Mult KoLinear

8/19/2019 Mult KoLinear

1/22

ELANGGARAN ASUMSI KLASIK

MULTIKOLINEARITAS

5.1 Pendahuluan

Salah satu asumsi model regresi linear klasik adalah tidak terdapat

multikolinearitas di antara variabel independen atau dengan kalimat lain dalam

metode OLS variabel independen tidak saling berkorelasi. Istilah multikolinearitas

mula-mula ditemukan oleh Ragnar Frisch. Pada mulanya multikolinearitas berarti

adanya hubungan linear yang sempurna atau pasti antara variabel independen.

namun dewasa ini istilah multikolinearitas digunakan dalam pengertian yang lebih

luas karena memasukkan unsur kolinearitas sempurna dan kurang sempurna.

Pada bab ini akan membahas bagaimana jika variabel independen saling

berkorelasi satu sama lain baik sempurna maupun kurang sempurna. Dengan

sejumlah pertanyaan menarik yang melatarbelakangi pembahasan ini adalah

bagaimana sifat dasar multikolinearitas?, apa konsekuensinya?, bagaimana kita

dapat mendeteksinya? dan bagaimana cara mengatasinya?.

Bab ini penting untuk dikuasai oleh para mahasiswa karena bahasan pada

bab ini akan menjadi barometer kemampuan mahasiswa untuk menghasilkan

model ekonometrika yang dapat dipertanggungjawabkan secara ilmiah dalam

pengembangan ilmu pengetahuan melalui penelitian skripsi dan secara praktis

berkaitan dengan pengambilan kebijakan yang dapat dimanfaatkan oleh pihak-

pihak yang membutuhkannya.

Kemampuan awal yang perlu dikuasai para mahasiswa adalah sudah

menguasai atau mengikuti mata kuliah ekonomi makro dan mikro, matematika

dan statistik. Sedangkan untuk melengkapi pemahaman para mahasiswa tentang

bab ini para mahasiswa dapat membaca referensi-referensi lain yang berkaitan

dengan materi tersebut.

PBAB

5


2/22

106 Buku Ajar Ekonometrika I Oleh Amaluddin

5.1.1 Deskripsi Singkat

Pembahasan bab ini akan dimulai dari definisi dan sifat multikolinearitas,

kemudian dilanjutkan dengan materi sebab-sebab munculnya

multikolinearitas, konsekuensi atau akibat multikolinearitas, cara

mendeteksi atau mengetahui multikolinearitas dan cara penyembuhannya

dengan menggunakan metode tertentu.

5.1.2 Relevansi

Diharapkan setelah mahasiswa memahami materi pelanggaran asumsi klasik

multikolinearitas mahasiswa dengan mudah dapat menerapkannya untuk

menghasilkan model regresi dengan estimator OLS yang BLUE yang

bermanfaat secara ilmiah untuk pengembangan ilmu pengetahuan melalui

penelitian skripsi dan secara praktis untuk pengambilan kebijakan.

5.1.3 Kompetensi Dasar

Mahasiswa diharapkan dapat menghasilkan atau mengaplikasikan model

regresi dengan estimator OLS yang bersifat BLUE.

5.1.4 IndikatorDengan memberikan kuliah pada bab ini maka mahasiswa diharapkan dapat:

• Menjelaskan definisi dan sifat dasar multikolinearitas

• Menjelaskan sebab-sebab terjadinya multikolinearitas

• Menjelaskan konsekuensi multikolinearitas

• Mengerti dan menerapkan cara deteksi multikolinearitas dengan beberapa

metode.

• Mengerti dan menerapkan cara penyembuhan multikolinearitas dengan

sejumlah metode.


3/22

Bab 5. Pelanggaran Asumsi Klasik: Multikolinearitas 107

5.2 Penyajian Materi

5.2.1 Definisi dan Sifat-sifat Multikolinearitas

Multikolinearitas adalah kondisi terdapatnya hubungan linear atau korelasi

yang tinggi/sempurna ( perfect ) antara masing-masing variabel independen dalam

model regresi. Multikolinearitas biasanya terjadi ketika sebagian besar variabel

yang digunakan saling terkait dalam suatu model regresi. Oleh karena itu masalah

multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan

satu variabel independen.

