KOLINEARITAS GANDA
(MULTICOLLINEARITY)
KOLINEARITAS GANDA
(MULTICOLLINEARITY)
C
ikonstanta yg tdk semuanya 0.
• Mudah diketahui krn tdk ada dugaan parameter
koef dgn OLS, juga ragamnya.
• Kolinearitas ganda hanya untuk hubungan linear.
bukan, Y
i(biaya)=f(output)
=
0+
1X +
2X
2+…+
p
X
p• Karena asumsi X nonstokastik (fixed),
multikolinearitas hanya fenomena sample saja.
Model: Y
i
=
1
X
1
+
2
X
2
+…+
k
X
k
+ ε
i
0
1
k i i iX
C
1. Hubungan Linear Sempurna
(eksak), Jika
C
ikonstanta yg tdk semuanya 0.
• Mudah diketahui krn tdk ada dugaan parameter
koef dgn OLS, juga ragamnya.
• Kolinearitas ganda hanya untuk hubungan linear.
bukan, Y
i(biaya)=f(output)
=
0+
1X +
2X
2+…+
p
X
p• Karena asumsi X nonstokastik (fixed),
Konsekuensinya (dan Juga mendeteksinya) :
Masih bersifat Tak Bias, tapi tidak berarti ragamnya harus kecil
Tidak bisa (sulit) memisahkan pengaruh masing -masing peubah bebas,karena besar
Koefisien sulit diinterpretasi (Asumsi Ceteris Paribus?)
R2 tinggi, tapi tidak ada (sedikit) koefisien yang nyata, bahkan tandanya bisa terbalik
Koefisien korelasi sederhana atau tinggi.
2 ˆ
ˆ
i
ˆ
Tidak
Bias,
Tapi
2ˆ
Besar
i i
E
sisaan
,
0
1
i i k i i iX
v
v
C
2. Hubungan Linear Tidak Sempurna, jika :
Konsekuensinya (dan Juga mendeteksinya) :
Masih bersifat Tak Bias, tapi tidak berarti ragamnya harus kecil
Tidak bisa (sulit) memisahkan pengaruh masing -masing peubah bebas,karena besar
Koefisien sulit diinterpretasi (Asumsi Ceteris Paribus?)
R2 tinggi, tapi tidak ada (sedikit) koefisien yang nyata, bahkan tandanya bisa terbalik
Koefisien korelasi sederhana atau tinggi.
2 ˆ
ˆ
i
lainnya
2X
f
X
utk
R
j j
j ix xr
Note : merupakan syarat cukup bukan syarat perlu
Multikolinearitas
VIF : Variance Inflation Factor = Kenaikan karena korelasi antara peubah penjelas.
λ = akar ciri matriks (X`X)
Aturan praktis : kolinearitas jika K ≥ 30; atau K ≥ (VIFjmax)1/2………(Berk 1977)
2
2
21
1
ˆ
j j jR
x
Var
21
1
jR
Var ˆ
j 2 1 min max
K
Mengatasi Kolinearitas Ganda :
Mengatasi Kolinearitas Ganda :
1. Manfaatkan Informasi sebelumnya ( a Prior information)
Mis: tingkat perubahan konsumsi (Y) terhadap perubahan kekayaan (x3) sepersepuluh dari tingkat perubahannya terhadap perubahan pendapatan (x2) β3 = 0,1 β2
Yi = 1 + 2 Xi + εi ; + Xi = X2i + 0.1 X3i
5. Menggabungkan data ‘cross section’ dan ‘time series” Mis :
Karena rPY maka , Misal : 3 dari SUSENAS dimana harga tidak begitu
bervariasi
6. Penambahan data baru
7. Cek kembali asumsi waktu membuat model (Mis :CRS,IRS,..komponen error) seringkali jika tidak nyata dianggap masalah kolinearitas ganda ?! Dan
umumnya di pecahkan dengan mencari prosedur pendugaan
t t t t
P
Y
Q
ln
ln
ln
1 2 3 t t tP
Q
Y
Q
Q
t tln
ln
ln
2 1 * 3 *
3. Transformasi data dengan perbedaan pertama (first differnce form) utk data
time series.
