KOLINEARITAS GANDA

(MULTICOLLINEARITY)
Oleh Bambang Juanda
 Model: Yi = 1 X1 + 2 X2 +…+ k Xk + εi

1. Hubungan Linear Sempurna (eksak), Jika

k

C i X i 0 Ci konstanta yg tdk semuanya 0.

i 1

• Mudah diketahui krn tdk ada dugaan parameter

koef dgn OLS, juga ragamnya.
• Kolinearitas ganda hanya untuk hubungan linear.
bukan, Yi (biaya)=f(output)
= 0 + 1 X + 2 X2 +…+ p Xp
• Karena asumsi X nonstokastik (fixed),
multikolinearitas hanya fenomena sample saja.
 2. Hubungan Linear Tidak Sempurna, jika :
k

C X
i 1
i i  v i  0, v i  sisaan

Konsekuensinya (dan Juga mendeteksinya) :

Masih bersifat Tak Bias, tapi tidak berarti ragamnya harus kecil

E ˆ   i  Tidak Bias, Tapi  2ˆ  Besar
i

Tidak bisa (sulit) memisahkan pengaruh masing -masing peubah

2
bebas,karena ˆ
ˆ i
besar

Koefisien sulit diinterpretasi (Asumsi Ceteris Paribus?)

R2 tinggi, tapi tidak ada (sedikit) koefisien yang nyata, bahkan tandanya
bisa terbalik
Koefisien korelasi sederhana atau R2j utk X j  f  X lainnya  tinggi.

Note : rxi x j  merupakan syarat cukup bukan syarat perlu

Multikolinearitas
 2
 1
 
ˆ
Var  j  2 2
 
 j
x 1  R j
1
VIF : Variance Inflation Factor =  
Kenaikan Var ̂ j karena korelasi
1  R 2j
1 antara peubah penjelas.
2
 max 
K    λ = akar ciri matriks (X`X)
 min 
Aturan praktis : kolinearitas jika K ≥ 30; atau K ≥ (VIFjmax)1/2……………(Berk 1977)

Mengatasi Kolinearitas Ganda :

1. Manfaatkan Informasi sebelumnya ( a Prior information)
Mis: tingkat perubahan konsumsi (Y) terhadap perubahan kekayaan (x3)
sepersepuluh dari tingkat perubahannya terhadap perubahan pendapatan
(x2)  β3 = 0,1 β2
Yi = 1 + 2 Xi + εi ; + Xi = X2i + 0.1 X3i

2. Mengeluarkan peubah dengan kolinearitas tinggi (Kesalahan Spesifikasi)

3. Transformasi data dengan perbedaan pertama (first differnce form) utk data
time series.
4. Menggunakan PCA , Ridge Regression  berbias tapi Var(i ) kecil
5. Menggabungkan data ‘cross section’ dan ‘time series”
Mis :
ln Qt   1   2 ln Pt   3 ln Yt   t
Karena rPY maka Q *t  ln Qt   3 ln Yt , Misal : 3 dari SUSENAS

*
dimana harga tidak begitu
Q t   1   2 ln Pt
bervariasi

2
6. Penambahan data baru   j
x   2 j
i

7. Cek kembali asumsi waktu membuat model (Mis :CRS,IRS,..komponen error)

seringkali jika tidak nyata dianggap masalah kolinearitas ganda ?! Dan
umumnya di pecahkan dengan mencari prosedur pendugaan
 HETEROSCEDASTICITY (Heteroskedastisitas)

-Sering terjadi dlm data “cross section”

misal: Hubungan pendapatan & pengeluaran RT, Perusahaan

-Biasanya tdk terjadi dlm data “ Time Series”

-Jika Var (εi) , E (εi2)=σi2, penduga koefisien OLS tetap tak bias

dan konsisten, tapi tidak efisien, bahkan Var(  )OLS berbias

Dlm model linear sederhana:

^
 
 xi y i

 x ( x
i i  i )
2 2
 xi x i
  E ( xi i )  2
E ( )    2
; Var( ) OLS  2
 xi  xi
 2 2  
xi 2 2
 Var (  )   ci  i   xi  i 2 2
2 2  i
ci  2
 c e i (White,1980)
 xi ( xi )
Tetapi tetap inefisien dibandingkan penduga tak bias berikut ini :
Mis.  i2   2 ki , ki: konstanta yg tdk harus sama

2 2 2 2
ˆ
Var (  ) 
  xi ki

  xi ki
 2 2
xi  xi  
2
xi2

2
Jika  xi k i
 1 MakaVar ̂ OLSunderestimate dan thit overestimate
 xi2

Mendeteksi Heteroskedastisitas

• Metode grafik (Y , ei 2 ) atau (x, e 2 ) diplotkan.
• Uji Heteroskedastisitas :
2 2 2
Ho :  1   2  ...   N
H1 : tergantung pendugaan yang dianggap akan menghasilkan
koreksi heteroskedastisitas yang paling diinginkan.

