Penanggulangan Multikolinearitas dengan First Difference Delta

Penanggulanan gangguan multikolinearitas secara lengkap (tetapi singkat) telah dibahas pada naskah sebelumnya. Dari enam langkah tersebut (sebenarnya ada lebih dari 6 langkah) mungkin hanya ada satu langkah yang akan paling enak digunakan. Mengapa? Karena langkah yang lain berkaitan dengan penambahan sampel, atau pengubahan model penelitian. Hal tersebut akan terbatas sekali dilakukan karena berarti juga akan mengubah tinjauan teoretis yang telah dilakukan sebelumnya. Langkah yang mungkin tidak perlu mengganti model penelitian atau teori adalah langkah transformasi. Langkah menghilangkan salah satu variabel yang terkena gangguan multikolinearitas juga sering dilakukan, tetapi tidak akan dibahas di sini karena langkahnya cukup jelas. Yaitu cari VIF tertinggi, lalu keluarkan dari model penelitian.
model first difference delta merupakan salah satu metode penanggulangan gangguan multikolinearitas
Simulasi Gambar Multikolinearitas

Pelaksanaan transformasi variabel dilakukan dengan, misalnya ada model persamaan regresi seperti ini:

Y = Bi + B2 X1 + B3 X2 + e

Setelah dianalisis ternyata ada gangguan multikolinearitas serius antara X1 dan X2 maka dianalisis ulang dengan data transformasi sebagai berikut:

Y* = Yi – Yi – 1
X1* = X1 – X1(i-1)
X2* = X2 – X2(i-1)

Itu sederhana kok. Begini. Dalam satu variabel, kan ada urutan data dari 1 sampai katakanlah 100. Lalu begini, data kedua dikurangi data pertama. Bisa kan? Kurangi saja, mau pake kalkulator, atau Excel, atau pake manual juga boleh. Hasil pengurangan tersebut merupakan data pertama pada variabel transformasi. Kemudian data ketiga dikurangi data kedua, dan menjadi data kedua pada variabel transformasi. Demikian seterusnya sampai selesai. Berarti jika terdapat 100 data pada variabel awal, maka variabel transformasi akan menjadi 99 (berkurang 1). Yup???

Lakukan pada semua variabel sehingga model regresi seperti ini:

Y* = Bi + B2 X1* + B3 X2* + e

Lalu lakukan uji multikolinearitas lagi. Transformasi data tadi sering disebut dengan istilah gaul dengan First difference delta. Kalau dengan transformasi tadi masih terdapat gangguan multikolinearitas, maka kurangkanlah sekali lagi, sehingga data menjadi 98 yang sering disebut second difference delta. Dan jika masih terdapat gangguan multikolinearitas lagi, ya keluarkan saja variabel yang mempunyai nilai VIF tertinggi.

O ya, sebenarnya gangguan multikolinearitas harus dideteksi dari awal ketika menyusun model regresi. Misalnya pada penelitian Bursa Efek Indonesia (BEI) variabel yang akan terkena gangguan multikolinearitas misalnya ROA dan ROE karena sama-sama menggunakan earning after tax sebagai penyebut rasio. Tapi itu juga tidak mesti lho….hanya kecenderungan saja.

Kadang-kadang juga ada transformasi variabel menjadi variabel dummy. Dummy itu variabel yang datanya hanya berisi 0 dan 1. Caranya gampang, cari nilai tengahnya, lalu yang lebih kecil dari nilai tengah diganti dengan 0, yang lebih besar dari pada nilai tengah diganti dengan 1. Lalu coba cek nilai VIF lagi dengan regresi. Atau misalnya jika variabel tersebut berisi data positif dan negatif, misalnya laba, bisa juga dilakukan 0 untuk perusahaan yang rugi dan 1 untuk perusahaan yang untung. Juga masih ada cara penanggulangan multikolinearitas lain tanpa menghilangkan salah satu variabel yaitu dengan Generalized Least Square (GLS).
Share:

4 komentar:

  1. malam mas.. saya metha (pekanbaru)
    mas, kmaren2 saya juga udah pernah nanya cuman ttg uji normalitas.. makasi yah mas.. tp saya diminta nambah variabel ama dosen, yaitu kurs, inflasi dan suku bunga.. setelah data dimasukkan, ternyata ngalamin multikolinearitas pada data inflasi dan sbi. datanya itu samaaaa terus.... utk inlfasi dari baris 1 ampe baris 18 isinya 6.06 trs baris 19 ampe 36 isinya 10.37 bgt terus mas, sama juga ama SBI.. gmn cara ngatasinya mas, krn saya coba pake cara first difference delta malah hasilnya nol semua.. makasi yah mas..

    BalasHapus
  2. terima kasih banyak Pak atas penjelasannya,

    Saya ian (mahasiswa asal Depok).. ingin bertanya,
    dalam penelitian skripsi saya terdeteksi adanya autokorelasi positif dalam model regresi, itu terjadi karena saya menggunakan data asli dalam melakukan uji asumsi klasik (autokorelasi)..

    Namun setelah saya menerapkan metode "Differencing", seperti yang Bapak jelaskan diatas, alias tidak menggunakan data aslinya, walhasil setelah diuji kembali ternyata berhasil lolos tanpa terdeteksi adanya autokorelasi..

    Nah, menurut bapak, berdasar kode etik penelitian ilmiah, apakah penggunaan metode differencing itu diperbolehkan Pak?..

    sebelumnya terima kasih banyak Pak atas waktu dan ilmu yang bapak berikan..

    Salam (ian)

    BalasHapus
  3. siang mas saya Dewi .
    saya sudh melakukan pengujian menghilangkan multikol dengn me LN kan data yg mengandung multikol yg paling tinggi tetapi hasilnya msh tetap sama , yaitu msh ada multikolnya, dengan cara apalagi ya mas agar bisa terbebas dr multikol dan bisa gk di jabarkan step by step cara menyembuhkan multikolnya.

    _Trimakasih_

    BalasHapus
  4. pagi pak saya mau tanya variabel ROA dan ROE saya terkena multikol bagaimana mengatasinya?

    BalasHapus

Baca dulu sebelum tulis komentar:

Sebelum menuliskan pertanyaan, mohon disimak tanya jawab yang ada terlebih dahulu. Pertanyaan yang sama atau senada biasanya tidak terjawab. Untuk pengguna Blogger mohon profil diaktifkan agar tidak menjadi dead link. Atau simak dulu di Mengapa Pertanyaan Saya Tidak Dijawab?
Simak juga Channel kami di Statistik TV
Komentar akan kami moderasi dulu sebelum ditampilkan. Aktifkan Akun Google Anda.

Terima kasih.

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *