BAB V - Ayu Enjelina (AutoRecovered)
BAB V - Ayu Enjelina (AutoRecovered)
MULTIKOLINIERITAS
A. Landasan Teori
Multikolinearitas adalah terjadinya hubungan linier antara variabel
bebas dalam satu model regresi linier berganda (Gujarati,2003). Adapun
dampak terjadninya multikolinieritas dalam model regresi linier berganda
adalah (Gujarati,2003) :
1. Penaksiran OLS klasik bersifat BLUE, tetapi mempunyai variasns dan
kovariansi yang besar sehingga sulit mendapatkan taksiran(estimasi) yang
tepat.
2. Akibat penaksiran OLS mempunyai variansi dan kovariansi yang besar
membuat interval estinmasi akan cenderung kebih besar dan nilai hitung
satistik uji t akan kecil,sehingga membuat variabel bebas secara statistik
tidak signifikan mempengaruhi variabel tidak bebas.
Ada beberapa cara untuk mengetahui terjadinya Multikolinieritas sebagai
berikut :
1. Faktor variansi inflasi yang kecil maka multikolinieritas lebih sederhana.
Faktor inflasi melebihi nilai 10 maka akan dikatakan terjadi
multikolineritas.
2. Kolinearitas diduga jika R2 cukup tinggi (antara 0,7-1) dan jika koefisien
korelasi sederhana (korelasi derajat nol) juga tinggi (Gujarati, D. 2003).
Multikolinearitas adalah suatu keadaan dimana terdapat korelasi antar
variabel prediktor ketika dalam model regresi menggunakan lebih dari satu
variabel prediktor. Apabila terjadi multikolinearitas pada data akan
menyebabkan matrik memiliki determinan sama dengan nol. Solusi untuk
mengatasi adanya Multikolinearitas adalah dengan mengeluarkan variabel
prediktor yang tidak signifikan (dropping variable) dan meregresikan kembali
variabel-variabel prediktor yang signifikan. Hocking (1996) mengemukakan
bahwa ada tiga kriteria yang dapat digunakan untuk mendeteksi
multikolinearitas. Ketiga kriteria tersebut adalah:
1. VIF (Variance Inflation Factors), yaitu jika nilai VIF lebih besar dari 10
menunjukkan adanya multikolinieritas antara variabel-variabel prediktor.
VIF dirumuskan :
VIF = I / (1-R j 2 ),
dengan Rj adalah koefisien determinasi.
2. Koefisien korelasi pearson ( ij r ) yaitu multikolinearitas terjadi apabila antar
variabel prediktor nilai korelasinya >0,95.
3. Nilai eigen ( ) λi, yaitu msultikolinearitas terjadi apabila nilai eigen pada
matriks korelasi antar semua variabel prediktor <0,05.
B. Soal Latihan
Tabel 5.1 Pengaruh Pendapatan, Pertumbuhan Penduduk, Jumlah Outlet,
Pesaing dan Biaya Promosi Terhadap Jumlah Penjualan.
NO PJL PDT PTB OUT PSG PRO
1 208 1.81 1.53 144 15 28
2 203 2.01 2 139 16 22
3 215 4.46 1.5 165 19 29
4 244 1.3 1.75 182 17 30
5 285 1.6 1.64 191 15 45
6 311 2.55 2.65 238 24 52
7 264 3.35 1.45 156 16 38
8 339 2.65 1.67 280 10 40
9 204 2.44 2.74 149 16 24
10 205 1.55 1.35 154 14 26
11 253 3.79 2.13 188 11 33
12 245 1.53 2.64 174 19 29
13 204 1.75 1.63 140 21 19
14 290 1.53 2.53 198 18 47
15 233 2.51 2.54 174 18 28
Keterangan:
PJL : Penjualan (Juta Rupiah)
PDT : Pendapatan Masyarakat (Juta Rupiah)
PTB : Pertumbuhan Penduduk (%tahun)
OUT : Outlet (m2)
PSG : Pesaing (Kompetitor)
PRO : Promosi (Juta Rupiah)
C. Langkah Kerja
1. Uji Variance Inflation Factor (VIF)
a. Membuka aplikasi E-Views kemudian memilih Create A New E-Views
workfile untuk membuka lembar kerja.
f. Setelah itu, memilih kolom variabel PJL, PDT, PTB, OUT, PSG dan PRO
dan mengubah Character menjadi Number pada Data Type. Setelah itu,
mengklik Next.
g. Selanjutnya mengklik Finish.
i. Setelah itu, memasukkan rumus pjl c pdt ptb out psg pro pada kolom
Equation Estimation, kemudian mengklik Ok.
j. Lalu akan muncul hasil data yang telah dianalisis.
l. Maka akan muncul hasil data dari Variance Inflation Factors (VIF) yang
telah dianalisis.
2. Uji Pair Wise Correlation (Korelasi Berpasangan)
a. Setelah hasil yang dianalisis keluar, lalu mengklik menu Quick pada
menu bar dan memilih Group Statistics dan memilih Correlation.
b. Memasukkan variabel bebas pdt ptb out psg pro ke dalam kolom lalu
mengklik Ok.
b. Mengklik men Quick pada menubar dan memilih Estimate Equation dan
memasukkan rumus pjl c ptb.
C 664.8658 68.42729 NA
PDT 12.41529 7.919600 1.030277
PTB 50.73427 21.79214 1.252723
OUT 0.017533 59.77550 2.515696
PSG 1.114222 32.95747 1.357747
PRO 0.261757 31.10288 2.355136