Apa itu Multicollinearity?
Multikolinieritas adalah terjadinya interkorelasi yang tinggi di antara 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, multikolinieritas dapat menyebabkan interval kepercayaan yang lebih luas dan nilai probabilitas yang kurang dapat diandalkan untuk variabel independen. Artinya, kesimpulan statistik dari model dengan multikolinieritas mungkin tidak dapat diandalkan.
Memahami Multikolinearitas
Analis statistik menggunakan model regresi berganda untuk memprediksi nilai variabel dependen yang ditentukan berdasarkan nilai dua atau lebih variabel independen. Variabel dependen kadang-kadang disebut sebagai variabel outcome, target, atau kriteria. Contohnya adalah model regresi multivariat yang mencoba mengantisipasi pengembalian saham berdasarkan item seperti rasio harga terhadap pendapatan, kapitalisasi pasar, kinerja masa lalu, atau data lainnya. Pengembalian saham adalah variabel dependen dan berbagai bit data keuangan adalah variabel independen.
Pengambilan Kunci
- Multikolinearitas adalah konsep statistik di mana variabel independen dalam suatu model dikorelasikan. Multikolinearitas di antara variabel-variabel independen akan menghasilkan inferensi statistik yang kurang andal. Lebih baik menggunakan variabel independen yang tidak berkorelasi atau berulang ketika membangun beberapa model regresi yang menggunakan dua atau lebih variabel..
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, multikolinearitas dapat eksis ketika dua variabel independen sangat berkorelasi. Ini juga dapat terjadi jika variabel independen dihitung dari variabel lain dalam kumpulan data atau jika dua variabel independen memberikan hasil yang sama dan berulang.
Salah satu cara paling umum untuk menghilangkan masalah multikolinieritas adalah pertama-tama mengidentifikasi variabel independen collinear dan kemudian menghapus semua kecuali satu. Dimungkinkan juga untuk menghilangkan multikolinieritas dengan menggabungkan dua atau lebih variabel collinear menjadi satu variabel tunggal. Analisis statistik kemudian dapat dilakukan untuk mempelajari hubungan antara variabel dependen yang ditentukan dan hanya satu variabel independen.
Contoh Multikolinearitas
Untuk berinvestasi, multikolinieritas adalah pertimbangan umum ketika melakukan analisis teknis untuk memprediksi kemungkinan pergerakan harga di masa depan dari sekuritas, seperti stok atau masa depan komoditas. Analis pasar ingin menghindari penggunaan indikator teknis yang collinear karena didasarkan pada input yang sangat mirip atau terkait; mereka cenderung untuk mengungkapkan prediksi yang sama mengenai variabel dependen dari pergerakan harga. Sebaliknya, analisis pasar harus didasarkan pada variabel independen yang sangat berbeda untuk memastikan bahwa mereka menganalisis pasar dari sudut pandang analitik independen yang berbeda.
Tercatat analis teknis John Bollinger, pencipta indikator Bollinger Bands, mencatat bahwa "aturan utama untuk keberhasilan penggunaan analisis teknis memerlukan menghindari multikolinearitas di tengah indikator."
Untuk memecahkan masalah, analis menghindari penggunaan dua atau lebih indikator teknis dari jenis yang sama. Sebagai gantinya, mereka menganalisis keamanan menggunakan satu jenis indikator, seperti indikator momentum dan kemudian melakukan analisis terpisah menggunakan jenis indikator yang berbeda, seperti indikator tren.
Contoh dari masalah multikolinieritas yang potensial adalah melakukan analisis teknis hanya dengan menggunakan beberapa indikator yang serupa, seperti stokastik, indeks kekuatan relatif (RSI), dan Williams% R, yang semuanya merupakan indikator momentum yang mengandalkan input yang sama dan cenderung menghasilkan yang serupa. hasil. Dalam hal ini, lebih baik untuk menghapus semua kecuali satu dari indikator atau menemukan cara untuk menggabungkan beberapa dari mereka menjadi hanya satu indikator, sementara juga menambahkan indikator tren yang tidak mungkin sangat berkorelasi dengan indikator momentum.
