Dalam regresi berganda, multikolinieritas menyatakan adanya kekerabatan antara satu variabel independen dengan variabel independen lainnya. Dampak multikolinieritas menjadikan dampak adalah:
- Terjadi peningkatan varian (dan standar eror) koefisien regresi estimator.
- Tanda koefisien regresi berbeda dari yang kita harapkan. Misalnya, secara konseptual, kita mengharapkan X1, X2, dan X3 besar lengan berkuasa positif pada Y. Namun, alasannya yakni multikolinieritas, sanggup saja satu atau lebih variabel independen besar lengan berkuasa negatif.
- Penambahan atau pun penarikan variabel independen, akan mengakibatkan perubahan besar pada koesien estimasi dan tanda-tandanya.
- Pengurangan data akan mengakibatkan perubahan koefisien estimasi yang besar.
- Dalam aneka macam kasus, nilai F signifikan, akan tetapi tidak satu pun nilai t signifikan.
Apabila terjadi multikolinearitas, maka koefisien regresi yang dihasilkan tidak sanggup dipercaya. Dengan kata lain, “the individual regression coefficients for each variable are not identifiable”. Jadi, jikalau tujuan sebuah studi yakni untuk menguji imbas sejumlah variabel independen terhadap variabel dependen atau untuk membuat suatu persamaan, maka multikoniatitas harus dihindari.
Untuk mendeteksi ada tidaknya kolinieritas, ada dua cara yang lazim digunakan. Pertama, dengan melihat kekerabatan antar variabel independen dan yang kedua yakni memeriksa varians inflation factors (VIF). Kali ini yang kita gunakan yakni VIF. Proses yang telah kita lakukan sebelumnya telah menghasilkan statistik kolinearitas, menyerupai ditampilkan pada Output 8.
Perhatikan sub-kolom Tolerance pada kolom Collinearity Statistic. Angka ini menyatakan 1-R2 apabila sebuah variabel menjadi variabel dependen bagi variabel-variabel independen lainnya. Mari kita buktikan. Buka file Regresi Linier Berganda_1.sav. Lakukan regresi linier berganda dengan menjadikan ‘price’ menjadi variabel dependen dan ‘serv_qual’ dan ‘food_qual’ sebagai variabel-variabel independen. Koefisien determinasi (R2) yakni sebesar 0.812. Dengan demikian, ‘Tolerance’ adalah 1-0.812=0.188. Anda sanggup menilik sendiri ‘Tolerance‘-nya ‘serv_qual’ dan ‘food_qual’ dengan cara yang sama.
VIF dihitung menurut nilai toleransi dengan persamaan: VIF=1/Tolerance. Dengan demikian, VIF ‘price’ yakni 1/0.188=5.316. Ketentuan umum (rule of thumb) menyatakan apabila nilai VIF lebih rendah dari 10, maka sebuah variabel dianggap tidak mempunyai kolinearitas dengan variabel lain. Dengan demikian, menurut data Output 8, sanggup kita simpulkan bahwa model regresi yang kita kerjakan terbebas dari duduk masalah multikolinearitas.
Sumber https://www.bilsonsimamora.com