Multikolinearitas2 PDF
Multikolinearitas2 PDF
A. Pengertian
Istilah multikolinearitas atau kolinearitas ganda diciptakan oleh Ragner
Frish yang berarti, adanya hubungan linear yang sangat tinggi antar variabel-
variabel bebas dalam model regresi.
Dalam bentuk matriks, Multikolinearitas adalah suatu kondisi buruk atau
ill condition dari matriks ( X ′ X ) yaitu suatu kondisi yang tidak memenuhi asumsi
klasik. Jika multikolinearitas terjadi antara dua variabel atau lebih dalam suatu
persamaan regresi, maka nilai perkiraan koefisien dari variabel yang bersangkutan
menjadi tak berhingga sehingga tidak mungkin lagi menduganya. Hal ini
disebabkan ( X ′ X ) menjadi singular atau X ′ X mendekati nol
Untuk hubungan yang terdiri dari k variabel, mencakup variabel bebas X1,
X2, X3, ..., Xk (dimana X1 = 1 untuk semua observasi, guna mewakili titik potong
atau intersept, jadi sebenarnya hanya ada k-1 variabel bebas yaitu X2, X3, ..., Xk
dan satu variabel tak bebas Y, jadi seluruhnya ada k variabel. Y dan X2, X3, ..., Xk).
Dalam multikolinearitas terdapat dua jenis hubungan yaitu hubungan linear yang
sempurna (multikolinearitas sempurna) dan hubungan linear kurang
sempurna(multikolinearitas kurang sempurna). Hubungan linear yang sempurna
terjadi apabila berlaku hubungan sebagai berikut :
k
∑C
j =1
j X j = C1 X 1 + C2 X 2 + C3 X 3 + ... + Ck X k = 0
∑C
j =1
j X j = C1 X 1 + C2 X 2 + C3 X 3 + ... + Ck X k + ε i = 0
a. Multikolinearitas sempurna
Misal C2 ≠ 0, maka persamaan dapat kita tulis sebagai berikut :
C1 C C
X 2i = - X 1i - 3 X 3i - ... - k X ki
C2 C2 C2
yang menunjukkan bagaimana X2 berhubungan secara linear sempurna dengan
sisa variabel lainnya secara keseluruhan atau bagaimana hubungan tersebut
dapat diturunkan dari suatu kombinasi linear terhadap variabel lainnya. Dalam
hal ini, koefisien korelasi antara X2 dan kombinasi linear yang berada
disebelah kanan tanda sama dengan dari persamaan nilainya satu.
b. Multikolinearitas kurang sempurna
Misal C2 ≠ 0, maka persamaan dapat kita tulis sebagai berikut :
C1 C C 1
X 2i = - X 1i - 3 X 3i - ... - k X ki - εi
C2 C2 C2 C2
yang menunjukkan bahwa X2 tidak berhubungan linear sempurna dengan sisa
variabel lainnya, sebab masih tergantung kepada kesalahan pengganggu (εi)
1 1 1 L 1 1 X 11 X 21 L X k 1
X X 12 X 13 L X 1n 1 X 12 X 22 L X k 2
11
X ′ X = X 21 X 22 X 23 L X 2 n 1 X 13 X 23 L X k 3
M M M O M M M M O M
X k 1 X k2 X k3 L X kn 1 X 1n X 2 n L X kn
n
∑X 1i ∑X 2i L ∑X ki
∑ X 1i ∑X ∑X X ∑X X
2
1i 1i 2i L 1i ki
= ∑ X 2i ∑X X ∑X
2
L ∑X X
1i 2i 2i 2i ki
M M M O M
∑ X ki ∑X ∑X ∑ ki
2
1i X ki 2i X ki L X
X ′ X = λ ∑ X 1i λ∑ X
2
λ 2 ∑ X 1i
2
L λ∑ X X
1i 1i ki
M M M O M
∑ X ki ∑X λ ∑ X 2i X ki L ∑ X ki
2
1i X ki
X ′X = 0 0 0 L 0
M M M O M
2
∑ X ki ∑X 1i X ki λ ∑ X 2i X ki L ∑ X ki
menurut teori matriks, apabila baris / kolom suatu matriks semua elemennya
0, maka determinan matriks yang bersangkutan nol. Oleh karena determinan
( X′X ) = 0, maka X ′ X adalah matriks singular dan karenanya koefisien
regresi tidak dapat ditentukan.
n
∑X 1i ∑X 2i L ∑X ki
∑ X 1i ∑X ∑X X ∑X X
2
1i 1i 2i L 1i ki
X ′ X = ∑ X 2i ∑X X ∑X
2
L ∑X X
1i 2i 2i 2i ki
M M M O M
∑ X ki ∑X ∑X ∑ X ki
2
1i X ki 2i X ki L
Karena hubungan linear yang kurang sempurna, kita ambil X2i = λ X1i + εi
n ∑X 1i λ ∑ X 1i + ∑ ε i L ∑X ki
∑ X 1i ∑X λ ∑ X 1i ∑X X
2 2
1i L 1i ki
X ′ X = λ ∑ X 1i + ∑ ε i
λ∑ X λ ∑X + ∑ εi L λ∑ X X
2 2 2
1i 1i 1i ki
M M M O M
∑ X ki ∑X λ ∑ X 1i X ki ∑ X ki
2
1i X ki L
n
∑X 1i λ ∑ X 1i + ∑ ε i L ∑X
ki
∑ X 1i ∑X λ ∑ X 1i 2 ∑X X
2
1i L 1i ki
= ∑ εi 0 ∑ εi L 0
M M M O M
2
∑ X ki ∑X 1i X ki λ ∑ X 1i X ki L ∑ X ki
terlihat bahwa nilai dari ( X ′ X ) -1 tergantung dari kesalahan pengganggu.
Apabila kesalahan pengganggu sangat kecil atau sangat mendekati nol, maka
berakibat tidak dapat ditentukan nilainya.
Kemudian untuk variansi, karena nilai determinan dari ( X ′ X ) kecil, maka
nilai dari variansinya akan cenderung besar.
3. Oleh karena standar error dari koefisien regresi besar maka interval keyakinan
untuk parameter semakin lebar. Akibatnya probabilita untuk menerima
hipotesa, padahal hipotesa itu salah (kesalahan tipe II) menjadi semakin besar
nilainya.