Multikolinearitas

Definisi Multikolinearitas

Multikolinearitas mengacu pada fenomena statistik di mana dua atau lebih variabel independen berkorelasi kuat. Ini menandai hubungan yang hampir sempurna atau tepat antara prediktor. Korelasi yang kuat antara variabel eksplorasi ini merupakan salah satu masalah utama dalam analisis regresi linier.

Anda bebas menggunakan gambar ini di situs web Anda, templat, dll., Harap berikan kami tautan atribusiBagaimana Memberikan Atribusi? Tautan Artikel menjadi Hyperlink
Misalnya: Sumber: Multikolinearitas (wallstreetmojo.com)

Dalam analisis regresi linier, tidak ada dua variabel atau prediktor yang dapat berbagi hubungan yang tepat dengan cara apa pun. Dengan demikian, ketika multikolinearitas terjadi, hal itu berdampak negatif terhadap model analisis regresi, dan peneliti mendapatkan hasil yang tidak dapat diandalkan. Oleh karena itu, mendeteksi fenomena seperti itu sebelumnya dapat menghemat waktu dan tenaga peneliti.

Takeaway kunci

Multikolinearitas mengacu pada contoh statistik yang muncul ketika dua atau lebih variabel independen sangat berkorelasi satu sama lain.
Kolinearitas menandakan bahwa satu variabel cukup menjelaskan atau mempengaruhi variabel/variabel lain yang digunakan dalam analisis regresi linier.
Sesuai dengan asumsi analisis regresi, kolinearitas menjadi perhatian utama para peneliti karena pengaruh satu variabel terhadap variabel lain dapat membuat model regresi diragukan.
Ini menemukan relevansi di berbagai ceruk, termasuk investasi pasar saham, ilmu data, dan program analisis bisnis.

Multikolinearitas Dijelaskan

Multikolinearitas dalam regresi digunakan dalam studi observasional daripada yang eksperimental. Alasan utama di balik ini adalah asumsi bahwa munculnya setiap instance collinearity cenderung mempengaruhi analisis regresi Analisis Regresi Analisis regresi menggambarkan bagaimana variabel dependen akan berubah ketika satu atau lebih variabel independen berubah karena faktor, dan digunakan untuk menganalisis hubungan antara variabel dependen dan independen. Y = a + bX + E adalah rumusnya. Baca selengkapnya dan hasilnya. Dengan demikian, ketika dua atau lebih variabel berkorelasi tinggi, dan terjadi multikolinearitas, hal itu menjadi perhatian utama para peneliti atau ahli statistik.

Pertama, ketika korelasi variabel menyebabkan fenomena ini, fluktuasi nilai koefisien yang menyertai variabel independen Variabel independen Variabel independen adalah objek atau periode waktu atau nilai input, perubahan yang digunakan untuk menilai dampak pada nilai output (yaitu tujuan akhir) yang diukur dalam pemodelan matematika atau statistik atau keuangan. Baca lebih lanjut kemungkinan besar. Singkatnya, bahkan perubahan terkecil dalam model mempengaruhi koefisien. Kedua, collinearity mempengaruhi akurasi koefisien untuk sebagian besar. Akibatnya, kekuatan statistik dari regresi linierRegresi LinierRegresi Liniermewakili hubungan antara satu variabel dependen dan satu atau lebih variabel independen. Contoh regresi linier adalah hubungan antara penjualan dan pengeluaran bulanan, tingkat IQ dan skor tes, suhu bulanan dan penjualan AC, populasi dan penjualan seluler. Model menjadi diragukan karena kekuatan atau upaya individu dari variabel tetap tidak teridentifikasi.

Penyebab

Melakukan tes multikolinearitas membantu dalam deteksi yang mudah dari fenomena semacam itu. Beberapa sebab yang menyebabkan kolinearitas antara lain:

Pilihan dibuat

Hal pertama yang perlu diingat adalah memilih pertanyaan yang tepat untuk mendeteksi instance kolinearitas dalam model. Kedua, memilih variabel dependen sangat penting karena mungkin tidak cocok untuk skenario saat ini. Dataset yang dipilih juga memiliki peran besar dalam menentukan kolinearitas. Oleh karena itu, peneliti harus memilih eksperimen yang dirancang dengan baik dengan data pengamatan yang lebih baik, sulit untuk dimanipulasi.

Penggunaan variabel

Penyebab lain dari fenomena tersebut adalah penggunaan variabel yang tidak tepat. Oleh karena itu, peneliti harus tetap berhati-hati dalam mengecualikan atau memasukkan variabel yang terlibat untuk menghindari kejadian kolinearitas. Plus, peneliti harus menghindari pengulangan variabel dalam model.

Jika pengguna menyertakan variabel yang sama dengan nama berbeda atau variabel yang menggabungkan dua variabel lain dalam model, itu adalah penggunaan variabel yang salah. Misalnya, ketika total pendapatan investasi mencakup dua variabel – pendapatan yang dihasilkan melalui saham dan obligasiObligasiObligasi mengacu pada instrumen utang yang diterbitkan oleh pemerintah atau perusahaan untuk memperoleh dana investor selama periode tertentu.baca lebih lanjut dan pendapatan bunga tabungan – menyajikan total pendapatan investasi sebagai variabel mungkin mengganggu seluruh model.

Derajat korelasi

Korelasi yang kuat antar variabel menjadi penyebab utama. Ini menandakan bahwa satu variabel secara signifikan mempengaruhi yang lain dalam model regresi. Akibatnya, keseluruhan model dapat berubah menjadi kegagalan dalam memberikan hasil yang dapat diandalkan. Tingkat multikolinearitas ditentukan sehubungan dengan standar toleransi, yang merupakan persentase dari faktor inflasi varians (VIF).

