P. 1
Multikolinearitas

Multikolinearitas

|Views: 171|Likes:
Published by Wiga Putri

More info:

Published by: Wiga Putri on May 02, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/24/2015

pdf

text

original

Di dalam analisi regresi ganda, terkadang perlu memperhatikan sifat alami dan keberartian hubungan antara variabel takbebas dengan variabel-variabel bebas. Dan pertanyaan yang sering diajukan adalah:

Seberapa pentingnya relatif pengaruh variabelvariabel bebas yang ada di dalam model? Seberapa besar pengaruh suatu variabel bebas tertentu terhadap variabel tak bebas? Bisakah suatu variabel bebas dibuang dari model karena pengaruhnya yang kecil atau tidak ada sama sekali terhadap veriabel tak bebas ? Haruskah suatu variabel bebas yang tidak disertakan ke dalam model dipertimbangkan untuk dimasukan?

.• Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. Oleh karena itu masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel independen. • Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi.

. • Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan pada variabel yang diamati.Indikasi terdapat masalah multikolinearitas dapat kita lihat dari kasus-kasus sebagai berikut: 1 2 3 • Nilai R2 yang tinggi (signifikan). namun nilai standar error dan tingkat signifikansi masing-masing variabel sangat rendah. ditunjukkan dengan nilai negatif. misalnya variabel yang seharusnya memiliki pengaruh positif (nilai koefisien positif). • Nilai koefisien variabel tidak sesuai dengan hipotesis.

Jika varianel taksiran ke-j tidak berelasi dengan variable Xn yang lain maka Rj2 =0 dan VIFj=1. eigenvalue. Misalnya. Pada k=2 variabel bebas. VIFj=1/(1-90) = 10. rj2 = koefisien determinasi dari regresi variable bebas ke-j hingga variable bebas k-1. Dengan. saat Rj2 = 90. Rj2 merupakan kuadrat dari korelasi sample r. maka VIFj > 1. dan yang paling umum digunakan adalah varians inflation factor (VIF). Jika terdapat hubungan. .• Indikasi multikolinearitas dapat dilihat dengan tolerance value (TOL).

• Nilai VIF lebih besar dari 1 menunjukkan bahwa koefisien taksiran yang melekat pada variable bebas tersebut tidak stabil. Nilai VIF yang besar pada dasarnya menunjukkan adanya kelebihan banyaknya variable taksiran. Besar nilai dan t satistiknya dapat berubah seiring dengan bertambah atau berkurangnya variable bebas di dalam model. .• Nilai VIF yang mendekati 1 menunjukkan bahwa keberadaan multikolinearitas pada regresi bukan merupakan sebuah masalah untuk variable independen tersebut dan koefisien taksiran dan nilai t tidak akan mengalami perubahan yang begitu besar.

 Beberapa ahli yang lain berpendapat bahwa nilai toleransi kurang dari 1 atau VIF lebih besar dari 10 menunjukkan multikolinearitas signifikan. maka multikolinearitas dapat dianggap signifikan secara statistik. Klein (1962) menunjukkan bahwa. jika VIF lebih besar dari 1/(1 – R2) atau nilai toleransi kurang dari (1 – R2). sementara itu para ahli lainnya menegaskan bahwa besarnya R2 model dianggap mengindikasikan adanya multikolinearitas. .

Contoh kasus : variabel-variabel bebas tidak berkorelasi Tabel 1 Data produktivitas tenaga kerja Nomor (i ) 1 2 3 4 5 6 7 8 Banyaknya tenaga kerja (Xi1) 4 4 4 4 6 6 6 6 Upah (Xi2) 2 2 3 3 2 2 3 3 Skor Produktivitas (Yi) 42 39 48 51 49 53 61 60 .

125 3.875 v Db 2 5 7 KT 201.250 17.250 17.875 db 2 5 7 KT 201.875 v v db 2 5 7 KT 201.375X1 + 9.625 419.525 .250 X2 SV Regresi Galat Total JK 402.125 3.250 + 9.125 3.500 + 5. 375 + 5.625 419.250 X2 SV Regresi Galat Total JK 402.625 419.250 17.Pengerjaan (a) Regresi Y terhadap X1 dan X2: Y = 0.375X1 SV Regresi Galat Total JK 402.525 (c) Regresi Y terhadap X2: Y = 27.525 (b) Regresi Y terhadap X1: Y = 23.

000 1.03 0.13 0.000 1.25% Analysis of Variance Source DF SS MS F P Regression 2 402. Upah The regression equation is SkorPro = 0.08 0.53 Lack of Fit 1 0.1% PRESS = 45.37 TenKer + 9.3750 Upah 9.13 0.000 S = 1.50 4.12 R-Sq(pred) = 89.250 SE Coef T P VIF 4.328 6.740 0.001 1.97 0.38 Total 7 419.87 .87750 R-Sq = 95.10 0.25 Upah Out put Minitab Predictor Coef Constant 0.940 0.6638 8.874 Pure Error 4 17.38 + 5.06 0.25 201.63 3.12 57.Regression Analysis: SkorPro versus TenKer.375 TenKer 5.000 Residual Error 5 17.8% R-Sq(adj) = 94.

