BAHAN AJAR EKONOMETRIKA

AGUS TRI BASUKI

UNIVERSITAS MUHAMMADIYAH YOGYAKARTA

UJI MULTIKOLINEARITAS DAN

PERBAIKAN MULTIKOLINEARITAS

6.1. Uji Multikolinearitas

Sebagaimana dikemukakan di atas, bahwa salah satu asumsi regresi

linier klasik adalah tidak adanya multikolinearitas sempurna (no perfect
multicolinearity) tidak adanya hubungan linier antara variabel penjelas dalam
suatu model regresi. Istilah ini multikoliniearitas itu sendiri pertama kali
diperkenalkan oleh Ragner Frisch tahun 1934. Menurut Frisch, suatu model
regresi dikatakan terkena multikoliniearitas bila terjadi hubungan linier yang
sempurna (perfect) atau pasti (exact) di antara beberapa atau semua variabel
bebas dari suatu model regresi. Akibatnya akan kesulitan untuk dapat melihat
pengaruh variabel penjelas terhadap variabel yang dijelaskan (Maddala,
1992: 269-270).
Berkaitan dengan masalah multikoliniearitas, Sumodiningrat (1994:
281-182) mengemukakan bahwa ada 3 hal yang perlu dibahas terlebih
dahulu:

1. Multikoliniearitas pada hakekatnya adalah fenomena sampel.

Dalam model fungsi regresi populasi (Population Regression Function =
PRF) diasumsikan bahwa seluruh variabel bebas yang termasuk dalam
model mempunyai pengaruh secara individual terhadap variabel tak
bebas Y, tetapi mungkin terjadi bahwa dalam sampel tertentu.
2. Multikoliniearitas adalah persoalan derajat (degree) dan bukan persoalan
jenis (kind).
Artinya bahwa masalah Multikoliniearitas bukanlah masalah mengenai
apakah korelasi di antara variabel-variabel bebas negatif atau positif,
tetapi merupakan persoalan mengenai adanya korelasi di antara variabel-
variabel bebas.
3. Masalah Multikoliniearitas hanya berkaitan dengan adanya hubungan
linier di antara variabel-variabel bebas
Artinya bahwa masalah Multikoliniearitas tidak akan terjadi dalam model
regresi yang bentuk fungsinya berbentuk non-linier, tetapi masalah
Multikoliniearitas akan muncul dalam model regresi yang bentuk
fungsinya berbentuk linier di antara variabel-variabel bebas.

1|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas

 Multikonearitas adalah adanya hubungan eksak linier antar variabel
penjelas. Multikonearitas diduga terjadi bila nilai R 2 tinggi, nilai t semua
variabel penjelas tidak signifikan, dan nilai F tinggi.

Konsekuensi multikonearitas:
1. Kesalahan stkitar cenderung semakin besar dengan meningkatnya
tingkat korelasi antar variabel.
2. Karena besarnya kesalahan stkitar, selang keyakinan untuk parameter
populasi yang relevan cenderung lebih besar.
3. Taksiran koefisian dan kesalahan stkitar regresi menjadi sangat
sensitif terhadap sedikit perubahan dalam data.

Konsekuensi multikearitas adalah invalidnya signifikansi variable

maupun besaran koefisien variable dan konstanta. Multikolinearitas diduga
terjadi apabila estimasi menghasilkan nilai R kuadrat yang tinggi (lebih dari
0.8), nilai F tinggi, dan nilai t-statistik semua atau hampir semua variabel
penjelas tidak signifikan. (Gujarati, 2003)
Sebagai indikasi awal, perhatikan nilai R kuadrat, F-statistik, dan t-
statistik dari hasil regresi table III. Tabel III, dalam table ini merupakan kasus
baru yaitu kasus negara Kertagama, dimana defenden variabelnya konsumsi
dan indefenden variabelnya GNP, Subsidi dan PRM. Variabel PRM merupakan
variable antah berantah yang sengaja dimasukkan dalam model dengan nilai
hampir dua kali lipat dari nilai GNP untuk masing-masing periode ( disengaja
agar semakin memperjelas munculnya masalah multikolinier). Tabel III,
korelasi antar variable penjelas dan hasil analisis dapat dilihat dibawah ini.
Bagaimana penilaian saudara? Untuk lebih pastinya, lakukan regresi antar
variabel penjelas:

Kasus

Perhatikan nilai R kuadrat. Nilai R kuadrat jauh lebih rendah dibandingkan

dengan nilai R kuadrat regresi variabel dalam level (regresi awal). Namun
demikian, hal tersebut sama sekali tidak perlu dirisaukan. R kuadrat regresi
persamaan dalam difference jelas jauh lebih kecil daripada R kuadrat regresi
persamaan dalam level. R kuadrat kedua persamaan berbada bentuk tersebut
(difference versus level) sama sekali tidak dapat dibandingkan
(uncomparable).

