SkriptasCara Mengatasi Heteroskedastisitas dan Multikolinearitas di SPSS
Heteroskedastisitas dan multikolinearitas: artinya, cara deteksi dengan Glejser, scatterplot, Tolerance dan VIF, serta cara mengatasinya di SPSS.
Heteroskedastisitas dan multikolinearitas adalah dua uji asumsi klasik yang paling sering gagal pada skripsi dengan data kuesioner, dan dua-duanya punya penyebab yang biasanya bisa ditelusuri. Uji Glejser signifikan, atau VIF salah satu variabel melewati 10, lalu pembimbing meminta "diperbaiki dulu". Masalahnya, banyak panduan hanya mengajarkan cara mendeteksi, bukan cara mengatasinya.
Artikel ini menjelaskan apa arti keduanya dengan bahasa sederhana, cara mendeteksinya di SPSS, penyebab yang khas di penelitian skripsi, pilihan solusi yang bisa dipertanggungjawabkan, dan cara menuliskan perbaikan itu di Bab 4. Ambang nilai mengikuti rujukan yang paling sering dipakai, seperti Ghozali, dengan catatan bahwa pedoman kampus Anda tetap acuan akhir. Semua angka adalah contoh.
Heteroskedastisitas adalah sebaran kesalahan yang tidak merata
Regresi linear mengasumsikan varians residual sama di sepanjang nilai prediksi (homoskedastisitas). Heteroskedastisitas artinya asumsi itu dilanggar: pada responden dengan nilai X kecil, kesalahan prediksi sempit; pada nilai X besar, kesalahannya melebar seperti corong. Koefisien regresi tetap tidak bias, tetapi standar errornya menjadi salah, sehingga nilai t dan Sig. tidak bisa dipercaya. Itulah untuk apa uji ini dilakukan.
Cara mendeteksi heteroskedastisitas di SPSS
- Uji Glejser. Jalankan regresi dengan Save > Unstandardized residual (muncul RES_1). Buat variabel
ABS_RESlewat Transform > Compute Variable dengan rumusABS(RES_1). Regresikan ABS_RES terhadap semua variabel bebas. Bila Sig. tiap variabel bebas di atas 0,05, tidak terjadi heteroskedastisitas. Ini uji yang paling diterima karena berupa angka. - Scatterplot. Pada menu Linear Regression > Plots, masukkan *ZPRED ke X dan *SRESID ke Y. Titik yang menyebar acak di atas dan di bawah nol tanpa pola berarti homoskedastis. Grafik bersifat subjektif, jadi jadikan pendukung, bukan satu-satunya bukti.
- Korelasi Spearman antara ABS_RES dan tiap variabel bebas (Analyze > Correlate > Bivariate, centang Spearman). Sig. di atas 0,05 berarti aman. Uji Park (meregresikan logaritma kuadrat residual) juga ada, tetapi lebih jarang diminta.
Multikolinearitas adalah variabel bebas yang saling tumpang tindih
Multikolinearitas terjadi bila sesama variabel bebas berkorelasi sangat kuat. Model menjadi sulit memisahkan pengaruh X1 dari X2, standar error membengkak, koefisien bisa berubah tanda saat satu variabel ditambah atau dikurangi, dan uji F bisa signifikan padahal tidak ada uji t yang signifikan. Uji ini hanya relevan bila variabel bebas Anda dua atau lebih.
Cara mendeteksi multikolinearitas di SPSS
- Pada Analyze > Regression > Linear > Statistics, centang Collinearity diagnostics. Di tabel Coefficients muncul Tolerance dan VIF. Aman bila Tolerance lebih dari 0,10 dan VIF kurang dari 10; sebagian dosen memakai VIF kurang dari 5.
- Periksa matriks korelasi antar variabel bebas (Analyze > Correlate > Bivariate). Korelasi di atas sekitar 0,80 antara dua variabel bebas adalah tanda bahaya.
- Gejala tidak langsung: R Square tinggi tetapi hampir semua uji t tidak signifikan.
Penyebab yang khas di skripsi
Memahami penyebab membuat solusinya masuk akal, bukan sekadar coba-coba.
| Gejala | Penyebab yang sering ditemui |
|---|---|
| VIF tinggi antara dua variabel | Indikator kedua variabel sebenarnya mengukur hal yang sama, misalnya "kualitas layanan" dan "kepuasan" dengan butir yang mirip |
| VIF tinggi pada variabel interaksi (X1*X2) | Hasil kali dua variabel otomatis berkorelasi dengan komponennya |
| Glejser signifikan pada data rasio | Variabel seperti pendapatan, aset, atau penjualan punya rentang sangat lebar |
| Glejser signifikan pada data kuesioner | Pencilan, atau subkelompok responden yang menjawab dengan pola berbeda |
| Keduanya terjadi sekaligus | Sampel kecil dengan banyak variabel bebas |
Cara mengatasi heteroskedastisitas
- Periksa pencilan dulu. Beberapa kasus ekstrem sering menjadi sumber corong di scatterplot. Gunakan Casewise diagnostics (Statistics, batas 3 standar deviasi) dan periksa apakah kasus itu salah input atau jawaban asal-asalan. Hapus hanya dengan alasan tertulis.
