multikolinieritas
DESCRIPTION
Multikolinieritas. By : Paidi Hidayat. Pengertian Multikolinieritas. Yakni situasi dimana terdapat korelasi atau hubungan linier antar variabel-variabel bebas diantara satu dengan yang lainnya sehingga variabel-variabel bebas tersebut tidak bersifat ortogonal. - PowerPoint PPT PresentationTRANSCRIPT
Multikolinieritas
By : Paidi Hidayat
Pengertian Multikolinieritas Yakni situasi dimana terdapat korelasi
atau hubungan linier antar variabel-variabel bebas diantara satu dengan yang lainnya sehingga variabel-variabel bebas tersebut tidak bersifat ortogonal.
Variabel-variabel bebas yang bersifat ortogonal adalah variabel bebas yang memiliki nilai korelasi diantara sesamanya sama dengan nol.
Penyebab MultikolinieritasMenurut Koutsoyiannis (1978), penyebab terjadinya multikolinieritas adalah :1. Perubahan nilai beberapa variabel yang sejalan
dengan perkembangan waktu dimana perubahan besaran ini terutama disebabkan oleh faktor yang sama.
2. Penggunaan variabel predeterminasi {variabel bebas} sebagai variabel bebas dengan time lag. Model dengan predeterminasi sering memberikan penjelasan yang lebih memuaskan namun variabel ini sering mempunyai korelasi yang kuat dengan variabel bebas yang lainnya.
Penyebab MultikolinieritasMenurut Motgomery dan Peck, penyebab terjadinya multikolinieritas adalah :1. Metode pengumpulan data yang digunakan
membatasi nilai dari variabel bebas.2. Kendala-kendala model pada populasi yang
diamati.3. Spesifikasi model.4. Penentuan jumlah variabel bebas yang lebih
banyak dari jumlah observasi.5. Data time series dimana nilai trend tercakup
dalam nilai variabel bebas yang ditunjukkan oleh penurunan or peningkatan sejalan dengan waktu.
Dampak Multikolinieritas1. Nilai koefisien-koefisien regresi menjadi tidak
dapat ditaksir atau tidak sesuai dengan substansi sehingga dapat menyesatkan interpretasi.
2. Nilai standar error setiap koefisien regresi menjadi tak terhingga sehingga tingkat signifikansi variabel bebasnya buruk.
3. Tanda koefisien regresi mengandung tanda yang berlawanan atau tidak sesuai dengan teori.
4. Banyaknya variabel bebas yang tidak signifikan tetapi nilai koefisien determinasi tetap tinggi dan uji F secara statistik signifikan.
Mendeteksi Multikolinieritas1. Sebagian besar tanda arah dari koefisien
regresi berlawanan dengan teori atau hipotesis.2. Sebagian besar variabel bebasnya tidak
signifikan secara statistik.3. Nilai standar errornya memiliki nilai yang tak
terhingga atau cukup besar.4. Nilai koefisien determinasinya ( R² ) tinggi tetapi
tidak banyak variabel bebasnya yang signifikan.5. Nilai koefisien korelasi antar variabel bebas
cukup tinggi atau lebih besar dari 0,8 ( r > 0,8 )
Mendeteksi MultikolinieritasUntuk Program SPSS Eigenvalues dan Conditional Index (CI)
Adanya multikolinieritas jika nilai Eigenvalues mendekati nol dan jika mendekati 1 maka tidak ditemukan multikolinieritas.Adanya multikolinieritas jika CI > 15 dan sebaliknya.
Variance Inflation Factor (VIF) dan Tolerance (TOL)Adanya multikolinieritas jika nilai VIF > 5 dan jika nilai VIF mendekati 1 maka tidak ditemukan multikolinieritas.Adanya multikolinieritas jika nilai TOL mendekati 0 dan jika TOL mendekati 1 maka tidak ada multikolinieritas.
Mendeteksi MultikolinieritasUntuk Program EVIEWS Menggunakan Correlation Matrix.
Adanya multikolinieritas jika nilai koefisien korelasi antar variabel bebasnya 0,8 atau r > 0,8.
Menurut Farrar-Glauber Uji Chi Square ( χ² ) yakni untuk mendeteksi ada atau
tidak ada multikolinieritas { χ²h > χ²t = terdapat multikolinieritas} dengan Formula : χ² = - {n – 1 – 1/6 ( 2k + 5 )} ln D untuk Df = ½ k ( k – 1 )
Uji F yakni untuk menentukan lokasi variabel yang mengandung multikolinieritas jika menggunakan lebih dari 2 variabel bebas { Fh > Ft = terdapat multikolinieritas } dengan Df = {k – 1 } ; { n - k }.
Uji t untuk menentukan apakah variabel bebas tersebut penyebab atas terjadinya multikolinieritas atau tidak { th > tt = terdapat multikolinieritas}.
Mengatasi Multikolinieritas
1. Mengeluarkan variabel bebas yang mengandung multikolinieritas dari model.
2. Mentransformasikan variabel dengan cara :* Melogaritmakan (log) atau Log Natura.* Mendiffrensiasikan (turunan).* Membuat rasio.
3. Penambahan data baru atau ukuran observasi.
4. Kombinasikan data cross section dengan data time series.
Studi Kasus
Hasil Estimasi
Hasil Estimasi Parsial
Hasil Estimasi Parsial
Estimasi Koefisien Korelasi (r)
Tugas
Penutup
Thank’s
Wassalam