Mengatasi Collinearity

Kalau pada data kita terdapat masalah multikolinear maka ada beberapa cara yang dapat dilakukan:

Pertama, periksa apakah ada data pencilan/outlier/ekstrim nilai X-nya. Titik data seperti ini umumnya dapat mengakibatkan korelasi antar X menjadi tinggi, padahal tidak ada pola khusus pada data. Kalau ditemukan data seperti ini, coba untuk disisihkan dan lihat apakah terjadi perubahan pada hasil regresi. Pada beberapa software statistika, tersedia fasilitas menghitung DFBETA pada masing-masing baris data, yaitu besarnya perubahan beta jika satu baris data itu tidak disertakan. Pengamatan atau baris dengan DFBETA yang besar disisihkan saja.

Kedua, yang melakukannya gampang adalah membuang salah satu atau beberapa variabel X yang berkorelasi tinggi sehingga tersisa lebih sedikit X. Misalnya kalau ditemukan X1 dan X2 berkorelasi, maka pilih salah satu untuk digunakan dalam model dan sisihkan variabel yang satunya. Tentu ada ruginya, kalau X1 yang digunakan maka kita tidak dapat mendapatkan informasi mengenai besarnya pengaruh X2. Di samping itu juga muncul pertanyaan, yang dipakai yang mana, X1 atau X2? Jawabannya kita tunda dulu.

Ketiga yang bisa dilakukan adalah menerapkan teknik-teknik pemodelan yang lebih kompleks komputasinya. Ada beberapa teknik regresi yang dapat digunakan untuk ini antara lain path analysis, ridge regression, principal component regression, partial least squares regression, projection pursuit, dan lain-lain.

Advertisements

One response to “Mengatasi Collinearity

  1. thx infonya, menolong thesis S3 istri saya

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