Sabtu, 29 Juli 2017

Uji Non-Multikolinieritas

Salah satu uji yang digunakan di dalam analisis regresi adalah uji non-Multikolinieritas.

Apa itu uji non-Multikolinieritas?

Multikolinearitas menunjukkan adanya hubungan linier yang sempurna dan pasti antar variabel bebas (independen) yang menjelaskan variabel terikat (dependen) dalam model, terutama regresi. Keberadaan gangguan ini menyebabkan estimator yang dihasilkan masih tidak bias dan baik untuk digunakan dalam memprediksi nilai parameter, namun menyebabkan varians (keragaman) model akan besar.

Gangguan Multikolinearitas ini timbul umumnya dikarenakan penambahan jumlah variabel bebas (independen) sehingga berdampak pada varians dan covarians model yang besar. Dalam tahapan intepretasi, Multikolinearitas dapat menimbulkan kesalahan, intepretasi model yang menunjukkan hubungan sebab akibat menjadi tidak pasti, bahkan salah. Harusnya pendapatan dan pendidikan memengaruhi jumlah konsumsi rokok per hari, malah sebenarnya pendidikan lebih besar menentukan jumlah pendapatan sebab korelasi keduanya sangat kuat.

Oh, iya. Untuk melihat secara langsung ada tidaknya Multikolinearitas ini, Anda bisa melihat besarnya korelasi antar variabel, kalau tinggi maka siap-siap model Anda akan terancam tidak lolos uji asumsi non-Multikolinearitas ini sehingga Anda harus mengganti model atau malah ganti analisis yang lain, misalnya analisis Komponen Utama (AKU) atau Analisis Faktor (AF) yang mengakormodir gejala Multikolinearitas.

Uji statistik yang biasa digunakan dalam melihat ada tidaknya gejala Multikolinearitas adalah nilai Variance Inflation Factor (VIF), biasanya adanya di SPSS langsung tersedia nilai VIF ini. Menurut Neter (1989), Multikolinearitas terjadi saat nilai VIF > 10, namun menurut Nahcrowi dan Usman (2006), Multikolinearitas terjadi saat nilai VIF > 5. Dari dua teori ini Anda bisa memilih salah satu, toh, masing-masing memiliki landasan yang jelas. Atau Anda bis saja secara manual menghitunya sendiri dengan memakai formula sebagai berikut :


Formula VIF, sumber : Dok. Penulis

dengan R kuadrat k adalah koefisien determinasi variabel ke-k yang diregresikan dengan variabel yang lainnya, yakni sebagai (p - 2) variabel dalam model. P adalah parameter, kalau dalam regresi itu jika terdapat 4 variabel bebas berarti terdapat 4 parameter estimasi sehingga dengan meregresikan setiapp dua kombinasi dari 4 variabel itu berarti terdapat sebanyak 6 buah R-k (4 C 2 = 6), lalu masing-masing R dikuadratkan lalu dimasukkan dalam formula tersebut. Kalau sabar, pasti mudah.