70
Y X1
12 4
8 3
16 5
22 8
17 6
9 2
10 4
94 32
X2
8
12
14
9
10
5
6
64
X3
22
18
14
9
10
5
6
84
YX1
48
24
80
176
102
18
40
488
X2X3
176
216
196
81
100
25
36
830
Y2
144
64
256
484
289
81
100
X1 2
16
9
25
64
36
4
16
1418 170
na + b1X1
7 a + 32 b1
+ b2X2
+ 64 b2
+ b3X3
+ 84 b3
X2 2 X3 2
64 484
144 324
196 196
81
81
100 100
25
25
36
36
646 1246
71
A =
7 32
32 120
64 304
84 378
64
84
304
378
646
830
830 1.246
94 32
488 120
889 304
1.105 378
a=
64
84
304
378
646
830
830 1.246
= 2,02291
A
7
94 64
32
488 304
64
889 646
84 1.105 830
b1 =
= 1.545.472
84
378
830
1.246
= 2,441164
A
7 32
94
84
32 120
488
378
64 304
889
830
84 378 1.105 1.246
b2 =
A
7
32
64
84
b3 =
= 0,032686
32
120
304
378
64
304
646
830
A
94
488
889
1.105
= -0,00215
72
(Y Y )2
n ( k 1)
12,381675
2,0315
7 (3 1)
Dimana :
SY.X1..X3
: kesalahan baku pendugaan variabel Y berdasarkan
variabel X1, X2 dan X3.
Y
12
8
16
22
17
9
10
94
X1
4
3
5
8
6
2
4
32
X2
8
12
14
9
10
5
6
64
X3
22
18
14
9
10
5
6
84
( - Y)
( - Y)2
12,00175
9,699934
14,65623
21,82705
16,97525
7,657918
11,97078
0,001754
1,699934
-1,34377
-0,17295
-0,02475
-1,94208
1,970782
0,000003
2,889775
1,805707
0,029913
0,000612
3,771682
3,883982
12,381675
( - Y)2
73
74
1
2
3
4
5
6
7
1
161
18,5
10,1
7,71
6,61
5,99
5,59
3,84
254
19,5
8,53
5,63
4,37
3,67
3,23
1,00
75
Terima H1
Terima H0
Fhitung
14,873
Ftabel 9,28
Skala F
PELANGGARAN
ASUMSI
PADA
REGRESI
76
2.
Variabel tidak bebas haruslah variabel bersifat
kontinu dan paling tidak berskala selang. Variabel kontinu
ini adalah variabel yang dapat menempati pada semua titik
dan biasanya merupakan data dari proses pengukuran.
3.
Nilai keragaman atau residu yaitu selisih antara data
pengamatan dan data dugaan hasil regresi (Y - ) harus
sama untuk semua nilai Y. Asumsi ini menyatakan bahwa
nilai residu bersifat konstan untuk semua data Y, (Y =
).
Asumsi
ini
memperlihatkan
kondisi
HOMOSKEDASTISITAS yaitu nilai residu (Y - ) yang sama
untuk semua nilai Y, menyebar normal dan mempunyai
rata-rata 0.
4.
Pengamatan-pengamatan untuk variabel tidak bebas
dari satu pengamatan ke pengamatan lain harus bebas
atau tidak berkorelasi. Hal ini penting untuk data yang
bersifat deret berkala.
PELANGGARAN ASUMSI PADA REGRESI BERGANDA
Pelanggaran asumsi multikoniear: antar variabel bebas ada
korelasi
Beberapa teknik untuk mengenali multikoLinieritas:
a. Variabel bebas secara bersama-sama pengaruhnya nyata,
atau Uji F-nya nyata, namun ternyata setiap
variabel bebasnya secara parsial pengaruhnya tidak nyata,
(uji-t-nya tidak nyata).
b. Nilai koefisien determinasi R2 sangat besar, namun ternyata
variabel bebasnya berpengaruh tidak
nyata, (uji-t tidak nyata).
c. Nilai koefisien korelasi parsial yaitu rYX 1.X2, rYX2.X1, dan
rX1X1.Y ada yang lebih besar dari koefisien
determinasinya.
