A. UJI MULTIKOLINIERITAS
Hingga saat ini tidak ada kriteria formal untuk menentukan batas terendah dari
nilai toleransi atau VIF. Beberapa ahli berpendapat bahwa nilai toleransi kurang
dari 1 atau VIF lebih besar dari 10 menunjukkan multikolinearitas signifikan,
sementara itu para ahli lainnya menegaskan bahwa besarnya R 2 model dianggap
mengindikasikan adanya multikolinearitas. Klein (1962) menunjukkan bahwa,
jika VIF lebih besar dari 1/(1 – R2) atau nilai toleransi kurang dari (1 – R2), maka
multikolinearitas dapat dianggap signifikan secara statistik.
Uji multikolinearitas dengan menggunakan Variance Inflation Factor (VIF) paling
jamak dilakukan dalam penelitian di Indonesia. Asumsi multikolinearitas
terpenuhi jika nilai VIF pada output SPSS di bawah 10. Karena VIF =
1/Tolerance, maka asumsi multikolinearitas juga dapat ditentukan dengan
Tolerance di bawah 0,1. Pengujian multikolinearitas VIF dengan SPSS bisa
dilakukan masuk ke menu Analyze, pilih Regression, lalu pilih Linear.
Beri tanda centang pada Collinearity Diagnostics, lalu tekan Continue sehingga
dikembalikan ke menu regresi lalu tekan OK. Dengan demikian akan SPSS akan
mengeluarkan output. Pada output cari kotak dengan judul Coefficient, yang
hasilnya sebagai berikut:
Pada sisi paling kanan muncul nilai VIF dan Tolerance. Tampak bahwa tidak ada
nilai VIF yang di atas 10 atau Tolerance di bawah 0,1. Berarti tidak terdapat
gangguan multikolinearitas pada model penelitian. Hasil ini konsisten dengan
pengujian multikolinearitas dengan korelasi pada naskah sebelumnya karena
menggunakan distribusi data yang sama.
Meskipun nilai batas VIF sebesar 10 banyak diaplikasikan, akan tetapi dalam
tutorial SPSS memberikan nilai batas VIF hanya sebesar 2. Jika VIF memberikan
nilai di atas 2 maka perlu diperkuat lagi dengan uji Condition Index (CI) dan
Eigenvalue yang akan dibahas pada naskah selanjutnya.
Baca Selengkapnya »»
Diposting oleh Analisis Statistik Skripsi Tesis di 2:22 PM 4 komentar Link ke
posting ini
Setelah itu, klik pada Statistic di bagian kiri bawah dan akan diarahkan ke kotak
sebagai berikut:
Beri tanda centang pada Descriptives, lalu tekan Continue sehingga dikembalikan
ke menu regresi lalu tekan OK. Dengan demikian akan SPSS akan mengeluarkan
output. Pada output cari kotak dengan judul Correlation, yang hasilnya sebagai
berikut:
Tampak bahwa korelasi antara Kualitas Produk/Jasa (X1) dengan Sarana dan
Prasarana (X2) adalah sebesar 0,590; korelasi antara Kualitas Produk/Jasa (X1)
dengan Distribusi (X3) adalah sebesar 0,583; dan korelasi antara Sarana dan
Prasarana (X2) dengan Distribusi (X3) adalah sebesar 0,578. Tampak bahwa tidak
ada korelasi antara variabel bebas yang nilainya di atas 0,9. Hal ini menunjukkan
bahwa korelasi antara variabel bebas pada model regresi tidak mengganggu
model, atau model terbebas dari gangguan multikolinearitas.
Metode korelasi juga bisa dilakukan tanpa menggunakan menu regresi, tetapi
dengan menggunakan menu Correlation. Pilih menu Analyze, lalu Correlate, dan
klik pada Bivariate.
Masukkan variabel bebas (X1, X2 dan X3) ke box Variables, lalu klik One-tailed
di bagian kanan bawah, lalu tekan OK. Maka Program akan mengeluarkan output
seperti ini:
Tampak bahwa korelasi antara Kualitas Produk/Jasa (X1) dengan Sarana dan
Prasarana (X2) adalah sebesar 0,590; korelasi antara Kualitas Produk/Jasa (X1)
dengan Distribusi (X3) adalah sebesar 0,583; dan korelasi antara Sarana dan
Prasarana (X2) dengan Distribusi (X3) adalah sebesar 0,578. Hasilnya adalah
sama dengan menu regresi di atas.
UJI MULTIKOLINEARITAS
Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi
antara variabel-variabel bebas dalam suatu model regresi linear berganda. Jika ada
korelasi yang tinggi di antara variabel-variabel bebasnya, maka hubungan antara
variabel bebas terhadap variabel terikatnya menjadi terganggu. Sebagai ilustrasi,
adalah model regresi dengan variabel bebasnya motivasi, kepemimpinan dan
kepuasan kerja dengan variabel terikatnya adalah kinerja. Logika sederhananya
adalah bahwa model tersebut untuk mencari pengaruh antara motivasi,
kepemimpinan dan kepuasan kerja terhadap kinerja. Jadi tidak boleh ada korelasi
yang tinggi antara motivasi dengan kepemimpinan, motivasi dengan kepuasan
kerja atau antara kepemimpinan denga
B. UJI AUTOKORELASI
Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara
error serangkaian observasi yang diurutkan menurut waktu (data time series). Uji
autokorelasi perlu dilakukan apabila data yang dianalisis merupakan data time
series (Gujarati, 1993).
dimana:
Oke, kemudian kita lihat contoh berikut (pengerjaannya sama dengan langkah
pengerjaan regresi linier berganda, untuk yang belum mengerti secara penuh
regresi linier berganda bisa menyimaknya disini >>: