Friday, July 28, 2017

√ Uji Non-Multikolinieritas

Salah satu uji yang dipakai di dalam analisis regresi yaitu uji non-Multikolinieritas.

Apa itu uji non-Multikolinieritas?

Multikolinearitas menawarkan adanya kekerabatan linier yang tepat dan niscaya antar variabel bebas (independen) yang menjelaskan variabel terikat (dependen) dalam model, terutama regresi. Keberadaan gangguan ini mengakibatkan estimator yang dihasilkan masih tidak bias dan baik untuk dipakai dalam memprediksi nilai parameter, namun mengakibatkan varians (keragaman) model akan besar.

Gangguan Multikolinearitas ini timbul umumnya dikarenakan penambahan jumlah variabel bebas (independen) sehingga berdampak pada varians dan covarians model yang besar. Dalam tahapan intepretasi, Multikolinearitas sanggup menjadikan kesalahan, intepretasi model yang menawarkan kekerabatan alasannya akhir menjadi tidak pasti, bahkan salah. Harusnya pendapatan dan pendidikan memengaruhi jumlah konsumsi rokok per hari, malah bahwasanya pendidikan lebih besar menentukan jumlah pendapatan alasannya kekerabatan keduanya sangat kuat.

Oh, iya. Untuk melihat secara eksklusif ada tidaknya Multikolinearitas ini, Anda sanggup melihat besarnya kekerabatan antar variabel, kalau tinggi maka siap-siap model Anda akan terancam tidak lolos uji perkiraan non-Multikolinearitas ini sehingga Anda harus mengganti model atau malah ganti analisis yang lain, contohnya analisis Komponen Utama (AKU) atau Analisis Faktor (AF) yang mengakormodir tanda-tanda Multikolinearitas.

Uji statistik yang biasa dipakai dalam melihat ada tidaknya tanda-tanda Multikolinearitas yaitu nilai Variance Inflation Factor (VIF), biasanya adanya di SPSS eksklusif tersedia nilai VIF ini. Menurut Neter (1989), Multikolinearitas terjadi ketika nilai VIF > 10, namun berdasarkan Nahcrowi dan Usman (2006), Multikolinearitas terjadi ketika nilai VIF > 5. Dari dua teori ini Anda sanggup menentukan salah satu, toh, masing-masing mempunyai landasan yang jelas. Atau Anda bis saja secara manual menghitunya sendiri dengan menggunakan formula sebagai berikut :


Formula VIF, sumber : Dok. Penulis

dengan R kuadrat k yaitu koefisien determinasi variabel ke-k yang diregresikan dengan variabel yang lainnya, yakni sebagai (p - 2) variabel dalam model. P yaitu parameter, kalau dalam regresi itu kalau terdapat 4 variabel bebas berarti terdapat 4 parameter estimasi sehingga dengan meregresikan setiapp dua kombinasi dari 4 variabel itu berarti terdapat sebanyak 6 buah R-k (4 C 2 = 6), kemudian masing-masing R dikuadratkan kemudian dimasukkan dalam formula tersebut. Kalau sabar, niscaya mudah.

Sumber http://www.ngobrolstatistik.com/