Uji Multikolinearitas

Pengertian Uji Multikolinearitas

Uji multikolinearitas adalah uji yang dilakukan untuk memastikan apakah di dalam
sebuah model regresi ada interkorelasi atau kolinearitas antar variabel bebas.
Interkorelasi adalah hubungan yang linear atau hubungan yang kuat antara satu
variabel bebas
atau variabel prediktor dengan variabel prediktor lainnya di dalam sebuah model
regresi.
Interkorelasi itu dapat dilihat dengan nilai koefisien korelasi antara variabel
bebas, nilai VIF
dan Tolerance, nilai Eigenvalue dan Condition Index, serta nilai standar error
koefisien beta
atau koefisien regresi parsial.

Asumsi Multikolinearitas

Kita harus mengingat secara baikbaik, bahwa multikolinearitas adalah syarat atau
asumsi
terhadap jenis analisis yang harus dipenuhi. Pada analisis statistik apa sajakah
multikolinearitas
dapat terjadi?

Seperti yang sudah kita pahami sebelumnya bahwa multikolinearitas dapat terjadi
pada
beberapa model regresi, antara lain regresi linear, baik regresi linear sederhana,
regresi linear
berganda, regresi data panel ataupun regresi yang lainnya seperti regresi logistik
dan cox
regression. Oleh karena itu, bagi pembaca kami rekomendasikan untuk mempelajari
artikel-
artikel kami tentang hal-hal yang disebutkan diatas, terutama artikel yang berjudul
Multikolinearitas.

Uji Multikolinearitas dengan SPSS

Cara uji multikolinearitas dengan SPSS sangatlah mudah dan praktis serta dapat
dilakukan
dengan cepat jika menggunakan aplikasi SPSS, karena jadi satu proses dengan langkah
pengujian regresi itu sendiri. Langkah Uji multikolinearitas di dalam SPSS tersebut
akan kami
jelaskan dalam bahasan ini sebagai tindak lanjut dari artikel sebelumnya yang
menjelaskan
secara rinci tentang pengertian multikolinearitas hingga dampak yang diakibatkannya
pada
model regresi yang para peneliti lakukan.

Tutorial uji multikolinearitas dengan SPSS

Berikut adalah tutorial uji multikolinearitas dengan SPSS:

Buat dataset yang di di dalamnya terdapat 3 variabel, dengan perincian: 1 variabel

dependent
atau variabel response dan beberapa variabel Independen (Artinya lebih dari satu
variabel
predictor). Dalam tutorial SPSS ini, kita akan membuat contoh uji multikolinearitas
dengan
menggunakan 2 variabel independen. Lihat contohnya di bawah ini, yaitu dengan
menggunakan 50 sampel.
Dataset Uji Multikolinearitas SPSS

Selanjutnya isi dataset tersebut dengan data-data berskala data interval ataupun
rasio.

Lakukan langkah sebagai berikut: pada menu, klik analyze -> regression -> linear ->
selanjutnya masukkan variabel prediktor ke kolom Independent (s), variabel response
ke kolom
Dependent. Metode yang dipilih terserah anda, apakah metode enter atau metode
stepwise, itu
tergantung pada model regresi yang akan anda lakukan terkait dengan pertanyaan-
pertanyaan
penelitian di dalam metode penelitian anda.

Proses Uji Multikolinearitas SPSS

Klik tombol statistics dan pastikan bahwa anda mencentang Collinearity Diagnostics
dan
Descriptives, kemudian tekan tombol Continue. Caranya seperti di bawah ini:
Langkah Uji Multikolinearitas SPSS

Untuk checklist yang lainnya, terserah anda apakah akan digunakan atau tidak.
Tentunya jika
anda menginginkan hasil yang maksimal dalam rangka untuk membuat sebuah model
regresi
yang BLUE (Best Linear Unbiased estimation), maka anda harus mencentang semuanya.
Oleh
karena itu, anda harus mempelajari juga tentang asumsi klasik regresi linear,
antara lain:
autokorelasi, heteroskedastisitas, outlier, linearitas regresi dan normalitas
residual pada regresi
linear.

Jika anda sudah menyelesaikan prosedur lainnya dalam pengujian di dalam regresi
linear, maka
tekan tombol OK pada jendela utama SPSS. Dan selanjutnya lihatlah outputnya.