4. Menggunakan PCA , Ridge Regression berbias tapi Var(i ) kecil 5. Menggabungkan data ‘cross section’ dan ‘time series”
Mis :
Karena rPY maka , Misal : 3 dari SUSENAS dimana harga tidak begitu
bervariasi
6. Penambahan data baru
7. Cek kembali asumsi waktu membuat model (Mis :CRS,IRS,..komponen error) seringkali jika tidak nyata dianggap masalah kolinearitas ganda ?! Dan
umumnya di pecahkan dengan mencari prosedur pendugaan
t t t
P
Q
Y
Q
Q
t tln
ln
ln
2 1 * 3 *
i j jx
2
2HETEROSCEDASTICITY (Heteroskedastisitas)
-Sering terjadi dlm data “cross section”
misal: Hubungan pendapatan & pengeluaran RT, Perusahaan
-Biasanya tdk terjadi dlm data “ Time Series”
-Jika Var (ε
i) , E (ε
i2)=σ
i2
, penduga koefisien OLS tetap tak bias
dan konsisten, tapi tidak efisien, bahkan Var(
)
OLSberbias
Dlm model linear sederhana:
-Sering terjadi dlm data “cross section”
misal: Hubungan pendapatan & pengeluaran RT, Perusahaan
-Biasanya tdk terjadi dlm data “ Time Series”
-Jika Var (ε
i) , E (ε
i2)=σ
i2
, penduga koefisien OLS tetap tak bias
dan konsisten, tapi tidak efisien, bahkan Var(
)
OLSberbias
Dlm model linear sederhana:
(
2)
i i i ix
x
x
2 ^ i i ix
y
x
)
1980
,
(
)
(
)
(
)
Var(
;
)
(
)
(
2 2 2 2 2 2 2 2 2 2 2 2White
e
c
x
x
c
Var
x
x
c
x
x
x
E
E
i i i i i i i i i i i OLS i i i
Tetapi tetap inefisien dibandingkan penduga tak bias berikut ini :
Mis.
i
2
2
k
i
, k
i: konstanta yg tdk harus sama
2
2
2
2
2
2
2
2
)
ˆ
(
i
i
i
i
i
i
i
x
k
x
x
x
k
x
Var
2
1
2
i
i
i
x
k
x
Jika
Maka
underestimate dan t
hitoverestimate
OLS
Mendeteksi Heteroskedastisitas
•
Metode grafik
diplotkan.
•
Uji Heteroskedastisitas :
Ho :
H1 : tergantung pendugaan yang dianggap akan menghasilkan
koreksi heteroskedastisitas yang paling diinginkan.
1.
UJI PARK (Econometrica, vol 34, No. 4, 1966)
menganjurkan fungsi :
)
e
(x,
atau
)
,
(
Y
e
i2 2 2 2 2 2 1
...
N
•
Metode grafik
diplotkan.
•
Uji Heteroskedastisitas :
Ho :
H1 : tergantung pendugaan yang dianggap akan menghasilkan
koreksi heteroskedastisitas yang paling diinginkan.
1.
UJI PARK (Econometrica, vol 34, No. 4, 1966)
menganjurkan fungsi :
vi?
pola
masalah
?
signifikan
2 2
i
x
ie
vi
2 i 2 idengan
e
Plot
2. UJI GLEJSER (seperti uji Park)
Fungsi Linear |e
i| terhadap :
3.
UJI Korelasi Pangkat SPEARMAN (urutan e
idan X
i)
,...
1
,
1
,
,
i i i ix
x
x
x
Fungsi Linear |e
i| terhadap :
3.
UJI Korelasi Pangkat SPEARMAN (urutan e
idan X
i)
) 2 ( 2 2 2
1
2
)
1
(
6
1
n s s i st
r
n
r
t
n
n
d
r
4. UJI GOLDFELD-QUANDT (
JASS, Vol 60, 1965)
Cara : 1. Urutkan data peubah bebas x.
2. Keluarkan d pengamatan di tengah (jika tidak ada `natural
break`) misal : d=
3. Hitung 2 model regresi terpisah tersebut, dengan
dbe=(N-d-2k)/2
4. Hitung JKS
1dan JKS
25. Dengan asumsi masing-masing ε
i~Normal,
Note : - Jika k>2, urutkan pengamatan berdasarkan salah satu peubah bebasnya
- Supaya kuasa uji tinggi (salah jenis II lebih keci), harus dengan restriksi dimana kedua model regresi tersebut mempunyai
parameter koefisien yang sama
2 2 1
:
icx
iH
N 5 1Cara : 1. Urutkan data peubah bebas x.
