2.5. Konsekuensi Multikolinearitas
Jika asumsi model regresi linear klasik dipenuhi, penaksir kuadrat-terkecil biasa OLS dari koefisien regresi adalah linear, tak bias, dan mempunyai varians
minimum, ringkasnya penaksir tadi adalah penaksir tak bias kolinear terbaik Best Linear Unbiased EstimatorBLUE. Jika sekarang dapat ditunjukkan bahwa
multikolinearitas sangat tinggi, penaksir OLS masih tetap memiliki sifat BLUE.
Ketidakbiasan adalah sifat multi sampel atau penyampelan berulang. Jika seseorang mendapatkan sampel berulang dan menghitung penaksir OLS untuk tiap
sampel ini, maka rata-rata nilai sampel akan menuju ke nilai populasi yang sebenarnya dari penaksir, dengan meningkatnya jumlah sampel. Tetapi hal ini tidak
mengatakan sesuatu mengenai sifat penaksir dalam sampel.
Dalam kasus multikolinearitas sempurna penaksir OLS tak tertentu dan varians atau kesalahan standarnya tak tertentu. Jika kolinearitas tajam tetapi tidak
sempurna, maka dapat terjadi konsekuensi berikut ini: 1 Meskipun penaksir OLS mungkin bisa diperoleh, kesalahan standarnya cenderung
semakin besar dengan meningkatnya tingkat korelasi antara peningkatan variabel. 2. Karena besarnya kesalahan standar, selang keyakinan untuk parameter populasi
yang relevan cenderung untuk lebih besar. 3. Dalam kasus multikolinearitas yang tinggi, data sampel mungkin sesuai dengan
sekelompok hipotesis yang berbeda-beda. Jadi probabilitas untuk menerima hipotesis yang salah meningkat.
4. Selama multikolinearitas tidak sempurna, penaksiran koefisien regresi adalah mungkin tetapi taksiran dan kesalahan standarnya menjadi sangat sensitif terhadap
sedikit perubahan dalam data. 5. Jika multikolinearitas tinggi, seseorang mungkin memperoleh R
2
yang tinggi tetapi tidak satu pun atau sangat sedikit koefisien yang ditaksir yang penting secara
statistik.
Universitas Sumatera Utara
2.6. Pendeteksian Multikolinearitas
Menurut Gujarati 1978 ada beberapa cara untuk mendeteksi ada tidaknya
multikolinearitas diantaranya yaitu :
1. Menghitung koefisien korelasi sederhana simple correlation antara sesama variabel bebas, jika terdapat koefisien korelasi sederhana yang mencapai atau
melebihi 0.8 maka hal tersebut menunjukkan terjadinya masalah multikolinearitas dalam regresi.
2. Menghitung nilai Toleransi atau VIF Variance Inflation Factor, jika nilai Toleransi kurang dari 0.1 atau nilai VIF melebihi 10 maka hal tersebut
menunjukkan bahwa multikolinearitas adalah masalah yang pasti terjadi antar variabel bebas.
3. Lakukan regresi antar variabel bebas dan menghitung masing-masing
2
R , kemudian melakukan uji–F dan bandingkan dengan F tabel. Jika nilai F hitung
melebihi nilai F tabel berarti dapat dinyatakan bahwa
i
X kolinier dengan X yang lain.
2.7. Regresi Linear Berganda