Kolinieritas.

Pengantar
Asumsi-asumsi penting apabila kita memakai inferensi dengan Statistika Parametrik harus dipenuhi. Apabila ausmsi tidak dapat dipenuhi maka alat tersebut akan memberikan hasil yang tentu saja dapat menyesatkan.

Penggunaan beberapa variabel independen secara bersamaan ke dalam model regresi, memungkinkan terjadinya hubungan yang berkaitan erat satu sama lain antar variabel yang dipakai. Hubungan yang ”terlalu besar” antara variabel bebas mungkin terjadi. Kondisi inilah yang dinamakan kolinieritas.

Definisi
Keadaan dimana variabel-variabel independen dalam persamaan regresi memiliki hubungan kuat satu dengan yang lain.

Masalah-masalah yang ditimbulkan :

  1. Koefisien regresi yang bertanda positif dalam regresi sederhana bisa berubah menjadi negatif dalam regresi berganda atau sebaliknya.
  2. Fluktuasi nilai estimasi koefisien regresi sangat besar.
  3. Jika variabel-2 independen terkorelasi satu sama lain, maka variabel-2 tersebut menjelaskan varians yang sama dalam mengestimasi variabel dependen. Penambahan variabel independen tidak berpengaruh apa-apa.

Langkah-langkah mendeteksi Kolinieritas

  1. Lakukan korelasi bivariate antara variabel-variabel yang ada (Korelasi Pearson untuk data kuantitatif : Skala interval dan Skala rasio; Korelasi Spearman untuk data Kategorikal : Skala nominal dan skala ordinal).
  2. Lakukan pendeteksian hubungan bivariate dari variabel-2 independen terhadap variabel dependen (perhatikan arah hubungan yang terjadi)
  3. Lakukan pemodelan dengan regresi berdasar besarnya nilai korelasi bivariate (Metode Maju/Forward). Perhatikan estimasi koefisien yang terjadi.
  4. Analisis dari korelasi bivariate dan estimasi koefisien regresi apakah ada koefisien yang berubah (dari positif menjadi negatif, atau sebaliknya : berarti telah terjadi kolinieritas), terjadi perubahan (fluktuasi) koefisien determinasi dll. (Download Materi Kolinieritas-Ki Hariyadi)

Referensi

Arsyad, L., 1999. Peramalan Bisnis (Edisi Pertama). BPFE-Yogyakarta.

Myers, R. H., 1989. Classical and Modern Regression With Applications, PWS-Kent Publishing Company-Boston.