Uji Multikolinearitas untuk mengetahui adanya hubungan antara beberapa atau semua variabel yang

menjelaskan dalam model regresi. Jika dalam model terdapat multikolinearitas maka model tersebut
memiliki kesalahan standar yang besar sehingga koefisien tidak dapat ditaksir dengan ketepatan yang
tinggi. Salah satu cara mendeteksi ada tidaknya multikolinearitas adalah dengan uji Farrar-Glauber
(perhitungan ratio-F untuk menguji lokasi multikolinearitas). Hasil dari Fstatistik (Fi) dibandingkan
dengan F tabel. Kriteria pengujiannya adalah apabila F tabel > Fi maka variabel bebas tersebut kolinear
terhadap variabel lainnya. Sebaliknya, jika F tabel < Fi, maka variabel bebas tersebut tidak kolinear
terhadap variabel bebas yang lain.

Definisi Multikolinearitas

Multikolinearitas adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan kuat antara
dua variabel bebas atau lebih dalam sebuah model regresi berganda. Model regresi yang dimaksud
dalam hal ini antara lain: regresi linear, regresi logistik, regresi data panel dan cox regression.

Penyebab Multikolinearitas

Penyebab multikolinearitas adalah adanya korelasi atau hubungan yang kuat antara dua variabel bebas
atau lebih, seperti yang sudah dijelaskan di atas. Namun penyebab lainnya yang dapat menyebabkan hal
tersebut secara tidak langsung adalah, antara lain:

1. Penggunaan variabel dummy yang tidak akurat di dalam model regresi. Akan lebih beresiko
terjadi multikolinearitas jika ada lebih dari 1 variabel dummy di dalam model.

2. Adanya perhitungan sebuah variabel bebas yang didasarkan pada variabel bebas lainnya di
dalam model. Hal ini bisa dicontohkan sebagai berikut: dalam model regresi anda, ada variabel
X1, X2 dan Perkalian antara X1 dan X2 (X1*X2). Dalam situasi tersebut bisa dipastikan, terdapat
kolinearitas antara X1 dan X1*X2 serta kolinearitas antara X2 dengan X1*X2.

3. Adanya pengulangan variabel bebas di dalam model, misalkan: Y = Alpha + Beta1 X1 + Beta2
X1*5 + Beta3 X3 + e.

Dampak dari Multikolinearitas

Dampak

Dampak dari multikolinearitas antara lain:

1. Koefisien Partial Regresi tidak terukur secara presisi. Oleh karena itu nilai standar errornya
besar.

2. Perubahan kecil pada data dari sampel ke sampel akan menyebabkan perubahan drastis pada
nilai koefisien regresi partial.

3. Perubahan pada satu variabel dapat menyebabkan perubahan besar pada nilai koefisien regresi
parsial variabel lainnya.

4. Nilai Confidence Interval sangat lebar, sehingga akan menjadi sangat sulit untuk menolak
hipotesis nol pada sebuah penelitian jika dalam penelitian tersebut terdapat multikolinearitas.

Uji Heteroskedastisitas untuk terjadinya gangguan yang muncul dalam fungsi regresi yang mempunyai
varian yang tidak sama sehingga penaksir OLS tidak efisien baik dalam sampel kecil maupun sampel
besar (tapi masih tetap tidak bias dan konsisten). Salah satu cara untuk mendeteksi masalah
heteroskedastisitas adalah dengan uji Park. Hasil perhitungan dilakukan uji t. Kriteria pengujiannya
adalah apabila t hitung < t tabel, maka antara variabel bebas tidak terkena heteroskedastisitas terhadap
nilai residual lain, atau varians residual model regresi ini adalah homogen. Demikian sebaliknya.

Uji Autokorelasi adalah untuk mengetahui adanya korelasi antara variabel gangguan sehingga penaksir
tidak lagi efisien baik dalam model sampel kecil maupun dalam sampel besar. Salah satu cara untuk

Demikian sebaliknya. maka diantara variabel bebas dalam persamaan regresi tidak ada autokorelasi. . Kriteria pengujiannya adalah apabila nilai durbin watson < F tabel.menguji autokorelasi adalah dengan percobaan d (Durbin-Watson). Hasil perhitungan dilakukan pembandingan dengan Ftabel.