Menguji Asumsi Multikolinearitas Dengan Regresi Auxiliary di Eviews 9

 

Gambar : Cover Artikel

Pengujian Asumsi Multikolinearitas

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

A.Penjelasan Regresi Auxilary

Regresi auxiliary digunakan untuk mengetahui apakah terdapat hubungan antara dua variabel independent atau lebih yang secara serentak atau bersama-sama mempengaruhi satu variabel independent lainnya. Contoh : variabel X1, X2, dan X3. Variabel X2 dan X3 secara serentak dan bersama-sama mempengaruhi variabel X1. 

Adapun cara menghitungnya adalah sebagai berikut.

Rumus :

Keterangan :

n = banyaknya observasi

k = banyaknya variabel independent (termasuk konstanta)

R = Koefisien determinasi

Kriteria :

Jika nilai F_hitung > F_tabel pada alpha dan derajat kebebasan tertentu, maka model mengandung unsur multikolinearitas.

Nilai kritis distribusi F dihitung dengan derajat kebebasan k-2 dan n-k+1

Perlu diingat apabila persamaan yang kita miliki ada 3 maka lakukan regresi sebanyak 3 kali. Dengan masing-masing analisis menggunakan variabel independent sebagai variabel dependent (dirubah fungsinya). 

B.Tahapan Pengolahan Data

Variabel yang dipergunakan :

X1       = Upah Minimum Regional (UMR)

X2       = Produk Domestik Regional Bruto (PDRB) Konstan

X3       = Pengangguran Terbuka

Sampel : 33 Provinsi (Gambar data terpotong karena terlalu banyak data).

Berikut adalah contoh data yang digunakan :

Gambar : Data Latihan

Langkah 1 : Buka lembar kerja eviews 9 dan pilih Create a new Eviews workfile.

Gambar : Pengolah Data Eviews 9

Langkah 2 : Pada Workfile Create dibagian Workfile structure type pilih (Balanced Panel). Panel specification dibagian Frequency pilih Annual. Start date isikan 2008 (sebagai tahun awal data) dan End date isikan dengan 2016 (sebagai tahun akhir data). Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 3 : Menuju ke menu Quick dan pilih Empty Group (Edit Series).

Gambar : Pengolah Data Eviews 9

Langkah 4 : Copy paste data beserta variabelnya.

Gambar : Pengolah Data Eviews 9

Langkah 5 : Klik Yes.

Gambar : Pengolah Data Eviews 9

Langkah 6 : Klik Quick => Estimate Equation.

Gambar : Pengolah Data Eviews 9

Langkah 7 : Di Equation Estimation dibagian Specification isikan persamaan regresi X1 c X2 X3. Estimation settings dibagian Method pilih LS - Least Squares (LS and AR). Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 8 : Hasilnya sebagai berikut.

Persamaan X1 (menjadi dependent)

Gambar : Pengolah Data Eviews 9

Persamaan regresi : X1= C + X2 – X3

X1 = 1324592 + 0.294651 X2 – 26540.63 X2

t = (18.758) (3.377) (-2.413)

R2 = 0.046

Nilai F_hitung :

 

Persamaan X2 (menjadi dependent)

Gambar : Pengolah Data Eviews 9

Persamaan regresi : X2= C + X1 – X3

X2 = -134792.3 + 0.126778 X1 + 30425.27 X3

t = (-1.976) (0.037) (7065)

R2 = 0.085

Nilai F_hitung :

 

Persamaan X3 (menjadi dependent)

Gambar : Pengolah Data Eviews 9

Persamaan regresi : X3= C + X1 – X2

X3 = 6.588330 – 7.32E-07 X1 + 1.95E-06 X2

t = (16.764) (-2.413) (4.306)

R² = 0.068

Nilai F_hitung :

 

Cari nilai F_tabel terlebih dahulu, caranya :

Nilai alpha (misal 0.05), dan numerator k-1 dengan denumerator n-k. Dalam hasil ini jumlah variabel 3 (independent 3) dengan jumlah sampel atau cross section (untuk contoh data panel) sebanyak 33. Sehingga numerator 1 diperoleh 2 (3-1) dan denumerator diperoleh 30 (33-3). 

Nilai F_tabel dengan alpha 0.05 atau 5% dan derajat kebebasan 

Berikut adalah hasil dari pencarian di tabel presentase distribusi F (F_tabel )

Gambar : F_tabel 0.05

Gambar : F_tabel 0.05

Dari hasil pencarian didapat hasil 3.32

Interpretasi Output :

Fhitung	Membandingkan dengan 3.32 (Ftabel )	Kesimpulan
F(X1) = 1.533	1.533 < 3.32	Tidak ada korelasi antara X2 (X2 dan X3)
F (X2) = 2.931	2.931 < 3.32	Tidak ada korelasi antara X1 (X1 dan X3)
F (X3) = 2.266	2.266 < 3.32	Tidak ada korelasi antara X1 (X1 dan X2)

Dari hasil ini dapat dilihat bahwa tidak terdapat korelasi disemua variabelnya. Lalu apa sih akibat atau pengaruhnya jika data terkena multikolinearitas ? 

Data yang terkena multikolinearitas akan menyebabkan :

1.Menyebabkan varian dan kovarian memiliki nilai besar walaupun estimatornya masih bisa bersifat BLUE atau Best Linear Unbaised Estimator, tetapi tetap sulit untuk digunakan sebagai alat estimasi.

2.Menyebabkan adanya kecenderungan lebar pada interval estimasi serta nilai statistik pada uji t menjadi kecil. Dampaknya adalah variabel independen menjadi tidak signifikan. 

Kedua masalah tersebut akan terjadi jika kita membiarkan masalah ini, namun ada solusi yang bisa kita lakukan untuk menghilangkan masalah multikolinearitas, antara lain : 

1.Membiarkan model yang mengandung multikolinearitas. Alasannya karena estimator masih memiliki kemungkinan untuk bersifat BLUE. Sifat ini (BLUE) tidak dapat dipengaruhi hanya karena tidak adanya korelasi antarvariabel independent. Namun yang perlu dikethui bahwa masalah multikolinearitas dapat menyebabkan nilai standar error tinggi/besar.

2.Menambah data merupakan solusi yang tepat jika kondisinya memungkinkan untuk menambah. Pada dasarnya masalah ini muncul karena data memiliki jumlah observasi yang kecil atau sedikit. Tapi solusi ini digunakan hanya jika memungkinkan untuk menambah, kalau tidak memungkinkan maka gunakan model yang sudah digunakan.

3.Menghilangkan satu variabel independent atau lebih. Variabel independent yang dihilangkan adalah yang memiliki hubungan linear kuat dengan variabel yang lain. Tergantung dari kondisinya, jika secara teori variabel independent tidak diperbolehkan untuk dihilangkan maka tetap digunakan.

4. Lakukan tranformasi diferensi pada satu atau lebih variabel.

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 :-)