2. Keluarkan d pengamatan di tengah (jika tidak ada `natural
break`) misal : d=
3. Hitung 2 model regresi terpisah tersebut, dengan
dbe=(N-d-2k)/2
4. Hitung JKS
1dan JKS
25. Dengan asumsi masing-masing ε
i~Normal,
Note : - Jika k>2, urutkan pengamatan berdasarkan salah satu peubah bebasnya
- Supaya kuasa uji tinggi (salah jenis II lebih keci), harus dengan restriksi dimana kedua model regresi tersebut mempunyai
parameter koefisien yang sama
) , ( 1 2 1 dbe dbe
F
JKS
JKS
5. UJI BREUSCH-PAGAN ( Econometrica, Vol 47, 1979 )
Misal Model : Yi=α + β xi + εi
dengan asumsi umum:
z dapat merupakan peubah bebas x atau suatu kelompok peubah bebas selain x.
> gunakan
> Lakukan Regresi:
> Jika εi ~Normal,
merupakan statistik uji yang cocok.
Jika nyata (heteroskedastisitas), koreksinya menggunakan peubah z
)
(
2 i if
z
N i i
2 2 menghitung untuk i i i i
z
v
2 2 Misal Model : Yi=α + β xi + εidengan asumsi umum:
z dapat merupakan peubah bebas x atau suatu kelompok peubah bebas selain x.
> gunakan
> Lakukan Regresi:
> Jika εi ~Normal,
merupakan statistik uji yang cocok.
Jika nyata (heteroskedastisitas), koreksinya menggunakan peubah z N i i
2 2 menghitung untuk i i i i
z
v
2 2 ) ( 22
pJKR
6. WHITE TEST (
Econometrica, Vol. 48, 1980)• Tidak perlu asumsi kenormalan seperti B-test.
• Dengan asumsi umum : dengan R2 sebagai ukuran `goodness of fit`.
Jika homoskedastisitas,
,
2 i i i
z
v
2 ) ( 2 pNR
CARA MENGATASI (MENGOREKSI) HETEROSKEDASTISITAS
a) Jika σ
2diketahui
Weighted Least Squares (MKT tertimbang);kasus khusus dari GLS, yg dpt diturunkan dari fungsi kemungkinan maximum.
Note :
simpangan (pengamatan) ekstrim dpt timbangan kecil
2 2 2(
)
(
)
1
i i i i i ix
Y
x
Y
JKS
*
*
*
/
/
2 2 2 i i i i i i i ix
y
x
x
y
x
i i i i i iy
y
x
x
dan
*
*
dimana
*
*
*
/
/
2 2 2 i i i i i i i ix
y
x
x
y
x
i i i i i iy
y
x
x
dan
*
*
dimana
|
1
x
|
...
i 2 2 1
i k ki i ix
x
Y
i i i ki k i i i i ix
x
Y
...
1
2 2 1*
*
...
*
*
*
1 1 2 2i k ki i ix
x
x
Y
1
)
(
1
*)
(
2
i i iVar
Var
b. Jika σ
i2tidak diketahui sering menggunakan asumsi tentang σ
i2
Misal Asumsi : Var(ε
i)=C X
2i2 lakukan seperti di atas dengan
transformasi: x (X
2i)
-1 i i i ki k i i i i ix
x
x
x
x
x
x
Y
2 2 2 3 3 2 2 1 2...
1
c
Var
i
Var
(
i*)
c
(
*)
252.7 F ; 93 . 0 R ; 237 . 0 89 . 0 2 i i x Y
c. Dapat dengan Transformasi Log (memperkecil skala) kadangkala dapat masalah baru, seperti Spurious
correlation, kolinearitas.
Teladan : Dengan OLS :
(4.4) (15.9) statistik t Dengan WLS :
58.7
F
;
76
.
0
R
;
1
7529
.
0
249
.
0
*
1
*
*
2
i i i i i i ix
x
Y
x
x
Y
58.7
F
;
76
.
0
R
;
1
7529
.
0
249
.
0
*
1
*
*
2
i i i i i i ix
x
Y
x
x
Y
(21.3) (7.7) R2WLS < R2OLS jangan dianggap sebagai indikasi bahwa koreksi
heteroskedastisitas kurang baik karena prosedur WLS melibatkan transformasi peubah tak bebas (Y*)
Dengan indikator :