Untuk membuktikan terobatinya multikolinearitas, lakukan regresi

antar variabel penjelas dalam perbedaan pertama. Jika nilai t-statistik salah
satu variabel independen masih signifikan, berarti masih terdapat
2|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas
 multikolinearitas pada persamaan tersebut. Hal sebaliknya terjadi jika nilai t-
statistik tidak signifikan. Dilihat dari t statistiknya memang terdapat
perbaikan dengan model regresi first difference, tetapi belum dapat
menyelesaikan masalah multikoliniernya.
Perintah untuk regresi antar variabel penjelas dalam perbedaan pertama:
pengobatan multikolinearitas melalui perbedaan pertama, akan kehilangan
informasi jangka panjang. Perbedaan pertama hanya mengandung informasi
jangka pendek. Hal ini riskan apabila kita melakukan pengkajian empiris
terhadap suatui teori karena teori berkaitan dengan informasi jangka
panjang. Bagaimana solusinya? Klein mengajukan solusi yang kemudian
disebut dengan Klein’s Rule of Thumb: Multikolinearitas tidak usah dirisaukan
apabila nilai R kuadrat regresi model awal lebih besar daripada nilai R
kuadrat regresi antar variabel penjelas

Langkah berikutnya sebetulnya dengan menambah sample, tetapi dalam

kasus ini tidak dapat dilakukan sehingga terpaksa satu variabel yaitu PRM
atau GNP yang harus diamputasi dari model.
Technik amputasinya dipilih variabel yang bukan variabel utama, sedangkan
jika dua variabel tersebut memiliki kedudukan sejajar maka variabel yang
nilai prob-valuenya yang besarlah yang diamputasi. Variabel yang diregres
jangan dibuang, jika memang masih dibutuhkan, dan dijadikan regresi
tunggal dengan defenden tetap variabel konsumsi.

Jika model kita mengandung multikolinieritas yang serius yakni

korelasi yang tinggi antar variabel independen, Ada dua pilihan yaitu kita
membiarkan model tetap mengandung multikolinieritas dan kita akan
memperbaiki model supaya terbebas dari masalah multikolinieritas.

Tanpa Ada Perbaikan

Multikolinieritas sebagaimana kita jelaskan sebelumnya tetap
menghasilkan estimator yang BLUE karena masalah estimator yang BLUE
tidak memerlukan asumsi tidak adanya korelasi antar variabel independen.
Multikolinieritas hanya menyebabkan kita kesulitan memperoleh estimator
dengan standard error yang kecil. Masalah multikolinieritas biasanya juga
timbul karena kita hanya mempunyai jumlah observasi yang sedikit. Dalam
kasus terakhir ini berarti kita tidak punya pilihan selain tetap menggunakan
model untuk analisis regresi walaupun mengandung masalah
multikolinieritas.

3|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas

6.2. Perbaikan Multikolinearitas
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.

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

Pada persamaan (6.1) tersebut merupakan perilaku tabungan pada

periode t, sedangkan perilaku tabungan pada periode sebelumnya t-1
sbb:

4|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas

 Yt 1   0  1 X 1t 1   2 X 2t 1  et 1 (6.2)

Jika kita mengurangi persamaan (6.1) dengan persamaan (6.2) akan

menghasilkan persamaan sbb:

Yt  Yt 1  (1 X 1t  1 X 1t 1 )  ( 2 X 2t   2 X 2t 1 )  (et  et 1 ) (6.3)

Yt  Yt 1  1 ( X 1t  X 1t 1 )   2 ( X 2t  X 2t 1 )  vt (6.4)

dimana vt = et – et-1

Persamaan (6.4) tersebut merupakan bentuk transformasi

variabel ke dalam bentuk diferensi pertama (first difference). Bentuk
diferensi pertama ini akan mengurangi masalah multikolinieritas karena
walalupun pada tingkat level X1 dan X2 terdapat multikolinieritas namun
tidak berarti pada tingkat diferensi pertama masih terdapat korelasi yang
tinggi antara keduanya.
Transformasi variabel dalam persamaan (6.4) akan tetapi
menimbulkan masalah berkaitan dengan masalah variabel gangguan.
Metode OLS mengasumsikan bahwa variabel gangguan tidak saling
berkorelasi. Namun transformasi variabel variabel gangguan vt = et – et-1
diduga mengandung masalah autokorelasi. Walaupun variabel gangguan
et awalnya adalah independen, namun variabel gangguan vt yang kita
peroleh dari transformasi variabel dalam banyak kasus akan saling
berkorelasi sehingga melanggar asumsi variabel gangguan metode OLS.