Jika faktor inflasi varian multikolinearitas adalah 4, menunjukkan toleransi 0,25 atau lebih rendah, fenomena tersebut dapat terjadi. Di sisi lain, jika masing-masing 10 dan 0,1 atau lebih rendah, multikolinearitas pasti ada.

Jenis Multikolinearitas

Multikolinearitas ada dalam empat jenis:

Multikolinearitas Tinggi : Ini menandakan korelasi yang tinggi atau kuat antara dua atau lebih variabel independen, tetapi bukan yang sempurna.
Multikolinearitas Sempurna : Tingkat kolinearitas ini menunjukkan hubungan linier yang tepatHubungan LinierHubungan linier menggambarkan hubungan antara dua variabel yang berbeda – x dan y – dalam bentuk garis lurus pada grafik. Saat menghadirkan hubungan linier melalui persamaan, nilai y diturunkan melalui nilai x, yang mencerminkan korelasinya.baca lebih lanjut antara dua atau lebih variabel independen.
Multikolinearitas Berbasis Data : Kemungkinan kolinearitas, dalam hal ini, muncul dari kumpulan data yang dipilih.
Multikolinearitas Struktural : Masalah ini muncul ketika peneliti memiliki kerangka kerja yang dirancang dengan buruk untuk analisis regresi.

Contoh

Mari kita pertimbangkan contoh multikolinearitas berikut untuk memahami penerapan konsep:

Contoh 1

Sebuah perusahaan farmasi menyewa ABC Ltd, sebuah KPO, untuk menyediakan layanan penelitian dan analisis statistik penyakit di India. Yang terakhir memilih usia, berat badan, profesi, tinggi badan, dan kesehatan sebagai parameter prima facie.

Ada situasi kolinearitas dalam contoh di atas karena variabel independen berkorelasi langsung dengan hasilnya. Oleh karena itu, disarankan untuk menyesuaikan variabel terlebih dahulu sebelum memulai proyek apa pun karena kemungkinan akan berdampak langsung pada hasil.

Contoh 2

Konsep ini signifikan di pasar saham, di mana analis pasar menggunakan alat analisis teknis untuk menentukan perkiraan fluktuasi harga aset. Mereka menghindari indikator atau variabel apa pun yang tampaknya membentuk kolinearitas. Ini karena para analis bertujuan untuk mengetahui pengaruh setiap faktor di pasar dengan cara yang berbeda dari aspek yang berbeda.

Obat

Deteksi multikolinearitas mengubah seluruh kerangka dan pengaturan yang disiapkan untuk melakukan penelitian observasional. Singkatnya, peneliti harus memulai semuanya dari awal. Oleh karena itu, berikut adalah daftar beberapa cara untuk memperbaiki masalah tersebut:

Karena data yang tidak mencukupi dapat menyebabkan masalah kolinearitas, sebaiknya kumpulkan lebih banyak data.
Lebih baik menghapus prediktor dari set untuk variabel yang kurang mewakili situasi yang sedang dipelajari.
Jika ada kemungkinan mengabaikan derajat kolinearitas, mengingat nilainya yang lebih rendah, seseorang tidak boleh mengganggu pengaturan dan melanjutkan dengan hal yang sama.
Meskipun multikolinearitas mempengaruhi koefisien, itu tidak mempengaruhi prediksi. Jadi, jika peneliti hanya bertujuan membuat prediksi, mereka tidak perlu terlalu fokus pada korelasi variabel.

Pertanyaan yang Sering Diajukan (FAQ)

Apa itu multikolinearitas?

Ini adalah fenomena statistik yang terjadi ketika dua atau lebih variabel independen yang digunakan dalam analisis regresi berkorelasi tinggi atau kuat. Teknik ini digunakan dalam studi observasional daripada yang eksperimental, mengingat pengaruhnya terhadap keseluruhan model regresi. Ini menemukan signifikansi dalam investasi pasar saham, ilmu data, program analisis bisnis, dll.

Mengapa multikolinearitas menjadi masalah?

Ini dianggap sebagai salah satu masalah utama dalam analisis regresi linier karena korelasi yang kuat antara variabel memengaruhi nilainya dan berubah sama seperti dan ketika nilai variabel lain berubah. Ini, pada gilirannya, mempengaruhi pengaturan lengkap yang disiapkan untuk analisis oleh para peneliti. Dengan demikian, disarankan untuk mendeteksi kemungkinan kolinearitas sebelum melakukan analisis regresi.

Bagaimana multikolinearitas dapat dideteksi?

Cara terbaik untuk mendeteksi kolinearitas dalam model regresi linier adalah faktor inflasi varian multikolinearitas (VIF), dihitung untuk mengetahui standar toleransi dan menilai derajat kolinearitas. Misalnya, jika VIF adalah 4, menunjukkan toleransi 0,25 atau lebih rendah, ada kemungkinan fenomena tersebut akan terjadi. Di sisi lain, jika masing-masing 10 dan 0,1 atau lebih rendah, multikolinearitas pasti akan ada.

Artikel yang Direkomendasikan

Ini adalah panduan untuk Multikolinearitas dan definisinya. Di sini kami menjelaskan perannya dalam regresi, jenisnya, penyebab, dan solusinya beserta contohnya. Anda dapat mempelajari lebih lanjut tentang pemodelan excel dari artikel berikut –