Contoh multikolinearitas dapat diamati dari teori konsumsi dengan

persamaan regresi berikut:

iiiie X X Y +++=

22120 β β β

………………………………………… (5.1)

dimana Y = konsumsi, X1= pendapatan, X2= kekayaan.

Semakin besar pendapatan, maka kekayaan juga semakin besar/meningkat

(mempunyai kolinearitas yang tinggi). Oleh karena itu, terjadi masalah

multikolinearitas (multicollinearity).

Tingkat kekuatan hubungan antar variabel independen dapat

didikotomikan lemah (low collinearity), tidak berkolinear (no, collinearity),

hampir sempurna (imperfect multicollinearity) dan sempurna ( perfect

multicollinearity). Tingkat hubungan linear (kolinearitas) antar variabel

independen dikatakan lemah apabila masing-masing variabel bebas atau penjelas

hanya mempunyai sedikit sifat-sifat yang sama. Apabila antara variabel bebas

memiliki banyak sifat-sifat yang sama dan serupa sehingga hampir tidak dapat

lagi dibedakan tingkat pengaruhnya terhadap Y, maka tingkat kolinearnya dapat

dikatakan serius, atau perfect , atau sempurna. Sedangkan tidak berkolinearitas jika

antara variabel penjelas tidak mempunyai sama sekali kesamaan. Sebagai

gambaran tingkat hubungan antara variabel independen dapat dilihat pada gambar

berikut:


4/22


5.2.2 Sebab-Sebab Multikolinearitas

Masalah multikolinearitas timbul karena beberapa sebab (Sumodiningrat,

2010):

1. Karena sifat-sifat yang terkandung dalam kebanyakan variabel ekonomi

berubah bersama-sama sepanjang waktu. Besaran-besaran ekonomi

dipengaruhi oleh faktor-faktor yang sama. Oleh karena itu, sekali faktor-

faktor yang mempengaruhi itu menjadi operatif, maka seluruh variabel

akan cenderung berubah dalam satu arah. Misalnya: penghasilan,

tabungan, investasi, konsumsi, harga-harga dan kesempatan kerja

cenderung meningkat dalam masa-masa makmur (boom) dan menurun

dalam periode depresi. Oleh karena itu, dalam data time series,

pertumbuhan dan faktor-faktor kecenderungan atau tren merupakan

penyebab utama adanya multikolinearitas.

2.

Penggunaan nilai lag dari variabel-variabel bebas tertentu dalam model

regresi. Untuk menaksir fungsi konsumsi misalnya, penghasilan di masa

lalu juga dimasukan sebagai variabel bebas tersendiri di samping

penghasilan sekarang.

c. Kolinearitas kurang d. Kolinearitas sempurna

a. Tidak berkolinear c. Kolinearitas


5/22


5.2.3 Konsekuensi Multikolinearitas

Apa konsekuensinya jika model mengandung multikolinearitas? Jika

multikolinearitas masuk dalam kategori kolinearitas lemah sejauh ini masih dapat

diterima secara ilmiah karena hubungan antar variabel ekonomi merupakan hal

yang tidak bisa dihindari. Meski demikian, adanya multikolinearitas sempurna

dan kurang sempurna memiliki konsekuensi yang serius terhadap estimator OLS

sebagaimana yang dapat dijelaskan berikut:

1. Multikolinearitas Sempurna

Jika di antara 2 (dua) variabel bebas terdapat multikolinearitas sempurna

maka konsekuensinya adalah:

1.

Estimator kuadrat terkecil (OLS) tidak bisa ditentukan (indefinite)

2.

Varian dan kovarian dari penaksir OLS menjadi tak terhingga besarnya.

Dengan demikian dapat dikatakan bahwa multikolinearitas sempurna

merupakan permasalahan serius dalam kasus regresi berganda.

2. Multikolinearitas Kurang Sempurna

Jika di antara 2 (dua) variabel bebas terdapat multikolinearitas kurang

sempurna maka konsekuensinya adalah:

1.

Walaupun bersifat BLUE, estimator OLS yang didapatkan memiliki

varians dan kovarians yang besar, sehingga estimasi yang tepat sulit

dilakukan.

2.

Rentang kepercayaan (confidence interval ) menjadi besar.

3.

Uji t untuk satu atau beberapa koefisien regresi cenderung untuk tidak

signifikan. Kondisi ini terjadi karena nilai standar error-nya relatif besar.

4.

