Multikolinieritas

Apa Multikolinieritas?

Multikolinieritas adalah terjadinya interkorelasi yang tinggi antara dua atau lebih variabel independen dalam model regresi berganda. Multikolinieritas dapat menyebabkan hasil yang miring atau menyesatkan ketika seorang peneliti atau analis mencoba untuk menentukan seberapa baik setiap variabel independen dapat digunakan paling efektif untuk memprediksi atau memahami variabel dependen dalam model statistik.

Secara umum, multikolinearitas dapat menyebabkan interval kepercayaan yang lebih luas yang menghasilkan probabilitas yang kurang dapat diandalkan dalam hal pengaruh variabel independen dalam suatu model. Artinya, kesimpulan statistik dari model dengan multikolinearitas mungkin tidak dapat diandalkan.

Poin Penting

  • Multikolinieritas adalah konsep statistik di mana variabel-variabel independen dalam suatu model dikorelasikan.
  • Multikolinieritas antar variabel independen akan menghasilkan kesimpulan statistik yang kurang dapat diandalkan.
  • Lebih baik menggunakan variabel independen yang tidak berkorelasi atau berulang saat membangun model regresi berganda yang menggunakan dua variabel atau lebih.

Memahami Multikolinieritas

Analis statistik menggunakan model regresi berganda untuk memprediksi nilai variabel dependen tertentu berdasarkan nilai dua atau lebih variabel independen. Variabel dependen terkadang disebut sebagai variabel hasil, target, atau kriteria.

Contohnya adalah model regresi multivariat yang mencoba mengantisipasi pengembalian saham berdasarkan item seperti rasio harga terhadap pendapatan ( rasio P / E), kapitalisasi pasar, kinerja masa lalu, atau data lainnya. Pengembalian saham adalah variabel dependen dan berbagai bit data keuangan adalah variabel independen.

Multikolinearitas dalam model regresi berganda menunjukkan bahwa variabel independen collinear terkait dalam beberapa cara, meskipun hubungannya mungkin atau mungkin tidak kasual. Misalnya, kinerja masa lalu mungkin terkait dengan kapitalisasi pasar, karena saham yang berkinerja baik di masa lalu akan memiliki nilai pasar yang meningkat. Dengan kata lain, multikolinieritas dapat terjadi jika dua variabel independen berkorelasi tinggi. Hal ini juga dapat terjadi jika variabel independen dihitung dari variabel lain dalam kumpulan data atau jika dua variabel independen memberikan hasil yang serupa dan berulang.

Salah satu cara paling umum untuk menghilangkan masalah multikolinearitas adalah dengan mengidentifikasi variabel independen collinear terlebih dahulu dan kemudian menghapus semua kecuali satu. Hal ini juga memungkinkan untuk menghilangkan multikolinearitas dengan menggabungkan dua atau lebih variabel collinear menjadi satu variabel. Analisis statistik kemudian dapat dilakukan untuk mempelajari hubungan antara variabel dependen yang ditentukan dan hanya satu variabel independen.

Contoh Multikolinieritas

Untuk berinvestasi, multikolinearitas adalah pertimbangan umum saat melakukan analisis teknis untuk memprediksi kemungkinan pergerakan harga sekuritas di masa depan, seperti saham atau masa depan komoditas .

Analis pasar ingin menghindari penggunaan indikator teknis yang collinear karena didasarkan pada input yang sangat mirip atau terkait; mereka cenderung mengungkapkan prediksi serupa mengenai variabel dependen pergerakan harga. Sebaliknya, analisis pasar harus didasarkan pada variabel independen yang sangat berbeda untuk memastikan bahwa mereka menganalisis pasar dari sudut pandang analitis independen yang berbeda.

Referensi cepat

Contoh masalah multikolinieritas yang potensial adalah melakukan analisis teknis hanya dengan menggunakan beberapa indikator serupa.

Analis teknis terkemuka John Bollinger, pencipta indikator Bollinger Bands , mencatat bahwa “aturan utama untuk keberhasilan penggunaan analisis teknis memerlukan menghindari multikolinearitas di tengah indikator.” Untuk mengatasi masalah tersebut, analis menghindari penggunaan dua atau lebih indikator teknis dari jenis yang sama. Sebaliknya, mereka menganalisis keamanan menggunakan satu jenis indikator, seperti indikator momentum , dan kemudian melakukan analisis terpisah menggunakan jenis indikator yang berbeda, seperti indikator tren.

Misalnya, stokastik , indeks kekuatan relatif (RSI) , dan Williams% R adalah indikator momentum yang mengandalkan input serupa dan cenderung menghasilkan hasil yang serupa. Dalam hal ini, lebih baik menghapus semua kecuali satu indikator atau mencari cara untuk menggabungkan beberapa di antaranya menjadi satu indikator saja, sambil menambahkan indikator tren yang kemungkinan besar tidak akan berkorelasi tinggi dengan indikator momentum.