Analisis Regresi Data Panel Dengan EVIEWS

Salam semuanya, pada postingan sebelumnya, mimin telah mencoba untuk menguraikan

tahap-tahap yang dilakukan dalam melakukan analisis regresi berganda untuk data primer dan

data sekunder dengan alat bantu software SPSS disertai dengan penjelasan mengenai output

SPSS yang ada. Dan kali ini mimin akan mencoba untuk menguraikan tahapan-tahapan yang

dilakukan dalam melakukan analisis regresi data panel dengan alat bantu Eviews dan juga

cara membaca output dari Eviews yang keluar.

Dan kali ini mimin akan mencoba untuk menjabarkan sebuah penelitian dengan judul

Analisis Pengaruh Return On Equity (ROE), Dividend Pershare (DPS), Current Ratio

(CR) Dan Book Value Pershare (BVPS) Terhadap Harga Saham (HS) Pada Perusahaan

Manufaktur Yang Terdaftar Di Bursa Efek Indonesia (BEI) Periode 2010-2014.

Dan berikut penjabaranya…….

Metode Analisis Data Panel

Sebelum melakukan pengujian regresi data panel, ada baiknya kita mengenal 3 pendekatan

yang digunakan dalam metode analisis regresi data panel, ketiga model itu ialah common

effect, fixed effect dan random effect dan berikut penjelalasan ringkas mengenai ketiga

model tersebut:

Pooled Least Square (Common Effect)

Model Common Effect atau Pooled Least Square Model adalah model estimasi yang

menggabungkan data time series dan data cross section dengan menggunakan pendekatan

OLS (Ordinary Least Square) untuk mengestimasi parameternya. Dalam pendekatan ini tidak

memperhatikan dimensi individu maupun waktu sehingga perilaku data antar perusahaan

diasumsikan sama dalam berbagai kurun waktu. Pada dasarnya Model Common Effect sama

seperti OLS dengan meminimumkan jumlah kuadrat, tetapi data yang digunakan bukan data
time series atau data cross section saja melainkan data panel yang diterapkan dalam bentuk

pooled. Bentuk untuk model Ordinary Least Square adalah:

Yit = b0 + b1Xit + b2Xit +ɛit untuk i=1,2,…,n dan t=1,2,…,t

Fixed Effect Model

Teknik model Fixed Effect adalah teknik mengestimasi data panel dengan menggunakan

variabel dummy untuk menangkap adanya perbedaan intersep. Pengertian Fixed Effect ini

didasarkan adanya perbedaan intersep antara perusahaan namun intersepnya sama antar

waktu (time in variant). Disamping itu, model ini juga mengansumsikan bahwa koefisien

regresi (slope) tetap antar perusahaan dan antar waktu.

Pendekatan dengan variabel dummy ini dikenal dengan sebutan Fixed Effect Model atau Least

Square Dummy Variabel (LSDV) atau disebut juga Covariance Model. Persamaan pada

estimasi dengan menggunakan Fixed Effect Model dapat ditulis dalam bentuk sebagai

berikut:

Yit = b0 + b1Xit + b2Xit + b3D1i + b4D2i +……+ ɛit

Dimana: i = 1,2,...,n t = 1,2,…,t D = dummy

Random Effect Model

Random Effect Model adalah model estimasi regresi panel dengan asumsi koefesien slope

kontan dan intersep berbeda antara individu dan antar waktu (Random Effect). Dimasukannya

variabel dummy di dalam Fixed Effect Model bertujuan untuk mewakili ketidaktahuan tentang

model yang sebenarnya. Namun, ini juga membawa konsekwensi berkurangnya derajat

kebebasan (degree of freedom) yang pada akhirnya mengurangi efesiensi parameter. Masalah

ini bisa diatasi dengan menggunakan variabel gangguan (error terms) yang dikenal dengan

metode Random Effect. Model ini akan mengestimasi data panel dimana variabel gangguan

mungkin saling berhubungan antar waktu dan antar individu.

Model yang tepat digunakan untuk mengestimasi Random Effect adalah Generalized Least

Square (GLS) sebagai estimatornya, karena dapat meningkatkan efesiensi dari least square.