Walaupun banyak koefisien yang tidak signifikan (dalam uji-t), akan tetapi

nilai koefisien determinasi (R 2) biasanya sangat tinggi.

5.

Estimator OLS dan kesalahan standarnya menjadi sangat sensitif dengan

adanya perubahan kecil pada data.


6/22


6.

Terkadang taksiran koefisien yang diperoleh akan mempunyai nilai yang

tidak sesuai dengan substansi sehingga dapat menyesatkan interpretasi.

5.2.4 Deteksi Multikolinearitas

1. Nilai R 2 Tinggi Tetapi Hanya Sedikit Variabel Independen

yang Signifikan

Salah satu ciri adanya gejala multikolinearitas adalah model memiliki

koefisien determinasi (R 2) yang tinggi katakanlah di atas 0,8 tetapi hanya

sedikit variabel independen yang signifikan mempengaruhi variabel dependen

melalui uji t (Gujarati dan Porter, 2010). Namun, berdasarkan uji F secara

statistik signifikan yang berarti semua variabel independen secara bersama-

sama mempengaruhi variabel dependen. Dalam hal ini terjadi suatu

kontradiktif dimana berdasarkan uji t secara individual variabel independen

tidak berpengaruh terhadap variabel dependen, namun secara bersama-sama

variabel independen mempengaruhi variabel dependen (Widarjono, 2010;

Ananta dalam Kuncoro, 2007).

Aplikasi/penerapan:

Kita dapat memanfaatkan model persamaan regresi pada persamaan

(5.1) untuk menjelaskan hubungan antara konsumsi (Y), pendapatan (X1) dan

kekayaan (X2). Secara teori konsumsi merupakan fungsi dari pendapatan dan

kekayaan. Untuk mengestimasi hubungan antara ketiga variabel maka

ditampilkan data hipotetis berikut:


7/22


Tabel 5.1 Data Hipotetis Konsumsi, Pendapatan dan Kekayaan

Rumah

Tangga

Konsumsi

(Y)

Juta per Bln

Pendapatan

(X1)

Juta Per Bln.

Kekayaan (X2)

Juta

1 1,72 2,5 25

2 2 3,6 26,5

3 2,7 3,7 35

4 2,8 4 40

5 2,9 4,7 60

6 2,95 4,8 65

7 3,5 4,85 66

8 3,8 4,9 67

9 4 5,5 70

10 4,5 5,6 75

11 4,6 5,7 7712 4,5 7 85

Dari hasil estimasi dengan menggunakan paket program EViews 6.0

diperoleh hubungan antara konsumsi (Y), pendapatan (X1) dan kekayaan (X2)

sebagai berikut:

Tabel 5.2. Hasil Estimasi Hubungan Antara Konsumsi,

Pendapatan dan KekayaanDependent Variable: Y

Method: Least SquaresIncluded observations: 12

Variable Coefficient Std. Error t-Statistic Prob.

C 0.279801 0.575435 0.486243 0.6384X1 0.320418 0.292509 1.095412 0.3018X2 0.026604 0.016792 1.584344 0.1476

R-squared 0.880890Adjusted R-squared 0.854421

F-statistic 33.28027

Prob(F-statistic) 0.000069

Sumber: Hasil Pengolahan Data

Dari hasil estimasi yang dimuat di Tabel 5.2 terdapat beberapa hal

penting yang perlu diperhatikan:


8/22


1.

Nilai koefisien determinasi (R 2) yang diperoleh sangat tinggi yaitu sebesar

0,88 (88%), menunjukkan variasi variabel konsumsi mampu dijelaskan oleh

variabel pendapatan dan kekayaan sebesar 88%.

2.

Hasil uji-F signifikan secara statistik pada α =1%, berarti variabel

pendapatan (X1) dan kekayaan (X2) secara simultan/bersama-sama

berpengaruh terhadap variabel konsumsi (Y).

3. Variabel pendapatan (X1) dan kekayaan (X2) tidak berpengaruh signifikan

secara statistik pada α =5%. Hal tersebut tentu saja berlawanan dengan teori

konsumsi yang menganggap pendapatan dan kekayaan berpengaruh positif

terhadap konsumsi.

4.

Dari poin 1-3, kita dapat menduga bahwa dalam model terdapat masalah

multikolinearitas.

2. Matriks Korelasi

Telah dijelaskan sebelumnya bahwa multikolinearitas adalah hubungan

linear antara variabel independen di dalam regresi. Dengan menggunakan

matriks korelasi maka hubungan linear antara variabel independen dapat

diketahui. Sebagai aturan main (rule of thumb), jika nilai koefisien korelasi (r)

> 0,80 maka kita dapat mengatakan bahwa dalam model terdapat masalah

multikolinearitas sebaliknya apabila nilai koefisien korelasi < 0,80 maka kita

dapat menduga bahwa dalam model tidak terdapat masalah multikolinearitas.

Namun deteksi dengan metode ini perlu kehati-hatian. Masalah ini timbul

terutama pada data time series dimana korelasi antar variabel independen

cukup tinggi karena kedua data biasanya mengandung unsur tren yang sama

yaitu data naik dan turun secara bersamaan.

Aplikasi/Penerapan:

Untuk menguji hubungan linear antar variabel independen dengan

menggunakan matriks korelasi maka digunakan data determinan perilaku

tabungan deposito di Maluku periode 2003Q1-2010.Q4. Data yang diperlukan

ada pada Lampiran 5.1. Adapun dengan persamaan regresi berganda sebagai

berikut:


9/22


t t t e INF IR INC SAV ++++=

3210 β β β β …………………………. (5.2)

dimana SAV adalah tabungan deposito riil, INC adalah pendapatan per kapita,

IR adalah tingkat suku bunga riil dan INF adalah tingkat inflasi. Dengan

menggunakan data pada Lampiran 5.1 maka diperoleh hasil estimasi paket

program EViews 6.0 sebagai berikut:

Tabel 5.3. Hasil Estimasi Hubungan Antara Tabungan Deposito,

Pendapatan, Suku Bunga dan InflasiDependent Variable: SAV

Method: Least Squares

Sample: 2003Q1 2010Q4

Included observations: 32

Variable Coefficient Std. Error t-Statistic Prob.

C -479.3820 15.43645 -31.05520 0.0000

INC 250.4020 6.676516 37.50489 0.0000

IR 0.912369 0.250309 3.644972 0.0011

INF 0.051269 0.321135 0.159650 0.8743

R-squared 0.980504

Adjusted R-squared 0.978415

F-statistic 469.4025

Prob(F-statistic) 0.000000


Dari hasil estimasi di atas tampak bahwa semua variabel independen

signifikan secara statistik melalui uji t kecuali variabel INF (tingkat inflasi).

Dilihat dari uji F, secara simultan semua variabel bebas memiliki pengaruh

signifikan terhadap variabel SAV (tabungan deposito) pada tingkat signifikansi

α = 1%. Di sisi lain nilai koefisien determinasi (R 2) yang diperoleh sangat

tinggi yaitu sebesar 0,98 (98 %). Dari hasil tersebut kita dapat menduga bahwa

model yang digunakan tidak mengandung masalah multikolinearitas.

Untuk mendapatkan hasil pengujian yang lebih meyakinkan maka

digunakan pendeteksian dengan metode matriks korelasi. Metode matriks

korelasi pada dasarnya memanfaatkan nilai koefisien korelasi (r) antara

variabel bebas sebagaimana tampak pada tabel berikut:


10/22


Tabel 5.4 Matriks Korelasi Variabel Pendapatan Per Kapita,

Suku Bunga dan Inflasi

Variabel INC IR INF

INC 1.000000 -0.064010 -0.003268IR -0.064010 1.000000 0.036612

INF -0.003268 0.036612 1.000000


Dari hasil pengujian atau deteksi dengan metode matriks korelasi maka

diperoleh hasil-hasil berikut:

1.

Semua variabel bebas tidak memiliki nilai korelasi yang melebihi 0,80.

Nilai korelasi antara variabel INC (pendapatan per kapita) dan suku bunga

(IR) sebesar 0,064010


11/22


Adapun langkah-langkah menggunakan metode ini adalah :

• Langkah 1. Regresi INC dengan IR dan INF

e INF IR INC +++= 210 β β β …………………………………… (5.3)

Hasil regresi :

INC = 2,2929 – 0,0024*IR – 4,45721e-05*INF

t-stat (40,313) (-0,345) (-0,005)

F-stat = 0,059668 ( P-value = 0,942193)

R 2 = 0,0041

• Langkah 2 : Regresi IR dengan INC dan INF :

e INF INC IR +++=210

β β β …………………………………… (5.4)

Hasil estimasi:

IR = 10,3175 – 1,7053*INC + 0,0468*INF

t-stat (0,914) (-0,345) (0,197)

F-stat = 0.079055 ( P-value = 0,924188)

R 2 = 0,005422

•

Langkah 3: Regresi INF dengan INC dan IR :

e IR INC INF +++=210

β β β ………………………………….... (5.5)

Hasil Estimasi:

INF = 1,9599 – 0,0193*INC + 0,0284*IR

t-stat (0,2198) (-0,0050) (0,1966)

F-stat = 0,0195 ( P-value =0,980726)R

2 = 0,001341

• Langkah 4: Pengambilan keputusan :

Keputusan ada tidaknya unsur multikolinearitas dengan cara

membandingkan nilai F hitung (F statistik) dengan F tabel.

• Jika nilai F hitung > F tabel dengan tingkat signifikansi α dan derajat

kebebasan tertentu maka dapat disimpulkan model mengandung unsur

multikolinearitas.

• Jika nilai F hitung < F tabel dengan tingkat signifikansi α dan derajat

kebebasan tertentu maka dapat disimpulkan model tidak mengandung

unsur multikolinearitas.


12/22


• Jika menggunakan paket program EViews 6.0 maka keputusan ada

tidaknya multikolinearitas dengan melihat nilai probabilitas ( p-value)

dari F-hitung.

Berdasarkan hasil yang telah diperoleh melalui langkah 1-3 maka dapat

dikemukakan beberapa hal penting berikut:

1. Semua hasil estimasi dari langkah 1-3 menunjukkan bahwa nilai

probabilitas ( p-value) dari F statistik (F hitung) > 0,05 (α =5%) artinya tidak

signifikan secara statistik pada α =5%.

2.

Dengan demikian dapat disimpulkan bahwa model tidak mengandung unsur

multikolinearitas.

4. Metode Klien

Pada dasarnya cara deteksi multikolinearitas dengan metode Klien

hampir sama dengan regresi auxiliary. Perbedaannya terletak pada

pengambilan keputusan dimana dalam metode regresi auxiliary untuk

menentukan ada tidaknya multikolinearitas maka tingkat signifikansi nilai F

hitung yang dijadikan acuan. Sedangkan dalam metode Klien, penentuan ada

tidaknya unsur multikolinearitas dilakukan dengan cara membandingkan nilai

koefisien determinasi asli dengan model regresi auxiliary. Menurut Klien,

multikolinearitas terjadi jika koefisien determinasi (R 2) model regresi auxiliary

lebih besar dari koefisien determinasi (R 2) model regresi asli.

Aplikasi/Penerapan:

Untuk menguji ada tidaknya multikolinearitas dengan metode Klien digunakan

kembali data determinan tabungan deposito berjangka di Maluku periode

2003Q1-2010Q4 (Lampiran 5.1) dengan langkah-langkah berikut:

•

Langkah 1. Lakukan estimasi model regresi asli (persamaan 5.1)

Hasil estimasi menghasilkan koefisien determinasi (R 2) = 0,980504

(Lihat Tabel 5.3).

• Langkah 2. Lakukan estimasi model regresi auxiliary

Hasil estimasi :


13/22


- Koefisien determinasi persamaan (5.3) = 0,0041



• Langkah 3. Buat Keputusan.

Karena nilai koefisien determinasi (R 2) model regresi asli lebih besar dari

koefisien determinasi model regresi auxiliary maka dapat disimpulkan bahwa

model tidak mengandung unsur multikolinearitas.

5.2.5 Cara Mengatasi Multikolinearitas

Tidak ada cara yang spesifik untuk mengatasi kolinearitas, tetapi ada

beberapa cara berikut ini yang dapat dilakukan.

1. Melihat informasi sejenis yang ada.

Pada model:

Konsumsi = α0 + α1 Pendapatan + α2 Kekayaan + µ ……………….. (5.6)

Misalnya ada teori atau hasil empiris yang mengatakan bahwa dampak

pendapatan terhadap konsumsi lebih besar dibandingkan dengan dampak

kekayaan terhadap konsumsi atau lebih spesifik lagi misalnya perubahan

konsumsi terhadap kekayaan 25% perubahan konsumsi (α2 =0,25 α1).

Akibatnya dalam pemodelan dapat ditambahkan informasi tersebut sehingga

modelnya menjadi seperti berikut:

Konsumsi = α0 + α1 Pendapatan + 0,25α1 Kekayaan + µ………….. (5.7)

Jika model pada persamaan (5.7) diestimasi maka akan diperoleh nilai α1, yang

kemudian menjadi landasan untuk mendapatkan nilai α2.

2. Menghilangkan salah satu variabel yang berkorelasi

Menghilangkan salah satu variabel yang berkorelasi dapat menghilangkan

masalah multikolinearitas pada model. Akan tetapi, adakalanya pembuangan

salah satu variabel yang berkorelasi menimbulkan masalah baru yaitu bias

spesifikasi ( specification bias) yaitu salah spesifikasi model karena variabel

yang dibuang merupakan variabel yang sangat penting.


14/22


3. Transformasi variabel

Dalam mengatasi masalah multikolinearitas tersebut, kita dapat melakukan

transformasi variabel. Misalnya kita mempunyai model regresi time series sbb:

t t t t e X X Y +++=

22110 β β β …………………………………………... ( 5.8)

dimana Y =tabungan; X1 =pendapatan; X2 = kekayaan

Ditransformasi menjadi:

e X X Y +∆+∆+=∆22110

β β β ………………………………… (5.9)

dimana:

∆ = delta (perubahan)

∆Y = (Yt −Yt-1)

∆X1= (X1t−X1t-1)

∆X2= (X2t−X2 t-1)

e = (et−et-1)

Hati-hati: terkadang nilai variabel gangguan (e) dalam diferensi pertama ( first

difference) mengalami serial korelasi (autokorelasi) yang melanggar asumsi

klasik.

4. Penambahan data

Masalah multikolinearitas pada dasarnya merupakan persoalan sampel

sehingga masalah multikolinearitas seringkali dapat diatasi dengan menambah

jumlah data. Namun dalam prakteknya tidak mudah mendapatkan data

tambahan.


15/22


5.2.6 Tugas/Latihan

1. Diketahui data-data ekonomi Indonesia periode 1984-2010 sbb:

Tabel 5.5 Data FDI, GDP, OPEN dan INF Indonesia

Periode 1984-2010

TAHUN FDI GDP OPEN INF

1984 5.82 13.44 42.88 8.76

1985 6.39 13.46 33.63 4.31

1986 6.19 13.52 40.79 8.83

1987 6.58 13.57 39.00 8.9

1988 6.36 13.62 39.50 5.47

1989 6.53 13.70 41.28 5.97

1990 6.56 13.76 45.87 9.53

1991 6.97 13.83 48.18 9.52

1992 7.57 13.89 48.59 4.941993 8.64 13.96 45.52 9.77

1994 8.24 14.03 41.46 9.24

1995 8.81 14.11 43.69 8.64

1996 8.44 14.18 41.50 6.47

1997 8.15 14.23 70.47 11.05

1998 8.49 14.09 63.97 77.63

1999 9.02 14.11 46.92 2.01

2000 9.20 14.14 72.55 9.35

2001 8.16 14.18 61.85 12.55

2002 8.03 14.23 43.37 10.03

2003 8.60 14.27 39.35 5.062004 8.43 14.32 47.79 6.4

2005 9.10 14.38 50.80 17.11

2006 8.70 14.43 43.72 6.6

2007 9.24 14.49 44.90 6.59

2008 9.61 14.55 50.13 11.06

2009 9.63 14.60 50.16.5 11.15

2010 9.68 14.70 50.20 11.20

Dimana :

FDI = Investasi asing langsung (nilai realisasi investasi asing langsung

dalam bentuk ln)GDP = Pertumbuhan ekonomi (di- proxy dengan ln PDB riil)

OPEN = Rasio ekspor dan impor terhadap PDB (keterbukaan ekonomi)

INF = Inflasi (%)

a) Berdasarkan data di atas lakukan estimasi atau regresi persamaan berikut:

),,(321

X X X f Y =


16/22


e LnX LnX LnX LnY ++++=3322110

β β β β ....................................... (5.10)

Dimana Y=FDI, X1=GDP; X2 = OPEN; X3 = INF

b) Uji/deteksi multikolinearitas dengan beberapa metode berikut:

• Nilai R 2 dan hasil uji t

• Matriks Korelasi

•

Regresi Auxiliary

• Metode Klien

c) Jika model tersebut kena multikolinearitas, bagaimana cara

penyembuhannya? Jelaskan !

