UJI ASUMSI KLASIK

MULTIKOLINIERITAS

Suwono, SE, M.Si

Konsep Dasar
Pengertian kolinieritas sering dibedakan dengan
multikkolinieritas, kolinieritas berarti terjadi korelasi
linier yang mendekati sempurna antar dua variabel
bebas, sedangkan multikolinieritas berarti terjadi
korelasi linier yang mendekati sempurna antara lebih
dari dua variabel bebas namun demikian dalam
pembahasan ini kedua istilah tersebut tidak terlalu
dibedakan karena penekanan bahasan ini lebih pada
teknis pengujiannya, Uji multikolinieritas bertujuan
untuk menguji apakah dalam model regresi yang
terbentuk ada korelasi yang tinggi atau sempurna ada
di antara variabel bebas atau tidak jika dalam model
regresi yang terbentuk terdapat korelasi yang sempurna
diantara variabel bebas maka model regresi tersebut
dinyatakan mengandung gejala multikolinier
Beberapa penyebab timbulnya multikolinieritas
1. Kebanyakan variabel ekonomi berubah sepanjang
waktu
2. Adanya penggunaan nilai lag dari variabel-variabel
bebas tertentu dalam model regresi
3. Metode pengumpulan data yang dipakai

4. Adanya kendala dalam model atau populasi yang

menjadi sampel
5. Adanya kesalahan spesifik model, peneliti memasukan
variabel penjelas yang seharusnya dikeluarkan dari
model empiris atau karena peneliti mengeluarkan
variabel penjelas yang seharusnya dimasukan dalam
model empiris
6. Adanya model yang berlebih, ketika model empiris
yang digunakan melebihi jumlah data
Beberapa metode yang dapat digunakan
untuk mendeteksi adanya multikolinieritas
1. Dengan melihat R² dan nilai t statistik
Jika nilai R² tinggi, misalkan diatas 0,80 dan uji F
menolak hipotesis 0 tetapi nilai t statistik sangat kecil
atau bahkan tidak ada variabel bebas yang signifikan,
maka hal itu menunjukan adanya gejala
multikolinieritas
2. Dengan melihat nilai Pair Waise Correlation antar
variabel bebas
Jika Pair Waise Correlation antar variabel bebas tinggi,
misal diatas 0,70 hal ini menunjukan adanya gejala
multikolinieritas, nilai Pair Waise Correlation antar
variabel bebas dapat dilihat pada matriks korelasi
antar variabel bebas
3. Dengan menggunakan regresi bantuan
Gejala multikolinieritas terjadi karena satu atau lebih
variabel bebas berkorelasi secara linier dengan variabel
bebas lainnya, cara menentukan apakah suatu variabel
bebas berhubungan secara linier dengan variabel bebas
lainnya adalah dengan meregresikan setiap variabel bebas
terhadap variabel bebas sisanya dan perhatikan nilai R.
kemudian hitung nilai F hitung menggunakan rumus

= Nilai R² dari hasil estimasi regresi parsial variabel

penjelas
N = Jumlah pengamatan
K = Jumlah variabel penjelas (termasuk konstanta)
4. Dengan melihat nilai korelasi parsial
Metode ini dilakukan dengan melakukan estimasi model awal
regresi, misalnya Y=f(X1,X2), dari model estimasi ini diperoleh nilai
R² yang disebut dengan , kemudian lakukan regresi dengan
model X1=f(X2) dan X2=f(X1), dari model estimasi ini diperoleh nilai
R² yang disebut dengan
dan
Jika koefisien determinasi model regresi awal
Lebih tinggi dibanding dengan dan
Maka hal ini menunjukan tidak terjadi gejala multikolinieritas

5. Dengan berdasarkan nilai eigenvalues dan condition index

Jika rasio maximal eigenvalues dengan minimum eigenvalues (k)
antara 100 dan 1000 maka menunjukan adanya gejala
multikolinieritas yang moderat sampai kuat, jika nilai k>1000 maka
menunjukan gejala multikolinieritas yang sangat kuat
selaian dengan nilai k juga bisa
dengan nilai condition index (CI

