PENDAHULUAN

?
+

2
1

= 65 %

2
2

= 25 %

= 90 %

Perhatikan kasus berikut :

Sebuah model regresi :

y = 0 + 1 x1 + diperoleh R12 = 65%

y = 0 + 2 x 2 + diperoleh R22 = 25%

Bila model menjadi : y = 0 + 1 x1 + 2 x 2 +

Apakah

berapa besarnya R 2 = ? .

R 2 = 65% + 25% = 90% ? atau R 2 < 90 ? . Bila antara X1 dan X2 saling

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?

Apa konsekwensinya bila dalam model ekonometrika terjadi kasus

multikolinearitas?

Bagaimana cara mengetahui terjadinya kasus multikolinearitas?

Bagaimana cara mengatasi jika dalam model terdapat kasus multikolinearitas?

65

KOMPETENSI
Setelah mempelajari modul ini diharapkan dapat memahami pengertian, konsekwensi,
mendeteksi serta mengatasi multikolinearitas

KEGIATAN BELAJAR
5.1 Pengertian Multikolinearitas

Istilah Multikolinearitas (kolinearitas ganda) pertama kali ditemukan oleh

Ragnar Frisch yang berarti adanya hubungan linear yang sempurna atau pasti diantara
beberapa atau semua variabel eksplanatori (bebas) dari model regresi ganda.
Selanjutnya istilah multikolinearitas digunakan dalam arti yang lebih luas, yaitu
terjadinya korelasi linear yang tinggi diantara variabel-variabel eksplanatori (X1, X2,. .
. , Xp).
Pada model ekonometrika sering terjadi masalah multikolinearitas, karena
pada dasarnya variabel-variabel ekonomi saling terkait, selain itu pada beberapa kasus
digunakan model distribusi lag.
Contoh 5.1

(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

Pada umumnya antara Xt dengan Xt-1, Xt-2, , Xt-k terdapat korelasi.

Gambar

5.1 berikut memberikan gambaran/ilustrasi tinggi rendahnya masalah

multikolinearitas.

66

(i) tidak ada multikolinearitas

(ii) multikolinearitas rendah

Gambar 5.1. Beberapa keadaan Multikolinearitas

5.2 Konsekwensi Bila terjadi Multikolinearitas

(1) Bila terjadi multikolinearitas yang sempurna, yaitu jika

C1 X1+ C2 X2+ . . . + Cp Xp=0
Maka dengan menggunakan metode kuadrat terkecil tidak dapat diperoleh
koefisien regresi yang unik.
Pada model regresi ganda y = X +
Dengan metode kuadrat terkecil diperoleh = ( X T X) 1 X T y
Bila terjadi multikolinearitas sempurna diantara variabel eksplanatori, maka
( X T X) merupakan matriks singular (tidak berpangkat penuh), akibatnya
( X T X) 1 tidak dapat ditentukan secara unik. Dengan demikian = ( X T X) 1 X T y
tidak dapat diperoleh secara unik.

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 )

membesar (over estimated)

artinya varians dari koefisien regresi membesar, sehingga standard error (galat
baku) dari koefisien regresi membesar. Dengan kata lain, jika terjadi masalah
multikolinearitas yang mendekati sempurna, maka hasil pendugaan dengan
metode kuadrat terkecil masih tetap tak bias, tetapi tidak efisien (variansnya tidak
minimum).
Dampak dari membesarnya varians adalah :
a. Pengujian parameter regresi dengan statistik uji t menjadi tidak valid
H0 : j = 0
H1 : j 0

t hitung =

j
s ( j )

akan mengecil bila s ( j )besar , sehingga cenderung untuk

tidak menolak H0.

b. Selang kepercayaan (dugaan selang) untuk parameter regresi cenderung
melebar.
P[ j t / 2 .s ( j ) j j + t / 2 .s ( j )] = 1

68

akan melebar jika s ( j )besar .

Dengan melebarnya selang kepercayaan,

maka hasil dugaan yang diperoleh menjadi tidak dapat dipercaya.

3.

Terjadinya kontradiksi antara hasil pengujian hipotesis parameter regresi secara

serentak melalui statistik uji F dengan hasil pengujian parameter regresi secara
individu melalui statistik uji t. Pada pengujian secara serentak diputuskan untuk
menolak H0 yang berarti minimal ada satu parameter regresi yang signifikan,
tetapi pada uji secara individu ternyata tidak satupun parameter regresi yang
siginifikan.

Bukan itu saja, dampak yang sangat serius dari adanya

multikolinearitas adalah dapat merubah tanda dari koefisien regresi.

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

Andaikan model yang digunakan adalah Cobb-Douglas

Q = 0 L1 K 2 e
Maka dengan menggunakan program paket MINITAB diperoleh hasil seperti yang
disajikan pada table 5.2.

