3. Multikolinieritas sempurna adalah pelanggaran Asumsi 6 (tidak ada variabel penjelas yang
memiliki fungsi linier sempurna dari variabel penjelas lainnya). Multicollinearity Sempurna
(atau Tepat). Jika dua atau lebih variabel independen memiliki hubungan linear yang tepat di
antara mereka maka kita memiliki multikolinieritas sempurna.
4. Multikolinieritas yang tidak sempurna terjadi ketika dua atau lebih regressor berkorelasi
sangat tinggi. Kenapa istilah ini? Jika dua regressor berkorelasi sangat tinggi, maka
scatterplotnya akan terlihat seperti garis lurus — mereka collinear — tetapi kecuali
korelasinya tepat ± 1, collinearity itu tidak sempurna.
5. Konsekuensi Praktis Dari Multikolinearitas
1. Meskipun BIRU, penaksir OLS memiliki varian dan kovarians yang besar, sehingga
membuat estimasi yang tepat menjadi sulit.
2. Karena konsekuensi 1, interval kepercayaan cenderung lebih luas, yang mengarah pada
penerimaan "hipotesis nol nol" (yaitu, koefisien populasi sebenarnya adalah nol) lebih
mudah.
3. Juga karena konsekuensi 1, rasio t satu atau lebih koefisien cenderung tidak signifikan
secara statistik.
4. Meskipun rasio t satu atau lebih koefisien secara statistik tidak signifikan, R2, ukuran
keseluruhan dari goodness of fit, bisa sangat tinggi.
5. Penaksir OLS dan kesalahan standarnya bisa peka terhadap perubahan kecil dalam data.
6. Cara mendeteksi adanya Multikolinearitas di dalam model regresi adalah
dengan cara:
b. Melihat nilai standar error koefisien regresi parsial. Jika ada nilai
standar error > 1, maka dapat diindikasikan adanya
multikolinearitas.
Hetoroskedastisitas
AUTOKORELASI