Sebelum melakukan uji statistic terhadap hasil olahan regresi terlebih dahulu dilakukan uji asumsi klasik sebagai dasar analisis regresi. Pengujian asumsi klasik dimaksudkan agar estimator-estimator yang diperoleh dengan metode Ordinary Least Square (OLS) memenuhi syarat Best Linier Unbiased Estimator (BLUE). Pengujian asumsi klasik yang dilakukan adalah multicollinearity dan autocorrelation,hal ini karena data yang digunakan berupa data time-series (Gujarati, 1997).
Kolinearitas Ganda (multicollinearity)
Apabila kita menggunakan model regresi Y = B0 + B1X1 + B2X2 + … + BkXk + e, dalam hal ini kita mempunyai asumsi bahwa X1, X2, X3, … Xk
sebagai variable-variabel bebas tidak berkorelasi satu sama lain. Seandainya variable-variabel bebas tersebut berkorelasi satu sama lain, maka dikatakan terjadi kolinearitas berganda (multicollinearity). Ada kemungkinan terjadi 2 variabel atau lebih mempunyai hubungan yang sangat kuat sehingga pengaruh masing-masing variable tersebut terhadap Y sukar untuk dibedakan (Supranto, 2001).
sebagai variable-variabel bebas tidak berkorelasi satu sama lain. Seandainya variable-variabel bebas tersebut berkorelasi satu sama lain, maka dikatakan terjadi kolinearitas berganda (multicollinearity). Ada kemungkinan terjadi 2 variabel atau lebih mempunyai hubungan yang sangat kuat sehingga pengaruh masing-masing variable tersebut terhadap Y sukar untuk dibedakan (Supranto, 2001).
Mendeteksi Kolinearitas Ganda
Beberapa cara mengetahui apakah suatu model regresi itu mempunyai kolinearitas ganda atau tidak adalah sebagai berikut:
- Suatu model yang variable-variabel penjelasnya bersifat kolinearitas memperlhatkan tanda-tanda sebagai berikut:
- Koefisien determinasi ganda R2 tinggi
- Koefisien korelasi sederhananya tinggi
- Nilai F hitung tinggi
- Tak satupun (sedikit sekali diantaranya) variable-variabel bebas memiliki uji-t yang significan, walaupun keadaan 1, 2 dan 3 terpenuhi.
- Jika hanya ada dua variable bebas yang ternyata korelasi antara kedua variable itu tinggi, maka dapat merupakan indikasi bahwa dalam model tersebut terjadi kolinearitas. Akan tetapi apabila model itu mempunyai lebih dari dua variable bebas, walaupun korelasi antara dua variable rendah, tidak dapat menjadi jaminan bahwa model tersebut tida bersifat multikollinearitas.
- Apabila model yang akan diuji adalah: Y = f( X2, X3, X4)dengan koefosien determinasi gandanya adalah tinggi yakni: R21.234 = mendekati 1, akan tetapi r212.34, r213.24, r214.23 mempunyai nilai yang sangat rendah dibandingkan nilai kofisien determinasi ganda antara Y dengan X2, X3, dan X4 berarti ada kolinearitas ganda.
- Mengadakan uji F antara variable-variabel bebasnya. Jika F hitung dibandingkan dengan F tabel dan ternyata signifikan maka dapat dianggap bahwa ada multikolinearitas (Awat, 1995).
- Jika hubungan antar variable bebasnya sempurna, maka koefisien regresi parsial tak akan dapat diestimasi.
- Kalau hubungan tersebut tidak sempurna, maka koefisien regresi parsial masih bisa diestimasi, tetapi kesalahan baku dari penduga koefisien regresi parsial sangat besar. Hal ini menyebabkan pendugaan/peramalan nilai Y kurang teliti.
Cara Mengatasi Masalah Kolinearitas Ganda
- Memeriksa secara teoritis untuk mengetahui apakah antara variable bebas memang ada hubungannya.
- Mengadakan penggabungan antara data cross-section dan time series, yang akan disebut sebagai polling data.
- Mengeluarkan salah satu variable bebasnya dari model tersebut.
- Mentransformasi variable yang ada dalam model.
- Menambah data baru, yakni menambah jumlah observasi atau n. Dengan semakin besarnya n, maka ada kemungkinan bahwa standard error akan semakin kecil pula.
0 Comments
