IDENTIFIKASI UJI ASUMSI NON MULTIKOLINIERITAS DENGAN SPSS 16

IDENTIFIKASI UJI ASUMSI NON 

MULTIKOLINIERITAS DENGAN SPSS 16

Malam sobat semua.. Sudahkah Anda bahagia hari ini? Kalau saya sudah karena bisa berbagi dengan para sobat semua.. Hehehe.. Oops, back to topic, kali ini saya mau share nih sob tentang bagaimana menguji asumsi multikolinieritas pakai SPSS 16.

Nah, asumsi non multikolinieritas (multikol) ini dibutuhkan juga dalam analisis parametrik yang menggunakan lebih dari satu variabel bebas. Non multikol (harapan kita) maksudnya menunjukkan tidak ada hubungan linier antar variabel bebas sehingga tercipta orthogonal variable yang nilai korelasi antar variabel independen bernilai nol.

Tau ciri-ciri model yang terserang penyakit multikol? Nah, buat mengidentifikasinya kayak begini:

Koefisien determinasi yang menunjukkan proporsi pengaruh variabel bebas terhadap variabel terikat sudah tinggi, tetapi sedikit variabel bebas yang signifikan (secara statistik) memengaruhi variabel terikatnya (melalui uji t)

Contoh: Berikut ini akan diidentifikasi apakah terdapat multikol diantara variabel ketertiban, kerapian dan kehadiran.

Untuk data silahkan unduh disini 

Caranya, klik Analyze, Regression Linier. Lalu masukkan variabel ketertiban, kerapian dan kehadiran ke dalam bagian Independent Variable sedangkan variabel Rerata_Rapor masukkan ke dalam bagian Dependent Variable. Lalu, centang Covariance Matrix dan Collinearity Diagnostics.

  

Berikut hasilnya:

 

Lihat nih sob, untuk penelitian sosial, jika nilai Rsquarenya diatas 0,3 sudah tergolong tinggi. Beda dengan penelitian ekonomi yang menuntut nilai Rsquare yang jauh lebih tinggi. Dalam penelitian sosial ini digunakan alpha 10%. Makanya, variabel yang signifikan memengaruhi rerata rapor hanya variabel ketertiban dan kerapian. Tau darimana?? Ya tinggal lihat aja nilai signifikansi uji t masing-masing variabel bebasnya

Wah, ternyata variabel absensi secara statistik tidak secara signifikan nih memengaruhi variabel rerata rapor. Tapi, kalau kita lihat dari nilai Variance Inflation Factor (VIF)nya, semuanya baik-baik aja tuh, hehehe,,  VIFnya kurang dari 10 dan tolerancenya gak ada yang di bawah 0.10. Hemmmh kayaknya baik-baik aja yah ni model..

Yaudah, coba liat lagi dari Coefficient Correlation..

Lha, ternyata ada nih hubungan yang cukup kuat antara variabel ketertiban dan kerapian. Bisa jadi modelnya malah beneran kena multikol..

Oops, kita yakinkan dengan menempuh cara yang lain...

Sekarang coba set variabel dependennya secara bergantian

  

NB: No.1 adalah model utama yang sebelumnya.

Jadi, sekarang kita mau identifikasi multikol dengan membandingkan nilai Rsquare keempat model. Apabila nilai R square model utama masih yang tertinggi, ini berarti kita terbebas dari masalah multikol. Jadi, sekarang mari bandingkan R square model utama (1), model 2, 3, dan model 4.

  

Nah, ternyata Rsquare model utama masih yang tertinggi nih sob, jadi kita yakin kalau kita sudah bebas nih dari masalah multikol.. Yeeeyyy.. Hehehehe..

Nih beberapa solusi nih sob kalau terjadi multikol..

1. Data Panel (gabungan data crosssection dan time series)
2. Buang satu atau lebih variabel independen yang punya korelasi tinggi dari model regresi
3. Transformasi variabel.
4. Menggunakan metode analisis Bayesian Regression atau untuk bebeapa kasus menggunakan Ridge Regression (pembahasan untuk kedua hal ini akan dilakukan secara terpisah).

 

Okay deh, gitu dulu ya sob,, Mata dah sepet nih.. Besok masuk pagi hahahaha...

Yaaa, semoga sharing ini bermanfaat bagi sobat sekalian.. Sukses dan salam hangat terdahsyat dari saya :-)