Retno Fitrianti 4
Penyebab Terjadinya Multikolinearitas
• Metode pengumpulan data yang digunakan yaitu sampling pada kisaran
nilai tertentudari variabel independent dalam populasi.
• Adanya constraint pada model atau populasi yang dijadikan sampel.
Misalkan pad regresi pengaruh income (X1) dan ukuran rumah (X2)
terhadap konsumsi listrik (Y). Disini terdapat kendala pada populasi yaitu
keluarga dengan income tinggi umumnyamemiliki ukuran rumah yang lebih
besar dibandingkan keluarga dengan income rendah.
• Spesifikasi model, misalkan dengan menambahkan variabel polynomial
dalam modelregresi ketika kisaran variabel X kecil. Selain itu, model dengan
interaksi antarvariabelindependen (X1*X2) juga dapat menyebabkan
multikolinearitas.
• Overdetermined model, hal ini terjadi ketika model regresi memiliki jumlah
variabelindependent yang lebih besar dari pada jumlah observasi.
Retno Fitrianti 5
Permasalahan dalam
Model Regresi Linier Berganda
Akibatnya ?
Retno Fitrianti 6
Multikolinieritas
Cara mendeteksi ?
Regresikan setiap variabel bebas Xi dgn variabel
bebas lainnya yg ada dalam persamaan (auxiliary
regression). Jika uji F menunjukkan hasil yang
signifikan berarti terdapat kolinearitas antara
variabel Xi dengan variabel bebas lainnya.
Cek korelasi antar variabel bebas matrik
korelasi.
Cara mengatasi ?
Gunakan informasi a priori, berdasarkan keyakinan
atau hasil penelitian terdahulu.
Lakukan regresi elementer, kemudian tambahkan
satu per satu variabel yg diduga relevan
mempengaruhi var terikat.
Menggabungkan data cross-section dan time series
Mengeluarkan salah satu variabel yang kolinier.
Mentransformasikan variabel.
Mencara data tambahan atau data baru
Retno Fitrianti 7
Permasalahan dalam
Model Regresi Linier Berganda
2. Heteroskedastisitas
• Heteroskedastisitas adalah kebalikan dari homoskedastisitas, yaitu
keadaan dimana terjadinya ketidaksamaan varian dari error untuk
semua pengamatan setiap variabel bebas pada model regresi.
Retno Fitrianti 8
Permasalahan dalam
Model Regresi Linier Berganda
2. Heteroskedastisitas
Heteroskedastisitas terjadi bila varians i tidak konstan,
tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Yi = 0 + 1 X1i + i
Var(i ) bisa kemungkinan semakin besar atau semakin
kecil dengan semakin besarnya nilai X1i. Var(i ) = i2
Misal:
(1) Model Konsumsi = o + 1 Pendapatan +
(2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman +
Retno Fitrianti 9
• Tetapi kenyataannya sangat sulit untuk mendapatkan data dengan
varians yang konstan, sehingga sering terjadi pelanggaran dalam
asumsi ini yang disebut heteroskedastisitas.
• Heteroskedastisitas adalah kondisi dimana varians residual (error)
data tidak sama (tidak konstan) pada semua data amatan yang akan
diuji dengan menggunakan regresi linier.
Retno Fitrianti 10
Pada model (1), Var(i ) cenderung lebih besar dengan
semakin besarnya pendapatan.
C C = o + 1 Y
K = o - 1 P
Retno Fitrianti
P 11
Akibat Heteroskedastisitas ?
Metode Grafik
Buat diagram plot antara ui2 dan Ŷ. Heteros-
kedastisitas akan terdeteksi apabila sebaran
plot menunjukkan pola yang sistematis.
Retno Fitrianti 14
Cara mendeteksi ?
Uji Park
Meregresikan ui2 dengan X1i dalam bentuk
persamaan log linear.
ln ui2 = o + 1 ln X1i + i
ui adlh error term pd regresi Yi = 0 + 1 X1i +
i
Metode Goldfeld-Quant
Prinsipnya adlh membagi dua data X1i bdsrkan
urutan terkcil – terbesar dan meregresikan
masing2 untuk memperoleh nilai RSS.
Retno Fitrianti 15
Langkah-langkah Metode Goldfeld-Quant:
Retno Fitrianti 16
Cara Mengatasi Heteroskedastisitas
• Metode Generalized Least Square (GLS)
Retno Fitrianti 17
Cara Mengatasi Heteroskedastisitas
• Transformasi Logaritma
Tujuan dari transformasi ke dalam bentuk logaritma ini adalah
membuat perbedaan nilai varians menjadi lebih kecil.
Dengan mengecilkan nilai perbedaan inilah diharapkan data yang
heteroskedastis dapat menjadi homoskedastis.
Transformasi logaritma juga biasanya digunakan ketika kondisi data
tidak linier. Yang digunakan dalam transformasi logaritma adalah
logaritma natural.
Logaritma natural biasanya digunakan untuk data yang tidak
berdistribusi normal menjadi berdistribusi normal atau mendekati
distribusi normal.
Retno Fitrianti 18
Retno Fitrianti 19