1. UJI PARK (Econometrica, vol 34, No. 4, 1966)

menganjurkan fungsi :
2 
 i   2 xi e vi   signifikan ? masalah pola vi?
2 2
Plot  i dengan ei
2. UJI GLEJSER (seperti uji Park)

1 1
Fungsi Linear |ei| terhadap : xi , xi , , ,...
xi xi

3. UJI Korelasi Pangkat SPEARMAN (urutan ei dan Xi)

  di 2  rs n  2
rs  1  6  2  t   t( n  2)
 n(n  1) 
2
1  rs
 2 2
4. UJI GOLDFELD-QUANDT (JASS, Vol 60, 1965)  H1 :  i  cxi

Cara : 1. Urutkan data peubah bebas x.

2. Keluarkan d pengamatan di tengah (jika tidak ada `natural
break`) misal : d= 1 N
5
3. Hitung 2 model regresi terpisah tersebut, dengan
dbe=(N-d-2k)/2
4. Hitung JKS1 dan JKS2
JKS 2
5. Dengan asumsi masing-masing εi ~Normal,  F( dbe1 ,dbe )
JKS1
Note : - Jika k>2, urutkan pengamatan berdasarkan salah satu peubah
bebasnya
- Supaya kuasa uji tinggi (salah jenis II lebih keci), harus dengan
restriksi dimana kedua model regresi tersebut mempunyai
parameter koefisien yang sama
5. UJI BREUSCH-PAGAN ( Econometrica, Vol 47, 1979 )

Misal Model : Yi=α + β xi + εi

2
dengan asumsi umum:  i  f (   zi )
z dapat merupakan peubah bebas x atau suatu kelompok peubah
bebas selain x.

> gunakan  2
2
 i untuk menghitung  
  i

 N
> Lakukan Regresi:
i2

    zi  vi
 i2
> Jika εi ~Normal,
JKR merupakan statistik uji yang cocok.
2
  ( p)
2
Jika nyata (heteroskedastisitas), koreksinya menggunakan peubah z
6. WHITE TEST (Econometrica, Vol. 48, 1980)

• Tidak perlu asumsi kenormalan seperti B-test.


• Dengan asumsi umum : 2
 i    zi  vi ,
dengan R2 sebagai ukuran `goodness of fit`.
Jika homoskedastisitas, NR 2   2
( p)
CARA MENGATASI (MENGOREKSI) HETEROSKEDASTISITAS
a) Jika σ2 diketahui Weighted Least Squares (MKT tertimbang);
kasus khusus dari GLS, yg dpt
diturunkan dari fungsi kemungkinan
maximum. 1  
2 Yi  xi 2
Note : JKS   2 (Yi     xi )   ( )
i i
simpangan (pengamatan)
2 ekstrim dpt timbangan kecil

 x y /  x *y * xi yi
 i i i
 i i dimana xi *  dan yi * 
 x / i
2
i
2
x * i
i i

Cara Transformasi Model: Y     x  ...   x   | x

1
i 1 2 2i k ki i |
i
Yi 1 x2 i xki  i
 1   2  ...   k 
i i i i i
Yi *  1 x1 *   2 x2i * ...   k xki *  i *
1
 Var ( i *)  2 Var ( i )  1
i
b. Jika σi2 tidak diketahui  sering menggunakan asumsi tentang σi2

Misal Asumsi : Var(εi)=C X2i2  lakukan seperti di atas dengan

transformasi: x (X2i)-1
Yi 1 x3i xki  i
 1   2  3  ...   k 
x2 i x2 i x2 i x2 i x2 i

 Var ( i *)  c
 c. Dapat dengan Transformasi Log (memperkecil skala) 
kadangkala dapat masalah baru, seperti Spurious
correlation, kolinearitas.

Teladan : Dengan OLS : Y i  0.89  0.237 xi ; R 2  0.93 ; F  252.7
(4.4) (15.9) statistik t
Dengan WLS : Y 1
i
  *  *  i *
xi xi

Yi 1
 0.249  0.7529 ; R 2  0.76 ; F  58.7
xi xi
(21.3) (7.7)
R2WLS < R2OLS  jangan dianggap sebagai indikasi bahwa koreksi
heteroskedastisitas kurang baik karena prosedur WLS melibatkan
transformasi peubah tak bebas (Y*)
Dengan indikator :
JKS
 i  Yi  (0.7529  0.249 X i )  R 2  1   tidak harus 0 - 1
JKT


r 
Yi Yi Yi