Download - Uji Asumsi Klasik Multikolinieritas
Uji Asumsi Klasik Multikolinieritas
Kasus :
Sebagai contoh, seorang peneliti ingin meneliti pengaruh variable Distribusi (X1) dan
Promosi (X2) terhadap Penjualan (Y) pada perusahaan rokok JRM, BTL, dan SKN selama kurun
waktu 1991 sampai tahun 2000. Alternatifnya, peneliti dapat melakukan regresi linier sederhana
sebanyak 10 kali (tahun) untuk tiap data silang waktu (satu kali dengan data cross section tiga
perusahaan dalam 1 tahun). Atau alternatif lainnya adalah peneliti dapat melakukan regresi linier
sederhana 3 kali (satu kali untuk 1 perusahaan dengan data time series selama 10 tahun).
Alternatif lainnya adalah menggunakan resresi dengan data gabungan antara data cross sectional
(JRM, BTL, SKN) dengan data time sries ( tahun 1991-2000) atau regresi menggunakan panel
data (pooled regression). Data yang dikumpulkan adalah sebagai berikut :
Data Penelitian Regresi Data Panel
No. Perusahaan Penjualan Distribusi Promosi
1 JRM-91 57 1687 3212 JRM-92 94 2008 3203 JRM-93 160 2208 3464 JRM-94 147 1657 4565 JRM-95 146 1604 5436 JRM-96 98 1432 6187 JRM-97 94 1611 6478 JRM-98 135 1819 6719 JRM-99 157 2080 726
10 JRM-00 180 2372 80011 BTL-91 113 1834 22112 BTL-92 92 1588 28813 BTL-93 61 1749 32014 BTL-94 57 1687 32115 BTL-95 94 2008 32016 BTL-96 160 2208 34617 BTL-97 147 1657 456
18 BTL-98 146 1604 54319 BTL-99 98 1432 61820 BTL-00 94 1611 64721 SKN-91 13 192 222 SKN-92 26 516 123 SKN-93 35 729 724 SKN-94 23 230 425 SKN-95 19 190 526 SKN-96 29 300 527 SKN-97 49 500 3628 SKN-98 43 561 3529 SKN-99 37 380 630 SKN-00 38 390 8
A. Uji Multikolinieritas dengan Melihat Nilai R2 dan Nilai t Statistik
Untuk melakukan pengujian multikolinieritas menggunakan perbandingan nilai R2
dan nilai t statistic maka dapat menggunakan langkah-langkah sebagai berikut:
1. Buat File untuk Uji Asumsi Klasik
2. Klik Analize → Regression → Linear
3. Masukkan variable Penjualan pada kotak Dependent
4. Masukkan variable Distribusi dan Promosi pada kotak Independent(s)
5. Abaikan pilihan lain dan klik OK
6. Hasil output yang terbentuk adalah sebagai berikut:
Model Summary
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .881a .776 .759 25.198
a. Predictors: (Constant), X2, X1
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 59376.793 2 29688.397 46.759 .000b
Residual 17143.074 27 634.929
Total 76519.867 29
a. Dependent Variable: Y
b. Predictors: (Constant), X2, X1
Coefficientsa
Model Unstandardized Coefficients Standardized
Coefficients
T Sig.
B Std. Error Beta
1
(Constant) 10.917 10.107 1.080 .290
X1 .041 .011 .569 3.798 .001
X2 .070 .029 .358 2.389 .024
a. Dependent Variable: Y
Analisis Hasil Output Regresi:
1. Analisis Model Summary
Berdasarkan output pada model summary, terlihat bahwa nilai R Square 0,776 sedangkan
nilai adjusted R Square 0,759. Hal itu menunjukkan bahwa nilai koefisien ini relative
tinggi, namun demikian untuk menyimpulkan ada tidaknya gejala multikolinieritas harus
dibandingkan dengan t statistic.
2. Analisis ANOVA
Berdasarkan output ANOVA terlihat bahwa F statistic sebesar 46,759 dengan signifikasi
sebesar 0,000. Hal ini menunjukkan bahwa uji F menolak hipotesis nol.
3. Analisis Coefficients
Berdasarkan output coefficients terlihat bahwa nilai t statistic variable Distribusi sebesar
3,798 dan t statistic variable Promosi sebesar 2,389. Tingkat signifikasi variable
Distribusi sebesar 0,001 sementara tingkat signifikasi variable Promosi sebesar 0,024.
Hal ini menunjukkan bahwa uji t variable Distribusi dan Promosi adalah signifikan atau
menolak hipotesis nol.
4. Kesimpulan
Dengan melihat perbandingan nilai R2 yang relative tinggi dan nilai t statistic baik
variable Distribusi maupun Promosi yang signifikan menunjukkan bahwa model regresi
yang terbentuk tidak mengalami gejalan multikolinieritas.
B. Uji Multikolinieritas dengan Korelasi Parsial
Untuk menguji gejala multikolinier dengan melihat korelasi parsial dapat menggunakan
langkah-langkah sebagai berikut:
1. Buat File untuk Uji Asumsi Klasik
2. Klik Analize → Regression → Linear
3. Masukkan variable Penjualan pada kotak Dependent
4. Masukkan variable Distribusi dan Promosi pada kotak Independent(s)
5. Klik Statistic → Part and Partial Correlations dan lanjutkan dengan klik Continue
6. Abaikan pilihan lain dan klik OK
7. Hasil output yang terbentuk adalah sebagai berikut:
Model Summary
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .881a .776 .759 25.198
a. Predictors: (Constant), X2, X1
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 59376.793 2 29688.397 46.759 .000b
Residual 17143.074 27 634.929
Total 76519.867 29
a. Dependent Variable: Y
b. Predictors: (Constant), X2, X1
Coefficientsa
Model Unstandardized Coefficients Standardized
Coefficients
t Sig. Correlations
B Std. Error Beta Zero-order Partial Part
1
(Constant) 10.917 10.107 1.080 .290
X1 .041 .011 .569 3.798 .001 .854 .590 .346
X2 .070 .029 .358 2.389 .024 .810 .418 .218
a. Dependent Variable: Y
Analisis Hasil Output:
1. Model Summary
Berdasarkan output pada Model Summary terlihat bahwa koefisien determinasi R2 secara
keseluruhan adalah sebesar 0,776.
2. Coefficients
Berdasarkan output pada coefficients, nilai Corellation Partial yaitu pada kolom 8 terlihat
bahwa korelasi parsial variable Distribusi adalah 0,590, sedangkan korelasi parsial
variable Promosi adalah sebesar 0,418.
3. Kesimpulan
Dengan melihat koefisien determinasi R2 secara keseluruhann sebesar 0,776 lebih besar
dari koefisien korelasi variable Distribusi dan variable Promosi yang masing-masing
sebesar 0,590 dan 0,418 maka dapat disimpulkan bahwa pada model regresi yang
terbentuk tidak terjadi gejala multikolinieritas.