Cara Auxiliary Regressions Multicolinearity di Eviews 9

 Gambar : Cover Artikel

AUXILIARY REGRESSIONS MUlTICOLIEARITY

Ditulis oleh : Dimas Purbo Wicaksono Fenda Putra, S.E.

A.Penjelasan Multikolinearitas

Multikolinearitas merupakan masalah pengujian asumsi klasik yang mengakibatkan nilai koefisien parsial menjadi tidak terukur sehingga menyebabkan nilai standar error menjadi besar.  Uji ini digunakan untuk mengukur hubungan (korelasi) antara variabel bebas dalam model regresi linear berganda.

Regresi Auxiliary merupakan salah satu metode yang digunakan untuk mendeteksi masalah multikolinearitas. Cara mendeteksi masalah multikolinearitas pada pengujian auxiliary yaitu dengan melakukan regresi setiap variabel independent dengan variabel  independent lainnya.

B.Tahapan Pengujian

Berikut adalah tahapan pengujian multikolinearitas.

Langkah 1 : Menuju ke Eviews Workfile => Created a new Eviews workfile.

Gambar : Pengolah Data Eviews 9

Langkah 2 : Pada Workfile structure type pilih Dated - regular frequency (karena data time series). Star date isikan dengan tahun 1998 dan End date isikan dengan tahun 2019. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 3 : Muncul tampilan utama eviews.

Gambar : Pengolah Data Eviews 9

Langkah 4 : Berikutnya menuju ke menu Quick pilih Empty Group (Edit Series).

Gambar : Pengolah Data Eviews 9

Langkah 5 : Copy paste data yang ada di microsoft excel ke dalam edit series eviews.

Gambar : Pengolah Data Eviews 9

Langkah 6 : Klik Proc => Make Equation.

Gambar : Pengolah Data Eviews 9

Langkah 7 : Isikan persamaan regresi pada tampilan Equation Estimation dengan “y c x1 x2 x3”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 8 : Hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpreasi Output :

Hasil output di atas menunjukkan bahwa data terjangkit masalah multikolinieritas. Dasar menentukan apakah data terjangkit masalah multikolinearitas dari uji auxiliry adalah jika nilai dari F-hitung lebih besar dari pada F-tabel. Nilai F-hitung pada hasil regresi ini adalah 12.26513 (F-statistic). Sedangkan untuk nilai F-tabel kita cari dengan membuka tabel F. Berikut adalah tampilan dari tabel F dengan yaitu nilai kritis α = 5% :

Gambar : F-tabel 0.05

Sebelum mencari nilai F-tabel, terlebih dahulu kita tentukan nilai df.

Rumus F-tabel :

 

Keterangan :

k=jumlah variabel penelitian (independen)

n=jumlah observasi/data/responden

df=degree of freedom


Dalam penelitian ini jumlah k = 3 (jumlah penduduk, upah minimum, dan pertumbuhan ekonomi). Jumlah n = 22 tahun (dari tahun 1998-2019). Selanjutnya kita masukkan ke dalam rumus menjadi :

 

Setelah itu lihat pada nilai F-tabel .

Gambar : F-tabel 0.05

Dari hasil ini terlihat bahwa nilai F-tabel sebesar 3.13. Bila dibandingkan dengan nilai F-hitung maka : F-hitung (12.26513) > F-tabel (3.13), kesimpulannya data terjangkit masalah multikolinearitas.

Solusi agar data terbebas dari masalah ini adalah dengan menghapus atau menambah variabel. Bila tidak memungkinkan bisa juga dengan menambah jumlah observasi dari sampel (lakukan cara ini terus menerus sampai menemukan hasil yang sesuai).

Disini penulis akan mencoba mengeliminasi dua variabel yaitu X1 (Jumlah Penduduk) dan X2 (Upah Minimum). Penulis menggunakan variabel Y (Pengangguran Terbuka) dan X3 (Pertumbuhan Penduduk).

Langkah 9 : Kita kembali ke jendela awal, kemudian blok variabel Y dan X3. Klik kanan => Open => as Group.

Gambar : Pengolah Data Eviews 9

Langkah 10 : Klik Proc => Make Equation.

Gambar : Pengolah Data Eviews 9

Langkah 11 : Isikan persamaan regresi “y c x3”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 12 : Hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hasil output (uji coba) eliminasi variabel independent menunjukkan adanya perubahan pada nilai F-hitung. Nilai F-hitung pada hasil ini sebesar 1.565551. Bandingkan nilai ini dengan F-tabel seperti pada cara sebelumnya.

Cari nilai df terlebih dahulu :

Nilai df untuk hasil ini adalah : (1, 21).

