VIF di Atas 10: Buang Variabel atau Benahi Kuesioner?

VIF di atas 10 pada data kuesioner hampir selalu menandakan dua variabelmu mengukur hal yang mirip, bukan menandakan datanya rusak. Karena itu cara mengatasi multikolinearitas yang paling sering kamu temukan, yaitu buang salah satu variabel, justru menghapus satu hipotesis dari kerangka teori yang kamu bangun berbulan-bulan. Sebelum menghapus apa pun, jawab dulu satu pertanyaan: angka VIF itu muncul dari isi kuesionermu, atau dari cara kamu menyusun modelnya. Dua penyebab ini butuh tindakan yang berbeda total.

#Angka VIF itu sebenarnya mengukur apa?

VIF tidak mengukur hubungan variabel bebas dengan variabel terikat. Dia mengukur seberapa besar satu variabel bebas bisa diramalkan oleh variabel bebas lainnya. Rumusnya VIF = 1 / (1 - R kuadrat), dengan R kuadrat di sini berasal dari regresi variabel bebas itu terhadap semua variabel bebas lain, bukan dari tabel Model Summary yang kamu lampirkan di bab 4.

Jadi VIF 10 berarti 90 persen variasi variabel itu sudah dijelaskan variabel bebas lain. Dia nyaris tidak membawa informasi baru ke dalam model.

Tolerance yang muncul di kolom sebelahnya bukan uji kedua. Tolerance adalah 1 dibagi VIF, jadi tolerance 0,10 dan VIF 10 adalah satu angka yang dibaca dari dua arah.

#Kenapa VIF tinggi di data kuesioner jarang soal data?

Pada data sekunder, dua variabel bisa berkorelasi tinggi karena kebetulan keadaan. Inflasi dan suku bunga memang bergerak bersama di periode yang kamu ambil. Pada kuesioner, penyebabnya biasanya lebih mendasar: dua konstruk yang kamu anggap berbeda ternyata ditanyakan dengan kalimat yang isinya sama.

Coba letakkan item dua variabel yang VIF-nya tinggi berdampingan, baris demi baris. Kalau satu item berbunyi "saya merasa pekerjaan saya berarti" dan item di variabel sebelah berbunyi "pekerjaan saya bermakna bagi saya", respondenmu tidak sedang menjawab dua hal. Mereka menjawab pertanyaan yang sama dua kali. Korelasi 0,91 antara kedua skor itu bukan temuan penelitian, itu akibat penulisan item.

#Multikolinearitas struktural dan substantif, bedanya di mana?

Pembeda ini paling sering hilang dari pembahasan multikolinearitas, padahal dia yang menentukan apakah kamu perlu khawatir.

Multikolinearitas struktural lahir dari model, bukan dari responden. Kalau kamu memasukkan suku interaksi X1 kali X2, atau suku kuadrat, variabel baru itu dihitung dari variabel yang sudah ada. Korelasinya tinggi secara matematis dan itu wajar. VIF 15 pada suku interaksi bukan tanda datamu bermasalah.

Multikolinearitas substantif lahir dari data. Dua konstruk yang berbeda secara teori ternyata sangat berkorelasi di sampelmu, entah karena itemnya tumpang tindih atau karena memang begitu keadaan di populasi yang kamu ambil.

Yang pertama diselesaikan dengan aritmetika. Yang kedua diselesaikan dengan keputusan teoretis. Menukar keduanya adalah sumber kesalahan paling mahal di bab 4.

#Kapan centering benar-benar menolong?

Centering, yaitu mengurangi setiap nilai dengan rata-ratanya sebelum membentuk suku interaksi, bisa menurunkan VIF dari belasan ke bawah 3 tanpa mengubah satu pun kesimpulan substansi. Alasannya: sebagian besar korelasi antara X1 dan X1 kali X2 berasal dari posisi skala, bukan dari hubungan nyata.

Ambil skala Likert 1 sampai 5 dengan rata-rata 4,1. Semua nilainya positif dan berkerumun jauh dari nol, jadi X1 dan hasil kalinya bergerak hampir sejajar. Setelah setiap nilai dikurangi 4,1, sebagian jadi negatif dan kesejajaran itu hilang.

