Anda di halaman 1dari 4

SINGGIH KARISMA W

125090500111015
Statistika (A)

Uji Kenormalan Multivariat


Menurut Karson (1982), untuk menguji kenormalan multivariat digunakan prosedur
yang dikembangkan oleh Mardia (1970) dengan cara menghitung dua macam ukuran statistik
yaitu ukuran skewness (b1,p ) dan kurtosis (b2,p ) yaitu:
_
_
1
b1,p = (1/n ) [ (Xi X) S (Xi X)]3
2

_
_
1
b2,p = (1/n) [ (Xi X) S (Xi X)] 2
Hipotesis yang digunakan adalah:
Ho: multivariat mengikuti sebaran normal
H1: multivariat tidak mengikuti sebaran normal
Bila ( b1,p n/6 2 p(p+1) (p+2)/6, dan
[ b2,p - p (p+2) ] / (8p (p+2)/n) Z (tabel normal), maka Ho diterima, berarti
multivariat mengikuti sebaran normal.
Menurut Johnson (1982), untuk menguji kenormalan ganda adalah dengan mencari
nilai jarak kuadrat untuk setiap pengamatan yaitu d i2= (Xi-X) S-1(Xi-X), di mana Xi adalah
pengamatan yang ke i dan S-1 adalah kebalikan (inverse) matrik kovarians S.
Kemudian di2 diurutkan dari kecil ke besar, selanjutnya dibuat plot di2 dengan nilai
Chi-Kuadrat 2(i1/2)/n , di mana i = urutan = 1, 2, n, dan p = banyaknya peubah.
Bila hasil plot dapat didekati dengan garis lurus, maka dapat disimpulkan bahwa data
menyebar secara normal ganda.
Menurut Norusis (1986), berdasarkan teori Wahl & Kronmal (1977), seringkali
kenormalan ganda sulit diperoleh terutama bila sampel yang diambil relatif kecil. Bila hal ini
terjadi, uji vektor ratarata tetap bisa dilakukan selama asumsi kedua (kesamaan kovarians)
dipenuhi.

Uji Normalitas Data


1. Skewness dan Kurtosis
Suatu data bila disajikan dalam bentuk kurva halus dapat berbentuk yang miring ke
kanan, mmiring ke kiri atau simetris. Miring ke kanan bila kurva mempunyai ekor
yang memanjang ke sebelah kanan, demikian miring ke kiri sebaliknya, sedangkan
bila simetris berarti kondisi ke kanan dan kiri seimbang, biasanya nilai mean, median,
dan modus berdekatan bahkan kadang sama. Kondisi kurva yang simetris tersebut
sering disebut membentuk kurva distribusi normal. Bila hasil kemiringan negatif,
maka kurva miring ke kiri, bila hasil kemiringan positif, maka kurva miring ke kanan.
Sedangkan pada hasil kemiringan nol, maka kurva normal. Kemiringan kurva dapat
dihitung berdasarkan rumus koefisien kemiringan Pearson, yaitu :
Kurtosis adalah derajat keruncingan suatu distribusi (biasanya diukur relatif terhadap
distribusi normal). Kurva yang lebih runcing dari distribusi normal dinamakan
leptokurtik, yang lebih datar platikurtik, dan distribusi normal disebut mesokurtik.
Distribusi normal memiliiki kurtosis = 3, sementara distribusi yang leptokurtik
biasanya kurtosisnya lebih dari 3, dan plakurtik kurang dari 3.
2. Uji Kolmogorov-Smirnov
Uji Kolmogorov-Smirnov dapat dilakukan dengan syarat data berskala interval/rasio
(kuantitatif).
3. Uji Shapiro-Wilk
Uji Shapiro-Wilk dapat dilakukan dengan syarat data berskala interval atau rasio
(kuantitatif). Data bersifat tunggal / belum dikelompokkan dalam tabel distribusi
frekuensi dan random. Uji kenormalan data menggunakan metode Shapiro-Wilk dapat
dilakukan dengan mengelompokkan data menjadi dua kelompok untuk dikonversi ke
dalam Shapiro-Wilk.
Signifikansi uji nilai T3 dibandingkan dengan nilai tabel Shapiro-Wilk. Jika nilai
probabilitas (p) kurang dari 5% maka tolak H0 dan data tidak berdistribusi normal.
4. Uji Pearson Chi-square
Metode Chi-square untuk uji goodness of fit distribusi normal menggunakan
pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang
diharapkan.
5. Uji Anderson Darling
Metode ini termasuk dalam salah satu uji kenormalan yang mengukur penyimpangan

dari empirical distribution function (EDF) terhadap cumulative distribution function


