UJI KLASIK MULTIKOLINEARITAS

Persamaan regresi :
Y = α + βX2 + βX3 + µ

Tampilan output Eviews untuk model data :

Deteksi Multikolinearitas untuk output di atas adalah sebegai berikut.

Terlihat dari output Eviews nilai R2 cukup tinggi sebesar 96.8% sedangkan semua variabel
independen X2, $ dan X3,$ memiliki nilai statistik signifikan pada 0.06. Oleh karena itu R2
tinggi dan semua variabel tidak signifikan, maka ada indikasi terjadi multikolinearitas
antarvariabel independen.

Matriks korelasi untuk menganalisis multikolinearitas

Berdasarkan pada hasil ouput matriks korelasi diatas korelasi antara X2 dan X3 sebesar 1.0000
(lebih tinggi dari 0.9). Jadi dapat disimpulkan terdapat multikolinearitas antarvariabel
independen.

Auxilary regression
Cara menganalisisnya adalah dengan mengestimasi model regresi dengan masing-masing
variabel independen menjadi variabel dependen. Sehingga persamaan regresi yang dapat dibuat
adalah sebagai berikut :

X2 = α + βX3 + µ

X3 = α + βX2 + µ

Untuk persamaan 1:

Untuk persamaan 2:
Tabel hasil Auxilary Regression di atas adalah sebagai berikut:
Variabel Dependen Nilai R2
X2, $ 0.997926
X3,$ 0.997926
Y, $ 0.968228

Klein’s rule of thumb menyatakan bahwa muktikolinearitas terjadi jika R2 yaang diperoleh dari
auxilary regression lebih tinngi dari R2 keseluruhan yang diperoleh dari meregres semua
variabel X’s terhadap Y. Hasil pada tabel di atas menunjukkan bahwa R2 dari auxilary
regression (masing-masing 0.997926) lebih tinggi dari R2 keseluruhan (0.968228). Oleh karena
itu dapat disimpulkan terjadi multikolinearitas.
Nilai yang umum yang dipakai untuk menunjukkan adanya multikolinearitas adalah
Tolerance < 0.1 atau sama dengan VIF > 10.
Tabel Perhitungan VIF
Variabel Dependen Nilai R2 Tolerance VIF
(1-nilai R2 ) (1/Tolerance)
X2, $ 0.997926 0,002074 482,1600771
X3,$ 0.997926 0,002074 482,1600771
Y, $ 0.968228 0,031772 31,47425406
Berdasarkan hasil perhitungan diatas, terlihat bahwa semua variabel memiliki nilai tolerance >
0.1 dan nilai VIF > 10. Hal ini membuktikan bahwa terjadi multikolinearitas.
Output Variance Inflation Factors (VIF) adalah seperti di bawah ini:
 KOREKSI / MENGOBATI MULTIKOLINEARITAS

Apriori Informasi

Untuk model regresi seperti berikut:

Yi = α + β1X1i + β2X2i + µi

Dimana Y= konsumsi, X1= income, X2=wealth, seperti diketahui bahwa income dan wealth
cenderung berkorelasi tinggi, tetapi berdasarkan apriori informasi kita percaya bahwa β2= 0.10
β1, yaitu tingkat perubahan konsumsi terhadap wealth adalah sepersepuluh (1/10) dibanding
income.

Dengan demikian kita dapat mengestimasi regresi menjadi:

Yi = α + β1X1i + 0.10β1X2i + µi

Yi = α + β1X3i + µi

Di mana X3i= X1i + 0.10X2i. Dengan mengetahui nilai β1, maka kita dapat mengestimasi β2
dari hubungan antara β1 dan β2.