Beranda > ekonomi, statistik, Uncategorized > Multikolinearitas dalam Regresi

Multikolinearitas dalam Regresi

Yap, ini saatnya saya membahas multikol alias penyimpangan asumsi di dalam model regresi.

Lalu apa sih multikolinearitas itu?  :roll:

Multikolinearitas adalah adanya hubungan linier yang sempurna/ pasti diantara beberapa/ semua variabel yang menjelaskan dari model regresi.

Contoh multikolinearitas misalnya:

Y=a+b1X1+b2X2+e

Y=konsumsi, X1=pendapatan dan X2=kekayaan. Semakin besar pendapatan, maka kekayaan juga semakin besar/meningkat (mempunyai kolinearitas yang tinggi). Oleh karena itu, terjadi multikolinearitas.

Penyebab multikolinearitas dalam model regresi, antara lain:

  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.

Ternyata multikolinearitas juga mempunyai konsekuensi atau efek di dalam model regresi, antara lain

  1. Walaupun koefisien regresi dari variabel X dapat ditentukan (determinate), tetapi kesalahan standarnya akan cenderung semakin besar dengan meningkatnya tingkat korelasi antara peningkatan variabel bebas.
  2. Karena besarnya kesalahan standar, selang keyakinan untuk parameter populasi yang relevan cenderung untuk lebih besar.
  3. Dalam kasus multikolinearitas yang tinggi, data sampel mungkin sesuai dengan sekelompok hipotesis yang berbeda-beda. Jadi probabilitas untuk menerima hipotesis yang salah akan meningkat.
  4. Selama multikolinearitas tidak sempurna, penaksiran koefisien regresi adalah mungkin tetapi taksiran dan kesalahan standarnya menjadi sangat sensitif terhadap perubahan dalam data.
  5. Jika multikolinearitas tinggi, seseorang mungkin memperoleh R2 yang tinggi, tetapi tidak satu pun atau sangat sedikit koefisien yang ditaksir yang penting secara statistik.
  • Cara mendeteksi Multikolinearitas

Ada beberapa metode deteksi multikolinearitas, antara lain:

  1. Kolinearitas seringkali diduga jika R2 cukup tinggi (antara 0,7-1) dan jika koefisien korelasi sederhana (korelasi derajat nol) juga tinggi, tetapi tak satu pun/ sedikit sekali koefisien regresi parsial yang signifikan secara individu. Di pihak lain, uji F menolak H0 yang mengatakan bahwa secara stimulan seluruh koefisien regresi parsialnya adalah nol.
  2. Meskipun korelasi derajat nol yang tinggi mungkin mengusulkan kolinearitas, tidak perlu bahwa mereka tinggi berarti mempunyai kolinearitas dalam kasus spesifik. Untuk meletakkan persoalan agar secara teknik, korelasi derajat nol yang tinggi merupakan kondisi yang cukup tapi tidak perlau adanya kolinearitas karena hal ini dapat terjadi meskipun melalui korelasi derajat nol atau sederhana relaif rendah.
  3. Untuk mengetahui ada tidaknya kolinearitas ganda dalam model regresi linear berganda, tidak hanya melihat koefisien korelasi sederhana, tapi juga koefisien korelasi parsial.
  4. Karena multikolinearitas timbul karena satu atau lebih variabel yang menjelaskan merupakan kombinasi linear yang pasti atau mendekati pasti dari variabel yang menjelaskan lainnya, satu cara untuk mengetahui variabel X yang mana berhubungan dengan variabel X lainnya adalah dengan meregresi tiap Xi atas sisa variabel X dan menghitung R2 yang cocok, yang bisa disebut  .
  • Cara memperbaiki Multikolinearitas
  1. Transformasi variabel, yaitu menganalisis ulang model regresi yang sama, tetapi dengan nilai variabel-variabel yang telah ditransformasikan.
  2. Adanya informasi apriori/ informasi sebelumnya. Informasi ini bisa datang dari teori ekonomi atau dari penelitian empiris sebelumnya dimana masalah kolinearitas ternyata kurang serius.
  3. Menghubungkan data cross sectional dan data urutan waktu, yang dikenal sebagai penggabungan data (pooling the data).
  4. Mengeluarkan satu variabel atau lebih dan bias/ kesalahan spesifikasi. Yaitu dengan mengeluarkan salah satu dari dua variabel bebas yang mempunyai korelasi sederhana relatif tinggi (misalnya >).
  5. Penambahan data baru.
  6. Dengan backward combination analysis, yaitu dengan meregresikan secara berulang-ulang variabel tak bebas dengan pasangan-pasangan variabel bebas yang kombinasinya berbeda-beda.

Oke lah, sekian pembahasan untuk multikolinearitas. Selamat berpusing ria…     :lol:

About these ads
  1. rahmat
    November 24, 2010 pukul 11:27 pm | #1

    mba,, boleh nanya ga?? ada buku jurnal ato apapun yg membahas tentang transformasi variable untuk mengatasi multikoloiniaritas ga????
    saya lagi mencoba menggali masalah ini buat skripsi nih mba..
    sebelumnya makasi,,

    • November 29, 2010 pukul 9:15 pm | #2

      Di bukunya damodar gujarati ada. coba kamu cari dulu bukunya.
      Kalo jurnal saya belum menemukan tu..

  2. ling
    Februari 9, 2011 pukul 4:54 pm | #3

    mba,,mw tanya
    hubungan antara multikolinearitas dengan regresi yang nilai singularnya dekat dengan nol apa ya???
    terima kasih
    ada referensi buku yang harus saya baca????

    • Februari 19, 2011 pukul 12:12 pm | #4

      Maap, mba/mas Ling…
      saya juga belum bisa mnemukan jawabannya… :(
      mungkin buku aja ya, kira bisa membantu
      Imam Ghozali, analisis multivariate dgn program SPSS..? 2009.

  3. kisty
    Juli 4, 2011 pukul 2:24 pm | #5

    mengatasi multikolinieritas dg regresi ridge bisa jelasin gga? makasih

  4. Nia
    November 25, 2011 pukul 10:35 pm | #6

    boleh tanya tidak, kalau misalkan variabel bebasnya ada 3 setelah dicek ternyata hanya 1 yang tidak memenuhi syarat terjadinya multikolinearitas. yang saya tanyakan, bagaimana dengan persamaan regresinya? apakah satu variabel bebas tadi diikutkan ke dalam metode untuk menghilangkan multikolinearitas atau tidak? terima kasih

  5. maulida
    April 25, 2013 pukul 11:41 pm | #7

    mba kalo cara menyelidiki apakah terjadi multikolinieritas tidak sempurna apa akibatnya

  6. ida
    Desember 15, 2013 pukul 2:36 am | #8

    Kesalahan teoritis dalam pembentukan model fungsi regresi yang dipergunakan/ memasukkan variabel bebas yang hampir sama, bahkan sama.
    contohnya kayak apa kak?
    terima kasih..

  1. No trackbacks yet.

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Logout / Ubah )

Twitter picture

You are commenting using your Twitter account. Logout / Ubah )

Facebook photo

You are commenting using your Facebook account. Logout / Ubah )

Google+ photo

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

Ikuti

Get every new post delivered to your Inbox.

%d bloggers like this: