Professional Documents
Culture Documents
?
+
2
1
= 65 %
2
2
= 25 %
= 90 %
Apakah
berapa besarnya R 2 = ? .
bebas, maka R2=90%, tetapi bila terdapat korelasi antara kedua variabel, maka
R2<90%. Bahkan bila terdapat korelasi yang sempurna diantara kedua variabel maka
R 2 = R12 = 65% . Inilah yang disebut multikolinearitas.
Pada modul ini akan dipelajari hal-hal yang berkaitan dengan masalah
mltikolinearitas agar mampu menjawab pertanyaan-pertanyaan sebagai berikut :
Apa yang dimaksud multikolinearitas, dan mengapa masalah ini sering terjadi
pada model ekonometrika?
65
KOMPETENSI
Setelah mempelajari modul ini diharapkan dapat memahami pengertian, konsekwensi,
mendeteksi serta mengatasi multikolinearitas
KEGIATAN BELAJAR
5.1 Pengertian Multikolinearitas
(1) Fungsi produksi, yaitu suatu fungsi yang menggambarkan hubungan teknis antara
input dengan output dalam suatu proses produksi. Secara umum output (Y)
merupakan fungsi dari modal (X1), tenaga kerja (X2) yang pada umumnya antara
penggunaan tenaga kerja dan modal saling terkait. Artinya, dalam suatu proses
produksi bila modal yang digunakan besar maka tenaga kerja yang dibutuhkan
juga besar. Adanya korelasi diantara input (X1, X2) menyebabkan terjadinya
masalah multikolinearitas.
(2) Fungsi konsumsi, secara teori ekonomi besarnya pengeluaran konsumsi (Y)
dipengaruhi oleh pendapatan (X1) dan kekayaan (X2). Pada umumnya bila
seseorang yang berpendapatan besar, maka akan dibarengi dengan besarnya
kekayaan, sehingga diantara pendapatan dengan kekayaan terjadi korelasi yang
tinggi.
(3) Model distribsi lag
Yt = + 0 X t + 1 X t 1 + 2 X t 2 + ... + k X t k + t
multikolinearitas.
66
67
(2) Bila terjadi multikolinearitas yang mendekati sempurna (korelasi yang tinggi
diantara variabel eksplanatori), yaitu bila
C1 X1+ C2 X2+ . . . + Cp Xp + Vi = 0
.
( X T X) 1 =
1
det( X T X)
suatu matriks
Bila ( X T X) singular maka det( X T X) = 0 , tetapi bila terjadi multikolinearitas
yang mendekati sempurna det( X T X) mendekati 0 , akibatnya :
var( 0 )
Cov( 0 , 1 )
Cov( 0 , 1 )
var( 1 )
Var ( ) = ( X T X) 1 2 =
...
...
Cov( 0 , p1 ) Cov( 1 , p1 )
... Cov( 0 , p )
... Cov( , )
1
...
...
p1
...
var( p )
t hitung =
j
s ( j )
68
Contoh 5.2
Pada Tabel 5.1 disajikan data sample dari 15 perusahaan dan akan dibuat fungsi
produksinya.. Ada dua input yang mempengaruhi ouput (Q), yaitu tenaga kerja (L)
serta Modal (K).
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Q
(ton)
2350
2470
2110
2560
2650
2240
2430
2530
2550
2450
2290
2160
2400
2490
2590
L
(jam orang)
2334
2425
2230
2463
2565
2278
2380
2437
2446
2403
2301
2253
2367
2430
2470
K
(juta rupiah)
1570
1850
1150
1940
2450
1340
1700
1860
1880
1790
1480
1240
1660
1850
2000
Q = 0 L1 K 2 e
Maka dengan menggunakan program paket MINITAB diperoleh hasil seperti yang
disajikan pada table 5.2.
69
R-Sq(adj) = 96.4%
MS
0.030841
0.000165
F
186.82
P
0.000
T
-7.74
18.69
P
0.000
0.000
R-Sq(adj) = 96.1%
MS
0.061379
0.000176
F
349.28
P
0.000
T
40.78
19.19
P
0.000
0.000
R-Sq(adj) = 96.3%
MS
0.061493
0.000167
F
368.32
P
0.000
Correlations: ln Q, ln L, ln K
ln L
ln K
ln Q
0.982
0.000
0.983
0.000
ln L
0.992
0.000
Pada Tabel 5.2 terdapat tiga buah model fungsi produksi, yaitu :
i. Hubungan antara ln Q dengan ln L dan ln K
70
T
-7.74
18.69
P
0.000
0.000
:
T
40.78
19.19
P
0.000
0.000
Pada model (i) semua koefisien regresi, baik untuk variabel ln L maupun ln K, tidak
signifikan (p>0.05) padahal koefisien determinasinya besar yaitu 96,9%. Hal ini
bertentangan dengan model (ii) maupun model (iii), artinya pada model dengan hanya
satu variabel eksplanatori koefisien regresinya signifikan, tetapi bila kedua variabel
eksplanatori dimasukkan model, menjadi tidak signifikan. Hal ini merupakan dampak
dari adanya kasus multikolinearitas dalam model.
