People Innovation Excellence

UJI ASUMSI KLASIK (UJI MULTIKOLINEARITAS)

Multikolinearitas merupakan salah satu uji dari uji asumsi klasik yang merupakan pengujian yang dilakukan untuk mengidentifikasi suatu model regresi dapat dikatakan baik atau tidak. Secara konsep, multikolinearitas adalah situasi dimana terdapat dua variabel yang saling berkorelasi. Adanya hubungan diantara variabel bebas adalah hal yang tak bisa dihindari dan memang diperlukan agar regresi yang diperoleh bersifat valid. Namun, hubungan yang bersifat linier harus dihindari karena akan menimbulkan gagal estimasi (multikolinearitas sempurna) atau sulit dalam inferensi (multikolinearitas tidak sempurna).

Uji Multikolinieritas dilakukan untuk melihat apakah ada keterkaitan antara hubungan yang sempurna antara variable-variabel independen. Jika didalam pengujian ternyata didapatkan sebuah kesimpulan bahwa antara variable independent tersebut saling terikat, maka pengujian tidak dapat dilakukan kedalam tahapan selanjutnya yang disebabkan oleh tidak dapat ditentukannya koefisien regresi variable tersebut tidak dapat ditentukan dan juga nilai standard errornya menjadi tak terhingga.

Untuk mengetahui hasil uji dari uji multikolinieritas dapat dilihat dari beberapa cara, yakni sebagai berikut:

  1. Dengan melihat nilai tolerance:
    1. Apabila nilai tolerancenya sendiri lebih besar dari 0,10 maka dapat disimpulkan tidak terjadi multikolinieritas
    2. Sedangakan bilan nila tolerancenya lebih kecil dari 0,10 maka kesimpulan yang didapat adalah terjadi multikolinieritas.
  2. Dengan melihat nilai VIF:
    1. Jika nilai VIF lebih dari 10, maka kita akan mendapat kesimpulan bahwa data yang kita uji tersebut memiliki multikolinieritas
    2. Sedangkan jika nilai VIF dibawah 10, maka kita akan mendapat kesimpulan bawa data yang kita uji tidak memiliki kolinieritas.
    3. Rumus: VIF=1/1-R2

 

Dalam hal ini, apabila data yang kita uji mengalami multikolinieritas, maka dapat diatasi dengan beberapa cara, yakni dengan cara:

  1. Menggabubgkan data time series dan juga cross section
  2. Transformasi variabel
  3. Menghapus atau mengeluarkan variable bebas yang menjadi penyebab timbulnya multikolinieritas, namun dengan cara ini kita harus melakukannya dengan hati-hati dan teliti, karena apabila data yang kita keluarkan ternyata penting secara teoretis, maka akan menimbulkan bias spesifikasi.
  4. Yang kedua kita juga dapat menambahkan data baru, namun cara ini hanya dapat digunakan apabila terjadi didalam sampel, dan bukan didalam populasi dari variable-variabel yang sedang diamati. Karena apabila kita menambah data kedalam populasi dari variable-variable yang sedang diamati, maka tidak akan terjadi apa-apa atau tidak akan menyelesaikan masalah multikolinieritas.

Menggunakan metode analisi regresi ridge.


Published at : Updated
Leave Your Footprint

    Periksa Browser Anda

    Check Your Browser

    Situs ini tidak lagi mendukung penggunaan browser dengan teknologi tertinggal.

    Apabila Anda melihat pesan ini, berarti Anda masih menggunakan browser Internet Explorer seri 8 / 7 / 6 / ...

    Sebagai informasi, browser yang anda gunakan ini tidaklah aman dan tidak dapat menampilkan teknologi CSS terakhir yang dapat membuat sebuah situs tampil lebih baik. Bahkan Microsoft sebagai pembuatnya, telah merekomendasikan agar menggunakan browser yang lebih modern.

    Untuk tampilan yang lebih baik, gunakan salah satu browser berikut. Download dan Install, seluruhnya gratis untuk digunakan.

    We're Moving Forward.

    This Site Is No Longer Supporting Out-of Date Browser.

    If you are viewing this message, it means that you are currently using Internet Explorer 8 / 7 / 6 / below to access this site. FYI, it is unsafe and unable to render the latest CSS improvements. Even Microsoft, its creator, wants you to install more modern browser.

    Best viewed with one of these browser instead. It is totally free.

    1. Google Chrome
    2. Mozilla Firefox
    3. Opera
    4. Internet Explorer 9
    Close