(CDF) yang diasumsikan, dalam hal ini adalah distribusi normal.
6. Uji Cramer von-Mises
Metode Cramer-von Mises termasuk statistic EDF yang berbasis ukuran kuadratik
sebagaimana metode Anderson-Darling.
http://id.netlog.com/sulistianingrum/blog
Contoh Kasus :
AKan diuji pengaruh pengaruh kinerja keuangan terhadap return saham. Variabel independen
yang digunakan adalah variabel kinerja keuangan yang diwakili oleh rasio EPS, PER, DER,
ROA, ROE, sedangkan variabel dependen/variabel yang dijelaskan yang diteliti
adalah return saham perusahaan
Data diperoleh dari kinerja keuangan diperoleh dari ICMD, sementara data saham diperoleh
dari yahoo finance (lihat bagaimana cara memperoleh data saham melalui yahoo)

EPS
0.001
0.333
0.205
0.014
0.067
0.284
0.077
0.242
0.017
0.012
0.083
0.125
0.500
2.890
9.820
5.440
0.063
0.008
0.333
0.100
0.016
0.500
-2.400
0.388
0.050
0.002
0.005
-0.014
0.040
0.008

PER
0.481
0.154
0.078
0.121
0.181
0.098
0.014
0.083
0.073
1.031
3.030
0.054
0.005
0.039
0.084
0.061
0.119
0.170
0.027
0.066
0.065
0.055
0.022
0.106
0.074
0.145
0.044
-0.377
0.308
0.833

DER
0.295
0.362
1.282
1.163
0.806
3.125
0.429
0.658
1.639
0.433
0.269
2.222
1.852
1.563
1.449
0.645
1.538
2.439
1.042
2.564
1.316
4.762
0.014
4.762
7.143
5.263
1.316
0.917
0.260
2.857

ROA
5.667
0.838
8.755
6.587
5.152
10.409
0.838
-4.470
2.949
4.155
9.388
2.306
0.399
2.786
0.852
1.997
0.917
1.523
1.927
4.499
1.381
1.299
-0.135
2.661
3.093
17.033
37.480
-6.211
1.818
25.743

ROE
0.007
0.317
0.063
0.081
0.087
0.073
0.353
0.026
0.195
0.007
0.002
0.299
1.628
0.223
0.694
0.019
0.103
0.054
0.265
0.159
0.037
0.630
-0.010
0.031
0.284
0.049
0.012
-0.077
0.113
0.029

RET
-0.481
0.190
0.597
0.680
-0.300
0.379
0.363
0.178
4.689
5.685
12.716
4.921
4.066
7.944
3.079
2.722
0.888
1.531
2.260
4.599
1.397
1.799
0.100
0.079
-0.061
-0.011
0.318
-0.523
-0.077
3.800

https://teorionline.wordpress.com/2011/04/02/uji-normalitas/
Interprestasi Nilai Skewness dan Kurtosis
Diperoleh nilai Skewness = 1.382 dan Kurtosis 2.458. Dari nilai ini kemudian dapat dihitung
nilai ZKurtosis dan ZSkewness dengan formulasi sbb :
ZKurtosis = Kurtosis / sqrt (24/N)
ZSkewness = Skewness / sqrt (6/N)
Maka hasil perhitungannya adalah
ZKurtnosis = 2.748, dan ZSkewness = 3.090
Nilai Z kritis untuk alpha 0.01 adalah 2.58. Berdasarkan nilai ZKurtosis maupun ZSkewness
keduanya tidak normal (ZKurtosis > 2.58) dan ZSkewness nilai ZSkewness > 2.58 (tidak
normal.

Hasil uji KOLMOGOROV-SMIRNOV menunjukkan bahwa nilai Asymp.Sig adalah sebesar


0.186. Nilai ini jauh lebih besar diatas 0.05 sehingga dapat disimpulkan residual berdistribusi
Normal.Dengan demikian dapat disimpulkan bahwa berdasarkan hasil uji diketahui bahwa
model tidak terkena masalah Normalitas