Bentuk umum untuk Random Effect adalah:

Yit = α1 + bjXjit + ɛit dengan ɛit = ui + vt + wit

Dimana :

ui ~ N ( 0, δu2) = komponen cross section error

vt ~ N ( 0, δv2 ) = komponen time series error

wit ~ N ( 0, δw2 ) = komponen eror kombinasi

Pemilihan Model Estimasi

Seperti telah dijelaskan sebelumnya bahwa di dalam analisis regresi data panel terdapat 3

macam pendekatan, maka kita perlu memilih pendekatan mana yang terbaik dari ketiga

pendekatan itu yang akan kita gunakan untuk memprediksi model regresi dari penelitian yang

dilakukan. Dan berikut beberapa uji yang dilakukan untuk mendapatkan pendekatan terbaik

dalam analisis regresi data panel:

Uji F Restricted (Chow Test)

Uji Chow ialah pengujian untuk menentukan model Fixed Effet atau Common Effect yang

lebih tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:

H0 : Common Effect Model

H1 : Fixed Effect Model

Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan perhitungan F

statistik dengan F tabel. Perbandingan dipakai apabila hasil F hitung lebih besar (>) dari F

tabel, maka H0 ditolak yang berarti model yang lebih tepat digunakan adalah Fixed Effect

Model. Begitupun sebaliknya, jika F hitung lebih kecil (<) dari F tabel, maka H0 diterima dan

model yang lebih tepat digunakan adalah Common Effect Model.

Perhitungan F statistik untuk Uji Chow dapat dilakukan dengan rumus:

 F n-1,nt,n,k = (SSE1 – SSE2) / (n-1)
SSE2 / (nt-n-k)
Dimana:

SSE1 : Sum Square Error dari model Common Effect

SSE2 : Sum Square Error dari model Fixed Effect

n : Jumlah individual (cross section)

t : Jumlah series waktu (time series)

k : Jumlah variabel independen

Sedangkan F tabel didapat dari:

F-tabel = | α : df (n-1, nt – n –k) |

Uji Hausman

Hausman test adalah pengujian statistik untuk memilih apakah model Fixed Effect atau

Random Effect yang lebih tepat digunakan dalam regresi data panel. Uji ini dikembangkan

oleh Hausman dengan didasarkan pada ide bahwa LSDV di dalam model Fixed Effect dan

GLS adalah efesien sedangkan model OLS adalah tidak efesien, di lain pihak alternatifnya

metode OLS efesien dan GLS tidak efesien. Karena itu uji hipotesis nulnya adalah hasil

estimasi keduanya tidak berbeda sehingga Uji Hausman bisa dilakukan berdasarkan

perbedaan estimasi tersebut. Pengujian dilakukan dengan hipotesis berikut:

H0 : Random Effect Model

H1 : Fixed Effect Model

Uji Hausman akan mengikuti distribusi Chi-Squares sebagai berikut:

Dimana:
 Var (

Statistik Uji Hausman ini mengikuti distribusi statistik Chi-Squares dengan degree of

freedom sebanyak k, dimana k adalah jumlah variabel independen. Jika nilai statistik

Hausman lebih besar dari nilai kritisnya maka H0 ditolak dan model yang tepat adalah model

Fixed Effect sedangkan sebaliknya bila nilai statistik Hausman lebih kecil dari nilai kritisnya

maka model yang tepat adalah model Random Effect.

Uji Lagrange Multiplier (LM)

Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model random effect atau

model common effect yang lebih tepat digunakan. Uji signifikasi random effect ini

dikembangkan oleh Breusch Pagan. Metode Breusch Pagan untuk nilai random effect

didasarkan pada nilai residual dari metode OLS. Adapun nilai statistik LM dihitung

berdasarkan formula sebagai berikut:

Dimana :

n = Jumlah Individu

T = Jumlah Periode Waktu

e = residual metode common effect (OLS)

Hipotesis yang digunakan adalah :

H0 : Model mengikuti common effect

H1 : Model mengikuti random effect

Jika hasil dari LM hitung > Chi-Square tabel, maka H0 diterima.

 Jika hasil dari LM hitung < Chi-Square tabel, maka H1 diterima.

Atau dapat dilakukan dengan melihat nilai Cross-section random. Apabila nilainya berada di

atas 0,05 atau tidak signifikan, maka H0 diterima dan jika berada dibawah 0,05 atau

signifikan maka H0 ditolak dan H1 diterima.

Setelah melakukan uji-uji dalam mencari pendekatan terbaik dalam regresi data panel

diantara common effect, fixed effect dan random effect dan telah kita ketahui pendekatan

mana yang terbaik, maka langkah selanjutnya adalah melakukan uji asumsi klasik dan berikut

penjelasanya:

Uji Asumsi Klasik

Uji Normalitas

Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah terstandarisasi

pada model regresi berdistribusi normal atau tidak. Nilai residual dikatakan berdistribusi

normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya.

Tidak terpenuhinya mormalitas pada umumnya disebabkan karena distribusi data tidak

normal, karena terdapat nilai ekstrem pada data yang diambil.

Untuk mendeteksi normalitas data dapat dilakukan dengan melihat koefisien Jarque-Bera dan

probabilitasnya. Kedua angka ini saling mendukung. Ketentuanya adalah sebagai berikut:

1) Bila nilai J-B tidak signifikan (lebih kecil dari 2), maka data berdistribusi normal.

