Multikolinearitas atau Kolinearitas Ganda (Bahasa Inggris: Multicollinearity) adalah adanya hubungan linear antara peubah bebas X dalam Model Regresi Ganda.[1] Jika hubungan linear antar peubah bebas X dalam Model Regresi Ganda adalah korelasi sempurna maka peubah-peubah tersebut berkolinearitas ganda sempurna (Bahasa Inggris : perfect multicollinearity).[1] Sebagai ilustrasi, misalnya dalam menduga faktor-faktor yang memengaruhi konsumsi per tahun dari suatu rumah tangga, dengan model regresi ganda sebagai berikut :

Y=ß0+ß1X1+ß2X2+Edimana :X1 : pendapatan per tahun dari rumah tanggaX2 : pendapatan per bulan dari rumah tangga

Peubah X1 dan X2 berkolinearitas sempurna karena X1 = 12X2. Jika kedua peubah ini dimasukkan ke dalam model regresi, akan timbul masalah Kolinearitas Sempurna, yang tidak mungkin diperoleh pendugaan koefisien parameter regresinya.[1]

Jika tujuan pemodelan hanya untuk peramalan nilai Y (peubah respon) dan tidak mengkaji hubungan atau pengaruh antara peubah bebas (X) dengan peubah respon (Y) maka masalah multikolinearitas bukan masalah yang serius.[1] Seperti jika menggunakan Model ARIMA dalam peramalan,[2] karena korelasi antara dua parameter selalu tinggi, meskipun melibatkan data sampel dengan jumlah yang besar.[2] Masalah multikolinearitas menjadi serius apabila digunakan unruk mengkaji hubungan antara peubah bebas (X) dengan peubah respon (Y) karena simpangan baku koefisiennya regresinya tidak siginifikan sehingga sulit memisahkan pengaruh dari masing-masing peubah bebas.[1]

Istilah Multikolinearitas (Bahasa Inggris : Multicollinearity) pertama kali dicetuskan oleh Ragnar Frisch [3] Penerima Nobel dalam Ilmu Ekonomi bersama Jan Timbergen pada tahun 1969 atas peran penting mereka atas penerapan teknik matematika dalam analisis ekonomi Modern.[3] Frisch memformulasikan masalah regresi dalam ekonometrika sebagai model dari

Y= Xß[3]

dengan matrik Y merupakan matriks dengan n baris dan 1 kolom dan matriks X adalah matriks dengan n baris dan k+1 kolom dimana k adalah jumlah parameter regresi[3], dimana bila terdapat korelasi antar peubah bebas X maka determinan matriks X'X sama dengan nol[1], sehingga invers matriks (X'X) = (X'X)-1 tidak ada[1], sehingga dugaan parameter untuk ß, yaitu b=(X'X)-1X'y[4] tidak akan diperoleh.[1]

Pendeteksian adanya multikolinearitas

1. Lakukan uji koefisien korelasi sederhana (Bahasa Inggris : pearson correlation coefficient) antara peubah bebas (X) dalam model.[1] Jika korelasi sangat tinggi dan nyata maka terjadi multikolinearitas.[1]. Namun, nilai koefisien korelasi sederhana yang tinggi antar peubah bebas hanya syarat cukup, bukan syarat perlu bagi multikolinearitas.[1]

2. Lihat nilai VIF (Bahasa Inggris : "variance inflation factor") dimana

VIF = (1-Rj2)-1,

nilai VIF ini menggambarkan kenaikan varians dari dugaan parameter antar peubah penjelas. [1]. Apabila nilai VIF lebih dari 5 atau 10, maka taksiran parameter kurang baik[5], terjadi multikolinearitas[1].

Cara mengatasi multikolinearitas

Beberapa cara yang bisa digunakan dalam mengatasi masalah multikolinearitas dalam Model Regresi Ganda antara lain, Analisis komponen utama [1] yaitu analisis dengan mereduksi peubah bebas (X) tanpa mengubah karakteristik peubah-peubah bebasnya[6], penggabungan data cross section dan data time series [1] sehingga terbentuk data panel, metode regresi step wise[5], metode best subset[5], metode backward elimination[5], metode forward selection[5], mengeluarkan peubah variabel dengan korelasi tinggi walaupun dapat menimbulkan kesalahan spesifikasi,[1], menambah jumlah data sampel, [1] dan lain-lain.