Andriarmi 21337063
Putri Rahmatun Khairani 21337086
Roufsaldiaz Nawfal 21337053
Wita Resfi Ananta 21337023
Dosen Pengampu :
DEPARTEMEN STATISTIKA
2023
PELANGGARAN ASUMSI DALAM PEMODELAN REGRESI
C. Ketidaklinearan
Nonlinearity dalam analisis regresi merujuk pada situasi di mana hubungan antara
variabel independen (X) dan variabel dependen (Y) tidak dapat dijelaskan dengan
model regresi linear. Artinya, model regresi linear tidak mampu menggambarkan
hubungan antara X dan Y dengan baik.
Nonlinearity dapat terjadi dalam beberapa bentuk. Salah satu bentuk yang umum
adalah hubungan kuadratik antara X dan Y, di mana hubungan antara X dan Y
membentuk sebuah kurva U atau terbalik U. Dalam hal ini, penggunaan model regresi
linear sederhana dengan persamaan Y = a + bX mungkin tidak mampu menggambarkan
hubungan yang sebenarnya antara X dan Y, dan dapat menghasilkan estimasi yang tidak
akurat.
Selain itu, nonlinearity juga dapat terjadi ketika ada interaksi antara dua variabel
independen atau lebih dalam model. Interaksi dapat terjadi ketika efek variabel
independen pada variabel dependen berubah bergantung pada nilai variabel independen
lainnya. Dalam hal ini, model regresi linear juga tidak dapat menggambarkan hubungan
yang sebenarnya antara variabel independen dan variabel dependen.
Pada kasus nonlinearity, model regresi linear sederhana tidak dapat digunakan.
Sebagai alternatif, metode yang lebih kompleks seperti regresi nonlinear dapat
digunakan untuk memodelkan hubungan antara X dan Y yang tidak linear. Regresi
nonlinear melibatkan menggunakan persamaan matematis yang lebih kompleks untuk
menggambarkan hubungan antara variabel independen dan variabel dependen.
Namun, perlu diingat bahwa regresi nonlinear juga membutuhkan lebih banyak
data dan memiliki parameter yang lebih banyak dibandingkan dengan model regresi
linear. Oleh karena itu, sebelum menggunakan regresi nonlinear, perlu dilakukan
evaluasi terlebih dahulu untuk memastikan bahwa hubungan antara variabel
independen dan variabel dependen memang nonlinier.
• Plot Komponen-Plus-Sisa
Meskipun berguna dalam regresi berganda untuk memplot Y terhadap setiap X,
plot ini sering tidak menampilkan keseluruhan isinya dan bias mendapatkan asumsi
yang tidak benar. Karena fokusnya lebih berpusat pada hubungan parsial antara Y dan
setiap X (''mengendalikan''
untuk X lainnya), bukan pada hubungan marjinal antara Y dan X individu
(''mengabaikan''X lainnya). Sehingga, plot berbasis residu lebih dapat untuk mendeteksi
nonlinier dalam regresi berganda.
D. Kolinearitas
Korelasi antara variabel prediktor direpresentasikan dalam model regresi sebagai
hubungan linier. Ketika variabel prediktor dalam model regresi berkorelasi, mereka tidak
dapat secara independen memprediksi nilai variabel dependen. Dengan kata lain,
beberapa variasi dalam variabel dependen mengurangi signifikansi statistiknya.
Kolinearitas menjadi perhatian dalam analisis regresi ketika ada korelasi atau
hubungan tingkat tinggi antara dua prediktor potensial, ketika nilai-p dari satu prediktor
meningkat (yaitu, tingkat signifikansi menurun) sementara yang lain meningkat. Dalam
model regresi, atau saat menentukan faktor inflasi varian tinggi. Faktor varians yang
dinaikkan memberikan ukuran tingkat kolinearitas, sehingga faktor inflasi varians 1 atau
2 pada dasarnya menunjukkan tidak ada kolinearitas, dan ukuran 20 atau lebih tinggi
menunjukkan kolinearitas ekstrim.
Multikolinearitas memiliki sejumlah efek yang berpotensi serius pada estimasi
kuadrat terkecil dari koefisien regresi. Beberapa dari efek ini dapat dengan mudah
didemonstrasikan. Misalkan ada dua variabel regresi 𝑥1 𝑑𝑎𝑛 𝑥2 . Model dengan asumsi
bahwa 𝑥1, 𝑥2 𝑑𝑎𝑛 𝑦 diskalakan ke satuan panjang adalah
𝑦 = 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜀
Dan persamaan normal kuadrat terkecil adalah
(𝑋 ′ 𝑋)𝛽 = 𝑋′𝑦
1 𝑟12 𝛽1 𝑟1𝑦
[ ] [ ] = [𝑟 ]
𝑟12 1 𝛽2 2𝑦
Dimana r adalah kolerasi sederhana antara 𝑋1 dan 𝑋2 dan 𝑟𝑗𝑦 adalah kolerasi
sedehana antara 𝑋𝑗 dan 𝑦, 𝑗 = 1, 2. Sekarang invers dari (X’X) adalah
1 −𝑟12
2 2
1 − 𝑟12 1 − 𝑟12
𝐶 = (𝑋 ′ 𝑋)−1 =
−𝑟 1
2
[1 − 𝑟12 1 − 𝑟12 ]
Jika terdapat multikolinearitas yang kuat antara 𝑋1 dan 𝑋2, maka koefisien korelasi
Penyebab Mulitikolinearitas
Sebagaimana yang sudah disebutkan, penyebab terjadinya multikolinearitas adalah
adanya korelasi atau hubungan yang kuat antara dua variabel independen atau lebih.
Namun penyebab lain yang secara tidak langsung dapat menyebabkan hal tersebut antara
lain:
1. Penggunaan variabel dummy yang tidak akurat dalam model regresi. Ada risiko
multikolinearitas yang lebih besar jika terdapat lebih dari 1 variabel dummy dalam
model.
2. Ada perhitungan variabel independen berdasarkan variabel independen lainnya
dalam model. Ini dapat dicontohkan sebagai berikut: Dalam model regresi Anda,
Anda memiliki variabel X1, X2 dan produk antara X1 dan X2 (X1*X2). Dalam hal
ini dapat ditentukan bahwa terdapat kolinearitas antara X1 dan X1*X2, dan terdapat
kolinearitas antara X2 dan X1*X2.
3. Ada duplikasi variabel independen dalam model, misalnya: Y = Alpha + Beta1 X1
+ Beta2 X1*5 + Beta3 X3 + e.
Efek Multikolinearitas:
1. Koefisien regresi parsial tidak diukur secara tepat. Oleh karena itu, nilai standard
errornya besar.
2. Perubahan kecil pada data antar sampel akan mengakibatkan perubahan drastis pada
nilai koefisien regresi parsial.
3. Perubahan satu variabel menyebabkan perubahan besar pada nilai koefisien regresi
parsial variabel lainnya.
4. Nilai Confidence Interval besar, sehingga sulit untuk menolak hipotesis nol