Contoh 12.

12 :
Hartono dan Surianto (1999) menguji kebiasaan Beta di Bursa Indonesia. Data dari penelitian ini
merupakan perusahaan-perusahaan yang terdaftar di BEI mulai tanggal 22 Mei 1995 sampai
dengan 31 Mei 1997. Karena Beta banyak digunakan dalam penelitian event study. Perhitungan
Beta di penelitian ini juga dihubungkan dengan suatu kejadian (event), yaitu kejadian
pengumuman laba. Sampel yang berhasil dikumpulkan adalah sebanyak 74 perusahaan.
Beta pasar merupakan rata-rata tertimbang dari Beta masing-masing sekuritas. Beta pasar yang
belum dikoreksi yang dihitung dari rata-rata 74 perusahaan tahun adalah sebesar 0,0676. Nilai
Beta pasar ini secara statistik signifikan (dengan tingkat signifikansi kurang dari 1%, yaitu Zhitung = 53,618 dengan p=0,0001) yang berbeda dengan nilai 1. Hasil ini menunjukkan bahwa
Beta sekuritas yang terdaftar di BEI merupakan Beta yang bias.
Foster (1986) menyarankan beberapa solusi untuk menjadikan distribusi data menjadi
berdistribusi normal normal, yaitu dengan cara transformasi data, trimming dan winsorizing.
Ketiga cara ini akan dilakukan di penelitian ini. Transformasi dilakukan dengan
mentransformasikan nilai-nilai return menjadi nilai logaritma return. Trimming dilakukan dengan
membuang sampel yang nilainya dianggap sebagai outliers. Dalam penelitian ini digunakan
batasan dua deviasi standar dari rata-ratanya untuk menentukan outliers. Dengan metode
trimming, sebanyak 6 outliers dibuang dari sampel, sehingga jumlah observasi menjadi 68. Di
metode winsorizing, outliers juga ditentukan dengan cara yang sama dengan yang dilakukan di
metode trimming. Jika di metode trimming observasi yang mengandung outliers dibuang, dengan
metode winsorizing, nilai outliers dirubah menjadi nilai maksimum yang tidak dikatakan sebagai
outliers, yaitu sebesar dua deviasi standar dari nilai rata-ratanya.
Beta pasar koreksi yang paling mendekati nilai 1 terjadi pada periode satu lag dan satu lead
dengan menggunakan metode Fowler dan Rorke yaitu sebesar 0,905. Hasil ini menunjukkan
bahwa metode Fowler dan Rorke masih merupakan metode metode yang paling mampu
mengurangi bias di Beta sekuritas baik untuk data return yang berdistribusi tidak normal maupun
yang berdistribusi normal. Akan tetapi untuk data return yang berdistribusi normal, periode
koreksi yang dibutuhkan tidak perlu terlalu panjang, cukup satu periode mundur (lag) dan satu
periode maju (lead) saja.

Beta sekuritas yang bias perlu dikoreksi. Tiga metode koreksi digunakan di penelitian ini, yaitu
metode Scholes dan Williams (1977), Dimson (1979) dan Fowler dan Rorke (1983). Dari ketiga
metode ini, metode yang paling mampu untuk mengkoreksi bias yang terjadi adalah metode
Fowler dan Rorke baik untuk data Return yang berdistribusi tidak normal maupun untuk data
return yang berdistribusi normal. Untuk data return yang berdistribusi tidak normal, diperlukan
periode koreksi yang cukup panjang, yaitu empat periode mundur (lag) dan empat periode maju
(lead). Data return yang berdistribusi normal membantu mempercepat periode koreksi dari Beta
yang bias, yaitu hanya dibutuhkan satu periode mundur (lag) dan satu periode maju (lead) saja.
Hasil ini juga menunjukkan bahwa data return yang berdistribusi tidak normal memperbesar bias
yang terjadi di Beta.