69

Tabel 5.2 Hasil Olahan Komputer Fungsi Produksi CD

Regression Analysis: ln Q versus ln L, ln K
The regression equation is
ln Q = 0.50 + 0.758 ln L + 0.188 ln K
Predictor
Coef SE Coef
T
P
Constant
0.501
4.480 0.11 0.913
ln L
0.7575
0.7073 1.07 0.305
ln K
0.1880
0.1387 1.36 0.200
S = 0.0128487
R-Sq = 96.9%
Analysis of Variance
Source
DF
SS
Regression
2 0.061683
Residual Error 12 0.001981
Total
14 0.063664

R-Sq(adj) = 96.4%
MS
0.030841
0.000165

F
186.82

P
0.000

Regression Analysis: ln Q versus ln L

The regression equation is
ln Q = - 5.50 + 1.71 ln L
Predictor
Coef SE Coef
Constant
-5.5010
0.7111
ln L
1.70896 0.09144
S = 0.0132565
R-Sq = 96.4%
Analysis of Variance
Source
DF
SS
Regression
1 0.061379
Residual Error 13 0.002285
Total
14 0.063664

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

Regression Analysis: ln Q versus ln K

The regression equation is
ln Q = 5.30 + 0.335 ln K
Predictor
Coef SE Coef
Constant
5.2966
0.1299
ln K
0.33536 0.01747
S = 0.0129212
R-Sq = 96.6%
Analysis of Variance
Source
DF
SS
Regression
1 0.061493
Residual Error 13 0.002170
Total
14 0.063664

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

ln Q = 0.50 + 0.758 ln L + 0.188 ln K

Predictor
Coef SE Coef
T
P
Constant
0.501
4.480 0.11 0.913
ln L
0.7575
0.7073 1.07 0.305
ln K
0.1880
0.1387 1.36 0.200
R-Sq = 96.9%

70

ii. Hubungan antara ln Q dengan ln L :

ln Q = - 5.50 + 1.71 ln L
Predictor
Coef SE Coef
Constant
-5.5010
0.7111
ln L
1.70896 0.09144

T
-7.74
18.69

iii. Hubungan antara ln Q dengan ln K

ln Q = 5.30 + 0.335 ln K
Predictor
Coef SE Coef
Constant
5.2966
0.1299
ln K
0.33536 0.01747

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

5.3 berikut menyajikan data tentang hubungan antara besarnya tingkat

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

Dengan menggunakan program paket MINITAB diperoleh hasil seperti yang

disajikan pada Tabel 5.4.
Pada Tabel 5.4 terdapat tiga buah model hubungan fungsi konsumsi
i. Hubungan antara C dengan Y dan W : C = 25,1 + 0,960 Y - 0,0443 W
ii. Hubungan antara C dengan Y

: C = 24,5 + 0,509 Y

iii. Hubungan antara C dengan W

: 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

Tabel 5.4 Hasil Olahan Komputer Fungsi Konsumsi

Regression Analysis: C versus Y, W
The regression equation is
C = 25.1 + 0.960 Y - 0.0443 W
Predictor
Coef SE Coef
T
Constant
25.094
6.808
3.69
Y
0.9599
0.8114
1.18
W
-0.04435 0.07973 -0.56
S = 6.79282
R-Sq = 96.4%
Analysis of Variance
Source
DF
SS
Regression
2 8567.0
Residual Error
7
323.0
Total
9 8890.0

P
0.008
0.275
0.595

R-Sq(adj) = 95.3%
MS
4283.5
46.1

F
92.83

P
0.000

Regression Analysis: C versus Y

The regression equation is
C = 24.5 + 0.509 Y
Predictor
Coef SE Coef
Constant
24.455
6.414
Y
0.50909 0.03574
S = 6.49300
R-Sq = 96.2%
Analysis of Variance
Source
DF
SS
Regression
1 8552.7
Residual Error
8
337.3
Total
9 8890.0

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

Regression Analysis: C versus W

The regression equation is
C = 24.1 + 0.0499 W
Predictor
Coef
SE Coef
Constant
24.082
6.920
W
0.049875 0.003765
S = 6.96040
R-Sq = 95.6%
Analysis of Variance
Source
DF
SS
Regression
1 8502.4
Residual Error
8
387.6
Total
9 8890.0

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

5.3 Cara mendeteksi multikolinearitas

Terdapat beberapa cara untuk mendeteksi multikolinearitas, antara lain :

1)

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.

Akan tetapi bila diperoleh

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)

Nilai indeks kondisi

Nilai kondisi = k =

nilai eigen maksimum

nilai eigen minimum

Indeks kondisi = IK = k
Sebagai ancar-ancar
IK =

10 30 ; ada multikolinearitas sedang

> 30 ; ada multikolinearitas serius

5) Tolerance (TOL) dan Variance Inflation Factor (VIF)

Misalkan terdapat satu variabel respon Y dan p buah variabel eksplanatori, maka
kita regresikan setiap variabel eksplanatori dengan variabel eksplatori lainnya dan
akan diperoleh koefisien determinasi.
X j = A0 + A1 X 1 + A2 X 2 + ... + A p 1 X p +

R 2j

TOL j = 1 R 2j

VIF j =

1
1
=
TOL 1 R 2j

74

5.4 Cara Mengatasi Jika dalam Model Terdapat Kasus Multikolinearitas

Terdapat beberapa cara untuk mengatasi bila dalam model terdapat masalah

multikolinearitas, antara lain :

(1) Adanya informasi sebelumnya secara apriori
Misalkan kita mempunyai model berikut :
Yi = 0 + 1 X 1i + 2 X 2i + i
dengan : Y = Konsumsi
X1 = pendapatan
X2 = kekayaan
Telah disebutkan sebelumnya bahwa antara pendapatan dan kekayaan mempunyai
kolinearitas yang tinggi. Andaikan kita sudah memperoleh informasi sebelumnya
(a priori information ) bahwa 2 = 0,101 yang berarti tingkat perubahan

konsumsi terhadap perubahan kekayaan sepersepuluh

( 1/10 ) dari tingkat

perubahannya ( rate of change ) terhadap pendapatan. Dengan demikian model

regresi di atas kemudian menjadi :
Yi = 0 + 1 X 1i + (0,10) 1 X 2i + i
Yi = 0 + 1 X i* + i
dengan : X i* = X 1i + 0,10 X 2i .

Sehingga bila dari hasil perhitungan diperoleh 1 maka 2 bisa dicari melalui
rumus

2 = 0,101 .

Persoalannya adalah darimana kita tahu bahwa

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

memperhitungkan adanya perubahan-perubahan yang disebabkan oleh adanya

perubahan waktu.
Istilah-istilah rata-rata tingkat kenaikan (rate increase) dan rata-rata tingkat
pertumbuhan (rate of growth), selalu dihubungkan dengan data berkala selama
jangka waktu tertentu (misal : sepuluh tahun yang lalu, selama tiga pelita, selama
sepuluh bulan yang lalu ).
Analisis tren (trend analysis) juga termasuk yang dinamis, sangat berguna untuk
peramalan (forecasting) dimana data peramalan sangat berguna

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

Tujuan kita ingin memperkirakan elastisitas harga (price elasticity, 1 ) dan

elastisitas pendapatan (income elasticity, 2 ).
(3) Mengeluarkan satu variabel atau lebih dan kesalahan spesifikasi
Bila dalam model terdapat kasus kolinearitas ganda yang serius, maka salah satu
hal yang paling mudah adalah dengan mengeluarkan salah satu variabel yang
berkorelasi dengan variabel lainnya. Misalkan dalam fungsi konsumsi, terdapat 2
faktor yang mempengaruhi besarnya konsumsi (Y), yaitu pendapatan (X1), dan
kekayaan (X2 ). Tetapi bila X2 dikeluarkan dari model, maka seolah-olah hanya
variabel pendapatan (X1) yang signifikan pengaruhnya terhadap Y.
Akan tetapi dengan mengeluarkan satu variabel dari model regresi kita melakukan
kesalahan spesifikasi (specification error). Kesalahan spesifikasi terjadi kalau kita
melakukan kesalahan dalam menentukan spesifikasi model yang digunakan dalam
analisis, maksudnya salah dalam menentukan variabel yang tepat/benar dalam
suatu model regresi. Jadi kalau teori ekonomi mengatakan bahwa pendapatan dan

76

kekayaan keduanya harus dimasukkan di dalam model regresi untuk menerangkan

tingkah laku variabel konsumsi, keputusan untuk mengeluarkan variabel kekayaan
dari model berarti melakukan kesalahan spesifik.
Terdapat beberapa cara untuk mengeluarkan variabel dari model, antara lain : (i)
Regresi stepwise, (ii) eliminasi langkah mundur (backward elimination
procedure).

(4) Trasformasi Variabel-variabel

Misalkan, kita mempunyai data berkala (time series data) mengenai konsumsi
(Y), pendapatan (X1 ), dan kekayaan (X2). Salah satu alasan mengapa
mulkolinearitas terjadi antara pendapatan dan kekayaan ialah bahwa melalui
perkembangan waktu, kedua variabel eksplanatori cenderung untuk bergerak
dengan arah yang sama. Salah satu cara untuk membuat ketergantungan
(dependency) antara kedua variabel tersebut caranya seperti berikut :
Model awal
Yt = 0 + 1 X 1t + 2 X 2t + t

Kemudian dibuat lag-1

Yt 1 = 0 + 1 X 1,t 1 + 2 X 2,t 1 + t 1

Selanjutnya dikurangkan, sehingga persamaannya menjadi

Yt Yt 1 = 1 ( X 1t X 1,t 1 ) + 2 ( X 2t X 2,t 1 ) + vt

dengan
vt = t t 1

inilah yang dimaksud dengan perbedaan pertama (first difference)

(5) Penambahan Data Baru
Oleh karena adanya kolinearitas ganda merupakan gambaran sample (sample
feature), ada kemungkinan bahwa untuk sampel lainnya yang mencakup variabel-

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

Regresi Kuadrat Terkecil Parsial (Partial Least Squares Regression)

Regresi dengan Pendekatan Bayes
Regresi Kontinum (Continuum Regression)

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

a. Selidiki apakah terjadi masalah multikolinearitas?

b. Jika terjadi multikolinearitas, maka cari penyelesaiannya.

78

DAFTAR PUSTAKA
[1] Gujarati

D. N, 2004.

Basic

Econometrics, Fourth Edition, McGraw-Hill

Companies
[2] Koutsoyiannis A, 1978. Theory of Econometrics, Second Edition. Haper & Row
Publisher Inc.

RANGKUMAN

Multikolinearitas berarti terjadinya korelasi linear yang tinggi

diantara

variabel-variabel eksplanatori (X1, X2,. . . , Xp).

Pada model ekonometrika sering terjadi masalah multikolinearitas, karena

pada dasarnya variabel-variabel ekonomi saling terkait, selain itu pada
beberapa kasus digunakan model distribusi lag.

Konsekwensi Bila terjadi Multikolinearitas :

Bila

terjadi

multikolinearitas

yang

sempurna,

maka

dengan

menggunakan metode kuadrat terkecil tidak dapat diperoleh koefisien

regresi yang unik
Jika terjadi masalah multikolinearitas yang mendekati sempurna, maka
hasil pendugaan dengan metode kuadrat terkecil masih tetap tak bias,
tetapi tidak efisien (variansnya tidak minimum).
Terjadinya kontradiksi antara hasil pengujian hipotesis parameter
regresi secara serentak melalui statistik uji F dengan hasil pengujian
parameter regresi secara individu melalui statistik uji t.

Pada

pengujian secara serentak diputuskan untuk menolak H0 yang berarti

minimal ada satu parameter regresi yang signifikan, tetapi pada uji
secara individu ternyata tidak satupun parameter regresi yang
siginifikan. Bukan itu saja, dampak yang sangat serius dari adanya
multikolinearitas adalah dapat merubah tanda dari koefisien regresi.

Terdapat beberapa cara untuk mendeteksi multikolinearitas, antara lain :

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.

79

Bila diperoleh koefisien korelasi sederhana yang tinggi diantara

sepasang-sepasang variabel eksplanatori. Tingginya koefisien korelasi
merupakan syarat yang cukup untuk terjadinya multikolinearitas.
Akan tetapi bila diperoleh 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.

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.
Nilai indeks kondisi
Tolerance (TOL) dan Variance Inflation Factor (VIF)

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 :

Regresi Komponen Utama (Principal Component

Regression), Regresi Ridge, Regresi Kuadrat Terkecil Parsial (Partial

Least Squares Regression), Regresi dengan Pendekatan Bayes, Regresi

Kontinum (Continuum Regression) dan lain-lain.

80

TEST FORMATIF

1.

Apa yang dimaksud dengan multikolinearitas, serta mengapa dalam model

ekonometrika sering terjadi kasus multikolinearitas?.

2.

Jelaskan apa yang dimaksud dengan pernyataan koefisien korelasi sederhana

merupakan syarat perlu terjadinya multikolinearitas, tetapi bukan merupakan
syarat cukup.

3.

Regresi stepwise dapat dignakan untuk mengatasi kasus multikolinearitas.

Jelaskan kelemahan dari metode ini dalam menyelesaikan multikolinearitas.

4.

Tabel 5.6 berikut data tentang Konsumsi (Y), Pendapatan Upah (X1), Pendapatan
Non Upah Non Pertanian (X2), Pendapatan Pertanian (X3),
Tabel 5.6

Konsumsi (Y), Pendapatan Upah (X1), Pendapatan Non Upah Non

Pertanian (X2), Pendapatan Pertanian (X3),

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

a. Selidiki apakah terjadi masalah multikolinearitas?

b. Jika terjadi multikolinearitas, maka cari penyelesaiannya.

81