Yang perlu kamu catat: centering tidak menolong sama sekali untuk kasus substantif. Kalau VIF tinggi karena dua kuesionermu mengukur hal yang sama, mengurangi rata-rata tidak mengubah apa pun. Korelasinya tetap 0,91.

#Kalau penyebabnya kuesioner, apa yang dibenahi?

Urutannya begini, dan tidak satu pun dimulai dengan menghapus variabel.

1. Baca ulang seluruh item dari dua variabel yang bermasalah secara berdampingan. Tandai item yang bisa dijawab responden dengan alasan yang sama.
2. Cek validitas diskriminan. Pada kriteria Fornell-Larcker, akar AVE sebuah konstruk harus lebih besar daripada korelasinya dengan konstruk lain. Kalau tidak, kedua konstruk itu belum terbukti berbeda secara empiris.
3. Buang item yang tumpang tindih, bukan variabelnya. Satu konstruk dengan 4 item bersih lebih berguna daripada 6 item yang dua di antaranya meniru variabel sebelah.
4. Kalau korelasinya masih di atas 0,85 setelah itu, pertimbangkan bahwa teorimu memang memecah satu hal menjadi dua. Gabungkan jadi satu konstruk dan sesuaikan hipotesisnya.
5. Kalau modelmu berlapis dengan banyak konstruk laten, regresi berganda biasa bukan alat yang tepat sejak awal. Model persamaan struktural menangani konstruk yang berkorelasi dengan lebih jujur.

Langkah 3 dan 4 berarti kamu mengubah bab 2 dan bab 3, bukan cuma bab 4. Itu memang lebih berat daripada menekan satu tombol, tapi itu satu-satunya jalan yang tidak membuat bab 5 bertentangan dengan bab 1.

#Kapan membuang variabel memang jawaban yang benar?

Ada kasus di mana menghapus adalah pilihan terbaik, dan semuanya punya satu ciri sama: variabel yang dibuang bukan hipotesis.

• Dua variabel kontrol yang jelas mengukur hal serupa, misalnya usia dan masa kerja pada sampel karyawan tetap. Pilih satu, sebutkan alasannya di bab 3.
• Variabel yang masuk model karena mengikuti penelitian sebelumnya, tanpa hipotesis sendiri.
• Dua proksi dari satu konsep, misalnya pendapatan per bulan dan pengeluaran per bulan sebagai ukuran status ekonomi.

Kalau variabel itu punya nomor hipotesis di bab 3, membuangnya berarti kamu harus menghapus hipotesis itu beserta pembahasannya. Tidak boleh ada hipotesis di bab 3 yang variabelnya hilang dari model di bab 4.

#Kesalahan yang sering terjadi

Memakai ambang 10 untuk semua model. Pada model dengan suku interaksi, VIF besar sudah bisa diduga sejak awal. Melaporkannya sebagai masalah lalu membuang suku interaksinya sama dengan membuang moderasi yang jadi inti penelitianmu.

Menambah responden untuk menurunkan VIF. VIF dihitung dari struktur korelasi antarvariabel, bukan dari jumlah baris. Menambah sampel dari 100 ke 300 akan mempersempit standard error, jadi hasilnya bisa berubah jadi signifikan, tapi angka VIF-nya tidak akan banyak bergerak. Kalau kamu masih di tahap menentukan jumlah responden, kalkulator ukuran sampel berguna, hanya saja bukan untuk alasan ini.

Menjalankan analisis komponen utama sebagai jalan pintas. Komponen yang keluar memang tidak lagi berkorelasi, tapi koefisiennya menempel pada komponen, bukan pada variabelmu. Kamu tidak bisa lagi menulis bahwa kompensasi berpengaruh terhadap kinerja, karena yang ada di model bukan kompensasi.

Melaporkan tolerance dan VIF sebagai dua bukti terpisah. Menulis bahwa tolerance 0,105 lebih besar dari 0,10 dan VIF 9,52 lebih kecil dari 10 terdengar seperti dua pemeriksaan yang lolos. Itu satu pemeriksaan, dan hasilnya tepat menempel di ambang.

