Uji Multikolinearitas dengan SPSSPosted on 19 Agustus 2013

Ketika hasi estimasi statistik (hasil regresi) telah didapatkan, tidak dengan sendirinya hasil ini bisa digunakan sebagai dasar pengambilan keputusan. Hasil regrasi harus diuji untuk memastikan terpenuhinya asumsi klasik. Uji multikolinearitas merupakan salah satu uji asumsi klasik yang biasa dilakukan.

Masalah multikolinearitas muncul jika terdapat hubungan yang sempurna atau pasti di antara satu atau lebih variabel independen dalam model. Dalam kasus terdapat multikolinearitas yang serius, koefisien regresi tidak lagi menunjukkan pengaruh murni dari variabel independen dalam model. Dengan demikian, bila tujuan dari penelitian adalah mengukur arah dan besarnya pengaruh variabel independen secara akurat, masalah multikoliniearitas penting untuk diperhitungkan. Pilihan metode pengujian yang dapat dipergunakan antara lain adalah uji VIF (Variance Inflation Factor), uji Park dan uji CI (Condition Index). Kali ini saya akan membahas uji VIF dengan bantuan SPSS. Apabila nilai VIF di bawah 10, maka tidak terdapat masalah multikolinearitas.

Uji multikolinearitas dapat dilakukan dengan bantuan software SPSS.  Langkah-langkahnya antara lain adalah sebagai berikut:

1. Masukkan data variabel bebas dan variabel terikat pada SPSS data editor. Pada contoh kali ini, jumlah datanya ada 15, terdapat 4 variabel bebas (X1, X2, X3, X4) dan terdapat 1 variabel terikat (Y).

2. Pilih menu Analyze, kemudian Regression, lalu Linear…

3. Masukkan semua variabel bebas ke kolom Independent(s) dan variabel terikat ke kolom Dependent, kemudian klik Statistics….

4. Checklist pilihan Collinearity diagnostics lalu klik Continue, kemudian klik OK.

5. Akan muncul beberapa tabel pada keluaran. Perhatikan tabel Coefficients berikut:

Nilai VIF X1 adalah 9,709, VIF X2 adalah 1,95, VIF X3 adalah 4,574 dan VIF X4 adalah 2,654. Semuanya lebih kecil dari 10 sehingga tidak ada masalah multikolinearitas. Nahh, gampang khan

.

Daftar Referensi

Elcom. (2010). Seri Belajar Kilat SPSS 18. Yogyakarta: Penerbit Andi.

Prihadi Utomo, Yuni. (2007). Eksplorasi Data dan Analisis Regresi dengan SPSS. Surakarta: Muhammadiyah University Pess.

http://aliefworkshop.wordpress.com/2013/08/19/uji-multikolinearitas-dengan-spss/

Supaya mempermudah saya berikan sebuah contoh:Saya akan menghitung pengaruh Leverage, Current ratio (CR), ROA dan ROE terhadap Risiko Sistematis (beta) yang sudah saya rekap sebagai berikut:

(kalo kurang jelas bisa di download dulu gambar di atas ini)

Pertama-tama yang harus dilakukan adalah masuk ke program SPSS. Kemudian masukkan semua angkanya pada "data view". Sebagai contoh saya yang tadi saya memasukkannya seperti pada gambar berikut:

Kemudian klik pada "variable view". Pada "Name" masukkan nama variable, pada "Decimals" bisa di ubah sesuai dengan keinginan.

disini saya memakai 3 desimal maka semua saya ubah menjadi 3. Sedangkan kolom yang lain abaikan saja. Untuk lebih jelasnya bisa dilihat pada gambar berikut sesuai dengan contoh saya tadi: 

  Setelah semua sudah diisi, dan datanya pastikan sudah benar (untuk mencek kebenarannya klik lagi pada Data View maka pada var akan berubah namanya sesuai dengan data variabel kita). hati-hati jangan sampai terbalik memasukkan angka.

Analisis dimulai.

Klik analize>regression>linear

  Akan muncul jendela "Linear Regression". Masukkan variabel sesuai dengan data anda. Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap (dependent), sedangkan leverage, current ratio, ROA dan ROE variabel bebas (independen). Klik tanda

berbentuk seperti "panah" untuk memasukkannya ke dalam kolom data. Contohnya sebagai berikut:

  Kemudian klik pada statistics (masih dalam jendela Linear Reggresion). Sehingga akan muncul jendela "Linear Regressions: Statistics". Pada Regression Coefficients centang pada "Estimates", Covariance matrik", "Model Fit", "R squared change", "Collinearity diagnostics". Dan pada residuals klik "Durbin-Watson". Setelah semua dicentang klik "Continue". Supaya jelas lihat contoh saya sebagai berikut:

Akan muncul lagi jedela "Linear Regression" yang awal. Klik pada "Plots" sehingga muncul jendela "Linnear Regression:Plots". Masukkan *ZPRED pada Y, dan *SRESID pada X. Caranya dengan mengklik *zpred atau *sresid kemudian klik tanda yang mirip bentuk panah pada tempatnya masing-masing. Kemudian pada Standardized Residual Plots centang pada "Histogram" dan "Normal Probability Plot". Setelah selesai klik “Continue”. Seperti contoh saya berikut ini:

  Kembali ke jendela "Linear regression". Klik "OK" untuk segera memproses data.Dan akan muncul jendela baru. Data yang tertera disitulah yang akan menjadi dasar analisis kita.

