MULTIKOLINEARITAS

Dr. Leila Ariyani Sofia, S.Pi, M.P

disampaikan dalam
Kuliah Ekonometrika FPK-ULM
Banjarbaru, 15 November 2022
 PENGERTIAN
• Multikolinearitas: hubungan antar variabel independen yg terdpt dlm
model dg sempurna atau mendekati sempurna (koefisien korelasi
tinggi atau bahkan 1)

Persamaan: Y=a + b1X1 + b2X2 + b3X3 + b4X4 + e

• Jika antara X1, X2, X3, & X4; terdpt korelasi tinggi maka ada indikasi problem
multikolinieritas.
 KONSEKUENSI

Standard error estimasi (Sei)

Tingkat signifikansi yg
akan cenderung meningkat
digunakan utk tolak H0 akan
dg bertambahnya variabel
semakin besar
bebas (independent variable)

Probabilitas menerima Model regresi yg diperoleh

hipotesis yg salah (kesalahan tidak valid utk menaksir
variabel terikat (dependent
) juga semakin besar variable).
CONTOH : Akibat Multikolinearitas
Y X2 X3 X3*

1 2 4 4

2 0 2 2

3 4 12 0

4 6 0 12

5 8 16 16
Hasil analisis
Kondisi 1.
yi = 1,1939 + 0,4463X2i + 0,0030X3i
(0,7737) (0,1848) (0,0831)
t = (1,5431) (2,4151) (0,0358)
R2 = 0,8101 r23 = 0,5523
Cov (2,3) = - 0,00868 df = 2

Kondisi 2.
yi =1,2108 + 0,4014X2i + 0,0270X3i*
(0,7480) (0,2721) (0,1252)
t = (1,6187) (1,4752) (0,2158)
R2 = 0,8143 r23 = 0,8285
Cov (2,3) = - 0,0282 df = 2

Melalui nilai thit, R2, & F
RATIO
Jika R2 tinggi, F RATIO
tinggi, tetapi sebagian
besar atau bahkan
seluruh koef.regresi tidak
signifikan (nilai thit sangat
rendah)
Kemungkinan terdpt
multikolinearitas dlm
model
DIAGNOSIS
Menentukan koefisien Membuat
korelasi (r) antar persamaan regresi
variabel bebas
antar variabel bebas
Jika antara 2 variabel
independen memiliki Jika koefisien
korelasi yg spesifik regresinya (i) signifikan
Nilai r yg tinggi; tanda r maka
berbeda dgn tanda pada model terdpt
koef.regresinya i multikolinearitas
Contoh 1. Pengujian Multikolinearitas
C,Rp Y2,Rp W3,Rp
70 80 810
65 100 1009
90 120 1273
95 140 1425
110 160 1633
115 180 1876
120 200 2052
140 220 2201
155 240 2435
150 260 2686
Hasil Analisis
Asumsi : belanja konsumsi berhubungan linear dg pendapatan &
kekayaan
■ Persamaan : C = Y + W (model umum)
Yi =  + 2X2i + 3X3i
■ Hasil regresi :
Yi = 24,7747 + 0,9415X2i – 0,0424X3i
Sei (6,7525) (0,8229) (0,0807)
t = (3,6690) (1,1442) (- 0,5261)
R2 = 0,9635 adj.R2 = 0,9531
n = 10 k = 2 → df = n-k-1 → df = (10 – 2 – 1) = 7
F = 92,4019**
t tabel ( = 0,01; df = 7) = 2,998
Kriteria keputusan : terima H1 : jika thitung > t tabel
Contoh 2 : Pengujian multikolinearitas
■ Penggunaan korelasi matrik dg aturan jika korelasi
antara X lebih besar (>) dari korelasi X & Y → variabel
bebas tsb mengindikasikan multikolinear.
■ Matrik korelasi
Y X1 X2 X3 X4
Y 1
X1 .490 1
X2 .564 .347 1
X3 .353 .403 .719 1
X4 -.008 -.005 -.007 -.006 1
** Correlation is sinigficant at the 0.01 level (2-tailed)
BATAS-BATAS KEERATAN KOEFISIEN KORELASI

r=0 • tidak ada korelasi

0 < r ≤ 0,20 • korelasi sangat rendah/lemah sekali

0,20 < r ≤ 0,40 • korelasi rendah/lemah

0,40 < r ≤ 0,70 • korelasi cukup berarti

0,70 < r ≤ 0,90 • korelasi kuat/tinggi

0,90 < r < 1,00 • korelasi sangat tinggi/kuat/dpt diandalkan

r=1 • korelasi sempurna

Interpretasi Matrik Korelasi
■ Korelasi Y & Y = 1 → korelasi sempurna
■ Korelasi Y & X1 = 0,49; korelasi Y dan X2= 0,564;
dan korelasi X3 & X2 = 0,719
■ Korelasi X3 & X2 yg tinggi → adanya gejala
multikolinearitas
■ Solusi : memisahkan model menjadi 2 regresi yg
mengan-dung X2 & tidak mengandung X3, & regresi yg
lain mengandung X3 tetapi tidak mengandung X2.
 TINDAKAN PERBAIKAN

Informasi Apriori Menghubungkan data

Yi = 1 + 2X2i + 0,102X3i + ui cross-sectional & data
= 1 + 2Xi + ui urutan-waktu

Mengeluarkan suatu
variabel atau variabel2 yg
Transformasi variabel
sangat berkorelasi & bias
spesifikasi

