Magister Manajemen Univ. Muhammadiyah Yogyakarta
Wihandaru Sotya Pamungkas Multikolinieritas 53
Magister Manajemen Univ. Muhammadiyah Yogyakarta
MULTIKOLINIERITAS
1. Pendahuluan Masalah multikolinieritas pertama kali diperkenalkan pada tahun 1934 oleh Ragnar Frisch serta mendefinisikan multikolinieritas adalah hubungan linear yang perfect atau exact diantara sebagian atau semua variabel bebas pada suatu model
regresi,
sehingga
akan
menyulitkan
untuk
mengidentifikasi variabel penjelas dan variabel yang dijelaskan. Menurut Gunawan Sumodiningrat, ada 3 hal yang perlu dijelaskan berkaitan dengan masalah multikolinieritas, yaitu: a.
Multikolinieritas pada hakekatnya adalah fenomena sampel, hal ini karena adanya korelasi yang tinggi Wihandaru Sotya Pamungkas Multikolinieritas 54
Magister Manajemen Univ. Muhammadiyah Yogyakarta diantara sebagian atau semua variabel penjelas, sehingga sampel tidak memenuhi asumsi dasar tidak adanya
ketergantungan
(interdependency)
diantara
variabel bebas yang digunakan dalam model regresi. b.
Multikolinieritas adalah masalah derajat (degree) bukan persoalan jenis (kind), yang dimaksud adalah adanya korelasi diantara variabel penjelas baik sebagian maupun semua variabel penjelas tanpa memperhatikan tanda negatif maupun positif.
c.
Multikolinieritas berkaitan dengan adanya hubungan linear diantara variabel penjelas, sehingga masalah multikolinieritas tidak akan terjadi jika model estimasi (regresi) non‐linear.
Wihandaru Sotya Pamungkas Multikolinieritas 55
Magister Manajemen Univ. Muhammadiyah Yogyakarta Menurut
Gunawan
Sumodiningrat,
masalah
multikolinieritas dapat timbul karena: a.
Sifat‐sifat yang terkandung dalam variabel ekonomi berubah
bersama‐sama
sepanjang
waktu.
Misal
penghasilan, konsumsi, tabungan, investasi, harga‐harga dan kesempatan kerja cenderung meningkat dalam masa booming dan cenderung turun dalam masa resesi. b.
Memasukkan nilai kelambanan (lag) dalam variabel penjelas atau model autoregressive.
Menurut Gujarati, masalah multikolinieritas dapat
timbul karena: a.
Model yang berlebihan, hal ini terjadi jika banyaknya variabel penjelas melebihi banyaknya observasi.
b.
Spesifikasi model, hal ini terjadi karena ada variabel penjelas yang belum dimasukkan atau ada variabel penjelas yang seharusnya dikeluarkan dari model
Wihandaru Sotya Pamungkas Multikolinieritas 56
Magister Manajemen Univ. Muhammadiyah Yogyakarta regresi Æ lihat landasan teori dalam spesifikasi model. c.
Kendala
dalam
model.
Contoh
peneliti
akan
mengestimasi kebutuhan listrik dengan menggunakan variabel
penjelas
luas
rumah
(bangunan)
dan
pendapatan, dengan alasan semakin besar rumah (bangunan) yang digunakan maka jumlah listrik yang dikonsumsi semakin besar.
2. Akibat Multikolinieritas a.
Penaksir OLS akan menghasilkan varian yang tak terhingga, sehingga sulit untuk memperoleh estimasi yang tepat dan akurat. Akibatnya hasil estimasi sangat sensitif (peka) terhadap perubahan yang kecil pada data.
b.
Selang interval kepercayaan cenderung besar sehingga kemungkinan menerima hipotesis nihil (H0) cenderung besar, akibatnya variabel penjelas akan lebih mudah
Wihandaru Sotya Pamungkas Multikolinieritas 57
Magister Manajemen Univ. Muhammadiyah Yogyakarta menjadi tidak signifikan. c.
