt 0 1 X t et (6.39)
et et 1 vt (6.40)
Karena kita tidak juga mengetahui apakah langkah kedua ini mampu
mengetimasi nilai yang terbaik maka kita dapat melanjutkan pada langkah
ketiga dan seterusnya. Pertanyaannya, sampai berapa langkah kita harus
berhenti melakukan proses iteratif untuk mendapatkan nilai . Menurut
Cochrane-Orcutt, estimasi nilai akan kita hentikan jika nilainya sudah
terlalu kecil.
Contoh Kasus :
25
Tabel 6.4.
Perkembangan Ekspor, Konsumsi, impor, dan populasi
26
Hasilnya seperti di bawah ini :
Dependent Variable: LOG(IMP)
Method: Least Squares
Date: 01/09/17 Time: 07:01
Sample: 1990 2014
Included observations: 25
27
Perbaikan Autokorelasi
Tabel 6.5.
Pembentukan Variabel Baru Ekspor, Konsumsi, impor,
dan populasi
28
Dimana :
Log(ekst)* = Log(ekst)-0.5446*Log(ekst-1)
Log(const)* = Log(const)-0.5446*Log(const-1)
Log(impt)* = Log(impt)-0.5446*Log(impt-1)
Log(popt)* = Log(popt)-0.5446*Log(popt-1)
29
Lakukan Uji Autokorelasi dengan uji LM
Pilih : view Residual Diagnostics Serial Correlation LM Test
masukan angka 2 OK
30
DAFTAR PUSTAKA
Agus Widarjono, Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis, Edisi
Kedua, Cetakan Kesatu, Penerbit Ekonisia Fakultas Ekonomi UII
Yogyakarta 2007.
Budiyuwono, Nugroho, Pengantar Statistik Ekonomi & Perusahaan, Jilid 2, Edisi
Pertama, UPP AMP YKPN, Yogyakarta, 1996.
Catur Sugiyanto. 1994. Ekonometrika Terapan. BPFE, Yogyakarta
Gujarati, Damodar N. 2003. Basic Econometrics. Third Edition.Mc. Graw-Hill,
Singapore.
31