Contoh 5.3.
Tabel
konsumsi rumah tangga (C) yang dipengaruhi oleh pendapatan (Y) serta kekayaan
(W).
!" #
% &
'
)
No
1
2
3
4
5
6
7
8
9
10
Konsumsi (C)
(dalam juta rupiah/tahun)
Pendapatan (Y )
(dalam juta rupiah/tahun)
Kekayaan (W )
(dalam juta rupiah/th)
70
65
90
95
110
115
120
140
155
150
80
100
120
140
160
180
200
220
240
260
810
1009
1273
1452
1633
1876
2052
2201
2435
2686
71
: C = 24,5 + 0,509 Y
: C = 24,1
+ 0,0499 W
Perhatikan tanda dari koefisien untuk variable W, pada model (i) bertanda negatif (0,0443) sedangkan pada model (iii) bertanda positif (+0,0499).
Ternyata ada korelasi yang sangat tinggi antara Y dengan W sebesar 0,999.
Ini merupakan salah satu konsekwensi (dampak) yang paling serius dari adanya
multikolinearitas, yaitu dapat merubah tanda dari koefisien regresi.
72
P
0.008
0.275
0.595
R-Sq(adj) = 95.3%
MS
4283.5
46.1
F
92.83
P
0.000
T
3.81
14.24
P
0.005
0.000
R-Sq(adj) = 95.7%
MS
8552.7
42.2
F
202.87
P
0.000
T
3.48
13.25
P
0.008
0.000
R-Sq(adj) = 95.1%
MS
8502.4
48.4
F
175.50
P
0.000
Correlations: C, Y, W
Y
W
C
0.981
0.000
0.978
0.000
0.999
0.000
73
Bila dalam model diperoleh R2 yang tinggi (>0,7) tetapi sedikit sekali atau
bahkan tidak satupun parameter regresi yang signifikan bila diuji secara
individual dengan menggunakan statistik uji t.
2)
Bila diperoleh koefisien korelasi sederhana yang tinggi diantara sepasangsepasang variabel eksplanatori. Tingginya koefisien korelasi merupakan syarat
yang cukup untuk terjadinya multikolinearitas.
koefisien yang rendah, maka belum dapat dikatakan bahwa tidak terjadi
multikolinearitas, sehingga perlu dilihat lagi koefiseien korelasi parsial maupun
korelasi serentak diantara semua variabel eksplanatori.
3)
Bila dalam model regresi diperoleh koefisien regresi ( j ) dengan tanda yang
berbeda dengan koefisien korelasi antara Y dengan Xj. Misal korelasi antara Y
dengan Xj bertanda positif (rYX j > 0) , tetapi koefisien regresi untuk okoefisien
regresi yang berhubungan dengan Xj bertanda negative ( j < 0) , atau sebaliknya.
4)
Indeks kondisi = IK = k
Sebagai ancar-ancar
IK =
R 2j
TOL j = 1 R 2j
VIF j =
1
1
=
TOL 1 R 2j
74
Sehingga bila dari hasil perhitungan diperoleh 1 maka 2 bisa dicari melalui
rumus
2 = 0,101 .
2 = 0,101 ?. Hal ini bisa diperoleh, baik berdasarkan teori ekonomi maupun
berdasarkan hasil penelitian empiris sebelumnya, sebagai suatu pengalaman
praktek (misal : pada fungsi produksi telah diinformasikan bahwa perusahaan
dalam keadaan constant returns to scale 1 + 2 = 1 ).
(2 ) Menggabungkan data cross section dan time series
Data penampang (cross section) adalah data yang menggambarkan keadaan pada
suatu waktu tertentu (at a point of time), sedangkan data time series adalah data
yang menggambarkan perkembangan suatu kegiatan dari waktu ke waktu (misal :
data harga, produksi padi, pendapatan nasional, konsumsi nasional/regional,
investasi nasional/regional, dan lain sebagainya). Analisis data penampang (cross
sectional data analysis) sifatnya statis, artinya tidak memperhitungkan perubahan-
perubahan yang terjadi karena perubahan waktu, sedangkan analisis data berkala
75
(time
series
data
analysis)
sifatnya
dinamis
(dynamic),
karena
telah
untuk
perencanaan (planning).
Teknik lainnya selain yang disebutkan pada di atas ialah dengan penggabungan
data (pooling the data), yaitu data penampang dan berkala secara bersama-sama
dipergunakan dalam suatu analisis. Misalkan kita ingin mempelajari/meneliti
permintaan mobil di Jakarta untuk golongan pendapatan menengah ke atas.
