Penanggulangan Gangguan Multikolinearitas

Secara umum, tindakan perbaikan terhadap multikolinearitas dapat dilakukan sebagai berikut.

1. Adanya informasi sebelumnya. Misal kita mempunyai model sebagai berikut.

Yi = B1 + B2 X2i + B3 X3i + Îi
Y = konsumsi
X2 = pendapatan
X3 = kekayaan

Telah disebutkan bahwa pendapatan dan kekayaan mempunyai kolineritas yang tinggi, tetapi misalnya kita memperoleh informasi sebelumnya sehingga kita mempunyai kepercayaan bahwa B3 = 0,1B2 dengan tingkat perubahan konsumsi terhadap perubahan kekayaan sepersepuluh dari tingkat perubahan terhadap pendapatan. Sehingga modelnya menjadi :

Yi = B1 + B2 X2i + B3 X3i + Îi
Yi = B1 + B2 Xi + Îi
Di mana:
Xi = X2i + 0,1X3i

Begitu kita menghitung b2 sebagai perkiraan B2 maka b3 sebagai perkiraan B3 secara otomatis dapat diketahui berdasarkan informasi bahwa B3 = 0,1 B2.

2. Menghubungkan data cross sectional dan data urutan waktu, yang dikenal sebagai penggabungan data (pooling the data). Misalkan kita ingin mempelajari permintaan mobil di suatu negara dan kita mempunyai data tentang banyaknya mobil yang dijual, rata-rata harga mobil, dan pendapatan konsumen.
InYt = B1 + B2 In X2t + B3 In X3t + Îi
Dimana:
Yt = banyaknya mobil yang dijual
X2 = rata-rata harga mobil
X3 = pendapatan konsumen
Tujuan kita adalah menduga elastisitas harga B2 dan elastisitas pendapatan B3. Dalam data runtut waktu variabel harga dan pendapatan cenderung untuk berkolinearitas. Oleh karena itu, kalau kita melakukan regresi maka dihadapkan pada masalah multikolinearitas. Jalan keluar mengenai masalah ini adalah dengan mendapatkan dugaan yang dapat dipercaya dari elastisitas pendapatan B3, karena dalam data seperti itu, pada suatu titik waktu, harga tidak banyak berubah. Misalkan elastisitas pendapatan yang diduga menggunakan data seksi silang adalah B3*. Dengan menggunakan dugaan, regresi runtut waktu tadi dapat ditulis sebagai berikut.
Yt* = B1 + B2 In X2t + mt
Dimana Yt* = In Yt – B3* In X3t dan menyatakan nilai Y setelah menghilangkan pengaruh pendapatan darinya. Sekarang kita dapat memperoleh suatu dugaan dari elastisitas harga B2 dari regresi tadi.
Teknik ini bisa menciptakan masalah dalam interpretasi, karena secara implisit kita mengasumsikan bahwa elastisitas pendapatan yang diduga dengan cara seksi silang adalah elastisitas yang sama akan diperoleh dari analisis runtut waktu. Meskipun demikian, teknik tadi layak dipertimbangkan dalam situasi di mana dugaan seksi silang tidak berbeda banyak dari satu seksi silang ke seksi silang lainnya.

3. Mengeluarkan satu variabel atau lebih. Jika dipandang telah terjadi gangguan multikolinearitas yang serius pada fungsi regresi yang dianalisis maka cara untuk menanggulanginya adalah dengan mengeluarkan salah satu dari dua variabel bebas yang mempunyai nilai korelasi sederhana relatif tinggi (misalnya > ú0,8ê).

4. Transformasi variabel. Menganalisis ulang model regresi yang sama, tetapi dengan nilai variabel-variabel yang telah ditransformasikan, sehingga diharapkan gangguan multikolinearitas dapat diatasi. Misalnya, model yang dianggap benar secara teoritis adalah
Yi = Bi + B2 X2i + B3 X3i + Îi
Setelah dianalisis ternyata ada gangguan multikolinearitas serius antara X2 dan X3 maka dianalisis ulang dengan data transformasi sebagai berikut.
Y* = Yi – Yi – 1
X2* = X2i – X2(i-1)
X3* = X3i – X3(i-1)

5. Penambahan data baru. Cara preventif yang sederhana dilakukan adalah dengan mempersiapkan sampel data yang cukup besar sehingga dapat mengurangi kemungkinan terjadinya gangguan multikolinearitas yang serius di antara variabel bebas. Hal ini sangat penting dilakukan, mengingat semakin sedikit sampel yang diambil dalam penelitian akan cenderung meningkatkan adanya gangguan.

6. Cara lain dengan backward combination analysis. Caranya adalah dengan meregresikan secara berulang-ulang variabel tak bebas dengan pasangan-pasangan variabel bebas yang kombinasinya berbeda-beda. Signifikan (bi) yang paling banyak dijumpai pada salah satu analisis tersebut dapat dijadikan model untuk pengambilan keputusan, dengan asumsi gangguan-gangguan lainnya tidak diperoleh. Cara ini mudah dilakukan dengan bantuan paket komputer, tetapi rumit jika harus dilakukan secara manual.

1 comments:

  1. Ada yg bilang bahwa masalah multikolinieritas tidak perlu dibahas pada suatu model yang misalnya A dipengaruhi B, A juga dipengaruhi C, sedangkan B juga dipengaruhi oleh C (jadi B intervening).
    Atas hubungan seperti itu, maka tidak perlu dilihat nilai matriks kovarian-nya karena pasti nilainya nol.
    Apakah benar begitu?
    Mohon pencerahannya..
    Terima kasih.

    BalasHapus

Cari Materi