Berikutnya cari nilai F-tabel di tabel F.

Gambar : F-tabel 0.05

Dari pencarian ini didapat nilai F-tabel sebesar 4.32.

Bila dibandingkan dengan nilai F-hitung maka :

F-hitung (1.565551) < F-tabel (4.32), kesimpulannya data tidak terjangkit masalah multikolinearitas.

Perhatian :

Dengan melakukan eliminasi pada dua variabel independent, maka penelitian yang semula menggunakan regresi linear berganda menjadi regresi linear sederhana (karena hanya satu variabel dependent dan independent). Oleh karena itu boleh menggunakan pengujian multikolinearitas dan boleh juga tidak menggunakan. Uji multikolinearitas di wajibkan hanya untuk type regresi linear berganda, sedangkan regresi linear sederhana boleh menggunakan dan juga tidak.

Adapun cara lain yang bisa kita lakukan untuk mengetahui apakah data terjangkit masalah multikolinearitas atau tidak adalah dengan :

Langkah 1 : Hasil di atas bisa langsung kita interpretasikan. Namun kita juga bisa menginterpretasikan hasil dengan tahapan yang lain. Klik Proc => Coefficient Diagnostics => Redundant Variables Test - Likelihood Ratio.

Gambar : Pengolah Data Eviews 9

Langkah 2 : Isikan pada tampilan Redundant Variables Test dengan variabel independent (X1 X2 X3). Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 3 : Hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9

Langkah 4 : Kembali ke estimasi output. Klik View => Estimation Output.

Gambar : Pengolah Data Eviews 9

Langkah 5 : Berikut adalah tampilan hasil regresi. Klik menu Name.

Gambar : Pengolah Data Eviews 9

Langkah 6 : Isikan pada tampilan Object Name di bagian Name to Identify object dengan “multikolinearitas”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 7 : Maka akan muncul folder sebagai berikut. Folder ini masih kosong dan belum terdapat nilai dari data.

Gambar : Pengolah Data Eviews 9

Langkah 8 : Selanjutnya Uji satu persatu variabel independent dengan dependent.

“Menguji Y dengan X1”

Blok folder Y dan X1, klik kanan => Open => as Equation.

Gambar : Pengolah Data Eviews 9

Langkah 9 : Isikan persamaan regresi dengan “y c x1”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 10 : Pada hasil regresi => Proc dan pilih Make Residual Series.

Gambar : Pengolah Data Eviews 9

Langkah 11 : Tampilan Make Residuals dibagian Residual type pilih Ordinary. Name for resid series tulis “resid01”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 12 : Maka akan muncul data baru “resid01”.

Gambar : Pengolah Data Eviews 9

Langkah 13 : Ini adalah folder yang berhasil kita buat. Berikutnya kita lakukan cara di atas dengan variabel independent yang lain.

Gambar : Pengolah Data Eviews 9

“Menguji Y dengan X2”

Langkah 14 : Blok folder Y dan X1, klik kanan => Open => as Equation.

Gambar : Pengolah Data Eviews 9

Langkah 15 : Isikan persamaan regresi dengan “y c x2”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 16 : Pada hasil regresi => Proc dan pilih Make Residual Series.

Gambar : Pengolah Data Eviews 9

Langkah 17 : Tampilan Make Residuals dibagian Residual type pilih Ordinary. Name for resid series tulis “resid02”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 18 : Maka akan muncul data baru “resid02”.

Gambar : Pengolah Data Eviews 9

Langkah 19 : Ini adalah folder yang berhasil kita buat. Berikutnya kita lakukan cara di atas dengan variabel independent yang lain.

Gambar : Pengolah Data Eviews 9

“Menguji Y dengan X3”

Langkah 20 : Blok folder Y dan X1, klik kanan => Open => as Equation.

Gambar : Pengolah Data Eviews 9

Langkah 21 : Isikan persamaan regresi dengan “y c x3”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 22 : Pada hasil regresi => Proc dan pilih Make Residual Series.

Gambar : Pengolah Data Eviews 9

Langkah 23 : Tampilan Make Residuals dibagian Residual type pilih Ordinary. Name for resid series tulis “resid03”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 24 : Maka akan muncul data baru “resid03”.

Gambar : Pengolah Data Eviews 9

Langkah 25 : Ini adalah folder yang berhasil kita buat. Berikutnya kita lakukan cara di atas dengan variabel independent yang lain.

Gambar : Pengolah Data Eviews 9

Setelah berhasil membuat folder resid01, resid02, dan resid03. Langkah selanjutnya kita estimasikan persamaan pada masing-masing variabel independent beserta residnya.

Langkah 26 : Blok folder resid01 dan X1, klik kanan => Open => as Equation.

Gambar : Pengolah Data Eviews 9

Langkah 27 : Isikan persamaan regresi dengan “resid01 c x1”.

Gambar : Pengolah Data Eviews 9

Langkah 28 : Copy hasil R-squared.

Gambar : Pengolah Data Eviews 9

Langkah 29 : Tuliskan rumus di fungsi Command dengan “scalar LM = 22*0.352965”. Angka 22 merupakan Included observations, sedangkan angka 0.352965 merupakan nilai dari R-squared. Tekan enter.

Gambar : Pengolah Data Eviews 9

Langkah 30 : Buka folder lm, klik kanan => Open.

Gambar : Pengolah Data Eviews 9

Langkah 31 : Berikut adalah hasilnya.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hasil output di atas menunjukkan nilai LM sebesar 7.765230. Nilai ini bandingkan dengan tabel Distribusi Chi Square. Berikut adalah cara mencari nilai di tabel Distribusi Chi Square.

Gambar : Tabel Chi Square

Karena disini penulis menggunakan tiga variabel independent yang dibagi masing-masing satu variabel maka dimulai dari urutan pertama kemudian tingkat alpha 0.05. Hasil adalah 3.8415. Bandingkan nilai ini dengan hasil LM. (7.765230”Nilai LM” > 3.8415”Nilai Chi Square”). Data terjangkit masalah multikolinearitas.

Langkah 32 : Blok folder resid02 dan X2, klik kanan => Open => as Equation.

Gambar : Pengolah Data Eviews 9

Langkah 33 : Isikan persamaan regresi dengan “resid02 c x2”.

Gambar : Pengolah Data Eviews 9

Langkah 34 : Copy hasil R-squared.

Gambar : Pengolah Data Eviews 9

Langkah 35 : Tuliskan rumus di fungsi Command dengan “scalar LM = 22*0.000000”. Angka 22 merupakan Included observations, sedangkan angka 0.000000 merupakan nilai dari R-squared.

Gambar : Pengolah Data Eviews 9

Langkah 36 : Buka folder lm, klik kanan => Open.

Gambar : Pengolah Data Eviews 9

Langkah 37 : Berikut adalah hasilnya.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hasil output di atas menunjukkan nilai LM sebesar 0.000000. Nilai ini bandingkan dengan tabel Distribusi Chi Square. Berikut adalah cara mencari nilai di tabel Distribusi Chi Square.

Gambar : Tabel Chi Square

Karena disini penulis menggunakan tiga variabel independent yang dibagi masing-masing satu variabel maka dimulai dari urutan pertama kemudian tingkat alpha 0.05. Hasil adalah 3.8415. Bandingkan nilai ini dengan hasil LM. (0.000000”Nilai LM” < 3.8415”Nilai Chi Square”). Data terbebas dari masalah multikolinearitas.

Langkah 38 : Blok folder resid03 dan X3, klik kanan => Open => as Equation.

Gambar : Pengolah Data Eviews 9

Langkah 39 : Isikan persamaan regresi dengan “resid03 c x3”.

Gambar : Pengolah Data Eviews 9

Langkah 40 : Copy hasil R-squared.

Gambar : Pengolah Data Eviews 9

Langkah 41 : Tuliskan rumus di fungsi Command dengan “scalar LM = 22*0.291105”. Angka 22 merupakan Included observations, sedangkan angka 0.291105 merupakan nilai dari R-squared.

Gambar : Pengolah Data Eviews 9

Langkah 42 : Buka folder lm, klik kanan => Open.

Gambar : Pengolah Data Eviews 9

Langkah 43 : Berikut adalah hasilnya.

Gambar : Pengolah Data Eviews 9

Interpretasi Output :

Hasil output di atas menunjukkan nilai LM sebesar 6.404310. Nilai ini bandingkan dengan tabel Distribusi Chi Square. Berikut adalah cara mencari nilai di tabel Distribusi Chi Square.

Gambar : Tabel Chi Square

Karena disini penulis menggunakan tiga variabel independent yang dibagi masing-masing satu variabel maka dimulai dari urutan pertama kemudian tingkat alpha 0.05. Hasil adalah 3.8415. Bandingkan nilai ini dengan hasil LM. (6.404310”Nilai LM” > 3.8415”Nilai Chi Square”). Data terjangkit masalah multikolinearitas.

Informasi ekonometrika secara lengkap, silakan kunjungi channel youtube saya di : Dimas Channel

Note : Silakan bagi teman-teman yang ingin meng-copy artikel ini. Mohon sertakan sumber aslinya.Terima Kasih :-)