Akibat dari nomor ”b” maka ada variabel penjelas yang dikeluarkan dari model regresi, padahal variabel tersebut penting secara teori.
d.
Nilai koefisien determinasi (R2) cenderung tinggi, akibatnya menyulitkan untuk mengestimasi kontribusi variabel
penjelas
terhadap
variabel
tergantung
(dijelaskan).
3. Mendeteksi Multikolinearitas Secara sederhana mengidentifikasi multikolinieritas adalah nilai R2 tinggi namun variabel penjelas (variabel bebas) yang signifikan sangat sedikit bahkan semua variabel penjelas (variabel bebas) tidak signifikan Æ (multikolinieritas sempurna). Wihandaru Sotya Pamungkas Multikolinieritas 58
Magister Manajemen Univ. Muhammadiyah Yogyakarta
3.1. Metode Farrar‐Glauber, Menggunakan Korelasi Parsial (Examination of Partial Correlations) Langkah‐langkah: a.
Meregres model empiris (misal ada 3 variabel bebas).
Y = b0 + b1X1 + b2X2 + b3X3 + e Diperoleh nilai R12. b.
Meregres variabel penjelas
X1 = b0 + b1X2 + b2X3 + e Diperoleh nilai R22. c.
Kesimpulan: R22 > R12 Æ ada multikolinieritas.
Wihandaru Sotya Pamungkas Multikolinieritas 59
Magister Manajemen Univ. Muhammadiyah Yogyakarta
3.2. Metode Farrar‐Glauber, Menggunakan Regresi Bantuan (Subsidiary or Auxiliary Regression) Langkah‐langkah Cara 1: a. Model Estimasi:
Y = b0 + b1X1 + b2X2 + b3X3 + e Meregres variabel penjelas
X1 = b0 + b1X2 + b2X3 + e Diperoleh nilai R12. b. Mencari nilai Fhitung, dengan rumus:
Fhitung
R12 (n − k ) = x 2 (k − 1) 1 − R1
Wihandaru Sotya Pamungkas Multikolinieritas 60
Magister Manajemen Univ. Muhammadiyah Yogyakarta c.
Kesimpulan: Fhitung > Ftabel Æ ada multikolinieritas.
Langkah‐langkah Cara 2: a. Model Estimasi:
Y = b0 + b1X1 + b2X2 + b3X3 + e Meregres variabel penjelas
X1 = b0 + b1X2 + b2X3 + e Diperoleh nilai R1 dan R12. b. Mencari nilai thitung, dengan rumus:
t hitung =
R 1 x (n − k ) 2
(1 − R 1 )
c. Kesimpulan: thitung > ttabel Æ ada multikolinieritas.
Wihandaru Sotya Pamungkas Multikolinieritas 61
Magister Manajemen Univ. Muhammadiyah Yogyakarta
3.3. Metode Variance Inflation Factor (VIF) Langkah‐langkah: a.
Mencari nilai R12, dari fungsi empiris:
X1 = b0 + b1X2 + b2X3 + e Mencari VIF dengan rumus:
VIF =
1 2 (1 − R1 )
Wihandaru Sotya Pamungkas Multikolinieritas 62
Magister Manajemen Univ. Muhammadiyah Yogyakarta b.
Variance Inflation Factor (VIF), ada 2 pendapat: Pendapat 1: Jika nilai VIF > 10 Æ ada multikolinieritas Æ niliai R12 = 0.9. Pendapat 2: Jika nilai VIF > 5 Æ ada multikolinieritas Æ nilai R12 = 0.8.
4. Mengobati Multikolinieritas a.
Mengeluarkan variabel bebas yang menjadi penyebab timbulnya
multikolinieritas.
penggunaannya
harus
Cara
hati‐hati
ini karena
dalam dapat
menimbulkan bias spesifikasi, jika variabel yang dikeluarkan secara teoritis penting.
Wihandaru Sotya Pamungkas Multikolinieritas 63
Magister Manajemen Univ. Muhammadiyah Yogyakarta b.
