Mendeteksi Collinearity

Beberapa orang juga menyebutnya multicollinearity.  Ini adalah istilah permasalahan yang dihadapi pada saat menduga koefisien model regresi linear.  Masalah ini timbul karena dua atau lebih variabel bebas X memiliki hubungan linear yang kuat.  Kondisi ideal dalam analisis regresi linear adalah kebebasan/keortogonalan antar X. 

 

Jika antar X terdapat korelasi yang kuat, maka ini akan mengakibatkan dugaan dari koefisien beta menjadi tidak stabil atau memiliki standard error yang besar.  Artinya apa? Ada beberapa kemungkinan tidak menyenangkan yang bisa terjadi: (1) Variabel X yang mestinya signifikan pengaruhnya, menjadi tidak terdeteksi atau dinyatakan tidak signifikan, (2)  variabel X yang hubungannya positif dengan Y, dapat memiliki nilai koefisien yang bertanda negatif.

 

Jika satu dari dua kemungkinan di atas terjadi, interpretasi kita terhadap model yang kita dapatkan menjadi salah, dan mungkin sangat salah.

 

Bagaimana mendeteksi apakah di data kita ada masalah ini?  Beberapa hal berikut bisa dilakukan:

  1. Hitung korelasi antar variabel X.  Kalau ada nilai korelasi di atas 0.4, maka kita patut hati-hati.  Cara ini tidak selalu ampuh, terutama jika collinearity melibatkan banyak variabel.
  2. Beberapa software menyediakan fasilitas menghitung VIF (variance inflation factor).  Kalau tidak punya software memang agak capek menghitungnya, terutama kalau variabel X-nya berjumlah banyak.  Nilai ViF lebih dari 10 menjadi indikasi adanya masalah multikolinear. Nilai VIF ideal adalah 1.  Angka 10 dianggap sudah terlalu besar, dan bukan angka mati yang harus diikuti.  Jika kita mendapatkan angka VIF 4 atau 5, saya juga menyarankan untuk hati-hati.
  3. Lakukan pemodelan regresi linear dengan hanya satu buah variabel X (simple linear regression) untuk setiap variabel X yang kita miliki dan catat besarnya dugaan koefisien beta dan signifikansinya.  Selanjutnya lakukan multiple regression dengan memasukkan seluruh variabel X.  Perhatikan apakah ada nilai koefisien beta yang berubah banyak antara di simple dan multiple model.  Kalau ada, maka kita patut untuk curiga.
Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google+ photo

You are commenting using your Google+ account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s