Jika nilai CI antara 10 dan 30 menunjukan adanya gejala

multikolineritas yang sangat kuat
6. Dengan menggunakan nilai TOL (Tolerance) dan VIF (Variance
Inflation Factor)
Jika nilai VIF lebih besar dari 10 maka model dinyatakan tidak
mengandung multikolinieritas, uji ini dilakukan dengan langkah-
langkah sbb:
a. Menghitung nilai VIF X1
b. Meregresikan variabel bebas selain X1 terhadap X1, karena pada
model ini hanya dua variabel bebas saja maka variabel bebas
sisanya hanya X2
c. Menghitung koefisien determinasi dari regresi variabel bebas
selain X1 terhadap X1 dan diperoleh Rj²
d. Menghitung nilai TOL dengan rumus (1- Rj²)
e. Menghitung nilai VIF dengan rumus
Demikian juga untuk menghitung VIF untuk X2, langkah – langkahnya
sama dengan langkah menghitung VIF untuk X, bedanya ketika
menghitung VIF untuk X1 yang bertindak sebagai variabel bebasnya
adalah variabel bebas sisanya, utnuk menghitung nilai VIF X2, yang
bertindak sebagai variabel tergantung adalah X2 dan variabel
bebasnya adalah variabel sisanya karena hanya mempunyai dua
variabel bebas maka nilai VIF X1 akan sama dengan VIF X2
SPSS
Data
No Iklan P Sel V Penj No Iklan P Sel V Penj
1 2 3 5 16 6 7 8
2 3 4 8 17 4 4 6
3 4 6 8 18 8 6 9
4 5 7 9 19 4 4 5
5 6 7 9 20 5 5 5
6 5 6 8 21 5 4 5
7 4 4 6 22 6 4 8
8 6 7 9 23 6 6 8
9 3 4 4 24 7 5 9
10 4 5 5 25 7 7 9
11 4 6 5 26 8 6 8
12 6 7 8 27 3 4 6
13 6 6 8 28 7 5 9
14 7 7 9 29 5 4 6
15 6 7 8 30 4 3 5
Uji Multikolinieritas dengan melihat Nilai R² dan nilai
t statistik

1. Buka SPSS
2. Input data
3. Beri nama
4. Klik Analize, Regression, Linear
5. Masukan variabel penjualan pada kotak
dependent
6. Masukan variabel iklan dan personal selling
pada kotak independent(s)
7. Abaikan pilihan yang lain dan klik OK
Output
Analisis
1. Analisis model summary
Berdasarkan output terlihat bahwa R Square 0,633 sementara
Adjustment Square 0,606, hal ini menunjukan bahwa nilai koefisien
ini relatif tinggi
2. Analisis Anova
Berdasarkan output nilai F statistik 23,276 dengan signifikan 0,000
berarti uji F menolak hipotesis nol
3. Uji Coeficient
Berdasarkan output nilai t statistik iklan 3,172 dan t statistik
personal selling 2,682 dengan signifikan iklan sebesar 0,004 dan
signifikan personal selling sebesar 0,012 hal ini menunjukan
bahwa uji t variabel iklan dan variabel personal selling menolak
hipotesis 0
Kesimpulan
Dengan melihat perbandingan antara nilai R² yang relatif tinggi, yaitu
0,633 dan nilai t statistik, baik variabel iklan maupun variabel
personal selling yang signifikan menunjukan bahwa model regresi
yang terbentuk tidak mengalami multikolinieritas
SPSS
Uji Multikolinieritas menggunakan nilai Pair –Wise
Correlation antar variabel bebas

1. Buka SPSS
2. Input data
3. Beri nama
4. Klik Analize, Regression, Linear
5. Masukan variabel penjualan pada kotak
dependent
6. Masukan variabel iklan dan personal selling
pada kotak independent(s)
7. Klik Statistic, Klik covariance matix, klik
continue
8. Abaikan pilihan yang lain dan klik OK
Output

Berdasarkan output pada Coefficient Corellation terlihat bahwa koefisien Pair

Wise Correlation antar variabel bebas yaitu antara variabel iklan dan personal
selling sebesar -0,631

Kesimpulan
Dengan melihat koefisien Pair wais Correlation antara variabel bebas yaitu iklan
dan personal selling yang sebesar -0,63, yang lebih kecil dari 0,70 dapat
disimpulkan bahwa model regresi yang terbentuk tidak mengalami
multikolinieritas
SPSS
Uji multikolinieritas berdasarkan eigenvalues dan
Condition index

1. Buka SPSS
2. Input data
3. Beri nama
4. Klik Analize, Regression, Linear
5. Masukan variabel penjualan pada kotak
dependent
6. Masukan variabel iklan dan personal selling
pada kotak independent(s)
7. Klik Statistic, Klik covariance matix, klik
Coliniearty diagnostic, klik continue
8. Abaikan pilihan yang lain dan klik OK
Output

