Kolerasi Pearson Metode Analisis

59 3.4.4 Uji Asumsi Klasik 3.4.4.1 Multikolinearitas Salah satu asumsi model regresi liner klasik CLRM adalah tidak adanya multikolinearitas sempurna, dimana tidak ada hubungan linear yang benar-benar pasti diantara variabel penjelas, X, yang tercakup dalam regresi berganda. Dalam prakteknya, jarang ditemukan multikolinearitas sempurna, melainkan dengan kasus multikolinearitas dekat atau sangat tinggi dimana variabel-variabel penjelas yang diperkirakan berhubungan sering muncul dalam banyak penerapan Gujarati,2006. Adapun indikator untuk mendeteksi mutikolinearitas dalam suatu persamaan antara lain Gujarati, 2006: a. R 2 tinggi tetapi sedikit rasio t yang signifikan. Ini merupakan gajala multikolinearitas “klasik”. Jika R 2 tinggi, misalkan 0,8, tes F di sebagian besar kasus akan menolak hipotesis nol bahwa koefisien kemiringan parsial secara tergabung atau secara serentak sama dengan nol. Tes- tes individual akan memperlihatkan bahwa tak satu pun atau sangat sedikit koefisien kemiringan parsial yang berbeda secara statistik dengan nol. b. Korelasi berpasangan yang tinggi dai antar variabel-variabel penjelas. Menghitung korelasi dengan segala pasangan variabel independen. Apabila beberapa diantara korelasi ini tinggi, melebihi 0,8, ada kemungkinan terjadinya kolinearitas yang serius. 60 c. Pengujian korelasi parsial. Anggap kita mempunyai tiga variabel penjelas, X 2 , X 3 , dan X 4 . Anggap r 23 , r 24 , dan r 34 , mewakili korelasi berpasangan antara X 2 dan X 3 , antara X 2 dan X 4 dan antara X 3 dan X 4 , berturut-turut. Anggap r 23 = 0,90, yang menunjukan kolinearitas yang tinggi antara X 2 dan X 3 . Sekarang perhatikan koefisien korelasi, yang disebut koefisien korelasi parsial, r 23.4 yang adalah koefisien korelasi antara X 2 dan X 3 , dengan menganggap pengaruh variabel X 4 konstan. Anggap r 23.4 = 0,43 yakni dengan menganggap pengaruh variabel X 4 konstan, koefisien korelasi antara X 2 dan X 3 hanya 0,43, padahal bila tidak mempertimbangkan pengaruh X 4 , nilainya 0,90. Jadi, dengan mempertimbangkan korelasi parsial ini, kita bisa katakan bahwa kolinearitas antara X 2 dan X 3 cukup tinggi. d. Regresi subsider atau regresi tambahan auxiliary regression. Salah satu cara untuk mengetahui variabel X mana yang sangat kolinear dengan variabel-variabel X lain dalam model adalah meregresikan masing-masing variabel X terhadap variabel-variabel X yang lain dan menghitung nilai R 2 terkait. Masing-masing regresi ini disebut regresi tambahan Auxiliary Regression. Apabila nilai R 2 terkait auxiliary lebih besar dari nilai R 2 model utama, maka terdapat multikolineritas di dalam model.