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)

dimana:Y= tabungan; X1= pendapatan; X2 = kekayaan.

Varian untuk  1 sbb:

5|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas

 2
var( ˆ1 )  (6.6)
x12i (1  r122 )

Ketika kita menambah jumlah data karena ada masalah

multikolinieritas antara X 1 dan X2 maka x1i2 akan menaik sehingga
menyebabkan varian dari ˆ1 akan mengalami penurunan. Jika varian
mengalami penurunan maka otomatis standard error juga akan
mengalami penurunan sehingga kita akan mampu mengestimasi  1 lebih
tepat. Dengan kata lain, jika multikolinieritas menyebabkan variabel
independen tidak signifikan mempengaruhi variabel dependen melalui
uji t maka dengan penambahan jumlah data maka sekarang variabel
independen menjadi signifikan mempengaruhi variabel dependen.

Contoh Kasus 6.1:

Data perkembangan Ekspor, Konsumsi, impor, angkatan kerja dan populasi di

Negara ABC sebagai berikut :

Tabel 6.1.
Perkembangan Ekspor, Konsumsi, impor,
angkatan kerja dan populasi

Tahun Eks Cons Imp AK Pop

1990 468359 119802 95842 72574728 181436821
1991 556306 140805 112644 73845896 184614740
1992 632582 157484 125987 75104839 187762097
1993 671218 192959 154367 76349299 190873248
1994 737948 228119 182495 77575965 193939912
1995 794926 279876 223901 78783138 196957845
1996 855022 332094 265676 79970646 199926615
1997 921714 387171 309737 81141540 202853850
1998 1024791 647824 518259 82301397 205753493
1999 698856 813183 650547 83457632 208644079
2000 883948 856798 685439 84616171 211540428
2001 889649 1039655 831724 85779320 214448301
2002 878823 1231965 985572 86947635 217369087
2003 930554 1372078 1097662 88123124 220307809
2004 1056442 1532888 1226311 89307442 223268606
2005 1231826 1785596 1428477 90501881 226254703
6|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas
 Tahun Eks Cons Imp AK Pop
2006 1347685 2092656 1674125 91705592 229263980
2007 1462818 2510504 2008403 111244331 232296830
2008 1602275 2999957 2399966 113031121 235360765
2009 1447012 3290996 2632797 115053936 238465165
2010 1667918 3858822 3087057 116495844 241613126
2011 1914268 4340605 3472484 118515710 244808254
2012 1945064 4858331 3886665 120426769 248037853
2013 2026120 5456626 2359212 122125092 251268276
2014 2046740 6035674 2580527 124061112 254454778

Lakukan regresi  LS EKS C CONS IMP AK POP

Kita peroleh hasil persamaan regresi sebagai berikut :

Dependent Variable: EKS

Method: Least Squares
Date: 01/09/17 Time: 04:26
Sample: 1990 2014
Included observations: 25

Variable Coefficient Std. Error t-Statistic Prob.

C -892281.2 712567.2 -1.252206 0.2249

CONS 0.119704 0.049762 2.405542 0.0259
IMP 0.022910 0.064591 0.354693 0.7265
AK 0.007369 0.006623 1.112725 0.2790
POP 0.005041 0.003399 1.483299 0.1536

R-squared 0.959611 Mean dependent var 1147715.

Adjusted R-squared 0.951533 S.D. dependent var 488609.5
S.E. of regression 107567.9 Akaike info criterion 26.18649
Sum squared resid 2.31E+11 Schwarz criterion 26.43026
Log likelihood -322.3311 Hannan-Quinn criter. 26.25410
F-statistic 118.7968 Durbin-Watson stat 1.357171
Prob(F-statistic) 0.000000

7|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas

 Dari hasil output regresi diatas dapat kita susun persamaan sebagai berikut :

EKS = -892281 + 0.12*CONS + 0.023*IMP + 0.007*AK + 0.005*POP

(0.0498) (0.0645) (0.0066) (0.0033)
T hitung 2.4055*** 0.3546 1.1127 1.4832
R 2 = 0.959
F hitung = 118.796

Konsekuensi multikearitas adalah invalidnya signifikansi variable maupun

besaran koefisien variable dan konstanta. Multikolinearitas diduga terjadi
apabila estimasi menghasilkan nilai R kuadrat yang tinggi (lebih dari 0.8),
nilai F tinggi, dan nilai t-statistik semua atau hampir semua variabel penjelas
tidak signifikan. (Gujarati, 2003)

Untuk medeteksi awal apakah dalam suatu model mengandung

multikolinearitas, maka tindakan awal dengan melihat estimasi nilai R 2 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..

