Uji Multikolinearitas dengan VIF dan CI Menggunakan SPSS Versi 23

Daftar isi:

1. Pendahuluan
2. Tutorial uji multikolinearitas dengan SPSS Versi 23
3. Interpretasi VIF
4. Interpretasi CI
5. Kesimpulan
6. Artikel Terkait

Pendahuluan

Uji Multikolinearitas adalah salah satu uji asumsi klasik yang melihat apakah pada model regresi terdapat korelasi yang tinggi antara variabel bebasnya atau tidak. Model regresi yang baik diharapkan tidak mempunyai korelasi yang tinggi antara variabel bebasnya. Dalam hal ini, tentunya uji multikolinearitas tidak dapat dikenakan pada model regresi linear sederhana, karena hanya menggunakan 1 variabel bebas.

Ada banyak metode uji multikolinearitas, bahkan salah satunya adalah deteksi ketika membangun model regresi. Deteksi yang lain adalah menggunakan korelasi biasa di antara variabel-variabel bebasnya, di mana korelasi yang tinggi atau di atas 0,9 sering diidentifikasikan sebagai mengalami gangguan multikolinaritas. Artikel kali ini akan membahas penggunakan metode VIF = Variance Inflation Factor, yang erat kaitannya dengan Tolerance dan juga menggunakan metode CI =  Condition Index yang erat kaitannya dengan eigenvalue.

Tutorial Uji Multikolinearitas dengan SPSS Versi 23

Berikut adalah data yang dipergunakan untuk simulasi, yaitu 96 data sebagai berikut:

Data Simulasi Uji Multikolinearitas pada Regresi Berganda

Pilih Analyze, pilih Regression, lalu klik pada Linear untuk masuk ke menu regresi. Maka akan masuk ke menu regresi sebagai berikut:

Memasukkan Variabel Penelitian dan Masuk ke Menu Statistics

Masukkan variabel terikat ke Box Dependent dan variabel bebas ke Independent(s) seperti pada gambar di atas. Lalu Klik pada Statistics pada pojok kanan atas, sehingga akan masuk ke sub menu lagi yaitu sebagai berikut:

Centang Collinearity diagnostics

Berikan tanda centang pada Collinearity diagnostic seperti pada gambar di atas. Lalu klik Continue dan klik OK sehingga akan keluar output regresi.

Interpertasi VIF

Berikut adalah output yang dipergunakan untuk menguji multikolinearitas dengan metode VIF atau Tolerance:

Output VIF atau Tolerance dengan SPSS Versi 23

Kriteria gangguan multikolinearitas adalah VIF > 10 atau Tolerance < 0,1. Tampak bahwa tidak ada variabel bebas yang mempunyai VIF > 10 atau Tolerance < 0,1. Jadi model regresi yang dibangun tidak mengalami gangguan multikolinearitas. 

Interpretasi CI

Metode lain adalah dengan Condition Index di mana gangguan terjadi jika CI di atas 30 untuk gangguan kuat dan antara 10 sd 30 untuk gangguan sedang. Berikut adalah output eigenvalue pada model regresi ini:

Output untuk CI dengan SPSS Versi 23

Nilai CI dihitung dari akar kuadrat pembagian Maximum eigenvalue dengan Minimum eigenavalue. Tampak bahwa Ci adalah akar kudrat dari 1,720 : 0,497 = 3,4608 (hanya 4 angka saja). Sehingga nilai akar kudratnya adalah CI = 1.8603. Nilai ini di bawah 10 sehingga dinyatakan bahwa tidak terdapat gangguan multikolinearitas pada model regresi. Ini sesuai dengan hasil pengujian dengan VIF.

Kesimpulan

Gangguan multikolinearitas dapat dideteksi di awal, yaitu jika ada variabel bebas yang secara teori mempunyai korelasi mempunyai kemungkinan mengalami gangguan multikolinearitas pada uji asumsi klasik. Untuk uji multikolinearitas dengan VIF dan CI ternyata memberikan hasil yang konsisten sehingga kita bisa menggunakan salah satunya saja, atau menggunakan keduanya jika ingin memperkuat hasil pengujian.

Share: