Langsung ke konten utama

Uji Non-Multikolinearitas dengan R

Uji non-multikolinearitas dengan R

Uji asumsi non-multikolinearitas merupakan uji asumsi regresi linier terakhir yang akan kita bahas bersama. Uji asumsi ini merupakan salah satu uji asumsi regresi linier klasik khusus model berganda atau menggunakan variabel independen lebih dari satu. Uji asumsi ini tidak berlaku bagi regresi linier sederhana karena variabel independen yang digunakan di dalamnya hanya satu. Uji asumsi ini pada dasarnya ingin mengetahui apakah terdapat korelasi yang kuat dan signifikan di antara variabel independen di dalam model ataukah tidak.

Ukuran yang biasanya digunakan sebagai pendeteksi asumsi non-multikolinearitas adalah nilai Variation Inflation Factor (VIF) yang merupakan seper sisaan dari kuadrat korelasi kombinasi antar variabel independen. Secara matematis, rumus dari VIF adalah sebagai berikut:

Rumus mendapatkan nilai VIF

Berdasarkan bukunya Om Neter (1989), gangguan asumsi non-multikolinearitas terjadi ketika nilai VIF itu lebih dari 10. Artinya, jika nilai VIF sebuah variabel independen ternyata lebih dari 10, dapat ditengarai ia sebenarnya memiliki korelasi yang kuat dan signifikan dengan variabel independen lainnya di dalam model. Menghadapi kondisi seperti ini, salah satu alternatif yang bisa kita ambil adalah membuang salah satu  variabel yang diduga kuat berkorelasi dengan variabel independen lainnya dengan risiko akan mengurangi kemampuan model dalam menjelaskan proporsi keragaman variabel independennya, atau dengan menggunakan model regresi komponen utama. Yaitu dengan cara melakukan analisis komponen utama untuk untuk mereduksi variabel independennya. Jika X1 berkorelasi kuat dengan X2 maka menjadi X12, kemudian dimodelkan regresi liniernya.

Di R sendiri, uji non-multikolinearitas dapat diterapkan dengan menggunakan bantuan package yang bermana olsrr. Adapun praktik untuk melakukan uji asumsi ini kita jabarkan pada code berikut:

Code:

#Install dan aktifkan package olsrr
install.packages("olsrr")
library(olsrr)

#Mengenerate Dataset
x1 <- c(8, 7, 9, 3, 6, 8, 9, 2, 9, 8, 4, 4, 6, 10)
x2 <- c(6, 7, 5, 7, 2, 4, 5, 6, 3, 6, 8, 7, 3, 9)
y <- c(5, 4, 7, 2, 5, 6, 8, 3, 5, 7, 2, 2, 3, 9)
df <- data.frame(x1, x2, y)

#Melihat sekilas dataset
head(df)

Hasil:

  x1 x2 y
1  8  6 5
2  7  7 4
3  9  5 7
4  3  7 2
5  6  2 5
6  8  4 6

Code:

#Pemodelan Regresi Linier Sederhana
model <- lm(y~x1+x2, data = df)

#Melihat ringkasan pemodelan regresi linier berganda
summary(model)

Hasil:

Call:
lm(formula = y ~ x1 + x2, data = df)
Residuals:
     Min       1Q   Median       3Q      Max
-1.47334 -1.00478  0.07923  1.01220  1.86358
Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -1.1831     1.4394  -0.822    0.429    
x1            0.8121     0.1350   6.016 8.73e-05 ***
x2            0.1159     0.1685   0.688    0.506    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1.214 on 11 degrees of freedom
Multiple R-squared:  0.7674,    Adjusted R-squared:  0.7251
F-statistic: 18.15 on 2 and 11 DF,  p-value: 0.0003284

Code:

#uji Non-multikolinearitas
ols_vif_tol(model)

Hasil:

 Variables Tolerance      VIF
1        x1 0.9720732 1.028729
2        x2 0.9720732 1.028729

Interpretasi: terlihat bahwa nilai VIF dari variabel independen x1 dan x2 kebetulan bernilai sama, yakni sebesar 1,028729 atau kurang dari 10 sehingga model regresi linier tersebut memenuhi asumsi non-multikolinearitas.