5.3 Penutup

5.3.1 Tes Formatif

2.

Jelaskan apa yang dimaksud dengan kondisi multikolinearitas?

3.

Jika model kita terkena multikolinearitas, apa memang pengaruhnya ?

4. Apa yang dimaksud dengan “high” but not “perfect” multicollinearity?

Masalah apa yang akan terjadi?

5.

Apa yang dimaksud dengan BLUE? Masih BLUE –kah jika model kitaterkena multikolinearitas?

6. Jika model kita terkena multikolinearitas, boleh tidak model tersebut kita

lanjutkan saja tanpa perbaikan? Mengapa? Jelaskan!

7.

Bagaimana kita dapat mengetahui suatu model terkena multikolinearitas?

8. Jika model kita kena multikolinearitas dan ingin menyembuhkannya,

bagaimana cara penyembuhannya?

5.3.2 Umpan Balik

Mahasiswa dapat menjawab pertanyaan dari test formatif di atas.

Apabila penguasaan kurang dari 80% maka mahasiswa diharapkan

mempelajari kembali dengan mengacu pada buku rujukan dalam penulisan

buku ajar ini.


17/22


5.3.3 Tindak Lanjut

Apabila mahasiswa sudah dapat menjawab pertanyaan secara benar

dengan penguasaan 80% sampai dengan 100% maka dapat melanjutkan

pada materi selanjutnya.

5.3.4 Rangkuman

•

Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi

yang tinggi/sempurna ( perfect ) antara masing-masing variabel independen

dalam model regresi. Masalah multikolinearitas tidak terjadi pada regresi

linier sederhana yang hanya melibatkan satu variabel independen.

•

Multikolinearitas disebabkan oleh 1) sifat-sifat yang terkandung dalamkebanyakan variabel ekonomi berubah bersama-sama sepanjang waktu.

2) Penggunaan nilai lag dari variabel-variabel bebas tertentu dalam model

regresi.

• Adanya multikolinearitas sempurna dan kurang sempurna memiliki

konsekuensi yang serius terhadap estimator OLS. Jika dalam model

terdapat multikolinearitas sempurna maka konsekuensinya adalah

1) estimator kuadrat terkecil (OLS) tidak bisa ditentukan, 2) varian dan

kovarian dari penaksir OLS menjadi tak terhingga besarnya. Jika dalam

model terdapat multikolinearitas kurang sempurna maka konsekuensinya

diantaranya adalah 1) estimator OLS masih bersifat BLUE namun

estimator yang didapatkan memiliki varians dan kovarians yang besar,

sehingga estimasi yang tepat sulit dilakukan. 2) uji t untuk satu atau

beberapa koefisien regresi cenderung untuk tidak signifikan. Kondisi ini

terjadi karena nilai standar error -nya relatif besar.

• Terdapat beberapa metode untuk mendeteksi multikolinearitas diantaranya

adalah nilai R 2 namun banyak variabel independen yang tidak signifikan

melalui uji t, metode matriks korelasi, regresi auxiliary dan metode Klien.

•

Penyembuhan multikolinearitas dapat dilakukan dengan cara transformasi

variabel menjadi diferensi pertama, mengeluarkan variabel yang

berkorelasi tinggi dalam model dan menambah observasi.


18/22


5.3.5 Kunci Jawaban Test Formatif

Kriteria kebenaran jawaban untuk soal no. 1 sampai dengan no. 6 sudah

tercantum di buku ajar, jika mahasiswa dapat menjawab sesuai yang

tercantum di buku maka dapat dikatakan penguasaan materi baik.

DAFTAR PUSTAKA

Gujarati, Damodar, N & D.C. Porter. 2010. Dasar-dasar Ekonometrika ( Basic

Econometrics) Edisi Kelima. Terjemahan Eugenia Mardanugraha dkk.

Jakarta : Penerbit Salemba Empat.

Nacrowi, D.N & H. Usman. 2006. Pendekatan Populer dan Praktis, Ekonometrika untuk Analisis Ekonomi dan Keuangan. Jakarta :

Lembaga Penerbit Fakultas Ekonomi UI.

Sumodiningrat, Gunawan. 2010. Ekonometrika Pengantar . Edisi Ketiga.

Yogyakarta : BPFE Yogyakarta.