Misalkan kita sudah mempunyai data berkala, selama pelita I, II & III ( 15 tahun )
tentang jumlah mobil yang terjual (Q), rata-rata harga mobil (P), pendapatan
masyarakat (Y) dan t menunjukkan waktu dengan model regresi sebagai berikut :
Qt = 0 + 1 P + 2Y + t
76
dengan
vt = t t 1
variabel yang sama persoalan kolinearitas ganda mungkin tidak begitu serius
seperti sampel pertama. Kadang-kadang hanya dengan menambah observavi
(menambah nilai n), sudah dapat mengurangi persoalan kolinearitas ganda
tersebut.
(6) Metode lain yang dianjurkan untuk mengatasi adanya multikolinearitas adalah :
Regresi Komponen Utama (Principal Component Regression)
Regresi Ridge
77
Contoh 5.
Tabel 5.5 berikut menyajikan data tentang Tingkat Kejernihan Air (Y), Alumunium
Sulfat (X1), Khlor Cair (X2), Kaporit (X3), Cupri Sulfat (X4), Dukem S01A (X5) , serta
Kekeruhan Air Setelah Diendapkan (X6).
Tabel 5.5 Tingkat Kejernihan Air (Y), Alumunium Sulfat (X1), Khlor Cair
(X2), Kaporit (X3), Cupri Sulfat (X4), Dukem S01A (X5) , serta
Kekeruhan Air Setelah Diendapkan (X6).
Y
0.49
0.74
0.65
0.56
0.78
0.77
0.55
0.55
0.78
0.55
0.64
0.59
0.55
0.65
0.65
0.58
0.68
0.58
0.55
0.66
0.78
0.55
0.79
0.79
0.77
0.64
0.55
0.55
0.57
0.56
X1
99.98
98.85
97.98
99.9
109
109
98.98
109
98.96
99.89
97.96
98.75
109.9
98.79
98.79
109.9
98.78
109
99.54
98.8
108.9
99.89
109
109
98.79
109
109
99.87
98.89
108.9
X2
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.07
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.07
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.08
0.08
X3
0.87
0.96
0.96
0.97
0.96
0.99
0.87
0.87
0.96
0.87
0.79
0.88
0.98
0.93
0.89
1
0.93
1
0.87
0.86
0.96
0.87
0.86
0.96
0.96
1
0.9
0.77
0.89
0.87
X4
0.71
0.77
0.7
0.76
0.77
0.77
0.71
0.71
0.77
0.71
0.63
0.76
0.72
0.7
0.7
0.74
0.7
0.74
0.71
0.63
0.77
0.71
0.77
0.77
0.77
0.74
0.7
0.71
0.76
0.7
X5
0.39
0.43
0.39
0.42
0.43
0.43
0.39
0.39
0.43
0.39
0.39
0.39
0.4
0.39
0.39
0.41
0.39
0.41
0.39
0.39
0.43
0.39
0.43
0.43
0.43
0.41
0.39
0.39
0.42
0.39
X6
4.45
4.87
4.56
4.89
3.01
4.51
3.87
4.35
4.68
3.55
4.55
3.4
4.53
4.54
3.54
4.37
3.57
4.37
3.57
4.35
4.65
4.58
3.89
3.58
4.7
5.08
4.97
4.98
5.77
4.88
78
DAFTAR PUSTAKA
[1] Gujarati
D. N, 2004.
Basic
Companies
[2] Koutsoyiannis A, 1978. Theory of Econometrics, Second Edition. Haper & Row
Publisher Inc.
RANGKUMAN
diantara
terjadi
multikolinearitas
yang
sempurna,
maka
dengan
Pada
79
diantara
Terdapat beberapa cara untuk mengatasi bila dalam model terdapat masalah
multikolinearitas, antara lain :
Adanya informasi sebelumnya secara apriori
Menggabungkan data cross section dan time series
Mengeluarkan satu variabel atau lebih dan kesalahan spesifikasi
Trasformasi Variabel-variabel
Penambahan Data Baru
Metode lain yang dianjurkan untuk mengatasi adanya multikolinearitas
adalah :
80
TEST FORMATIF
1.
2.
3.
4.
Tabel 5.6 berikut data tentang Konsumsi (Y), Pendapatan Upah (X1), Pendapatan
Non Upah Non Pertanian (X2), Pendapatan Pertanian (X3),
Tabel 5.6
Tahun
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Y
62.8
65
63.9
67.5
71.3
76.6
86.3
95.7
98.3
100.3
103.2
108.9
108.5
111.4
X1
43.41
46.44
44.35
47.82
51.02
58.71
87.69
76.73
75.91
77.62
78.01
83.57
90.59
95.47
X2
17.1
18.65
17.09
19.28
23.24
28.11
30.29
28.26
27.91
32.3
31.39
35.61
37.58
35.17
X3
3.96
5.48
4.37
4.51
4.88
6.37
8.96
9.76
9.31
9.85
7.21
7.39
7.98
7.42
81