6 Januari 2016
Muhammad Fikri, Megawati, Irma Friyanti, Nurmaulia Ningsih
Kelompok 12: Uji Multikolinearitas
Pengertian
Multikolinearitas adalah sebuah situasi yang
menunjukkan adanya korelasi atau hubungan kuat
antara dua variabel bebas atau lebih dalam sebuah
model regresi berganda. Model regresi yang
dimaksud dalam hal ini antara lain: regresi linear,
regresi logistik, regresi data panel dan cox regression.
Penyebab
Penyebab multikolinearitas adalah adanya korelasi
atau hubungan yang kuat antara dua variabel bebas
atau lebih, seperti yang sudah dijelaskan di atas.
Namun penyebab lainnya yang dapat menyebabkan
hal tersebut secara tidak langsung adalah, antara lain:
Penggunaan variabel dummy yang tidak akurat di
dalam model regresi. Akan lebih beresiko terjadi
multikolinearitas jika ada lebih dari 1 variabel
dummy di dalam model.
Adanya perhitungan sebuah variabel bebas yang
didasarkan pada variabel bebas lainnya di dalam
model. Hal ini bisa dicontohkan sebagai berikut:
dalam model regresi anda, ada variabel X1, X2 dan
Perkalian antara X1 dan X2 (X1*X2). Dalam situasi
tersebut bisa dipastikan, terdapat kolinearitas antara
X1 dan X1*X2 serta kolinearitas antara X2 dengan
X1*X2.
Adanya pengulangan variabel bebas di dalam model,
misalkan: Y = Alpha + Beta1 X1 + Beta2 X1 + Beta3
X3 + e.
Akibat
Dampak dari multikolinearitas antara lain:
Koefisien Partial Regresi terukur secara presisi. Oleh
karena itu nilai standar errornya besar.
Perubahan kecil pada data dari sampel ke sampel
akan menyebabkan perubahan drastic pada nilai
koefisien regresi partial.
Perubahan pada satu variabel dapat menyebabkan
perubahan besar pada nilai koefisien regresi parsial
variabel lainnya.
Nilai confidence interval sangat lebar, sehingga akan
menjadi sangat sulit untuk menolak hipotesis nol
pada sebuah penelitian jika dalam penelitian tersebut
terdapat multikolinearitas.
Cara Mendeteksi
Langkah-langkah yang dapat digunakan untuk
mendeteksi adanya multikolinearitas adalah sebagai
berikut:
1. kolinearitas sering kali diduga ketika koefisien
determinasi tinggi (misalnya: antara 0,7 dan 1)
dan ketika derajat korelasi yang tinggi,
Meskipun korelasi derajat nol yang tinggi
mungkin mengusulkan kolinearitas, tidak perlu
bahwa mereka tinggi berarti mempunyai
kolinearitas dalam satu kasus spesifik.
2. Sebagai hasilnya disarankan bahwa orang
seharusnya melihat tidak hanya pada korelasi
derajat nol, tetapi juga koefisien parsial.
3. Karena multikolinearitas timbul karena satu atau
lebih variabel yang menjelaskan merupakan
kombinasi linear yang pasti atau mendekati dari
variabel yang menjelaskan lainnya, satu cara
untuk mengetahui variabel X yang mana yang
berhubungan dengan variable X lainnya adalah
dengan meregresi tiap Xi atas sisa variabel X dan
menghitung R2 yang cocok, yang bisa disebut
2
sebagai Ri .
Sedangkan menurut sumber lain, cara yang
dugunakan untuk pengujian ada atau tidaknya
multikolinearitas adalah melihat:
1. Nilai tolerance
2. Variance inflation factors (VIF)
Nilai umum yang dipkai untuk menunjukkan adanya
multikolinearitas adalah nilai tolerance < 0,1 atau
sama dengan nilai VIF > 10. Nilai VIF tersebut
dapat dicari dengan:
1
VIF=
1−R2i
Cara mengatasi atau menghilangkan
Multikolinieritas
1. Jika terdapat variabel prediktor yang
memiliki nilai VIF lebih dari 10, maka perlu
untuk mengeluarkan salah satu variabel
tersebut dari model.
2. Untuk menghasilkan kombinasi variabel
predictor yang menghasilkan R Kuadrat
tertinggi, gunakanlah metode regresi
stepwise dalam SPSS.
6 Januari 2016
Muhammad Fikri, Megawati, Irma Friyanti, Nurmaulia Ningsih
3. Lakukanlah transformasi data misalnya
menjadi bentuk logaritma atau bentuk
Diferensialnya.
4. Gunakanlah Principal Component Analysis
(PCA).
5. Gunakan Partial Least Square Regression
(PLS).