Multikolinieritas dan Cara Mengatasinya

… biasakan mencopy dengan menyertakan sumber/referensi …

Multikolinieritas adalah suatu keadaan di mana satu atau lebih variabel penjelas dapat dinyatakan sebagai kombinasi linier dari variabel penjelas lainnya atau secara singkat multikolinieritas berarti adanya hubungan linier antar variabel penjelas. Salah satu asumsi klasik yang harus dipenuhi pada pemodelan regresi linier berganda (multiple regression).

Ada tidaknya multikolinieritas dapat dideteksi dengan melihat nilai squared-R, F hitung, dan t hitung. Kemungkinan adanya multikolinieritas:
(1) nilai squared-R tinggi tetapi tidak satupun atau sangat sedikit koefisien yang diduga, signifikan secara statistik
(2) F hitung tinggi (signifikan) akan tetapi tidak satupun koefisien yang signifikan secara parsial.

Cara  lain  yang  digunakan  untuk  mendeteksi  multikolinieritas  adalah dengan  melihat  besarnya  nilai  Variance  Inflation  Factor  (VIF). Suatu persamaan regresi dikatakan tidak ada multikolinieritas yang serius jika nilai VIF lebih kecil dari sepuluh.

Cara mengatasi atau mengurangi multikolinieritas:
1. Menambah jumlah data/sampel
2. Mengurangi atau menghilangkan variabel penjelas yang terindikasi memiliki hubungan dengan variavel penjelas yang lain
3. Memilih model regresi terbaik dengan variabel penjelas yang bebas multikolinieritas menggunakan metode elimination procedure (forward, backward dsb)
4. Menggunakan analisis lanjutan yaitu Principal Component Analysis (PCA) atau Factor Analysis (FA)
5. Mengganti analisis regresi linier berganda dengan SEM atau path analysis
6. Menggunakan pendekatan analisis modern seperti bayesian, NN dsb

sumber:
Wijaya, Adi. (2005). Pengaruh Imported Inflation terhadap Laju Inflasi di Indonesia (periode Juli 1997 – Desember 2004). Skripsi. Jakarta: STIS

• elimination procedure
• multiple regression
• principal component analysis
• regresi linier
• variance inflation factor