Cara Melihat Adanya Multikolinieritas Antar Variabel Bebas Menggunakan Korelasi di Eviews

Multikolinieritas adalah kondisi dimana ada hubungan linier diantara dua atau lebih variabel bebas pada suatu regresi berganda. Asumsi ini hanya berlaku pada model regresi berganda, namun tidak pada regresi sederhana, tentu saja karena regresi sederhana hanya mempunyai satu variabel bebas.

Multikolinieritas ini muncul ketika variabel-variabel bebas pada suatu model regresi berganda saling berkorelasi satu sama lainnya. Adanya variabel-variabel bebas yang berkorelasi akan membuat kita sulit menentukan pengaruh masing-masing koefisien regresi dari masing-masing terhadap variabel terikat. Dengan kata lain variabel-variabel yang berkorelasi tersebut bisa dikatakan identik, bila satu variabel berpengaruh positif dan signifikan, maka variabel yang lain juga sama. Sebaliknya jika satu variabel berpengaruh negatif signifikan maka variabel yang lain tidak berbeda.

Pada kenyataannya, memang setiap variabel-variabel independen itu selalu saja berkorelasi. Dengan kata lain hampir tidak mungkin kita memiliki model regresi dengan variabel-variabel independen yang tidak berkorelasi sama sekali. Dengan demikian ada batas korelasi tertentu yang bisa kita anggap tidak mempunyai dampak nyata atau tidak terjadi multikolinieritas.

Ada dua hal yang perlu kita lihat tentang batas multikolinieritas ini. Pertama, kita harus bisa menunjukkan bahwa adanya korelasi antar variabel bebas (multikolinieritas) tidak berpengaruh pada kemampuan model regresi untuk memprediksi variabel terikat. Kedua, menghindari adanya variabel bebas yang berkorelasi adalah menghindari kemungkinan menghasilkan simpulan yang salah dalam uji hipotesis (uji t) untuk masing-masing variabel bebas. Hal ini disebabkan karena adanya ketidakstabilan kesalahan standar estimasi.

Kondisi adanya multikolinieritas dapat dilihat dari beberapa petunjuk sebagai berikut:

  • Model regresi mempunyai nilai koefisien determinasi (R2) yang tinggi, namun sebagian besar variabel independen tidak mempunyai pengaruh parsial yang signifikan.
  • Sebuah variabel bebas yang diyakini (secara teoritis dan empiris) merupakan variabel penting (utama) namun dalam simpulan uji hipotesis diketahui tidak signifikan.
  • Sebuah variabel yang seharusnya memiliki koefisien regresi yang posistif namun ternyata bernilai negatif, atau sebaliknya.
  • Ketika sebuah variabel bebas ditambahkan atau dikeluarkan dari model, maka terjadi perubahan nilai koefisien regresi yang drastis.

Pendekatan yang paling aman untuk menghindari adanya multikolinieritas adalah dengan meneliti secara seksama setiap tahapan dan karakteristik variabel dalam membangun model regresi. Menggunakan landasan teoritis dan empiris yang kuat dalam hal ini sangat disarankan. Penggunaan instrumen penelitian yang valid dan reliabel juga sangat penting.

Loading...

Ada dua uji yang biasanya sering dilakukan untuk membuktikan adanya multikolinieritas atau tidak pada suatu model regresi. Pertama tentunya adalah dengan melakukan analisis korelasi antar variabel bebas. Aturan umum yang disepakati adalah bila koefisien korelasi antara -0,70 sampai dengan 0,70 dapat dinyatakan tidak ada masalah autokorelasi. Kedua, dengan melakukan prosedur uji yang dinamakan dengan uji VIF (variance inflation factor), pembahasan uji ini akan dilakukan pada artikel berikutnya.

Uji korelasi dapat dilakukan melalui langkah-langkah berikut ini:

  • Buka Data Variabel di Eviews Anda, lalu pilih tampilan utama seperti gambar berikut ini
  • Pilih variabel bebas yang akan dilihat tingkat korelasinya
  • Klik pada variabel pertama (IQ) tekan “CTRL” atau “Shift” di keyboard dan jangan lepaskan sampai Anda melakukan klik semua variabel bebas yang akan dilihat tingkat korelasinya.
  • Setelah tiga variabel tersebut terpilih (warna biru) lanjutkan dengan menu “Proc” di bagian atas menu utama Eviews.
  • Lanjutkan dengan menggeser mouse ke bawah sampai di “Group Statistics” Kemudian arahkan ke kanan dan pilih “Correlations”.
  • Bila muncul kotak dialog seperti di bawah ini, lanjutkan dengan klik “OK”.
  • Tampilan matrik korelasi hasil penghitungan Eviews seperti gambar di bawah ini.

Hasil uji korelasi antar variabel bebas di atas menunjukkan bahwa korelasi antara IQ dan Motivasi sebesar 0,16 dan korelasi antara IQ dan Jam Belajar sebesar 0,25. Kedua koefisien korelasi ini masih jauh dari 0,7 jadi bisa dikatakan tidak ada multikolinieritas antara variabel IQ dan Motivasi maupun antara variabel IQ dan Jam Belajar.

Loading...

Besaran nilai koefisien korelasi antara variabel Motivasi dan Jam belajar ternyata sangat tinggi yaitu 0,89. Nilai ini di atas nilai rule of thumb 0,7 sehingga diindikasikan adanya multikolinieritas.

Lalu, bagaimana simpulan yang dapat diambil dari hasil analisis gejala multikolinieritas ini?. Anda bisa menyimpulkan memang ada gejala multikolinieritas karena terbukti ada dua variabel yang yang berkorelasi sangat tinggi yaitu variabel Motivasi dan Jam Belajar. Namun, Anda harus ingat kembali bagaimana karakteristik model di awal, apakah model Anda mempunyai empat ciri-ciri yang saya sebutkan di atas.

Bila Anda masih ragu, Anda bisa memilih metode pengujian yang lebih akurat yaitu metode variance inflation factor atau biasa disingkat dengan VIF. Metode ini juga disediakan oleh Eviews. Kita akan membahas analisis VIF ini di artikel berikutnya.

Tinggalkan Balasan