Nama : Nirda Andika

No.BP : 1810532014
Mata Kuliah : Statistik Multivariat
Tugas : Multikolinearitas

Berikut ini merupakan data yang menunjukkan perolehan sebuah kantor dalam satu periode dengan
model:
y =  0 + 1 x1i +  2 x2i +  3 x3i + ui
dimana : Y = Kas
X1 = Konsumsi
X2 = Tabungan
X3 = Pendapatan

Tahun Kas (Y) Konsumsi (X1) Tabungan (X2) Pendapatan (X3)

1 94 27 8 75
2 97 26 8 74
3 99 31 8 76
4 102 30 6 77
5 107 34 6 82
6 107 36 6 89
7 110 34 6 94
8 61 16 2 42
9 64 17 4 45
10 62 16 3 43
11 66 18 3 46
12 70 22 3 50
13 75 27 5 57
14 85 29 7 86
15 64 17 4 45
16 61 16 2 42
17 66 18 3 46
18 62 16 3 43
19 75 27 5 57
20 70 22 3 50

Pertanyaan :
a. Carilah matrik korelasi antara keempat variabel
b. Dugalah persamaan regresi untuk model (tidak nyata)
y =  0 + 1 x +  2 x2 +  3 x3 ...............(model 1)
Apakah diduga terjadi multikolinearitas antara variabel bebas ?

c. Keluarkan variabel X3, regresikan Y dengan X1 dan X2, bagaimana hasilnya, masih terjadi
multikolinieritas?
MATRIKS KORELASI

Correlations
Pendapatan
Kas (Y) Konsumsi (X1) Tabungan (X2) (X3)
Kas (Y) Pearson Correlation 1 ,941** ,832** ,959**
Sig. (2-tailed) ,000 ,000 ,000
N 20 20 20 20
Konsumsi (X1) Pearson Correlation ,941** 1 ,785** ,943**
Sig. (2-tailed) ,000 ,000 ,000
N 20 20 20 20
Tabungan (X2) Pearson Correlation ,832** ,785** 1 ,845**
Sig. (2-tailed) ,000 ,000 ,000
N 20 20 20 20
Pendapatan (X3) Pearson Correlation ,959** ,943** ,845** 1
Sig. (2-tailed) ,000 ,000 ,000
N 20 20 20 20
**. Correlation is significant at the 0.01 level (2-tailed).

Uji Regresi Linear X1, X2 Dan X3 Dengan Y

Variables Entered/Removeda
Model Variables Entered Variables Removed Method
1 Pendapatan (X3), . Enter
Tabungan (X2),
Konsumsi (X1)b
a. Dependent Variable: Kas (Y)
b. All requested variables entered.

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 ,967a ,934 ,922 5,06423
a. Predictors: (Constant), Pendapatan (X3), Tabungan (X2), Konsumsi (X1)

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 5826,207 3 1942,069 75,725 ,000b
Residual 410,343 16 25,646
Total 6236,550 19
a. Dependent Variable: Kas (Y)
b. Predictors: (Constant), Pendapatan (X3), Tabungan (X2), Konsumsi (X1)
 Coefficientsa
Unstandardized Standardized Collinearity
Coefficients Coefficients Statistics
Std.
Model B Error Beta t Sig. Tolerance VIF
1 (Constant) 20,933 4,268 4,904 ,000
Konsumsi (X1) ,900 ,504 ,345 1,784 ,093 ,110 9,117
Tabungan (X2) ,807 1,077 ,090 ,749 ,465 ,284 3,517
Pendapatan (X3) ,550 ,222 ,557 2,480 ,025 ,082 12,260
a. Dependent Variable: Kas (Y)

Collinearity Diagnosticsa
Variance Proportions
Condition Konsumsi Tabungan Pendapatan
Model Dimension Eigenvalue Index (Constant) (X1) (X2) (X3)
1 1 3,895 1,000 ,00 ,00 ,00 ,00
2 ,078 7,056 ,55 ,00 ,20 ,00
3 ,023 13,003 ,45 ,11 ,67 ,05
4 ,004 31,786 ,00 ,88 ,13 ,95
a. Dependent Variable: Kas (Y)

Hasilnya memperlihatkan terjadinya multikolinearitas pada variabel X3. Dimana tolerance

0.082 berarti kurang dari 0.10 dan VIF 12.260 lebih dari 10. Dari matriks korelasi, terlihat
korelasi X1, X2 dan X3 cukup tinggi.