Mendiamkan koefisien yang berubah tanda. Ini gejala multikolinearitas paling jelas dan paling sering diabaikan. Kalau korelasi sederhana X1 dengan Y positif tapi koefisien regresinya negatif, modelmu sedang kesulitan memisahkan kontribusi X1 dari variabel lain. Bahas itu, jangan cuma melaporkan angkanya.

#Apa yang ditulis di bab 4 kalau VIF-nya memang tinggi?

Tulis apa adanya, lalu tunjukkan kamu paham akibatnya. Satu paragraf yang menyebut nilai VIF, menjelaskan penyebabnya (tumpang tindih konstruk atau suku interaksi), dan menyatakan kesimpulan mana yang jadi kurang kuat karenanya, jauh lebih aman di sidang daripada tabel VIF yang semuanya di bawah 10 setelah dua variabel dihapus tanpa penjelasan.

Satu hal yang perlu kamu pegang: multikolinearitas tidak membuat koefisienmu bias. Dia membesarkan standard error, sehingga variabel yang sebenarnya berpengaruh bisa terbaca tidak signifikan. Jadi VIF tinggi adalah soal daya uji, bukan soal benar atau salah. Polanya sama dengan uji heteroskedastisitas, yang juga menyerang nilai p dan bukan koefisiennya.

#FAQ

#VIF saya 8, aman atau tidak?

Tergantung dari mana angka itu datang. Pada model tanpa suku interaksi, VIF 8 berarti 87,5 persen variasi variabel itu sudah ada di variabel lain, dan itu layak dibahas walaupun masih di bawah 10. Pada suku interaksi, 8 itu biasa. Banyak peneliti memakai ambang 5 justru karena 10 terlalu longgar untuk model dengan sedikit variabel.

#Apakah multikolinearitas membuat hasil regresi saya salah?

Tidak. Koefisiennya tetap tidak bias dan daya ramal modelmu tetap sah. Yang rusak adalah ketepatan masing-masing koefisien, jadi uji t jadi kurang bertenaga dan koefisien bisa bergeser banyak hanya karena kamu menambah satu variabel. Kalau tujuanmu meramalkan Y, VIF tinggi hampir tidak mengganggu. Kalau tujuanmu menguji pengaruh per variabel, dia mengganggu.

#Kalau saya pakai SmartPLS, apakah VIF masih perlu dilihat?

Masih, dan letaknya di model struktural, bukan cuma di model pengukuran. Nilai VIF antar konstruk prediktor dibaca dengan logika yang sama, dan di pendekatan ini ambang 5 lebih sering dipakai. VIF tinggi antar konstruk laten adalah isyarat kuat bahwa dua konstrukmu belum terbukti berbeda.

#Dosen minta saya membuang satu variabel, padahal itu hipotesis utama. Bagaimana?

Datang dengan data, bukan dengan penolakan. Bawa tabel item kedua variabel yang diletakkan berdampingan, korelasi antarkonstruk, dan hasil uji validitas diskriminan. Kalau kedua konstruk ternyata tidak terpisah secara empiris, menggabungkannya lebih bisa dipertahankan daripada menghapus salah satu. Kalau terpisah, kamu punya alasan untuk mempertahankan keduanya sambil melaporkan VIF secara terbuka.

#Apakah uji multikolinearitas perlu untuk regresi satu variabel bebas?

Tidak. VIF mengukur hubungan antarvariabel bebas, dan kalau variabel bebasmu cuma satu, tidak ada yang bisa diukur. Tabelnya akan selalu menunjukkan 1,000. Melampirkannya hanya menandakan kamu menjalankan paket uji asumsi tanpa memeriksa mana yang berlaku, persoalan yang sama dengan Durbin-Watson di data kuesioner.

#Setelah VIF beres, apa yang perlu saya periksa lagi di output?

Pastikan setiap angka yang kamu kutip memang menjawab pertanyaan yang kamu tulis. Urutan membacanya ada di cara membaca output regresi SPSS, dan kalau nilai R kuadrat-mu terasa kecil, R Square rendah menjelaskan kapan itu wajar dan kapan tidak.