Asumsi 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 dengan kepuasan kerja.

Alat untuk Menguji Multikolinearitas

Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah dengan
variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas, atau dengan melihat
eigenvalues dan condition index (CI).

Cara Mengatasi Masalah Multikolinearitas

Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:

1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.

2. Menambah jumlah observasi.

3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk
first difference delta.

Sejarah Asumsi Multikoliniearitas

Pada awalnya, multikolinieritas berarti adanya hubungan yg linier sempurna atau pasti diantara
beberapa atau semua variabel bebas dalam model regresi.

Misalkan pada model regresi dengan k variabel bebas X1, X2, …, Xk (dimana X1 = 1), suatu hubungan
linier yg sempurna dikatakan ada jika memenuhi kondisi:

dimana λ1, λ2, …, λk adalah konstanta sedemikian rupa sehingga tidak semuanya nol (0).

Dalam perkembangannya, multikolinieritas juga berarti adanya hubungan yg linier kuat tetapi tidak
sempurna diantara beberapa atau semua variabel bebas dalam model regresi.
Misalkan pada model regresi dengan k variabel bebas X1, X2, …, Xk (dimana X1 = 1), suatu hubungan
linier yg kuat tapi tidak sempurna dikatakan ada jika memenuhi kondisi:

dimana vi adalah unsur kesalahan yg bersifat stokastik.

Konsekuensi Multikoliniearitas

a. Kesalahan Baku Semakin Besar

Meski penaksir OLS bisa diperoleh, standard error (kesalahan baku) cenderung semakin besar dengan
meningkatnya korelasi antar variabel bebas. Misal pada model regresi dimana xi = X i
−X dan yi = Yi −Y maka:

Jika xi2 = λxi1 + vi, dimana λ ≠ 0 dan Σ xi2vi = 0, maka:

β1 = (∑ yi xi1)(∑ xi22 + ∑vi2 ) − (∑ yi xi2 + ∑ yivi )(∑ xi21) / (∑ xi21)(∑ xi21+ ∑vi2 ) − (∑ xi21)2
Penaksir β2 dapat dicari secara analogi dengan pencarian penaksir β1.
b. Convidence Interval lebih Lebar
Besarnya standard error berakibat pada selang keyakinan (confidence interval)
untuk suatu parameter menjadi lebih lebar.

Misalkan rx1x2 = 0,9 maka CI 95% untuk β1 dirumuskan sebagai berikut:

c. Standard Error Sensitif terhadap Perubahan Data

Pada multikolinieritas yg tinggi tapi tidak sempurna, estimator koefisien regresi

bisa diperoleh, tapi estimator & standard error menjadi sensitif terhadap
perubahan data.
 d. Variabel dapat tidak Signifikan

Pada multikolinieritas yg tinggi tapi tidak sempurna, bisa terjadi R2 (koefisien

determinasi) tinggi namun tidak satupun variabel signifikan secara statistik.

Untuk menemukan terdapat atau tidaknya multikolinearitas pada model regresi dapat diketahui
dari nilai toleransi dan nilai variance inflation factor (VIF). Nilai Tolerance mengukur
variabilitas dari variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas
lainnya. Jadi nilai tolerance rendah sama dengan nilai VIF tinggi, dikarenakan VIF = 1/tolerance,
dan menunjukkan terdapat kolinearitas yang tinggi. Nilai cut off yang digunakan adalah untuk
nilai tolerance 0,10 atau nilai VIF diatas angka 10.

Contoh:

Berikut ini akan diuji multikolinieritas sebuah model regresi dengan variabel Kepuasan Kerja (X1), Gaya
Kepemimpinan (X2), dan Motivasi (X3). Variabel dependen adalah kinerja (Y) Data dikumpulkan dari
angket dengan jumlah sampel sebanyak 60 orang pegawai.

No Kepuasan Gaya Motivasi Kinerja

Kerja Kepemimpinan
1 55 76 83 65
2 60 82 92 70
3 61 80 77 70
4 53 70 74 60
5 62 88 97 70
6 62 72 77 71
7 54 78 86 64
8 59 72 90 68
9 64 81 96 72
10 55 74 90 66
11 53 65 85 64
12 65 84 92 72
13 50 63 74 56
14 52 71 87 64
15 56 82 84 66
16 53 72 79 65
17 60 85 92 70
18 56 76 86 67
19 54 65 80 62
20 53 74 72 57
21 52 75 75 55
22 62 80 95 70
23 65 72 96 66
24 58 70 82 63
25 60 85 86 63
 26 64 88 96 74
27 60 84 98 72
28 64 89 82 75
29 64 85 92 72
30 58 78 76 67
31 60 77 86 68
32 54 78 86 64
33 39 52 55 41
34 64 89 96 74
35 54 75 79 62

Nilai VIF (variance index factor) tidak menunjukkan adanya multikolinieritas (VIF kurang dari 10),
sementara tolerance juga tidak ada kurang dari 0.10. Deteksi multiko melalui dua uji menunjukkan tidak
adanya multikolinier, namun perhatikan output selanjutnya.