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. . • Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi. Oleh karena itu masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel independen.

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

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

Nilai VIF yang besar pada dasarnya menunjukkan adanya kelebihan banyaknya variable taksiran.• 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. • Nilai VIF lebih besar dari 1 menunjukkan bahwa koefisien taksiran yang melekat pada variable bebas tersebut tidak stabil. Besar nilai dan t satistiknya dapat berubah seiring dengan bertambah atau berkurangnya variable bebas di dalam model. .

Klein (1962) menunjukkan bahwa. maka multikolinearitas dapat dianggap signifikan secara statistik. 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. Beberapa ahli yang lain berpendapat bahwa nilai toleransi kurang dari 1 atau VIF lebih besar dari 10 menunjukkan multikolinearitas signifikan.

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 .

250 + 9.375X1 SV Regresi Galat Total JK 402.500 + 5.625 419.525 (b) Regresi Y terhadap X1: Y = 23.Pengerjaan (a) Regresi Y terhadap X1 dan X2: Y = 0.375X1 + 9.125 3.250 17.875 v v db 2 5 7 KT 201. 375 + 5.525 .525 (c) Regresi Y terhadap X2: Y = 27.250 X2 SV Regresi Galat Total JK 402.625 419.250 X2 SV Regresi Galat Total JK 402.625 419.125 3.875 v Db 2 5 7 KT 201.875 db 2 5 7 KT 201.250 17.250 17.125 3.

97 0.3750 Upah 9.000 1.25 201.328 6.63 3.740 0.000 S = 1.250 SE Coef T P VIF 4.10 0.08 0.874 Pure Error 4 17.06 0.940 0.375 TenKer 5.87750 R-Sq = 95.8% R-Sq(adj) = 94.13 0.38 + 5.Regression Analysis: SkorPro versus TenKer.1% PRESS = 45.000 Residual Error 5 17.6638 8.001 1.38 Total 7 419.000 1.12 R-Sq(pred) = 89.13 0.37 TenKer + 9.87 .53 Lack of Fit 1 0.50 4.25 Upah Out put Minitab Predictor Coef Constant 0.03 0. Upah The regression equation is SkorPro = 0.25% Analysis of Variance Source DF SS MS F P Regression 2 402.12 57.

60877 R-Sq = 55.35 0.46 Total 7 419.983 2.035 Residual Error 6 188.75 31.6% Analysis of Variance Source DF SS MS F P Regression 1 231.37 TenKer Predictor Coef SE Coef T P VIF Constant 23.71 0.035 1.Regression Analysis: SkorPro versus TenKer The regression equation is SkorPro = 23.000 S = 5.5 + 5.12 231.12 7.87 .50 10.059 TenKer 5.32 0.375 1.11 2.0% R-Sq(adj) = 47.

088 1.088 Residual Error 6 248.3 + 9.12 171.87 .35 0.25 11.12 4.8% R-Sq(adj) = 30.000 S = 6.057 Upah 9.13 0.Regression Analysis: SkorPro versus Upah The regression equation is SkorPro = 27.9% Analysis of Variance Source DF SS MS F P Regression 1 171.250 4.46 Total 7 419.43881 R-Sq = 40.03 0.61 2.553 2.25 Upah Predictor Coef SE Coef T P VIF Constant 27.75 41.

• Analisis dari perhitungan lewat tabel ANOVA dan out put Minitab:  Perhatikan bahwa koefisien regresi bagi X1yaitu b1=5.125 JKR (X1) = 231. Hal yang sama berlaku untuk b2= 9. Hal ini menyimpulakan bahwa kedua variabel bebas tidak saling berkorelasi. .375.125 begitu pula pada nilai JKR (X1|X2) sama dengan jumlah Kuadrat Regresi JKR(X2) bila di dalam model hanya ada X2 saja.X2) = 248.750-17.250. ……… (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(X1.625 = 231. ternyata sama saja baik hanya X1saja yang ada di dalam model ataupun keduanya ada di dalam model.

Secara umum. 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) . bila dua atau lebih variabel bebas tidak berkorelasi.

Contoh: dari buku • Komponen yang mengambil peran yang besar dalam kepemilikan usaha surat kabar adalah biaya percetakan surat kabar tersebut. Akan diuji keberadaan multikolinearitas dan rekomendasi apa yang bisa diberikan . 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). banyaknya surat kabar yang beredar di kota (X1). 1997). Pada sebuah study(ilhat di Johnson and Wichern. logaritma6 dari banyaknya keluarga dalam sebuah kota (X2). Pihak penerbit tertarik untuk meneliti factor-faktor yang mempengaruhi konsumsi tahunan untuk percetakkan.

Perhatikan output dari buku… .

• Nilai t(1.000) menunjukkan bahwa regressinya nyata.54) dan p value (0. • Terlihat bahwa regresinya bersifat signifikan tetapi masing-masing variable taksirannya tidak signifikan. Nilai t hitung dari setiap variable bebas menunjukkan nilai yang kecil dengan nilai p value yang besar.69) yang berhubungan dengan ketersediaan kertas ternyata signifikan secara marginal. • Demikian juga β3X3 dapat di keluarkan dari model jika β1X1 dan β3X3 tetap dipertahankan dalam model. namun β1X1 dapat dikeluarkan dari model jiak β2X2 dan β3X3 tetap dipertahankan.• F hitung (18. mengapa? . • Hal ini menunjukkan bahwa variable LnKeluarga tidak signifikan dan dengan demikian β2X2 dapat dikeluarkan dari model.

Variable taksiran ini memiliki tingkat hubungan yang lemah dengan variable yang lain. menunjukkan adanya hubungan linier dengan variable yang lain.1 menunjukkan adanya hubungan linier dengan variable yang lain. Dan korelasi antara LnFamily dan LnRetSales yaitu r=0.• Hal ini dikarenakan nilai VIF=1.4 yang relatif cukup besar.93 menunjukan adanya hubungan linier yang kuat.maka hubungan antarvariabel taksiran adalah hubungan antara variable LnFamily dan variable LnRetSales. • VIF untuk LnFamily = 7. • Karena variable Papers memiliki hubungan yang lemah dengan variable LnFamily dan LnRetSales. • VIF LnRetSale = 8. yaitu variabel LnFamily dan LnRetSales.7 untuk variable kertas. .

Jika adanya multikolienaritas dalam model menjadi suatu permasalahan. Hindari variable yang menyatakan hal yang sama . 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. maka dapat dilakukan langkah berikut: • Bangkitkan variable X yang baru.

Sign up to vote on this title
UsefulNot useful