Multikolinieritas dan Heteroskedastisitas

Dedy Irwanto 3115106669

Tujuan
Untuk mengetahui asumsi asumsi klasik multikolinearitas dan heteroskedastisitas. Untuk menentukan terjadi atau tidaknya gejala-gejala multikolinearitas dan heteroskedastisitas pada suatu model regresi berganda.

Multikolinearitas
Dua atau lebih peubah dalam model saling berkaitan

 Konsekuensi yang sangat penting bagi model regresi yang mengandung multikolinearitas adalah bahwa kesalahan standar estimasi akan cenderung meningkat dengan bertambahnya variabel independen, tingkat signifikansi yang digunakan untuk menolak hipotesis nol akan semakin besar. Akibatnya, model regresi yang diperoleh tidak sahih (valid) untuk menaksir nilai variabel independen.

Diagnosis secara sederhana terhadap adanya multikolinearitas di dalam model regresi dapat ditentukan sebagai berikut:

Uji asumsi klasik ini digunakan untuk analisis regresi berganda yang terdiri atas dua atau lebih variabel bebas (X1, X2, X3, X4,..., Xn) dimana akan diukur tingkat asosiasi (keeratan) hubungan atau pengaruh antar variabel tersebut melalui besaran koefisien korelasi (r).
Dikatakan tidak terjadi multikolinearitas jika koefisien korelasi antar variabel bebas lebih kecil atau sama dengan 0.60 ( r<0.60).

Menghitung nilai VIF ( Variance Inflation Factor).

Dimana: VIF = Variance inflation factor

rij = besarnya korelasi antara variabel i dengan variabel j

Jika nilai VIF lebih besar dari 10, maka variabel tersebut mempunyai multikolinearitas dengan variabel lainnya.

Cara mengatasi multikolinearitas: Menghilangkan salah satu atau lebih variabel bebas yang mempunyai koefisien korelasi tinggi. Memperbesar ukuran sampel. Melakukan transformasi data.

Apakah terjadi mulitikolinearitas pada kasus dibawah ini ?

Contoh soal:

x1 bar= 69 dan x2 bar = 3.9

Jawab:

Untuk mendiagnosa apakah dalam kasus tersebut terjadi multikolinearisasi atau tidak, kita harus mencari nilai koefisien korelasi antara X1 dan X2 yaitu:

Jadi, dapat kita simpulkan pada kasus diatas terjadi multikolinearitas dikarenakan r >0.60.

Heteroskedastisitas
varians variabel dalam model tidak sama (konstan)

 Konsekuensi adanya heteroskedastisitas dalam model regresi adalah penaksir (estimator) yang diperoleh tidak efisien, baik dalam sampel kecil maupun dalam sampel besar, walaupun penaksir yang diperoleh menggambarkan populasinya (tidak bias) dan bertambahnya sampel yang digunakan akan mendekati nilai sebenarnya (konsisten). Ini disebabkan oleh variansnya yang tidak minimum (tidak efisien).

Banyak cara yang dapat dilakukan untuk menguji persamaan regresi terjadi heteroskedastisitas, yaitu : Metode Glesjer

Langkah langkah uji heteroskedastisitas dengan metode Glasjer dilakukan dengan langkah sebagai berikut: Membuat persamaan regresi Mencari nilai prediksinya ( Y topi ) Mencari nilai residualnya (Y- Y topi) Memutlakkan nilai residualnya. Meregresikan variabel bebas terhadap nilai residualnya. Menarik kesimpulan uji heteroskedastisitas, dengan kriteria bahwa jika variabel bebas signifikan terhadap mutlak residunya maka terjadi masalah heteroskedastisitas, dan sebaliknya.

Metode Rank Spearman

Uji heteroskedastisitas dengan metode Rank Spearman dilakukan dengan mengkorelasikan semua variabel terhadap nilai mutlak residualnya dengan menggunakan korelasi Rank Spearman. Jika terdapat korelasi variabel yang signifikan positif dengan nilai mutlak residualnya maka dalam model regresi yang dibentuk terdapat heteroskedastisitas.

Korelasi ranking spearman (rs) dapat dihitung dengan formula :

Pengujian ini menggunkana distribusi t dengan membandingkan nilai t hitung dengan t tabel. Jika nilai t hitung > t tabel, maka pengujian menolak hipotesis nol (H0) yang menyatakan tidak terdapat heteroskedastisitas pada model regresi. Artinya, model tersebut mengandung heteroskedastisitas. Nilai t hitung dapat ditentukan dengn formula:

Metode Park
Langkah langkah menguji heteroskedastisitas dengan menggunakan metode Park adalah : Membuat persamaan regresi Mencari nilai prediksinya ( Y topi ) Mencari nilai residualnya (Y- Y topi ) Mengkuadratkan nilai residualnya. Mentrasformasikan nilai residual kuadrat ke dalam bentuk Ln. Meregresikan variabel bebas terhadap Ln residual kuadrat. Menarik kesimpulan uji heteroskedastisitas dengan kriteria jika variabel bebas signifkan terhadap Ln residual kuadrat maka terjadi masalah heteroskedastisitas, dan sebaliknya.

Menurut Ghozali (2005) untuk memperbaiki model jika terjadi masalah heteroskedastisitas dapat dilakukan dengan berbagai cara, yaitu:

Melakukan transformasi dalam bentuk model regresi dan membagi model regresi dengan salah satu variabel independent yang digunakan dalam model tersebut. Melakukan transformasi logaritma sehingga model persamaan regresinya menjadi: Log Y = b0 +b1LogX +b2LogX2 +u1 Melakukan transfromasi Ln sehingga model persamaan regresinya menjadi : Ln Y = b0 + b2LnX2 + u1