Widarjono, A. 2010. Ekonometrika Pengantar dan Aplikasinya. Yogyakarta :

Penerbit Ekonisia Fakultas Ekonomi UII.

Winarno, Wing Wahyu. 2009. Analisis Ekonometrika dan Statistika dengan

Eviews. Yogyakarta: UPP STIM YKPN.

Modul Praktikum Ekonometrika I, Jurusan IESP Fakultas Ekonomi Unpatti.


19/22


SENARAI

BLUE, singkatan dari Best Linear Unbiased Estimator . Model yang digunakan

memiliki estimator OLS yang terbaik karena memenuhi syarat konsisten dan

linear, tidak bias serta efisien sehingga estimator OLS memiliki varians minimum.

Multikolinearitas; suatu pelanggaran terhadap asumsi klasik yang ditunjukkan

oleh adanya hubungan linear atau kolinearitas sempurna antar variabel independen

dalam model regresi metode OLS.

Penyembuhan multikolinearitas, cara mengatasi multikolinearitas dengan

menggunakan metode tertentu.

Specification bias; salah spesifikasi model yang diakibatkan oleh berbagai faktor

diantaranya diabaikan atau tidak dimasukkannya beberapa variabel penting dalam

fungsi/model.

Uji Multikolinearitas, pengujian model untuk mendeteksi unsur multikolinearitas

dengan menggunakan berbagai metode tertentu.


20/22


LAMPIRAN

Lampiran 5.1 Data Determinan Tabungan Deposito Perbankan

di Maluku Periode 2003Q1-2010Q4

Observasi IR INF INC SAV

2003Q1 16.99 -0.28 2.04 49.98423

2003Q2 10.07 4.23 2.05 47.7151

2003Q3 9.44 1.27 2.07 53.27008

2003Q4 1.65 4.11 2.08 46.2362

2004Q1 10.25 -3.81 2.09 54.94743

2004Q2 1.48 1.95 2.1 44.38857

2004Q3 -0.24 -1.4 2.11 40.91136

2004Q4 1.89 5.91 2.12 43.8175

2005Q1 5.1 -3.86 2.13 51.50272

2005Q2 5.95 4.68 2.15 59.31352

2005Q3 5.95 6.79 2.16 67.00042

2005Q4 -0.53 4.78 2.18 69.3839

2006Q1 11.28 1.69 2.2 73.30181

2006Q2 8.82 1.08 2.22 87.01762

2006Q3 11.8 1.93 2.24 95.58215

2006Q4 8.99 11.15 2.25 98.4362

2007Q1 7.11 0.97 2.27 102.2938

2007Q2 7.54 3.03 2.28 107.5279

2007Q3 5.18 -0.48 2.3 109.2248

2007Q4 6.33 1.24 2.32 113.4305

2008Q1 4.34 1.76 2.34 114.1307

2008Q2 0.39 0.54 2.37 112.5571

2008Q3 3.58 2.37 2.39 117.1905

2008Q4 15.59 1.08 2.42 130.4621

2009Q1 8.78 3 2.43 128.0298

2009Q2 12.1 6.96 2.45 138.3505

2009Q3 6.87 4.98 2.46 140.3279

2009Q4 2.9 -4.87 2.48 143.826

2010Q1 4.29 2.26 2.5 152.1185

2010Q2 6.7 -2.43 2.52 161.0902

2010Q3 2.25 1.82 2.54 163.2558

2010Q4 6.27 4.81 2.57 174.16

Sumber: BPS & BI, 2003-2010

Keterangan:

SAV = Tabungan deposito, diproksi (diwakili) dengan tabungan deposito

riil (triliun rupiah).


21/22


INC = Pendapatan, diproksi dengan PDRB per kapita harga konstan (juta

rupiah).

IR = Suku bunga, diproksi dengan suku bunga deposito riil 3 bulan

(persen). Suku bunga riil adalah suku bunga deposito yang

dikurangi dengan tingkat inflasi.

INF = Tingkat inflasi, diproksi dengan Indeks Harga Konsumen (%).

Lampiran 5.2. Panduan EViews untuk Deteksi Multikolinearitas

dengan Matriks Korelasi

Pilih Quick

Kemudian Pilih Series Statistics

Pilih Correlations

Tampil Kotak Series List

Masukkan Semua Independen (INC, IR, INF)


22/22


Klik Ok

Mult KoLinear

Documents

Transcript of Mult KoLinear