Dalam model regresi berganda sebelum dilakukan interpretasi model regresi untuk uji hipotesis perlu dilakukan uji asumsi klasik yang harus dipenuhi. Antara lain normalitas, heterokedasititas, autokorelasi, linieritas dan multikolinieritas. Multikolinieritas bertujuan untuk menguji apakah
dalam model regresi yang dibangun ditemukan adanya korelasi yang tinggi antar
variabel independen.
Deteksi Multikolinieritas |
Apabila terjadi pelanggaran adanya multikolinieritas maka :
- Interval estimasi akan cenderung besar dan nilai t-statistik akan kecil. Hal ini menyebabkan variabel independen tidak signifikan dalam mempengaruhi variabel dependen.
- Model regresi masih bersifat Best Linear Unbiased Estimator (BLUE). Namun varian dan kovarian masih besar dan akan sulit sebagai alat estimasi.
Untuk mendeteksi ada atau tidaknya pelanggaran terjadinya multikolinieitas antara lain :
- Nilai R-square sangat tinggi tetapi variabel-variabel independen tidak signifikan berpengaruh terhadap variabel dependen.
- Pada matrik korelasi antar variabel independen. Jika ada korelasi lebih besar dari 0.85 maka ada indikasi terjadi multikolinieritas.
- Nilai Tolerance dan Variance Inflation Factor (VIF). Jika nilai Tolerance kurang dari 0.2 dan VIF lebih tinggi dari 10 maka terindikasi adanya multikolinieritas.
- Uji Tolerance dan Variance Inflation Factor (VIF).
- Uji korelasi antar variabel independen.Pengujia korelasi dilakukan dengan uji korelasi pearson.
- Melakukan analisi Regresi Auxiliary. Auxiliary regression dilakukan untuk mengetahui variabel independen mana yang memiliki korelasi yang tinggi dengan variabel independen lainnya. Cara melakukan regresi ini dengan meregres setiap X independen terhadap X independen lainnya kemudian membandingkan nilai R-square yang diperoleh dengan R square keseluruhan. Jika nilai R square auxiliary lebih tinggi dibandingkan R-square keseluruhan, maka X independen tersebut bermasalah dan terjadi multikolinieritas.
- Grafik Scatter Plot dari Predictive standardized value. Apabila terjadi pelangaran multikolinieritas, titik-titik nilai predictive standardized value tidak mengumpul tetapi menyebar ke atas dan ke bawah garis tengah baik vertika maupun horizontal.
- Melakukan transformasi variabel seperti logaritma natural (Ln) dan lain sebagainya.
- Menghilangkan salah satu variabel yang mengalami multikolinieritas.
- Menambah jumlah sampel. Dengan penambahan jumlah sampel diharapkan dengan memperoleh nilai data baru akan menurunkan korelasi antar variabel independen .
- Menggunakan metode lainnya seperti : Partial Least Square (PLS), Bayesian regression atau Ridge regression.
Baca juga :
Referensi :
Gudono. (2012). Analisis Multivariat. BPFE. Yogyakarta
Imam Ghozali. (2013). Aplikasi Analisis Multivariat dengan Program SPSS 21. Badan Penerbit Undip. Semarang
Wing Wahyu Winarso. (2011). Analisis Ekonometrika dan Statistika denga Eviews. STIM YKPN. Yogyakarta.