PERBAIKAN
MULTIKOLINEA
RITAS
Siti Hartinah, SE., M.Ak.
DEFINISI
MULTIKOLINEARITAS
Multikolinearitas adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan
kuat antara dua variabel bebas atau lebih dalam sebuah model regresi berganda. Model regresi
yang dimaksud dalam hal ini antara lain: regresi linear, regresi logistik, regresi data panel dan
cox regression.
Pada persyaratan asumsi klasik yang ke 8 pada model CLRM (Clasical linear Regresion model)
tidak ada multikolinearitas diantara regressor-regressor yang terlibat dalam model regresi.
MATERI YANG DIPELAJARI
MENGENAI
MULTIKOLINEARITAS
1. Sifat alami dari multikolinearitas
2. Apakah Multikolinearitas benar-benar merupakan sebuah problem?
3. Apa saja konsekuensi praktisnya?
4. Bagaimana cara mendeteksi multikolinearitas?
5. Apa saja langkah perbaikan yang dapat ditempuh untuk menanggulangi masalah
multikolinearitas?
HUBUNGAN ANTAR VARIABEL BEBAS
4
CONTOH
5
MULTIKOLINIERITAS
Ditemukan pertama kali oleh Ragnar Frisch (Institute of
Economics, Oslo University)
Pada awalnya, multikolinieritas berarti adanya hubungan
yg linier sempurna atau pasti diantara beberapa atau semua
variabel bebas dalam model regresi
Misalkan pada model regresi dengan k variabel bebas X1,
X2, …, Xk (dimana X1 = 1), suatu hubungan linier yg
sempurna dikatakan ada jika memenuhi kondisi:
1X1+2X2+…+kXk = 0
dimana 1, 2, …, k adalah konstanta sdmk shg tidak
semuanya nol (0)
6
MULTIKOLINIERITAS
Perkembangannya, multikolinieritas juga berarti adanya
hubungan yg linier kuat tetapi tidak sempurna diantara
beberapa atau semua variabel bebas dalam model regresi
Misalkan pada model regresi dengan k variabel bebas X1,
X2, …, Xk (dimana X1 = 1), suatu hubungan linier yg kuat
tapi tidak sempurna dikatakan ada jika memenuhi
kondisi:
1X1+2X2+…+kXk + vi = 0
dimana vi adalah unsur kesalahan yg bersifat stokastik
7
SIFAT ALAMI DARI
MULTIKOLINEARITAS
Istilah Multikolinearitas mengacu pada Ragnar Fisch. Awalnya hal tersebut memperlihatkan
keberadaaan dari hubungan linear yang sempurna atau tepat diantara sebagian atau seluruh
variabel penjelas dalam sebuah model regresi. yang dapat digambarkan sebagai berikut:
x2 Area Area
x3 Hubungan x2 x3 Hubungan
x2 x3
(a) Tidak ada Multikolinearitas (b) Multikolinearitas Rendah (c) Multikolinearitas Sedang
𝛾
𝛾
x2 Area
x3 Hubungan
x2 x3 Area
Hubungan
Nilai R2 yang tinggi, tetapi tidak ada atau sedikit koefisien regresi yang secara statistik
signifikan berdasarkan uji t konvensional. Jika R2 tinggi, melebihi 0.8 uji F pada sebagian besar
kasus akan menolak hipotesis yang menyatakan bahwa koefisien kemiringan parsial secara
simultan = 0, tetapi uji t individual akan menunjukkan bahwa tidak ada atau sangat sediki nilai
koefisien kemiringan parsial secara statistik tidak nol.
Korelasi berpasangan yang tinggi diantara regressor. Jika koefisien korelasi berpasangan atau
zero order diantara dua regressor tinggi melebihi 0.8, maka multikolinearitas merupakan masalah
yang serius.
Pemeriksaan Korelasi Parsial. Koefisien korelasi zero order dapat menyesatkan pada model yang
melibatkan lebih dari dua variabel X karena kemungkinan koefisien korelasi zero order yang
rendah, tetapi multikolinearitas tinggi. Pada situasi ini mungkin perlu untuk memeriksa koefisien
korelasi parsial
DETEKSI
Regresi MULTIKOLINEARITAS
Penyokong. Multikolinearitas timbul akibat dari satu atau lebih regressor yang merupakan
kombinasi linear tepat atau mendekati dengan variabel X lainnya, salah satu cara untuk mencari tahu X
yang berhubugan dengan X lainnya adalah dengan melakukan regresi setiap X terhadap variabel X sisanya
dan menghitung nilai R2, dimana dapat didesain sebagai Rt2, setiap regresi tersebut disebut regresi
penyokong. Jika Nilai R2 pada regresi penyokong lebih besar dari R2 keseluruhan yang diperoleh dari
regresi Y terhadap semua regressor.
Eigenvalue dan kondisi indeks. Kita dapat menentukan eigenvalue dan indeks kondisi untuk
mendiagnosis multikolinearitas. Dari nilai eigenvalue dapat dilihar sebagai nilai kondisi k yang
didefinisikan sebagai Indeks kondisi (IK) sebagai berikut :
IK =
Jika nilai k antara 100 dan 1000 teradapat multikolinearitas sedang hingga kuat. Dan jika k melebihi 1000, terdapat multikolinearitas yang parah.
berada diantara 10 dan 30 terdapat multikolinearitas sedang hingga kuat dan jika melebihi
Dengan kata lain, jika (IK =
29