- Transformasi logaritma. Untuk variabel rasio bernilai besar, ubah Y (dan bila perlu X) ke bentuk Ln lewat Transform > Compute Variable, misalnya
LN_Y = LN(Y). Transformasi ini menyempitkan rentang dan sering menghilangkan pola corong. Ingat, interpretasi koefisien berubah menjadi persentase. - Regresi dengan pembobot (Weighted Least Squares). SPSS menyediakan Analyze > Regression > Weight Estimation yang mencari pembobot terbaik berdasarkan variabel sumber heteroskedastisitas, atau Anda bisa memasukkan variabel bobot pada kotak WLS Weight di menu Linear. Cara ini lebih teknis; pastikan pembimbing setuju.
- Standar error yang kebal heteroskedastisitas. Pada SPSS versi 27 ke atas, menu Linear Regression > Statistics memiliki opsi standard error yang konsisten terhadap heteroskedastisitas (HC3 adalah pilihan yang umum disarankan untuk sampel kecil sampai sedang). Koefisien tetap sama, tetapi nilai t dan Sig. dihitung ulang dengan benar. Pada versi lama, hal serupa bisa dilakukan lewat makro atau di R dan Jamovi.
- Pertimbangkan metode lain. Bila model Anda berupa konstruk laten dengan banyak jalur, PLS-SEM di SmartPLS memakai bootstrapping dan tidak menuntut homoskedastisitas dengan cara yang sama. Lihat SPSS atau SmartPLS.
Cara mengatasi multikolinearitas
- Periksa definisi operasional. Bila dua variabel bebas memiliki indikator yang tumpang tindih, masalahnya ada di instrumen, bukan di SPSS. Pertimbangkan menggabungkan keduanya menjadi satu konstruk, atau mempertahankan yang paling kuat landasan teorinya. Keputusan ini harus punya alasan teoretis, bukan hanya karena VIF.
- Keluarkan salah satu variabel. Pilihan yang paling sederhana bila dua variabel memang mewakili hal yang sama. Laporkan di Bab 4 variabel mana yang dikeluarkan dan mengapa, lalu pastikan rumusan masalah masih terjawab.
- Centering untuk variabel interaksi. Bila VIF tinggi muncul pada model moderasi, kurangi tiap variabel dengan rata-ratanya sebelum dikalikan (mean centering lewat Compute Variable). Ini menurunkan korelasi antara X1*X2 dengan X1 dan X2 tanpa mengubah hasil uji interaksinya.
- Tambah sampel. Pada sampel kecil, korelasi antar variabel bebas lebih mudah menimbulkan ketidakstabilan. Menambah responden kadang cukup.
- Metode lanjutan. Regresi ridge atau analisis komponen utama (PCA) bisa menangani multikolinearitas tanpa membuang variabel, tetapi jarang dipakai di skripsi S1 dan perlu persetujuan pembimbing.
Satu hal yang tidak boleh: mengubah angka data atau menghapus responden secara acak sampai VIF turun. Keduanya tidak dapat dipertanggungjawabkan.
Cara menulis perbaikan di Bab 4
Pembaca harus bisa mengikuti alurnya: hasil awal, tindakan, hasil akhir. Contoh untuk heteroskedastisitas: "Hasil uji Glejser awal menunjukkan nilai signifikansi X2 sebesar 0,018 (< 0,05), sehingga terdapat indikasi heteroskedastisitas. Setelah variabel terikat ditransformasi ke bentuk logaritma natural, uji Glejser ulang menunjukkan signifikansi X1 sebesar 0,347 dan X2 sebesar 0,512 (> 0,05), sehingga model bebas dari heteroskedastisitas. Analisis selanjutnya menggunakan model dengan variabel hasil transformasi."
Contoh untuk multikolinearitas: "Hasil awal menunjukkan nilai VIF X2 sebesar 12,41 dan X3 sebesar 11,86 (> 10). Setelah ditelaah, indikator X3 tumpang tindih dengan X2, sehingga X3 dikeluarkan dari model sesuai pertimbangan teoretis. Pada model akhir, nilai Tolerance seluruh variabel bebas di atas 0,10 dan VIF di bawah 10, sehingga tidak terjadi multikolinearitas."