1. Uji Normalitas

Uji normalitas adalah pengujian tentang kenormalan distribusi data. Penggunaan uji normalitas karena pada analisis statistik parametik, asumsi yang harus dimiliki oleh data adalah bahwa data tersebut harus terdistribusi secara normal. Maksud data terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal (Santosa&Ashari, 2005:231).

Uji normalitas bisa dilakukan dengan dua cara. Yaitu dengan "Normal P-P Plot" dan "Tabel Kolmogorov Smirnov". Yang paling umum digunakan adalah Normal P-P Plot.

Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan:a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.b. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas (Ghozali 2007:110-112).

Untuk menganalisis dengan SPSS kita lihat hasil output kita tadi pada gambar "Normal P-P Plot of Regression Standardized Residual". seperti contoh saya yang sebagai berikut:

  Dari analisis kurva dapat dilihat bahwa data menyebar di sekitar diagram dan mengikuti model regresi sehingga dapat disimpulkan bahwa data yang diolah merupakan data yang berdistribusi normal sehingga uji normalitas terpenuhi.

Namun bila para pembaca kepingin cara Kolmogorov-Smirnov juga bisa. data dianalisis tidak menggunakan gambar namun dengan angka. Kelebihannya hasilnya memang lebih akurat.Caranya yaitu untuk memasukkan data sama saja. namun tidak menggunakan jendela "Linear Regression". Caranya masuk ke menu awal. klik pada Analize>Nonparametic test>1-Sample K-S.

Akan muncul jendela "One-Sample Kolmogorov-Smirnov Test". Masukka semua variabel dengan menklik variabel kemudian klik tanda panah untuk memasukkannya pada kolom yang di sebelah.

  Setelah selesai dimasukkan semua, klik OK. Dan akan muncul jendela One-Sample Kolmogorov-Smirnov Test seperti pada gambar contoh saya ini:

untuk menganalisisnya, kita lihat pada baris "Asymp. Sig. (2-tailed)" baris paling bawah. bila nilai tiap variabel lebih dari (>0,05) maka uji normalitas bisa terpenuhi.

Pada contoh saya yang ini nilainya ada yang kurang dari 0,05 sehingga agar terlihat terpenuhi saya lebih baik menggunakan metode P-P Plot yang berupa gambar. hehehee...

2. Uji Multikolinieritas

Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal (Ghozali 2007:91). Untuk mendeteksi adanya multikolinearitas, dapat dilihat dari Value Inflation Factor (VIF). Apabila nilai VIF > 10, terjadi multikolinieritas. Sebaliknya, jika VIF < 10, tidak terjadi multikolinearitas (Wijaya, 2009:119).

Untuk analisisnya dengan SPSS kita lihat hasil output pada tabel "Coefficients". seperti pada contoh saya berikut: 

  Dari hasil output data didapatkan bahwa nilai semua nilai VIF<10 ini berarti tidak terjadi multikolonieritas. Dan menyimpulkan bahwa uji multikolonieritas terpenuhi.

3. Uji Heteroskedastisitas

Pengujian ini digunakan untuk melihat apakah variabel pengganggu mempunyai varian yang sama atau tidak. Heteroskedastisitas mempunyai suatu keadaan bahwa varian dari residual suatu pengamatan ke pengamatan yang lain berbeda. Salah satu metode yang digunakan untuk menguji ada tidaknya Heterokedastisitas akan mengakibatkan penaksiran koefisien-koefisien regresi menjadi tidak efisien. Hasil penaksiran akan menjadi kurang dari semestinya. Heterokedastisitas bertentangan dengan salah satu asumsi dasar regresi linear, yaitu bahwa variasi residual sama untuk semua  pengamatan atau disebut  homokedastisitas (Gujarati dalam Elmasari, 2010:53)Untuk mendeteksi ada atau tidaknya heteroskedastisitas yaitu dengan melihat grafik Plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesuungguhnya) yang telah di-studentized.Dasar analisisnya adalah sebagai berikut:a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.

b. Jika ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

untuk menganalisis datanya kita lihat pada gambar "Scatterplot" pada output data. Seperti contoh saya di bawah ini:

  Dari gambar diatas dapat diketahui bahwa tidak terjadi heteroskedastisitas sebab tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. sehingga dapat dikatakan uji heteroskedastisitas terpenuhi.