2) Bila probabilitas lebih besar dari tingkat signifikasi atau α, maka data berdistribusi

normal (hipotesis nolnya adalah data berdistribusi normal).

Uji Multikolinieritas

Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk

ada korelasi yang tinggi atau sempurna di antara variabel bebas. Multikolinieritas adalah

hubungan liniear antar variabel independen di dalam regresi berganda. Model regresi yang

baik seharusnya tidak terjadi korelasi di antara variabel independen. Metode untuk
 mendeteksi ada tidaknya masalah multikolinieritas dapat dilakukan dengan metode korelasi

parsial antar variabel independen. Sebagai aturan yang kasar (rule of thumb), jika koefesien

korelasi cukup tinggi di atas 0,85 maka kita duga ada multikolinieritas dalam model.

Sebaliknya jika koefisien korelasi kurang dari 0,85 maka kita duga model tidak mengandung

unsur multikolinieritas. Akan tetapi perlu kehati-hatian terutama pada data time series

seringkali menunjukan korelasi antara variabel independen yang cukup tinggi. Korelasi tinggi

ini terjadi karena data time series seringkali menunjukan unsur tren, yaitu data bergerak naik

dan turun secara bersamaan.

Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi yang terbentuk

terjadi ketidaksamaan varian dari residual model regresi. Data yang baik adalah data yang

homoskedastisitas. Homoskedastisitas terjadi jika varian variabel pada model regresi

memiliki nilai yang sama atau konstan Heteroskesdastisitas berarti varian variabel gangguan

yang tidak konstan. Masalah heteroskedastisitas dengan demikian lebih sering muncul pada

cross section dari pada data time series. Jika varian dari residual suatu pengamatan ke

pengamatan lainnya tetap, maka disebut heteroskedastisitas.

ada beberapa akibat apabila residualnya bersifat heteroskedastisitas:

1) Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum (tidak lagi best),

sehingga hanya memenuhi karakteristik LUE (linear unbiased estimator). Meskipun

demikian, estimator metode kuadrat terkecil masih bersifat linier dan tidak bias.

2) Perhitungan standar eror tidak dapat lagi dipercaya kebenarannya, karena varian tidak

minimum. Varian yang tidak minimum mengakibatkan estimasi regresi yang tidak efisien.

3) Uji hipotesis yang didasarkan pada uji t dan uji F tidak dapat lagi dipercaya karena standar

error-nya tidak dapat dipercaya.

Metode yang digunakan untuk mendeteksi ada tidaknya masalah heteroskedastisitas dapat

dilakukan dengan uji Park. Uji Park dilakukan dengan melakukan regresi fungsi-fungsi

residual. Jika variabel independen tidak signifikan secara statistik, maka dapat disimpulkan

bahwa model yang terbentuk dalam persamaan regresi tidak mengandung masalah

heteroskedastisitas.

Uji Autokorelasi

Uji Autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian

data observasi yang diurutkan menurut waktu atau ruang. Autokorelasi merupakan korelasi

antar variabel gangguan satu observasi dengan variabel gangguan observasi lain.

Autokorelasi sering muncul pada data time series. Autokorelasi muncul karena observasi

yang beruntung sepanjang waktu berkaitan satu sama lain. Autokorelasi dapat diditeksi

melalui metode Durbin-Waston (DW) dengan mengansumsikan bahwa variabel gangguannya

hanya berhubungan dengan variabel gangguan periode sebelumnya (lag pertama) yang

dikenal dengan model autoregresif tingkat pertama dan variabel independen tidak

mengandung variabel independen yang merupakan kelambanan dari variabel dependen.

Dasar pengambilan keputusannya adalah sebagai berikut :

Nilai Statistik d Hasil

(Durbin-Watson)
0 < d < dl Menolak hipotesis nol : ada
autokorelasi positif
dl < d < du Daerah keragu-raguan : tidak ada
keputusan
du < d < 4 – du Menerima hipotesis nol : tidak ada
autokorelasi positif / negatif
4 - du < d < 4 – dl Daerah keragu-raguan : tidak ada
keputusan
4 – dl < d < 4 Menolak hipotesis nol : ada
autokorelasi negatif

Analisis Korelasi
Analisis korelasi parsial (Partial Correlation) digunakan untuk mengetahui hubungan antara

dua variabel di mana variabel lainnya yang dianggap berpengaruh dikendalikan atau dibuat

tetap (sebagai variabel kontrol). Koefisien korelasi tersebut dapat diperoleh dari :

Rx1y = n∑x1y – (∑x1) (∑y)

√{n∑x2 2 – (∑x1)2} {n∑y2 – (∑y)2}

Rx2y = n∑x2y – (∑x2) (∑y)

√{n∑x2 2 – (∑x2)2} {n∑y2 – (∑y)2}

Rx3y =

n∑x3y – (∑x3) (∑y)

