Nachrowi dan Usman (2006) menjelaskan bahwa multikolinieritas dapat dideteksi dengan adanya koefisien determinasi (R2) yang tinggi dan uji F yang signifikan tetapi banyak koefisien regresi dalam uji t yang tidak signifikan, atau secara substansi interprestasi yang didapat meragukan. Akan tetapi deteksi ini bersifat subyektif, uji formal dibutuhkan untuk mendeteksi keberadaan multikolinieritas.
Ada beberapa cara untuk mendeteksi ada tidaknya gejala multikolinieritas yang antara lain, pertama menurut Gujarati (2003) dengan melihat pada matriks korelasi (korelasi antar variabel bebas), yaitu jika korelasi antar variabel melebihi 0,50 diduga terdapat gejala multikolinieritas. Yang kedua menurut Neter et al. (1993) disarankan melihat pada nilai Variance Inflation Factor (VIF), yaitu jika nilai VIF kurang dari 10 maka tidak terdapat multikolinieritas.
Motgomery dan Peck sumber menjelaskan penyebab multikolinieritas adalah: (1) metode pengumpulan data yang digunakan membatasi nilai dari regressor, (2) kendala model pada populasi yang diamati, (3) spesifikasi model, (4) penentuan jumlah variabel eksplanatoris yang lebih banyak dari jumlah observasi atau overdetermined model, (5) data time series, trend tercakup dalam nilai variabel eksplanatoris yang ditunjukkan oleh penurunan atau peningkatan sejalan dengan waktu. Kadang kala aplikasi data sekunder mengalami masalah penaksiran atau menolak asumsi klasik dari model regresi linier.
Konsekuensi praktis dari multikolinieritas tak sempurna adalah: (1) ordinary least squares estimator mempunyai varians dan kovarians yang besar dan mengakibatkan penaksiran kurang efisien, (2) karena penaksiran kurang akurat, interval keyakinan cenderung lebih besar dan cenderung tidak menolak hipotesis nol, (3) karena penaksiran kurang akurat  maka nilai statistik t satu atau lebih cenderung tidak signifikan secara statistik, (4) walaupun nilai t statistik tidak signifikan tetapi nilai koefisien determinasinya tinggi, (5) ordinary least squares estimator dan kesalahan baku koefisien sangat sensitif terhadap perubahan kecil di dalam data. Bila terjadi multikolinieritas serius ada dua pilihan yaitu: (1) tidak melakukan sesuatu, (2) mengikuti beberapa kaidah perbaikan multikolinieritas. Tidak melakukan sesuatu merupakan anjuran dari Blanchard di mana multikolinieritas secara esensial adalah masalah defisiensi data atau micronumerosity dan kadang tidak ada pilihan terhadap analisis data yang tersedia.
Beberapa kaidah perbaikan terhadap multikolinieritas tergantung pada masalahnya yaitu: (1) informasi teoritis, (2) mengkombinasikan data cross section dengan time series, kombinasi ini disebut pooling the data, (3) mengeluarkan variabel dan bias spesifikasi, (4) mentransformasi variabel, contohnya adalah dengan metode first difference form dan ratio transformation, (5) penambahan data baru, (6) mengurangi regresi dalam bentuk fungsi polynomial, (6) menggunakan factor analysis dan principals components atau ridge regression. Masalah multikolinieritas tidak selalu buruk jika tujuan untuk melakukan prediksi atau peramalan karena koefisien determinasi yang tinggi merupakan ukuran kebaikan dari prediksi atau peramalan. Oleh sebab itu bila koefisien determinasi tinggi dan signifikasi koefisien slope tinggi maka model regresi pada umumnya tidak mengalami masalah multikolinieritas. Data time series menunjukkan bahwa semakin panjang lag maka korelasi antar variabel bebas atau multikolinieritas semakin tinggi.

Facebook Comments