Mengapa kita harus memenuhi asumsi non multikolinearitas dalam regresi linier?
[sitemap]
Mengapa kita harus memenuhi asumsi non multikolinearitas dalam regresi linier?-Sobat stata kali ini bahas ekonometrika dasar nih. salah satu penyakit yang menjadi momok para data anlisis yaitu Multikolinearitas.
Non Multikolinearitas merupakan satu asumsi menunjukkan situasi dimana Tidak terdapat hubungan yang linear secara sempurna atau hampir sempurna (Perfect multicollinearity) diantara beberapa atau semua variabel bebas dalam model.
Inget ya sobat bahwa asumsi ini hanya untuk model yang linear jadi Multikolinearitas terjadi hanya pada hubungan linear diantara variabel X dan tidak berlaku pada hubungan non linear .
Mengapa multikolinieritas dianggap penting?
Multikolinearitas adalah masalah dalam regresi linear berganda, di mana dua atau lebih variabel prediktor sangat terkorelasi. Ini dapat menyebabkan sejumlah masalah, di antaranya:
- Kesulitan menginterpretasikan hasil regresi: Bila multikolinearitas hadir, dapat sulit untuk menentukan efek sebenarnya dari setiap variabel prediktor terhadap variabel respons. Ini dapat membuat sulit untuk menarik kesimpulan yang bermakna dari analisis regresi.
- Peningkatan variansi dalam perkiraan koefisien regresi: Multikolinearitas dapat menyebabkan perubahan besar dalam perkiraan koefisien regresi, sehingga membuatnya kurang stabil dan lebih sulit dipahami.
- Inflasi standard error: Multikolinearitas dapat menyebabkan inflasi standard error, yang dapat menghasilkan kesimpulan yang salah tentang signifikansi statistik dari koefisien regresi.
- Penurunan kemampuan prediksi: Multikolinearitas dapat menurunkan kemampuan prediksi dari model, sehingga kurang akurat untuk membuat prediksi.
Secara keseluruhan, penting untuk menangani multikolinearitas saat melakukan analisis regresi linear berganda karena dapat mempengaruhi akurasi dan interpretasi hasil. Ada berbagai teknik yang dapat digunakan untuk menangani multikolinearitas, seperti menghapus variabel prediktor yang sangat terkorelasi dari model atau menggunakan teknik regularisasi.
Multikol merupakan sebuah momok penyakit di OLS, Misalkan kita memiliki model;
Jika X1 meningkat sebanyak 1-unit, maka akan naik sebesar dengan X2 konstan. Tetapi jika X1 dan X2 collinear, maka hal diatas tidak akan terjadi. Karena segera setelah X1 berubah, maka X2 juga akan berubah. Maka selanjutnya akan sulit untuk melihat pengaruh masing-masing X1 dan X2 terhadap Y.
konsekuansinya
Dalam estimasi OLS yang memiliki multikolinearitas sempurna, maka koefisien regressi akan tidak dapat ditentukan dan standar error akan tidak terbatas. Misal;
Misalkan X3 berkorelasi linear sempurna dengan X2 dengan hubungan X3i=l, X2i dimana l adalah konstanta yang tidak nol.
Baca juga :