37 TenKer Predictor Coef SE Coef T P VIF Constant 23.Regression Analysis: SkorPro versus TenKer The regression equation is SkorPro = 23.87 .983 2.000 S = 5.46 Total 7 419.035 Residual Error 6 188.60877 R-Sq = 55.32 0.035 1.11 2.375 1.5 + 5.71 0.35 0.6% Analysis of Variance Source DF SS MS F P Regression 1 231.12 7.12 231.75 31.50 10.059 TenKer 5.0% R-Sq(adj) = 47.

75 41.250 4.35 0.553 2.12 4.057 Upah 9.46 Total 7 419.Regression Analysis: SkorPro versus Upah The regression equation is SkorPro = 27.43881 R-Sq = 40.088 Residual Error 6 248.25 11.61 2.088 1.12 171.13 0.000 S = 6.25 Upah Predictor Coef SE Coef T P VIF Constant 27.3 + 9.8% R-Sq(adj) = 30.87 .03 0.9% Analysis of Variance Source DF SS MS F P Regression 1 171.

250.125 begitu pula pada nilai JKR (X1|X2) sama dengan jumlah Kuadrat Regresi JKR(X2) bila di dalam model hanya ada X2 saja.125 JKR (X1) = 231. ternyata sama saja baik hanya X1saja yang ada di dalam model ataupun keduanya ada di dalam model. Hal yang sama berlaku untuk b2= 9. ……… (ciri pertama)  Perahatikan nilai JKR (X1|X2) sama dengan jumlah Kuadrat Regresi JKR(X1) bila di dalam model hanya ada X1 saja : JKR (X1|X2) = JKG(X2)-JKG(X1. .• Analisis dari perhitungan lewat tabel ANOVA dan out put Minitab:  Perhatikan bahwa koefisien regresi bagi X1yaitu b1=5.750-17.375. Hal ini menyimpulakan bahwa kedua variabel bebas tidak saling berkorelasi.625 = 231.X2) = 248.

Secara umum. bila dua atau lebih variabel bebas tidak berkorelasi. maka sumbangan salah satu peubah dalam menurunkan jumlah kuadrat galat bila variabel-nvariabel lain ada dalam model persisi sama dengan bila hanya variabel bebas ini saja yang ada di dalam model ……(ciri kedua) .

Pada sebuah study(ilhat di Johnson and Wichern. dan logaritma total banyakya sales pengecer tiap kota (X3) yang dikumpulkan dari 15 kota (n=15).didapatkn data yang mliputi konsumsi tahunan untuk percetakan (Y). logaritma6 dari banyaknya keluarga dalam sebuah kota (X2).Contoh: dari buku • Komponen yang mengambil peran yang besar dalam kepemilikan usaha surat kabar adalah biaya percetakan surat kabar tersebut. 1997). banyaknya surat kabar yang beredar di kota (X1). Akan diuji keberadaan multikolinearitas dan rekomendasi apa yang bisa diberikan . Pihak penerbit tertarik untuk meneliti factor-faktor yang mempengaruhi konsumsi tahunan untuk percetakkan.

Perhatikan output dari buku… .

• Demikian juga β3X3 dapat di keluarkan dari model jika β1X1 dan β3X3 tetap dipertahankan dalam model.54) dan p value (0.• F hitung (18.69) yang berhubungan dengan ketersediaan kertas ternyata signifikan secara marginal. • Terlihat bahwa regresinya bersifat signifikan tetapi masing-masing variable taksirannya tidak signifikan.000) menunjukkan bahwa regressinya nyata. • Hal ini menunjukkan bahwa variable LnKeluarga tidak signifikan dan dengan demikian β2X2 dapat dikeluarkan dari model. namun β1X1 dapat dikeluarkan dari model jiak β2X2 dan β3X3 tetap dipertahankan. mengapa? . • Nilai t(1. Nilai t hitung dari setiap variable bebas menunjukkan nilai yang kecil dengan nilai p value yang besar.

93 menunjukan adanya hubungan linier yang kuat. • VIF untuk LnFamily = 7. • VIF LnRetSale = 8. Dan korelasi antara LnFamily dan LnRetSales yaitu r=0. Variable taksiran ini memiliki tingkat hubungan yang lemah dengan variable yang lain. • Karena variable Papers memiliki hubungan yang lemah dengan variable LnFamily dan LnRetSales. menunjukkan adanya hubungan linier dengan variable yang lain.• Hal ini dikarenakan nilai VIF=1. yaitu variabel LnFamily dan LnRetSales.4 yang relatif cukup besar.1 menunjukkan adanya hubungan linier dengan variable yang lain.7 untuk variable kertas. .maka hubungan antarvariabel taksiran adalah hubungan antara variable LnFamily dan variable LnRetSales.

Jika adanya multikolienaritas dalam model menjadi suatu permasalahan. maka dapat dilakukan langkah berikut: • Bangkitkan variable X yang baru. dan nyatakan dengan •Identifikasi dan hilangkan satu atau lebih kelebihan variable bebas dari fungsi regresi •Pertimbangkan prosedur estimasi selain kuadrat terkecil •Mundurkan respon Y pada kombinasi linier X yang tidak berhubungan •Berhati-hatilah dalam memilih variable bebas yang potensial sejak awal penelitian. Hindari variable yang menyatakan hal yang sama .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->