Gejala Multikolinearitas
Dalam situasi terjadi multikolinearitas dalam sebuah model regresi berganda,
maka nilai koefisien beta dari sebuah variabel bebas atau variabel predictor dapat
berubah secara dramatis apabila ada penambahan atau pengurangan variabel bebas
di dalam model. Oleh karena itu, multikolinearitas tidak mengurangi kekuatan
prediksi secara simultan, namun mempengaruhi nilai prediksi dari sebuah variabel
bebas. Nilai prediksi sebuah variabel bebas disini adalah koefisien beta. Oleh
karena itu, sering kali kita bisa mendeteksi adanya multikolinearitas dengan
adanya nilai standar error yang besar dari sebuah variabel bebas dalam model
regresi.
Dampak
Koefisien Partial Regresi tidak terukur secara presisi. Oleh karena itu nilai standar
errornya besar.
Perubahan kecil pada data dari sampel ke sampel akan menyebabkan perubahan
drastis 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.
Contoh
1. Pengantar
Model regresi sederhana adalah suatu model yang melihat hubungan antar dua
variabel. Salah satu variabel menjadi variabel bebas (Independent variable) dan
variabel yang lain menjadi variabel terikat (Dependent variable). Dalam regresi
sederhana ini, akan kita ambil suatu contoh kasus mengenai hubungan antara
pengeluaran konsumsi dan pendapatan di US pada tahun 1996 – 2005 (Gujarati,
2003: 6). Persamaan model ini adalah:
Y = b0 + b1X + m
VIF (variance inflation factor) merupakan salah satu statistik yang dapat
digunakan untuk mendeteksi gejala multikolinear (multicollinearity, collinearity)
pada analisis regresi yang sedang kita susun. VIF tidak lain adalah mengukur
keeratan hubungan antar variabel bebas, atau X.
Bagaimana menghitung VIF? Ini tidak lain adalah fungsi dari R2 model antar X.
Andaikan kita memiliki tiga buah variabel bebas: X1, X2, dan X3 dan ketiganya
mau diregresikan dengan sebuah variabel tak bebas Y. Nilai VIF kita hitung
untuk masing-masing X.
Perhatikan bahwa R2 dalam hitungan di atas adalah ukuran keeratan antar X. Jika
R2 = 0, maka VIF = 1. Kondisi ini adalah kondisi ideal. Jadi idealnya, nilai VIF
= 1.
Semakin besar R2, maka VIF semakin tinggi (semakin kuat adanya collinearity).
Misal R2 = 0.8 akan menghasilkan VIF = 5.
Tidak ada batasan baku berapa nilai VIF dikatakan tinggi, nilai VIF di atas 5
sudah membuat kita harus hati-hati.