MULTIKOLINIERITAS

Kelompok 4:
Nurzaidah Nasution (161062028)
Dina Auliana
(161062029)
Megawati Br Simanjorang (161062030)
Rumata Rianita Tampubolon (161062031)

Pengertian Multikolinieritas
Multikolinearitas adalah kondisi terdapatnya
hubungan linier atau korelasi yang tinggi antara
masing-masing variabel independen dalam
model regresi. Multikolinearitas biasanya terjadi
ketika sebagian besar variabel yang digunakan
saling terkait dalam suatu model regresi. Oleh
karena itu masalah multikolinearitas tidak
terjadi pada regresi linier sederhana yang
hanya melibatkan satu variabel independen.

Penyebab Multikolinieritas Pada

Model Regresi
1. Kesalahan teoritis dalam pembentukan
model fungsi regresi yang
dipergunakan/
memasukkan variabel
bebas yang hampir
sama, bahkan sama.
2. Terlampau kecilnya jumlah pengamatan
yang
akan dianalisis dengan model regresi.

Konsekuensi atau Efek

Multikolinieritas dalam Model Regresi
Penaksir OLS (estimator) bisa didapatkan namun standar error (SE)

tendensi semakin
membesar seiring dengan meningkatkan
korelasi antar variabel bebas (yang seharusnya independen).
Karena

Standar
Error
nya
semakin
membesar
mengakibatkan selang kepercayaan akan semakin melebar.

maka

Kesalahan tipe II meningkat atau dengan kata lain untuk menerima

hipotesis yang salah akan meningkat.

Jika terjadi multikolinearitas yang tidak sempurna maka estimator

dan Standar Error akan sangat sensitif terhadap perubahan data.

Oleh karena itu, sedikit saja ada data yang berubah nilainya maka
estimator dan SE nya juga berubah.

Jika terjadi multikolinearitas yang kurang sempurna juga

mengakibatkan nilai R square (koefisien determinasi) yang tinggi
namun semua variabel bebas tidak signifikan secara statistik.

Jika error model Anda terjangkit multikolinearitas, maka akan

terdapat adanya kesalahan tanda pada koefisien regresi sehingga

model statistik yang Anda bangun cenderung berlawanan dengan
teori-teori yang ada (hasil penelitian pada umumnya, inkonsisten).

Cara mengidentifikasi adanya

Multikolinieritas
1. Jika nilai regresi menunjukkan nilai R Square yang tinggi dan F
statistik
yang
sangat signifikan (goodness of fit terpenuhi),
namun sebagian besar variabel bebas
tidak
signifikan
pengaruhnya (t hitung kecil)
2.
Terdapat korelasi yang tinggi (R > 0.8) antara satu pasang
atau lebih
variabel bebas dalam model
3.
Dapat pula melihat indikasi multikolinearitas dengan Tolerance
Value
(TOL), Eigenvalue, dan
yang paling umum
digunakan adalah
Varians
Inflation Factor (VIF). nilai VIF > 10
mengindentifikasi adanya multikolinieritas.
4.
Perubahan kecil sekalipun pada data akan menyebabkan
perubahan signifikan pada variabel yang diamati.
5.
Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya
variabel
yang
seharusnya memiliki pengaruh positif
(nilai
koefisien positif), ditunjukkan dengan nilai negatif.

Dampak Multikolinieritas Pada

Regresi
1. Varian besar (dari takasiran OLS)
2. Interval kepercayaan lebar (varian besar Standar
Error besar - interval kepercayaan lebar)
3.
Uji t (t rasio) tidak signifikan, nilai t statistik
menjadi lebih kecil sehingga variabel bebas
tersebut menjadi tidak signifikan pengaruhnya.
pengaruh lebih lanjutnya adalah bahwa koefisien
regresi yang dihasilkan tidak mencerminkan nilai
yang
sebenarnya dimana sebagian koefisien
cenderung
over estimate dan yang lain under
estimate

Cara Mengatasi Multikolinieritas

1.
Transformasi data (misalnya dengan
logaritma natural)
2.
Mengeluarkan variabel yang berkorelasi
dalam model
3.
Mencari data tambahan

STUDI KASUS
Berbagai Faktor yang Mempengaruhi Ketepatan Waktu
Pelaporan Keuangan
Faktor-faktor yang mempengaruhi:
ROA (Return on Assets)
= X1
CR
(Current Ratio)
= X2
DER (Debt to Equity Ratio) = X3
OPERA (Operasi Perusahaan) = X4
KP (Kepemilikan Publik) = X5
KAP (Kantor Akuntan Publik) = X6
AUDCH (Auditor Change) = X7

Hasil Uji Multikolinieritas

Hasil pengujian Multikolinieritas di atas menunjukkan bahwa

nilai 0,1<VIF<10, maka pada hal ini tidak terjadi
multikolinieritas.

Data yang terjadi

Multikolinieritas

Hasil Uji Multikolinieritas

Nilai VIF

Nilai VIF X1 sebesar 24,562 > 10

Nilai VIF X2 sebesar 5,927<10

Nilai VIF X3 sebesar 16,808 > 10

Keterangan

Dari nilai VIF tersebut dapat dikatakan

bahwa terjadi multikolinieritas pada
Model
ini.
Untuk
mengatasi
multikolinieritas tersebut maka dipilih
salah
satu
cara
yaitu
dengan
menghilangkan salah satu variabel
independen.

Langkah-langkah yang dilakukan dalam

menghilangkan salah satu variabel independen
pada model:
1. Melihat korelasi terbesar antar variabel
independen

Nilai VIF

Korelasi antara X1 dan X2 adalah 0,909

Korelasi antara X1 dan X3 adalah 0,969

Korelasi antara X2 dan X3 adalah 0,868

Keterangan

Korelasi
terbesar
terjadi
antara
variabel X1 dan X3, oleh karena itu
variabel X1 atau X3 akan dihilangkan
salah satu

2. Menetukan Variabel yang dikeluarkan

Untuk memutuskan variabel yang akan
dikeluarkan maka terlebih dahulu dilihat
korelasi variabel X1 dan X3 terhadap Y (variabel
dependen). Berdasarkan output correlations di
atas dapat diamati bahwa korelasi terbesar
terhadap variabel Y adalah variabel X1, ini
berarti hubungan X1 terhadap Y lebih kuat
dibandingkan dengan hubungan X3 terhadap Y,
oleh karena variabel yang dikeluarkan adalah X3

Pengujian Multikolinieritas setelah variabel X3

dikeluarkan

Setelah dilakukan pengujian kembali maka nilai

VIF < 10 dan > 0,1 sehingga tidak terjadi
multikolinieritas, maka pengujian dapat
dilanjutkan.

TERIMAKASIH