Mendapatkan tambahan
atau data baru
Contoh 1. Cara menangani adanya multikolinearitas
• Jelas bahwa X3i = 5X2i X2 X3 X3*
• Ada kolinearitas sempurna
antara X2 dan X3 karena 10 50 52
koefisien r23 = 1 15 75 75
• Variabel X3* diciptakan dari
X3 dgn hanya menambahkan 18 90 97
kepadanya angka random 2, 24 120 129
0, 7, 9, 2.
• Tidak terdpt lagi kolinearitas 30 150 152
sempurna antara X2 & X3
• Tetapi kedua variabel sangat
berkorelasi, di mana
diperoleh koefisien korelasi r23
= 0,9959
 Contoh 2 :
Cara menangani adanya multikolinearitas

Yi = a + b1X1 + b2X2 + b3X3 + b4X4 +e

■ Misal: X1 & X2 memiliki kolinearitas yg tinggi → regresi dpt

dibuat menjadi 2 model :

Yi = a + b1X1 + b3X3 + b4X4 +e

dan Yi = a + b2X2 + b3X3 + b4X4 +e

■ Prinsipnya estimasi pengaruh X1 terhadap Y & X2 terhadap Y
secara terpisah tidak dapat bersama-sama
 UJI PENYIMPANGAN
MULTIKOLINIERITAS - SPSS
Uji Multikolinearitas - SPSS
■ Buat dataset yg di dalamnya
terdPt 3 variabel, dgn
perincian:
■ 1 (satu) variabel terikat/
variabel response &
beberapa variabel
independen (Artinya lebih
dari satu variabel prediktor).
Dalam tutorial SPSS akan
dibuat contoh uji
multikolinearitas dgn
menggunakan
■ 2 (dua) variabel Independen.
Proses Uji Multikolinearitas SPSS
■ Pada menu, klik analyze -> regression -> linear -> selanjutnya
masukkan variabel prediktor ke kolom Independent (s), variabel
response ke kolom Dependent.
■ Klik tombol statistics & pastikan mencentang Collinearity Diagnostics
& Descriptives, kemudian tekan tombol Continue.
Membaca Hasil Uji Multikolinearitas SPSS
Tahap (1):
■ Pada tabel korelasi
menunjukkan hasil analisis
interkorelasi antara variabel
bebas yg ditandai dgn nilai
koefisien Korelasi Pearson.
■ Dalam hal ini di dalam Output
SPSS dapat dilihat pada
persilangan antar variabel
bebas.
■ Misalnya : hasil korelasi antara
variabel bebas X1 dgn X2 adalah
r = 0,368. Nilai 0,368  0,8
maka gejala multikolinearitas
tidak terdeteksi.
Tabel Coefficient Regresi Interkorelasi
 Membaca Hasil Uji Multikolinearitas SPSS
Tahap (2):
■ Selanjutnya akan dipastikan dg melihat cara deteksi multikolinearitas
lainnya, yaitu berdsrkan nilai standar error & koefisien beta regresi
parsial.

Standar Error Uji Multikolinearitas

■ Dalam tabel coefficient dpt diperhatikan bahwa nilai standar error

kurang dari satu, yaitu X1 = 0,121 dan X2 = 0,118 (< 1).
■ Nilai koefisien beta X1 = 0,624 dan X2 = 0,407 (< 1). Maka dapat
dikatakan bahwa nilai standar error rendah dan multikolinearitas tidak
terdeteksi.
Membaca Hasil Uji Multikolinearitas SPSS
Tahap 3:
■ Selanjutnya pastikan lagi dg nilai rentang upper & lower bound
confidence interval, apakah lebar atau sempit.

VIF & Tolerance Uji Multikolinearitas

■ Nilai rentang coefficients sempit, yaitu pada X1 = 0,380 – 0,868.

Sedangkan pada X2 juga kebetulan hasilnya sama yaitu X2 = 0,170 –
0,644. Karena rentangnya sempit maka multikolinearitas tidak terdeteksi.
■ Nilai VIF < 10 dan/atau nilai Tolerance > 0,01 maka dpt disimpulkan dg
tegas bhw tidak terdpt masalah multikolinearitas.
Membaca Hasil Uji Multikolinearitas SPSS
■ Deteksi Multikolinearitas dg Eigenvalue & Condition Index

Collinearity Diagnostics SPSS

■ Jika Eigenvalue > 0,01 dan/atau Condition Index < 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 > 30.
TUGAS TM-13
1. Sajikan ringkasan hasil analisis (Data Praktik Analisis Regresi),
kemudian jelaskan pengaruh masing-masing variabel terhadap
terikat.
2. Lakukan diagnosa adanya penyimpangan asumsi klasik
multikolinieritas pada masing-masing hasil analisis.
3. Berikan saran perbaikan yang diperlukan berdasarkan studi
pustaka agar hasil analisis bebas dari multikolinieritas.
Persyaratan pengumpulan laporan:
▪ Laporan ditulis tangan dengan baik dan rapi
▪ Cantumkan nama, NIM dan tanda tangan
▪ Dilarang melakukan plagiasi (copy-paste) penjelasan hasil analisis
▪ Apabila ditemukan laporan plagiat maka laporan sumber maupun plagiator tidak
akan diberi penilaian.
▪ Tata nama file : E-METRI_Namamahasiswa_TM-13 (contoh: E-METRI_Simas_TM-13)
▪ Tata nama file harus dipatuhi untuk memudahkan dalam administrasi & penilaian
laporan; pengampu tidak bertanggung jawab atas laporan yg tidak mengikuti tata
nama file tsb.
▪ Laporan dikirim ke SIMARI e-learning EKONOMETRIKA (pengiriman di luar SIMARI
tidak akan diterima & segala bentuk keterlambatan tidak akan dilayani)
▪ Dateline : 21 November 2022 jam 23.00 wita