Bila memakai WLS atau standar error HC3
Dua solusi ini mengubah cara menghitung, bukan datanya, sehingga perlu dijelaskan singkat di bagian metode dan hasil. Untuk standar error yang kebal heteroskedastisitas, cukup tulis bahwa karena uji Glejser menunjukkan heteroskedastisitas, pengujian koefisien menggunakan standar error yang konsisten terhadap heteroskedastisitas (HC3), lalu laporkan tabel koefisien versi tersebut. Nilai B tidak berubah, yang berubah adalah Std. Error, t, dan Sig. Untuk WLS, sebutkan variabel yang dijadikan pembobot dan alasannya, lalu laporkan hasil regresi berbobot sebagai model akhir.
Kedua pendekatan ini lebih kuat secara metodologis daripada sekadar menulis "heteroskedastisitas menjadi keterbatasan penelitian", tetapi tidak semua pembimbing akrab dengannya. Tunjukkan rujukan metodologi yang Anda pakai dan tawarkan versi biasa sebagai pembanding di lampiran. Bila pembimbing lebih nyaman dengan transformasi, ikuti arahan itu.
Ringkasan masalah dan solusi
| Masalah | Solusi utama | Catatan |
|---|---|---|
| Glejser signifikan, ada pencilan | Periksa dan dokumentasikan pencilan | Hapus hanya dengan alasan |
| Glejser signifikan, variabel rasio | Transformasi Ln | Interpretasi berubah ke persentase |
| Glejser signifikan, transformasi tidak membantu | WLS atau standar error HC3 | Minta persetujuan pembimbing |
| VIF tinggi antar dua variabel | Gabungkan atau keluarkan salah satu | Harus ada dasar teori |
| VIF tinggi pada interaksi | Mean centering | Hasil uji interaksi tidak berubah |
| Sampel kecil, banyak variabel | Tambah sampel atau sederhanakan model | Cek aturan sampel minimal |
Checklist
- Hasil deteksi awal (Glejser, scatterplot, Tolerance, VIF) sudah disimpan sebagai bukti.
- Penyebab sudah ditelusuri: pencilan, skala variabel, atau indikator yang tumpang tindih.
- Solusi yang dipilih punya alasan yang bisa dijelaskan, bukan sekadar membuat angka lolos.
- Hasil setelah perbaikan diuji ulang dan dicatat.
- Perubahan model atau variabel ditulis di Bab 4 dan konsisten dengan Bab 3.
Kalau Anda ragu solusi mana yang cocok untuk data Anda, atau pembimbing meminta WLS dan robust standard error yang belum pernah Anda coba, bimbingan olah data SPSS via Zoom mulai Rp25.000 per sesi bisa mempersingkat prosesnya; Anda yang mengoperasikan SPSS, saya memandu. Baca juga rangkaian lengkap uji asumsi klasik dan cara mengatasi data tidak normal bila asumsi lain ikut bermasalah.
Video tutorial terkait
Tonton langkahnya langsung di layar. Video dimuat dari YouTube hanya saat Anda menekan tombol putar.
Uji Heteroskedastisitas dengan Scatterplot di SPSS (ZPRED vs SRESID) dan Cara Membaca Pola Titik
Tutorial uji heteroskedastisitas metode grafik scatterplot di SPSS: Analyze › Regression › Linear › Plots dengan Y = *SRESID dan X = *ZPRED, cara membaca sebaran titik (acak di atas dan…
Uji Asumsi Klasik di SPSS: Multikolinearitas (VIF) dan Heteroskedastisitas (Uji Glejser)
Tutorial uji asumsi klasik regresi di SPSS untuk skripsi: uji multikolinearitas dengan Collinearity diagnostics (Tolerance dan VIF) dan uji heteroskedastisitas dengan metode Glejser…
Pertanyaan yang sering diajukan
Heteroskedastisitas adalah apa?
Kondisi ketika sebaran residual tidak sama di sepanjang nilai prediksi, misalnya makin besar nilai X makin lebar kesalahan prediksinya. Lawannya adalah homoskedastisitas, yang diinginkan dalam regresi.
Multikolinearitas untuk apa diuji?
Untuk memastikan variabel bebas tidak saling berkorelasi terlalu kuat. Bila terjadi, koefisien regresi menjadi tidak stabil dan sulit menafsirkan pengaruh masing-masing variabel.
Berapa batas VIF menurut Ghozali?
Rujukan yang paling sering dikutip memakai Tolerance lebih dari 0,10 dan VIF kurang dari 10. Sebagian dosen memakai batas lebih ketat, VIF kurang dari 5. Ikuti pedoman kampus Anda.
Apakah heteroskedastisitas membuat koefisien regresi bias?
Koefisiennya tetap tidak bias, tetapi standar errornya tidak tepat, sehingga nilai t dan Sig. bisa menyesatkan. Karena itu yang diperbaiki biasanya cara menghitung standar error atau skala variabel.
Bolehkah menghapus variabel bebas karena multikolinearitas?
Boleh bila ada dasar teoretis dan variabel itu memang tumpang tindih dengan variabel lain. Laporkan alasannya, dan pastikan model akhir masih menjawab rumusan masalah.