Heteroskedastititas: varian atau residu tidak konstan
Heteroskedastisitas untuk menunjukkan nilai varians (Y )
antar nilai Y tidaklah sama atau hetero.
Autokorelasi: antar data pengamatan berkorelasi
Autokorelasi merupakan korelasi antara anggota observasi
yang disusun menurut urutan waktu. Ada beberapa penyebab
autokorelasi yaitu: (a) kelembamam. Kelembaman biasanya
terjadi dalam fenomena ekonomi di mana sesuatu akan
mempengaruhi sesuatu mengikuti siklus bisnis atau saling
77
78
79
Ringkasan Lanjutan
Korelasi : merpk hubungan/relasi antara satu variabel dng
variabel lainnya, baik secara :
1.
Korelasional : hub tsb tdk menunjukkan sifat sebab
akibat, artinya sifat hub variabel satu dng varia bel
lainnya tdk jelas mana yg merpk variabel se bab dan
mana yg merpk variabel akibat.
2.
Kausalitas : menunjukan sifat hub sebab akibat, arti
nya jika variabel yg satu merpk sebab maka va -riabel
yg lainnya merpk akibat.
Regresi : unt memprediksi kondisi di waktu yg akan da -tang
dng suatu dasar keadaan sekarang/wak -tu yg lalu
dari hub variabel yg bersifat kausali tas (secara tegas
hrs sdh mengetahui terlebih dahulu mana variabel yg
merpk sebab/bebas dan mana variabel yg merpk
akibat/terikat).
80
[nX2(X)2][nY2(Y)2]
Korelasi Pearson Product Moment (rumus ke dua), sebagai
berikut :
{(X X)(Y Y)}
2
r = r = -------------------------[(X X)2][Y Y)2]
Rumus pertama dan ke dua Korelasi Product Moment hanya
dapat diterapkan untuk data yg berskala interval atau ratio krn
mendasarkan pd hubungan linier saja.
Contoh kasus : Suatu penelitian ingin melihat apakah ada hubungan
antara banyaknya kredit mata kuliah (SKS) yg diambil dgn indeks
prestasi kumulatif (IPkum) yg dicapai mhs dlm suatu semester. Setelah
dilakukan pengumpulan data dari 10 mahasiswa ternyata penyebaran
kredit mata kuliah (SKS) yg diambil dan indeks prestasi kumulatif
(IPkum) yg di capai terlihat seperti dlm tabel di bawah ini :
Gunakan rumus ke dua dari Korelasi Pearson Product Moment
Jml SKS (X)
IPkum (Y)
(X X)
(X X)2
(Y Y)
(Y Y)2
(XX)(YY)
20
3,1
4,5
20,25
-0,42
0,1764
-1,89
18
4,0
2,5
6,25
0,48
0,2304
1,2
15
2,8
-0,5
0,25
-0.72
0,5184
0,36
20
4,0
4,5
20,25
0,48
0,2304
2,16
10
3,0
-5,5
30,25
-0,52
0,2704
2,86
12
3,6
-3,5
12,25
0,08
0,0064
-0,28
16
4,0
0,5
0,25
0,48
0,2304
0,24
14
3,2
-1,5
2,25
-0,32
0,1024
0,48
18
3,5
2,5
6,25
-0,02
0,0004
-0,05
12
4,0
-3,5
12,25
0,48
0,2304
-1,68
X = 155
Y = 35,2
=0
= 110,5
=0
= 1,996
= 3,4
X = 15,5
Y = 3,52
Korelasi Pearson Product Moment (rumus ke dua), sebagai berikut :
{(X X)(Y Y)}
r = -------------------------[(X X)2][Y Y)2]
3,4
3,4
r = ---------------- = ---------------110,5 1,996
0,2289378023
= 0,23
81
2
2
7
3
3
8
4
4
6
5
5
5
6
6
3
7
7
4
8
8
2
9
9
9
10
10
1
D
9
5
5
2
0
3
3
6
0
9
42
D2
81
25
25
4
0
9
9
36
0
81
270
Penghitungan
6 D2
6 (270)
rs = 1- ---------- = ------------n(n2 1) 10(100 1)
= - 0,636363636 = - 0,64
Tingkat hubungan antara keduanya
relatif kuat tapi berkebalikan (berla
-wanan arah).