Menambah data baru. Cara ini dapat digunakan jika multikolinieritas terjadi dalam sampel dan bukan didalam populasi dari variabel‐variabel yang sedang diamati. Jika variabel itu berkolinier didalam populasi maka menambah data baru (memperbesar sampel) tidak menyelesaikan masalah multikolinieritas.
c.
Tidak melakukan apa‐apa (do‐nothing).
5. Contoh Mendeteksi Multikolinieritas Model Penelitian RETURN = b0 + b1DER + b2DPR + b3EPS + b4NPM + b5ROA + e Wihandaru Sotya Pamungkas Multikolinieritas 64
Magister Manajemen Univ. Muhammadiyah Yogyakarta
5.1. Variance Inflation Factor (VIF) Langkah‐langkah: a.
Meregres fungsi empirik (model estimasi) yang sedang diamati, dan diperoleh nilai VIF.
b.
Apabila nilai VIF >10 Æ ada multikolinieritas (pendapat 1). Apabila nilai VIF >5 Æ ada multikolinieritas (pendapat 2). Penjelasan lihat rumus VIF.
Variabel
VIF
Kesimpulan
DER
1.846
Tidak ada multikolinieritas
DPR
1.075
Tidak ada multikolinieritas
EPS
1.321
Tidak ada multikolinieritas
NPM
2.153
Tidak ada multikolinieritas
ROA
1.662
Tidak ada multikolinieritas
Tergantung
Dependent variabel: Return Wihandaru Sotya Pamungkas Multikolinieritas 65
Magister Manajemen Univ. Muhammadiyah Yogyakarta
5.2. Farrar Glauber (Examination of Partial Correlations) Langkah‐langkah: a.
Meregres fungsi empirik (model estimasi) yang sedang diamati.
RETURN = b0 + b1DER + b2DPR + b3EPS + b4NPM + b5ROA + e Diperoleh nilai R2= 0.290. b.
Mengidentifikasi multikolinearitas pada DER. Mencari R2 dari fungsi empiris dibawah ini, selanjutnya disebut R12.
DER = b0 + b1DPR + b2EPS + b3NPM + b4ROA + e
Wihandaru Sotya Pamungkas Multikolinieritas 66
Magister Manajemen Univ. Muhammadiyah Yogyakarta Apabila R12 > R2 Æ ada multikolinieritas pada DER. c.
Mengidentifikasi multikolinearitas pada DPR. Mencari R2 dari fungsi empiris dibawah ini, selanjutnya disebut R22.
DPR = b0 + b1DER + b2EPS + b3NPM + b4ROA + e Apabila R22 > R2 Æ ada multikolinieritas pada DPR. d.
Mengidentifikasi multikolinearitas pada EPS. Mencari R2 dari fungsi empiris dibawah ini, selanjutnya disebut R32.
EPS = b0 + b1DER + b2DPR+ b3NPM + b4ROA + e Apabila R32 > R2 Æ ada multikolinieritas pada EPS. e.
Mengidentifikasi multikolinearitas pada NPM. Mencari R2 dari fungsi empiris dibawah ini, selanjutnya Wihandaru Sotya Pamungkas Multikolinieritas 67
Magister Manajemen Univ. Muhammadiyah Yogyakarta disebut R42.
NPM = b0 + b1DER + b2DPR+ b3EPS + b4ROA + e Apabila R42 > R2 Æ ada multikolinieritas pada NPM. f.
Mengidentifikasi multikolinearitas pada ROA. Mencari R2 dari fungsi empiris dibawah ini, selanjutnya disebut R52.
ROA = b0 + b1DER + b2DPR+ B3EPS + b4NPM + e B
Apabila R52 > R2 Æ ada multikolinieritas pada ROA.