Berdasarkan output pada collinearity diagnostic terlihat bahwa eigenvalue

maksimum sebesar 2,937 sedangkan minimum 0,023 sehingga nilai k adalah

Sedangkan Conditional Index

Kesimpulannya, k=127,696 mengandung multikolinieritas tetapi masih

moderat karena mendekati 100, CI =11,300 mengandung multikolinieritas tapi
masih moderat karena mendekati 10
SPSS
Uji multikolinieritas dengan dengan korelasi
parsial
1. Buka SPSS
2. Input data
3. Beri nama
4. Klik Analize, Regression, Linear
5. Masukan variabel penjualan pada kotak
dependent
6. Masukan variabel iklan dan personal selling
pada kotak independent(s)
7. Klik Statistic, klik part and partial correlartion
klik continue
8. Abaikan pilihan yang lain dan klik OK
Output
Analisis
1. Model summary
Berdasarkan output pada model summary terlihat bahwa
koefisien determinasi R² secara keseluruhan adalah 0,633
2. Coefficient
Berdasarkan output pada coefficient, nilai correlation
partial yaitu kolom ke 8 terlihat bahwa korelasi parsial
iklan sebesar 0,521 sedangkan korelasi parsial personal
selling sebesar 0,459
Kesimpulan
Dengan melihat koefisien determinasi R² sebesar 0,633
lebih besar dari koefisien korelasi parsial iklan dan personal
selling yang masing-masing sebesar 0,521 dan 0,459 maka
pada model regresi yang terbentuk tidak terjadi gejala
multikolinieritas
SPSS
Uji multikolinieritas dengan TOL dan VIF

1. Buka SPSS
2. Input data
3. Beri nama
4. Klik Analize, Regression, Linear
5. Masukan variabel penjualan pada kotak
dependent
6. Masukan variabel iklan dan personal selling
pada kotak independent(s)
7. Klik Statistic, klik Collinearity diagnostic, klik
continue
8. Abaikan pilihan yang lain dan klik OK
Output

Berdasarkan output pada Coefficient terlihat bahwaq nilai TOL

variabel iklan dan personal selling sebesar 0,601, sedangkan nilai
VIF variabel ikalan dan personal selling sebesar 1,663. Nilai TOL
dan VIF dua variabel dalam kasus ini sama, hal ini karena dalam
model regresi hanya terdiri dari dua variabel bebas saja sehingga
nilai R²Xi.X2 sama dengan R²X2.X1 dengan melihat Vif variabel
iklan dan personal selling sebesar 1,663 lebih kecil dari 10 maka
pada model regresi yang terbentuk tidak terjadi gejala multikolier
Konsekuensi dari pelanggaran multikolinieritas
1. Penaksir kuadrat terkecil tidak bisa ditentukan meskipun
hasil estimasi yang dihasilkan masih BLUE (Best Linier
Unbiased Estimator)
2. Interval kepercayaan cenderung meningkat lebih besar
sehingga mendorong untuk menerima hipotesis nol
3. Nilai t statistik koefisien dari satu atau beberapa variabel
penjelas secara statistik tidak signifikan sehingga dapat
menyebabkan dikeluarkannya suatu variabel penjelas dalam
suatu model regresi padahal variabel penjelas tersebut sangat
penting perannya dalam menjelaskan variabel tergantung
4. Penaksir-penaksir OLS dan kesalahan bakunya cenderung
tidak stabil dan sangat sensitif bila ada perubahan data
meskipun sangat kecil
5. Jika multikolinieritas tinggi, mungkin R² bisa tinggi namun
tidak satupun taksiran koefisien regresi yang signifikan
secara statistik
Cara mengatasi pelanggaran multikolinieritas
1. Memperbesar ukuran sampel
Masalah multikolinieritas diharapkan bisa hilang atau
berkurang jika ukuran sampel diperbesar, dengan
memperbesar sampel maka kovarian diantara parameter-
parameter dapat dikurangi hal ini karena kovarian
berhubungan terbalik dengan ukuran sampel
2. Menghilangkan salah satu atau lebih variabel bebas
Untuk menghilangkan beberapa variabel bebas dari model,
dilakukan satu persatu, pilih variabel bebas yang memiliki
koefisien korelasi yang paling kecil denga variabel
tergantungnya
3. Menggabungkan data time series dan data cross section
Metode penggabungan data time series dengan data cross
section sering dikenal dengan metode pool data denga
metode ini maka jumlah pengamatan makin banyak
4. Melakukan transformasi data
Transformasi data juga merupakan salah satu
alternatif yang dapat digunakan untuk mengatasi
adanya masalah multikolinier, transformasi ini
dapat dilakukan dengan pembedaan pertama
model regresi dalam bentuk pembedaan pertama
seringkali mengurangi keseriusan multikolinier
5. Dengan menggunakan metode regresi komponen
utama
Dengan menggunakan metode regresi komponen
utama, maka variabel bebas yang memiliki korelasi
yang kuat dapat diringkas menjadi sebuah variabel
baru yang mampu mencerminkan varabel
pembentukannya