4. Uji Autokorelasi

Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri. Maksud korelasi dengan diri sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu sendiri, baik nilai variabel sebelumnya atau nilai periode sesudahnya (Santosa&Ashari, 2005:240).Dasar pengambilan keputusannya adalah sebagai berikut:- Angka D-W di bawah -2 berarti ada autokorelasi positif- Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi- Angka D-W di atas +2 berarti ada autokorelasi negatif

  untuk menganalisisnya menggunakan output SPSS tadi kita lihat pada tabel "Model Summary". seperti contoh saya berikut ini:

  Dari tabel diatas didapatkan nilai Durbin-Watson (DW hitung) sebesar 2,038 atau 2. Berdasarkan kriteria yang telah ditentukan DW hitung berada diantara -2 dan 2, yakni -2 ≤ 2 ≤ 2 maka ini berarti tidak terjadi autokorelasi. Sehingga kesimpulannya adalah Uji Autokorelasi terpenuhi.

Nah.. Berdasarkan berbagai macam pengujian di atas atas contoh saya dapat disimpulkan bahwa syarat asumsi klasik telah terpenuhi semua sehingga analisis data dengan menggunakan persamaan regresi berganda dapat dilakukan.. Siap maju ke dosen dhe.. Prikitiew! Hehehe..

Demikianlah para pembaca tentang artikel dari saya. Buset dah saya harus ngetik dua kali dan upload foto2, edit foto2nya dua kali.. trimakasih banget buat oknum (hacker sirik) yang udah merusak artikel saya. Tapi gakpapa. maju terus pantang mundur.. Saya akan terus menabur kebaikan bagi semua orang... Amin.. hehee..

Dan saya yakin artikel ini sangat bermanfaat bagi kita semua karena dari semua artikel saya artikel ini selalu menduduki peringkat pertama dalam blog saya ini. Dan apabila ada pertanyaan atau saran atau ada artikel hilang dan tidak lengkap atau apapun itu jangan sungkan-sungkan segera kemukakan lewat email saya (dinaseptyperiska@gmail.com) atau komentar di bawah ini. saya sangat berharap kerjasamanya dari teman-teman semua.http://carapandangku.blogspot.com/2011/07/uji-asumsi-klasik-dengan-spss-panduan_04.html

Uji Multikolinearitas dengan Melihat Nilai Tolerance dan VIF | Selamat siang sobat blogger, bagaimana masih kuat bukan lanjutin puasanya, tentunya harus kuat. Kilas balik bahwa kemarin kita sudah belajar mengenai Uji Normalitas Rumus Kolmogorov-Smirnov SPSS masih ingat bukan, nah lanjut pada kesempatan kali ini kita akan belajar mengenai Uji Multikolinearitas dengan melihat nilai Tolerance dan VIF, saya yakin sobat dapat melakukan uji tersebut jika cermat mengikuti cara yang saya lakukan. Untuk lebih jelasnya simak sebagai berikut.

Tujuan Uji Multikolinearitas :Menguji apakah model regresi ditemukan adanya korelasi antar veriabel bebas (independent). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas (tidak terjadi multikonieritas). Jika variabel bebas saling berkorelasi, maka variabel-variabel ini tidak ortogonal adalah variabel bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol.

PENGAMBILAN KEPUTUSAN:Melihat nilai Tolerance

Tidak terjadi Multikolinearitas , jika nilai Tolerance lebih besar 0,10. Terjadi Multikolinearitas, jika nilai Tolerance lebih kecil atau sama dengan 0,10.

Melihat nilai VIF (Variance Inflation Factor)

Tidak terjadi Multikonieritas, jika nilai VIF lebih kecil 10,00. Terjadi Multikonieritas, jika nilai VIF lebih besar atau sama dengan 10,00.

LANGKAH-LANGKAH:1. Buka data yang ingin di uji, silahkan download untuk belajar sama-sama (Download Data).2. Dari menu SPSS, Pilih menu Analyze, kemudian submenu regression, lalu pilih linear.3. Pada kotak Dependent, isikan variabel Y (Konsentrasi Belajar).4. Pada kotak Independent, isikan variabel X1, X2, X3, X4 (Intensitas Mengajar Guru, Gaya Mengajar, Motivasi Siswa, Minat Belajar).5. Pada kotak method, pilih Enter.

6. Selanjutnya pilih Statistics, dilayar akan muncul tampilan windows Linear Refression Statistics. Aktifkan pilihan (dengan centang) Covariance matrix dan Collinierity Diagnostics.

7. Tekan continue, abaikan yang lain dan tekan OK.8. Tampilan output SPSS.

INTERPRETASI OUTPUTBerdasarkan output diketahui bahwa:

Nilai Tolerance semua variabel independen lebih besar dari 0,10. Nilai VIF semua variabel independen lebih kecil dari 10,00.

Berdasarkan nilai di atas, disimpulkan bahwa tidak terjadi Multikolinearitas.

Sekian dulu ya, mengenai Uji Multikolinearitas dengan Melihat Nilai Tolerance dan VIF semoga dapat bermanfaat.

Sumber rujukan : Imam, Ghozali. 2011. Aplikasi Analisis Multivariate dengan Program IBM SPSS 19. Semarang: Badan Penerbit-Undip. Hal 105-109.

Baca juga yang lainnya:

Uji Autokorelasi dengan Uji Durbin-Watson Uji Heteroskedastisitas dengan Uji Glejser

http://www.konsistensi.com/2013/07/uji-multikonieritas-dengan-melihat.html