Bila kedua kelompok data yg ada tdk mempunyai skala sama, disatu pihak
berskala ordinal dan di lain pihak berskala interval / ratio maka korelasi
Rank Spearman dpt digunakan dng terlebih dahulu membuat data
berskala interval/ratio menjadi berskala ordinal (rank).
82
korelasi (r = 0) ditolak jika hasil perhitungan r ternyata lebih besar (>) drpd r
tabel; dmk pula sebaliknya apabila r hitung ternyata lebih kecil (<) drpd r tabel
maka kita menerima H0 yg menyatakan bahwa dua variabel yg dicari
hubungannya nyata-nyata tdk berkorelasi.
Dari contoh di atas (Product Moment) :
r hasil perhitungan = 0,23 dng n = 10, maka nilai t hitung adalah
thitung = 0,23 8 : (1 0,0529) = 0,6684592097 = 0,67
ttabel dng dk = n 2 = 8 dan alpha () = 0,05 daerah penerimaan
hipotesis nol adalah di antara -2,306 dan +2,306.
Dng dmk. maka kita dapat menerima hipotesis nol yg berarti antara
variabel SKS yg diambil dng iPkum.
83
Contoh Kasus :
Dasar teori yg digunakan : Dalam teori keuangan dikatakan bahwa
salah satu indikator kesehatan perusahaan adalah ROA (Return on Asset):
bagaimana setiap asset yg dimiliki persh dapat produktif dan menghasil
kan keuntungan. Berdasar keyakinan tsb, dibuatlah suatu persamaan
(formula) suatu keuntungan persh dapat dipengaruhi oleh total asset yg
dimiliki dan harga saham. Harga saham merpk cerminan dari aktivitas
persh, krn harga saham berfluktuasi sesuai dng kondisi persh.
Dimisalkan dari 10 sampel perusahaan yg relatif besar di daerah
Ngayodyakarto untuk tahun 2011 diperoleh data sbb :
Persh.
Keuntungan Bersih
Total Aset = X1 (dlm
Harga
= Y (dlm Jutaan
trilyun Rp.)
saham/lembar (dlm
Rp.)
puluhan Rp.)
A
3.456
864
980
B
2.345
975
870
C
1.234
890
760
D
987
789
650
E
876
678
540
F
765
567
430
G
654
456
350
H
543
345
240
I
432
234
130
J
321
123
100
Sumber: Data fiktif belaka.
Coefficient
436.7136
-5.623369
8.028085
0.948101
0.933273
Std. Error
t-Statistic
213.1146
2.049195
1.123337 -5.005952
1.078388
7.444524
Mean dependent var
S.D. dependent var
Prob.
0.0796
0.0016
0.0001
1161.300
989.8676
255.6986
14.16920
457672.3
Schwarz criterion
14.25998
F-statistic
48.95253
Prob(F-statistic)
0.000032
-67.84600
2.186034
84
Estimation Equation:
=====================
Y = 0 + 1X1 + 2X2 + e 0 = konstanta = intersep
Substituted Coefficients:
=====================
Y = 436.713553 - 5.623368879 X1 + 8.028085465 X2 + e
Persm tsb di atas menyatakan bahwa, apabila total asset meningkat
sebesar 1 trilyun maka keuntungan bersih malah menurun sebesar 5,6234
milyard dimana harga saham per lembar dianggap konstan. Disamping itu,
bila harga saham per lembar naik sebesar Rp.10,- maka keuntungan
bersih akan naik sebesar 8,028 milyard dimana total asset dianggap
konstan. Untuk menguatkan pendapat di atas, diperlukan pendalaman dan
pemahaman lebih lanjut tentang teori keuangan. Pada dasarnya dengan
bertambahnya total asset dan harga saham per lembar maka keuntungan
perusahaan akan meningkat (secara teori).
