3.1.1.

1 Uji Asumsi Klasik Dalam melakukan estimasi persamaan linier dengan menggunakan metode OLS, maka asumsi-asumsi dari OLS harus dipenuhi. Apabila asumsi tersebut tidak dipenuhi maka tidak akan menghasilkan nilai parameter yang BLUE (Best Linear Unbiased Estimator). Asumsi BLUE antara lain: a. Model regresi adalah linier dalam parameter b. Error term (u) memiliki distribusi normal. Implikasinya, nilai rata-rata kesalahan adalah nol. c. Memiliki varian yang tetap (homoskedasticity). d. Tidak ada hubungan antara variabel bebas dan error term. e. Tidak ada korelasi serial antara error (no-autocorrelation). f. Pada regresi linear berganda tidak terjadi hubungan antar variabel bebas (multicolinearity). Penelitian ini menggunakan data sebanyak 138 buah dengan 6 variabel yang ada untuk masing-masing emiten. Sehingga total data bila dijumlahkan secara keseluruhan adalah sebesar 1104 buah. Agar model regresi memiliki nilai parameter yang baik, maka diperlukan pengujian sebagai berikut: 1. Uji Multikolinearitas Untuk menguji apakah model regresi ditemukan adanya korelasi antar variable bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variable bebas. Untuk menguji ada tidaknya multikoleniaritas dalam model regresi linier berganda akan dilihat melalui indicator Condition Index (CI) dan Variance Inflantion Factor (VIF). Dikatakan multikoleniaritas jika VIF lebih kecil dari korelasi Pearson.

Atau jika VIF <10 maka tidak terdapat multikoleniaritas pada data (lihat gujarati (2004;362). Gujarati (2004;359) menyatakan bahwa multikoleniaritas terjadi antar variable independen (regression) jika pair-wise correlation coefficient di antara regressor relatif tinggi yakni kisaran diatas 0,8. 2. Uji Heteroskedasitas Heteroskedasitas merupakan keadaan dimana varians dari setiap gangguan tidak konstan. Uji heteroskedasitas dapat dilakukan dengan menggunakan White Heteroskedasticity. Hasil yang perlu diperhatikan dari Uji ini adalah nilai F dan Obs*R-Squared. Jika nilai Obs*R-Squared lebih kecil dari X2 tabel maka tidak terjadi heteroskedastisitas dan sebaliknya. 3. Autokorelasi Untuk melihat apakah ada korelasi antar anggota sample yang diurutkan berdasarkan waktu. Biasanya autokorelasi muncul pada observasi menggunakan timeseries. Konsekuensi adanya autokorelasi dalam model regresi adalah variance sample tidak dapat menggambarkan variance populasinya. Sehingga, model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen pada variable independen tertentu. Untuk mengukur sampai sejauh mana terdapat korelasi serial dalam risidu, dipergunakan statistic Durbin-Waston dengan kriteria angka -2 sampai +2 yang berarti tidak ada autokorelasi, sedangkan jika dibawah -2 berarti ada autokorelasi positif dan diatas +2 maka ada autokorelasi negative. Selain itu dapat dilakukan cara lain dengan menggunakan Metode Bruesch-Godfrey yang lebih dkenal dengan LM-Test. Metode ini didasarkan pada nilai F dan Obs*R-Squared.

Dimana jika nilai probabilitas dari Obs*R-Squared melebihi tingkat kepercayaan maka Ho diterima, berarti tidak ada masalah autokorelasi.