Wihandaru Sotya Pamungkas Multikolinieritas 68
Magister Manajemen Univ. Muhammadiyah Yogyakarta
Hasil dan kesimpulan: Variabel
R2 = 0.290
Kesimpulan
DER
R12=0.458>0.290
ada multikolinieritas
DPR
R22 =0.070<0.290
EPS
R32 =0.243<0.290
NPM
R42 =0.536>0.290
ada multikolinieritas
ROA
R52 =0.398>0.290
ada multikolinieritas
Tergantung
tidak ada multikolinieritas tidak ada multikolinieritas
Wihandaru Sotya Pamungkas Multikolinieritas 69
Magister Manajemen Univ. Muhammadiyah Yogyakarta
5.3. Farrar Glauber (Subsidiary or Auxiliary Regression) Langkah‐langkah: a. Mengidentifikasi multikolinieritas pada DER. Uji F, fungsi empiris dibawah ini.
DER = b0 + b1DPR + b2EPS + b3NPM + b4ROA + e Apabila signifikan Æ ada multikolinieritas pada DER. b. Mengidentifikasi multikolinieritas pada DPR. Uji F, fungsi empiris dibawah ini.
DPR = b0 + b1DER + b2EPS + b3NPM + b4ROA + e Apabila signifikan Æ ada multikolinieritas pada DPR. c. Mengidentifikasi multikolinieritas pada EPS. Uji F, fungsi empiris dibawah ini.
EPS = b0 + b1DER + b2DPR+ b3NPM + b4ROA + e Apabila signifikan Æ ada multikolinieritas pada EPS.
Wihandaru Sotya Pamungkas Multikolinieritas 70
Magister Manajemen Univ. Muhammadiyah Yogyakarta d. Mengidentifikasi multikolinieritas pada NPM. Uji F, fungsi empiris dibawah ini.
NPM = b0 + b1DER + b2DPR+ b3EPS + b4ROA + e Apabila signifikan Æ ada multikolinieritas pada NPM. e. Mengidentifikasi multikolinieritas pada ROA. Uji F, fungsi empiris dibawah ini.
ROA = b0 + b1DER + b2DPR+ B3EPS + b4NPM + e B
Apabila signifikan Æ ada multikolinieritas pada ROA.
Wihandaru Sotya Pamungkas Multikolinieritas 71
Magister Manajemen Univ. Muhammadiyah Yogyakarta
Hasil dan kesimpulan: Variabel Tergantung DER
Fhitung
Sig.
Kesimpulan
7.405
0.000
Ada multikolinieritas Tidak ada
DPR
0.658
0.625
EPS
2.812
0.040
Ada multikolinieritas
NPM
10.092
0.000
Ada multikolinieritas
ROA
5.792
0.001
Ada multikolinieritas
multikolinieritas
Wihandaru Sotya Pamungkas Multikolinieritas 72
Magister Manajemen Univ. Muhammadiyah Yogyakarta
Variance Inflation Factor (VIF) dengan cara manual: DER
R12 = 0.458
1/(1 ‐ 0.458) = 1.8450 ≈ 1.846
DPR
R22 = 0.070
1/(1 ‐ 0.070) = 1.0753 ≈ 1.075
EPS
R32 = 0.243
1/(1 ‐ 0.243) = 1.3210 ≈ 1.321
NPM
R42 = 0.536
1/(1 ‐ 0.536) = 2.1552 ≈ 2.153
ROA
R52 = 0.398
1/(1 ‐ 0.398) = 1.6611 ≈ 1.662
Wihandaru Sotya Pamungkas Multikolinieritas 73
Magister Manajemen Univ. Muhammadiyah Yogyakarta
Daftar Pustaka Ghozali, Imam (2007), Edisi 4, Aplikasi Analisis Multivariate dengan Program SPSS, BP Universitas Diponegoro, Semarang. Gujarati, Damodar N. (1995), Third Edition, Basics Econometrics, McGraw‐Hill, New York. Sumodiningrat, Gunawan (1998), Edisi I, Ekonometrika Pengantar, BPFE, Yogyakarta.
Wihandaru Sotya Pamungkas Multikolinieritas 74