Uji selanjutnya, bandingkan R kuadrat regresi diatas dengan R kuadrat

regresi antar variable bebasnya.

Regres  LS AK IMP CONS POP C

Dependent Variable: AK
Method: Least Squares
Date: 01/09/17 Time: 04:49
Sample: 1990 2014
Included observations: 25

Variable Coefficient Std. Error t-Statistic Prob.

IMP 5.078742 1.816942 2.795215 0.0108

CONS 4.832311 1.255603 3.848599 0.0009
POP 0.137917 0.107873 1.278517 0.2150
C 47839133 21030811 2.274716 0.0335

R-squared 0.964931 Mean dependent var 93561606

Adjusted R-squared 0.959922 S.D. dependent var 17704591
S.E. of regression 3544388. Akaike info criterion 33.14528
8|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas
 Sum squared resid 2.64E+14 Schwarz criterion 33.34030
Log likelihood -410.3159 Hannan-Quinn criter. 33.19937
F-statistic 192.6086 Durbin-Watson stat 1.277394
Prob(F-statistic) 0.000000

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.

Cara menghilangkan multikonearitas :

Dengan menghilangkan variable yang tidak signifikan

Misal variable konsumsi kita hilangkan

Regres  LS EKS C IMP AK POP

Dependent Variable: EKS

Method: Least Squares
Date: 01/09/17 Time: 05:02
Sample: 1990 2014
Included observations: 25

Variable Coefficient Std. Error t-Statistic Prob.

C -2058947. 578495.0 -3.559144 0.0019

IMP 0.010873 0.071359 0.152363 0.8804
AK 0.017615 0.005620 3.134436 0.0050
POP 0.007095 0.003646 1.946095 0.0651

R-squared 0.947925 Mean dependent var 1147715.

Adjusted R-squared 0.940486 S.D. dependent var 488609.5
S.E. of regression 119198.4 Akaike info criterion 26.36061
Sum squared resid 2.98E+11 Schwarz criterion 26.55563
Log likelihood -325.5077 Hannan-Quinn criter. 26.41470
F-statistic 127.4227 Durbin-Watson stat 1.280160
Prob(F-statistic) 0.000000

Hasil regresi diatas : R kuadrat yang tinggi (lebih dari 0.8), nilai F tinggi, dan
nilai t-statistik hampir semua variabel penjelas signifikan.

9|U ji Mul tik oli nea ri ta s d an Pe rbai ka n M ul tik olin ea ritas

 DAFTAR PUSTAKA

Agus Widarjono, Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis, Edisi
Kedua, Cetakan Kesatu, Penerbit Ekonisia Fakultas Ekonomi UII
Yogyakarta 2007.
Catur Sugiyanto. 1994. Ekonometrika Terapan. BPFE, Yogyakarta
Gujarati, Damodar N. 2003. Basic Econometrics. Third Edition.Mc. Graw-Hill,
Singapore.
Koutsoyiannis, A (1977). Theory of Econometric An Introductory Exposition of
Econometric Methods 2nd Edition, Macmillan Publishers LTD.
Maddala, G.S (1992). Introduction to Econometric, 2nd Edition, Mac-Millan
Publishing Company, New York.

Nachrowi, D.N. dan H. Usman (2002). Penggunaan Teknik Ekonometrika. Jakarta:

PT Raja Grafindo Persada.

Pindyck, S and Daniel. L. Rubinfeld,” Econometrics Model and Economic Forecast,

1998, Singapore: McGraw-Hill, pp. 163-164

Sritua Arif.1993. Metodologi Penelitian Ekonomi. BPFE, Yogyakarta.

Sumodiningrat, Gunawan. 2001. Ekonometrika Pengantar. Yogyakarta: PFE-

Yogyakarta.

Supranto, J. 1984. Ekonometrika. Jakarta: Lembaga Penerbit Fakultas Ekonomi

Universitas Indonesia.

Thomas, R.L. 1998. Modern Econometrics : An Intoduction. Addison-Wesley.

Harlow, England.

10 | U j i M u l t i k o l i n e a r i t a s d a n P e r b a i k a n M u l t i k o l i n e a r i t a s