Nilai R2 = 0,933273, hal ini menunjukkan kemampuan variabel total
asset dan harga saham per lembar dapat menjelaskan perilaku keun
-tungan bersih sebesar 93% dan sisanya (7%) dijelaskan oleh variabel lain
di luar model (variabel yg tidak diteliti). Hal ini menunjukkanspesifikasi
model yg baik karena kemampuan menjelaskannya relatif besar.
Apakah pengaruh variabel total asset dan harga saham per lembar nyata ?
Untuk itu perlu diuji dengan uji-t secara parsial. Dalam teori
pengujian dikatakan bahwa, apabila t-tabel < t-hitung maka penga
-ruhnya secara parsial (individu) adalah nyata. Jumlah data (n) = 10 dan k
= 3 (jumlah parameter estimasi termasuk konstanta) maka derajat
bebasnya (n-k) = (10-3=7). Dengan tingkat keyakinan 5% untuk uji dua
arah (0,025) diperoleh nilai t-tabel sebesar 2,365.
1. Untuk variabel total asset t-hitung (5.005952) > t-tabel (2,365) maka
pengaruh dari total asset terhadap keuntungan bersih adalah nyata
(signifikan).
2. Untuk variabel harga saham per lembar t-hitung (7.444524) > t-tabel
(2,365) maka pengaruh dari harga saham per lembar terhadap
keuntungan bersih adalah nyata (signifikan).
3. Kesimpulan : kinerja keuntungan bersih perusahaan ternyata
dipengaruhi secara nyata (signifikan) oleh total asset dan harga
saham per lembar.
Bagimana pengaruh variabel total asset dan harga saham per
lembar bersama-sama terhadap keuntungan perusahaan.
Uji Hipotesis Koefisien Regresi Secara Menyeluruh: Uji-F
Unt menguji signifikansi koefisien determinasi R2 dan unt meng
-evaluasi hipotesis bahwa apakah tidak ada variabel bebas (independen)
yg menjelaskan variasi Y disekitar nilai rata-ratanya dng derajat
kepercayaan (degree of freedom) k-1 dan n-k tertentu. Uji F juga
digunakan unt menguji hipotesis nul bahwa semua variabel independen
85
ESS /( n k )
R 2 /( k 1)
RSS /( n k ) (1 R 2 ) /( n k )
(0,933273) /(3 1)
0.4666365
48,95253
(1 0,933273) /(10 3) 0,0095324
1,000000
0,966389
0,732942
Y : Keuntungan
0,966389
1,000000
0,873102
0,732942
0,873102
1,000000
0
Lihat dlm tabel
Actual
3456.00
2345.00
1234.00
987.000
876.000
765.000
654.000
543.000
432.000
321.000
Tidak dapat
diputuskan
Dl
0,525
Fitted
3445.65
1938.36
1533.26
1218.13
959.236
700.340
682.287
423.392
164.496
547.848
Residual
10.3534
406.637
-299.260
-231.131
-83.2356
64.6599
-28.2873
119.608
267.504
-226.848
Du
2,016
Menerima Ho.
berarti tidak ada
autokorelasi
Residual Plot
| .
*
. |
| .
|
. *|
| *.
|
. |
| .*
|
. |
| . *|
. |
| .
|* . |
| .
*|
. |
| .
| * . |
| .
|
* |
| .*
|
. |
Tidak dapat
diputuskan