Problematika Berstatistik : Multikolinearitas

Multikolinearitas dalam analisis regresi ganda terjadi bila antara variabel bebas terjadi korelasi. Bila multikolinearitas ini terjadi, maka pendugaan dengan metode kuadrat terkecil akan menghasilkan penduga yang masih tetap tak bias dan konsisten, tetapi tidak efisien, sehingga varian dari koefisien regresi menjadi tidak minimum. Dua metode yang dapat digunakan untuk mengatasi dampak multikolinearitas, yaitu regresi komponen utama dan regresi ridge. Regresi komponen utama adalah regresi yang mengambil komponen utama sebagai variabel bebas dan dalam kasus multikolinieritas regresi komponen utama mempunyai varians penduga yang kecil. Sedangkan dalam regresi ridge untuk mengurangi dampak multikolinieritas ini dengan menentukan penduga yang bias tetapi mempunyai varians yang lebih kecil dari varians penduga regresi linier ganda. Dalam penelitian ini dengan meperhatikan jumlah komponen varians dari masing-masing metode saat terjadi multikolinieritas dapat diperoleh jumlah komponen varians dari regresi komponen utama lebih kecil dari jumlah komponen varians regresi linier ganda, bila akar cirinya lebih besar dari satu dan kuadrat dari vektor cirinya lebih kecil dari satu. Juga jumlah komponen varians dari regresi ridge lebih kecil dari jumlah komponen varians regresi, bila akar cirinya lebih besar dari satu dan k > 0

Alt. Description

MulticoUinearity in multiple regression analysis occurs if correlation exists between independent variables. If multicoUinearity occurs then the least squares estimation method will produce unbiased and consistent estimators but inefficient, so that the variance of regression coefficient does not reach minimum value. Two methods that can be used to overcome multicoUinearity effects are principal component regresion and ridge regression. Principal component regression is regression which takes principal components as variables, especially in the case of multicoUinearity, principal component regression has smaller variance, whereas the way to reduce multicoUinearity effects in ridge regression is to obtain biased estimators which have smaller variance than multiple linear regression estimators. Based on the amount of variance component produced by each methods when multicoUinearity occurs, the present study results that the amount of variance component of principal component regression is less than multiple linear regression. It exists if the latent root is more than one and the squares of latent root is less than one. Tins study also yields that the amount of variance componet of ridge regression is less than multiple regression if the latent root is higher than one and k> 0.