Cara Baca Uji multikolinearitas SPSS

Berikut kami jelaskan cara baca uji multikolinearitas dengan SPSS atau yang lebih
tepatnya
kita beri istilah interprestasi. Silahkan buka output anda!

Interkorelasi
Tabel Coefficient Regresi

Pada tabel korelasi menunjukkan hasil analisis interkorelasi antara variabel bebas
yang ditandai
dengan nilai koefisien korelasi pearson. Dalam hal ini di dalam Output SPSS dapat
anda lihat
pada persilangan antar variabel bebas. Misalnya dalam tutorial ini, hasil korelasi
antara variabel
bebas X1 dengan X2 adalah sebesar r = 0,368. Karena nilai 0,368 tersebut kurang
dari 0,8 maka
gejala multikolinearitas tidak terdeteksi. Selanjutnya akan kita pastikan dengan
melihat cara
deteksi multikolinearitas lainnya, yaitu berdasarkan nilai standar error dan
koefisien beta
regresi parsial. Lihat di bawah ini:

Standar Error Uji Multikolinearitas

Dalam tabel coefficient dapat anda perhatikan bahwa nilai standar error kurang dari
satu,
yaitu X1 = 0,121 dan X2 = 0,118 dimana keduanya kurang dari satu. Serta nilai
koefisien
beta juga kurang dari satu dimana X1 = 0,624 dan X2 = 0,407. Maka dapat dikatakan
bahwa
nilai standar error rendah dan multikolinearitas tidak terdeteksi. Selanjutnya
pastikan lagi
dengan nilai rentang upper dan lowerbound confidence interval, apakah lebar atau
sempit.
Berikut hasilnya:

VIF dan Tolerance Uji Multikolinearitas

Perhatikan pada tabel coefficient di atas, bahwa nilai rentangnya sempit, yaitu
pada X1 =
0,865 sampai dengan 1,156. Sedangkan pada X2 juga kebetulan hasilnya sama yaitu X2
=
0,865 sampai dengan 1,156. Karena rentangnya sempit maka multikolinearitas tidak
terdeteksi.

Deteksi Multikolinearitas dengan Nilai VIF dan Tolerance Dalam Regresi

Pada tabel yang sama di atas sebagai hasil uji regresi linear, perhatikan nilai VIF
dan Tolerance.
Kedua ini adalah indikasi kuat yang sering dipakai oleh para peneliti untuk
menyimpulkan
fenomena terjadinya interkorelasi variabel bebas. Jika nilai VIF kurang dari 10 dan
atau nilai
Tolerance lebih dari 0,01 maka dapat disimpulkan dengan tegas bahwa tidak terdapat
masalah
multikolinearitas. Dan sebaliknya maka dapat disimpulkan dengan tegas pula bahwa
multikolinearitas telah terjadi dalam model. Selanjutnya yang terakhir di dalam
output proses
yang sudah kita lakukan, kita perhatikan nilai dari collinearity diagnostics
seperti di bawah ini:
Collinearity Diagnostics SPSS

Deteksi Multikolinearitas dengan Eigenvalue dan Condition Index

Pada tabel collinearity diagnostics di atas sebagai hasil uji regresi linear, kita
perhatikan juga
nilai eigenvalue dan condition index. Jika Eigenvalue lebih dari 0,01 dan atau
Condition Index
kurang dari 30, maka dapat disimpulkan bahwa gejala multikolinearitas tidak terjadi
di dalam
model regresi. Dalam tutorial SPSS ini, nilai eigenvalue 0,02 > 0,01 walaupun
collinearity
diagnostics 40,458 dimana lebih dari 30.

Kesimpulan Uji Multikolinearitas

Kesimpulan dari tutorial multikolinearitas SPSS ini adalah tidak terdapat masalah
multikolinearitas, sehingga hasil pengujian dikatakan reliabel atau terpercaya.
Maka nilai
koefisien regresi parsial dikatakan handal dan robust atau kebal terhadap
perubahan-perubahan
yang terjadi pada variabel lainnya di dalam model regresi berganda. Untuk memahami
secara
kompleks, silahkan baca artikel menarik kami lainnya hanya di www.statistikian.com.