Oke, demikian sedikit ulasan bagaimana kita menerapkan uji homoskedastisitas dengan R. Jangan lupa untuk share, tanya-tanya di kolom komentar, dan menyimak unggahan berikutnya. Semoga bermanfaat.

Referensi:

Nursiyono, Joko Ade dan Pray P.H. Nadeak. 2021. Data Mining: Analisis Regresi dengan R Studio. Binjai: Miranda Novelia.

Neter, John, et al. 1989. Applied Linear Regression Model 2nd edition. USA: Richard D. Irwin.Inc.

Komentar

Postingan populer dari blog ini

Mencari P - Value dan Titik Kritis Uji F, Uji t, Uji Chi Square, dan Uji Z Normal dengan R

Mencari nilai p-value dan titik kritis Bagi teman-teman yang pernah mengenal statistika, pasti familier dengan istilah p-value dan titik kritis. P-value biasanya didefinisikan sebagai probabiltas atau peluang maksimal yang diamati dari hasil uji statistik, bahasa gampangnya adalah besarnya kesalahan penelitian berdasarkan uji statistik. Sebagai contoh sederhana, dari 100 orang dengan nama masing-masing dan diklasifikasikan ke dalam gender nama perempuan dan nama laki-laki, didapatkan nilai p-value uji statistiknya sebesar 0,05 atau 5%. Itu artinya, dari 100 orang, ada kemungkinan sebanyak 5 orang yang namanya salah klasifikasi. Dari namanya terdeteksi sebagai nama perempuan, padahal aktualnya yang bersangkutan bergender laki-laki. Sedangkan titik kritis atau titik uji adalah nilai batas pengujian hipotesis statistik, apakah masuk dalam wilayah tolak hipotesis, ataukah gagal menolaknya. Titik ini berkaitan erat dengan nilai p-value . Kalau biasanya kita mendapatkan kedua nilai ini da...

Cara Mendowload dan Install R serta RStudio di Windows (Step by Step)

Cara Download dan Install R serta R Studio di Windows Halo teman-teman, mohon maaf karena beberapa waktu ini, blog ini sempat vakum dari unggahan. Kali ini saya akan coba berbagai mengenai bagaimana cara mengunduh ( download ) dan menginstal ( install ) program R sekaligus R Studio khususnya di Windows. Unggahan kali ini sedikit terbalik karena semestinya saya unggah terlebih dahulu pertama kali di blog ini, namun bukan masalah, mengingat kemarin ada beberapa pihak yang meminta untuk menerangkap bagaimana tahapan mengunduh dan instalasi R dan R Studio, jadinya saya dahulukan pada unggahan ini sebelum pembahasan mengenai Data Mining , Data Science , atau bahasan Big Data kita terlampau jauh. Baik, kita akan mulai dengan bagaimana mengunduh R dan R Studio melalui mesin pencari Google. R dan R Studio ini memang beberapa waktu terakhir ini booming , apalagi dengan munculnya konsep mengenai Big Data , Data Modelling, Data Mining, dan Data Science serta Data Visualization . Sebenarnya, men...

Analisis Tipologi Klassen (Klassen Typology) dan Visualisasi Spasialnya dengan R

Tipologi Klassen dan visualisasinya dengan R Halo teman-teman, sebelumnya kita telah membahas tentang analisis Shift Share dan Location Quotient (LQ) dengan menggunakan R. Kali ini, kita akan membahas mengenai satu lagi alat analisis yang sebenarnya merupakan alat analisis tiga serangkai dari SS dan LQ, yaitu analisis Tipologi Klassen. Dalam penelitian ekonomi kewilayahan, ketiga analisis ini seringkali digunakan, baik dalam rangka melihat perkembangan dan transformasi struktur ekonomi suatu wilayah maupun melihat keunggulan kompetitif dan keunggulan komparatif wilayah satu dengan wilayah lainnya dengan mengacu wilayah referensi. Terlebih dulu, sebelum melakukan visualisasi spasial menggunakan fungsi plot(), ada baiknya kita bahas terlebih dahulu mengenai Tipologi Klassen itu sendiri. Tipologi Klassen merupakan teknik pengelompokan sektor, subsektor, lapangan usaha, atau komoditas tertentu di wilayah analisis berdasarkan pertumbuhan nilai tambah wilayah analisis terhadap nasional atau...