Selanjutnya keluarkan variabel X3 dari MODEL. Jadi, regresikan Y dengan X1 dan X2 dengan
regresi linear.

Variables Entered/Removeda
Variables
Model Variables Entered Removed Method
1 Tabungan (X2), . Enter
Konsumsi (X1)b
a. Dependent Variable: Kas (Y)
b. All requested variables entered.

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
a
1 ,953 ,909 ,898 5,78069
a. Predictors: (Constant), Tabungan (X2), Konsumsi (X1)
 ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 5668,471 2 2834,235 84,816 ,000b
Residual 568,079 17 33,416
Total 6236,550 19
a. Dependent Variable: Kas (Y)
b. Predictors: (Constant), Tabungan (X2), Konsumsi (X1)

Coefficientsa
Standardize
Unstandardized d Collinearity
Coefficients Coefficients Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 22,664 4,807 4,715 ,000
Konsumsi (X1) 1,957 ,308 ,751 6,363 ,000 ,384 2,603
Tabungan (X2) 2,169 1,058 ,242 2,051 ,056 ,384 2,603
a. Dependent Variable: Kas (Y)

Collinearity Diagnosticsa
Condition Variance Proportions
Model Dimension Eigenvalue Index (Constant) Konsumsi (X1) Tabungan (X2)
1 1 2,904 1,000 ,01 ,00 ,01
2 ,077 6,149 ,52 ,00 ,33
3 ,019 12,438 ,48 ,99 ,66
a. Dependent Variable: Kas (Y)

Hasilnya, setelah X3 dikeluarkan dari MODEL, tidak terjadi lagi multikolinearitas. Hasil
tolerance memperlihatkan X1 dan X2 adalah 0.384 lebih dari 0.10 dan hasil VIF 2.603 kecil
dari 10.

Salah satu cara untuk memperbaiki multikolinearitas adalah dengan mengeluarkan variabel
yang mengandung multikolinearitas tersebut.

Dari Sig untuk model Y dengan X1 dan X2, yang mana Sig untuk X2 adalah 0.056 besar dari
0.05 (taraf uji nyata). Maka uji t untuk koefisien X2 tidak nyata. Maka variabel X2 tidak
berpengaruh nyata terhadap Y. Oleh karena itu X2 dkeluarkan dari MODEL.
Selanjutnya Keluarkan X2, Regresikan Y Dengan X1 Dengan Regresi Linear.

Variables Entered/Removeda
Model Variables Entered Variables Removed Method
b
1 Konsumsi (X1) . Enter
a. Dependent Variable: Kas (Y)
b. All requested variables entered.

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 ,941a ,886 ,880 6,27462
a. Predictors: (Constant), Konsumsi (X1)

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 5527,874 1 5527,874 140,405 ,000b
Residual 708,676 18 39,371
Total 6236,550 19
a. Dependent Variable: Kas (Y)
b. Predictors: (Constant), Konsumsi (X1)

Coefficientsa
Unstandardized Standardized Collinearity
Coefficients Coefficients Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 21,109 5,152 4,097 ,001
Konsumsi (X1) 2,453 ,207 ,941 11,849 ,000 1,000 1,000
a. Dependent Variable: Kas (Y)

Collinearity Diagnosticsa
Variance Proportions
Model Dimension Eigenvalue Condition Index (Constant) Konsumsi (X1)
1 1 1,962 1,000 ,02 ,02
2 ,038 7,205 ,98 ,98
a. Dependent Variable: Kas (Y)

Hasilnya, setelah X2 dikeluarkan dari MODEL, nilai Sig X1 adalah 0.000 kecil dari 0.05 (taraf
uji nyata). Maka uji t untuk koefisien X1 berpengaruh nyata terhadap Y. Maka intersepnya
nyata.

Jadi, model akhirnya adalah Y = 21.109 + 2.453 X1