multikolinieritas adalah salah satu asumsi klasik dari analisis regresi linier berganda yang mesti diuji dan model regresi yang terbentuk harus terhindar dari kasus multikolinieritas. Jadi dalam asumsi klasik terdapat asumsi yang harus terpenuhi seperti normalitas dan linieritas serta ada juga asumsi yang harus bebas dari kasus tersebut seperti asumsi multikolinieritas, autokorelasi dan asumsi heterokedastisitas.
Apa yang dimaksud multikoliniritas? multikolinieritas adalah kondisi terjadinya kecenderungan hubungan linier antara variabel bebas X. Misalkan ada 3 variabel X (x1, x2, dan x3) ternyata x1 berkorelasi positif dan berpengaruh terhadap x2. Dengan kata lain ada pengaruh antara x1 terhadap x2. dan bila diujikan regresi x1 terhadap x2 maka hasilnya signifikan ( uji t menghasilkan pengaruh yang signifikan). Dan itu bisa dilihat dari nilai koefisien determinasi regresi x2 terhadap x1. Uji t regresi x2 terhadap x1 hasilnya berpengaruh secara signifikan.
Cara mendeteksi multikolinieritas
apakah untuk mendeteksi asumsi multikolinieritas tersebut harus melakukan regresi antara masing-masing variabel bebas. Tentu kalau harus begitu, tentu akan merepotkan. Sebetulnya cara gampang mendeteksi multikolinieritas adalah dengan melihat nilai VIF ataupun Tolerance. Bila nilai VIF dibawah 10 atau nilai Telerance di bawah 1 (bernilai nol koma ..0,....) maka model regresi yang anda buat tidak ada kasus multikolinieritas dan bisa anda pakai.
Salah satu lagi tanda adanya kasus multikolinieritas adalah dengan membandingkan hasil uji t , uji F dan nilai R kuadrat. Bila uji F diterima, nilai R kuadrat lumayan besar tetapi tidak ada satupun uji t yang memperlihatkan pengaruh variabel bebas X terhadap terhadap variabel tergantung Y maka dapat disimpulkan terjadi kasus multikolinieritas.
Mengatasi multikolinieritas
Bila data yang anda miliki menandakan adanya kasus multikolinieritas, maka tentu harus ada tindakan perbaikan. Karena kalau tidak diperbaiki maka model regresi anda tidak lagi kategori BLUE dan tidak layak dipakai.
solusi multikolinieritas.
- Buang variabel bebas yang multikolinieritasnya paling besar. karena sebetulnya variabel yang anda buang tersebut sudah terwakili oleh variabel bebas yang lain.
- Menambah variabel bebas baru, ( sebenarnya variabel ini adalah variabel intervening atau variabel moderator yang mempengaruhi variabel lain)
- menambah data lumayan besar / lumayan banyak agar hubungan antara varaibel bebas tadi tidak kentara karena data yang anda tambah tidak ada kasus korekasinya. tapi bila data tambahan anda juga berkorelasi maka hasilnya malah menambah kerusakan dan nilai VIF nya pasti tambah besar. jadi nambah datanya juga harus yang bebas dari multikolinieritas.
Histats.com © 2005