√{n∑x3 2 – (∑x3)2} {n∑y2 – (∑y)2}

Rx4y =

n∑x4y – (∑x4) (∑y)

√{n∑x4 2 – (∑x4)2} {n∑y2 – (∑y)2}

Keterangan :

Rx1y = korelasi antara X1 dengan variabel Y

Rx2y = korelasi antara X2 dengan variabel Y

Rx3y = korelasi antara X3 dengan variabel Y

Rx4y = korelasi antara X4 dengan variabel Y

n = banyaknya sampel

X1 = Return On Equity (ROE)

X2 = Dividend Pershare (DPR)

X3 = Current Ratio (CR)

X4 = Book Value Pershare (BVPS)

y = Harga Saham (HS)

Secara umum nilai koefisien korelasi terletak antara -1 dan 1 atau -1 ≤ r ≤ 1. Koefisien

korelasi mempunyai nilai paling kecil -1 dan paling besar 1, dengan kriteria sebagai berikut :

Jika r=1, korelasi antara X dan Y adalah sempurna positif yang berarti kenaikan atau

penurunan X sangat mempengaruhi kenaikan atau penurunan Y.

Jika r = -1, korelasi antara X dan Y sempurna negatif yang berarti kenaikan atau penurunan X

tidak mempengaruhi kenaikan atau penurunan Y.

Jika r = 0, korelasi antara X dan Y lemah sekali (tidak ada hubungan)

Pedoman Untuk Memberikan Interprestasi Koefisien Korelasi

Interval Tingkat hubungan

koefisien
0,00-0,19 Sangat lemah

0,21-0,39 Lemah

0,40-0,59 Sedang
0,60-0,79 Kuat

0,80-1,00 Sangat kuat

Uji Hipotesis

Persamaan Regresi Data Panel

Model analisis ini merupakan analisis yang bersifat kuantitatif yang digunakan untuk

mengetahui sejauh mana besarnya pengaruh antara variabel bebas dengan variabel terikat. Di

dalam penelitian ini peneliti menggunakan uji regresi liner berganda yaitu pengujian yang

dilakukan untuk melihat pengaruh dari dua variabel bebas terhadap variabel terikatnya namun

masih menunjukkan hubungan yang linear. Model regresi data panel secara umum adalah

sebagai berikut :

:
 Ŷ = a + b1X1 + b2X2 +

b3X3 + b4X4 + ε

Dari persamaan regresi data panel tersebut, maka model persamaan regresi data panel yang

digunakan pada penelitian ini adalah :

HS = a +

b1ROE + b2DPS +

b3CR+ b3BVPS + ε

Keterangan :

Ŷ = variabel dependen (HS)

X1 = variabel independen pertama (ROE)

X2 = variabel independen kedua (DPS)

X3 = variabel independen ketiga (CR)

X4 = variabel independen keempat (BVPS)

a = koefisien konstanta

b1 = koefisien regresi

ε = Error term

Uji Koefisien Regresi Secara Parsial (Uji t)

Uji t digunakan untuk melihat signifikasi dari pengaruh independen secara individu terhadap

variabel dependen dengan menganggap variabel lain bersifat konstan. Untuk mengetahui

apakah variabel independen berpengaruh signifikan terhadap variabel dependen dalam

penelitian ini dilakukan dengan melihat nilai signifikasi (probabilitas) masing-masing

variabel independen dengan pengambilan keputusan sebagai berikut :

1) Jika nilai signifikasi pada variabel bebas > 0.05, maka Ho diterima, artinya secara individual

variabel bebas tidak mempengaruhi variabel terikat.

2) Jika nilai signifikasi pada variabel bebas < 0.05, maka Ho ditolak, artinya secara individual

variabel bebas mempengaruhi variabel bebas.

Uji Koefisien Regresi Bersama-sama (Uji F)

Uji F ini adalah pengujian yang bertujuan untuk mengetahui seberapa besar pengaruh

koefisien regresi secara bersama-sama terhadap dependen variabel.

Pengujian dilakukan dengan membandingkan nilai signifikansi dengan nilai α yang

ditetapkan (0,05) atau 5%. Jika signifikansi < 0,05 maka Ho ditolak, yang berarti variabel

independen bersama-sama mempengaruhi variabel dependen. Jika signifikansi > 0,05 atau

5% maka Ho diterima yang berarti variabel independen bersama-sama tidak mempengaruhi

variabel dependen.

Koefisien Determinasi (R2)

Digunakan untuk mengetahui berapa besarnya konstribusi yang diberikan variabel X (ROE,

DPS, CR dan BVPS) dalam menjelaskan variabel Y (Harga Saham). Rumus koefisien

penentu (KD) dalam penelitian ini sebagai berikut :

KD = R2 x 100%

Keterangan :

KD : Nilai koefisien determinasi

R2 : Nilai koefisien korelasi

Pembahasan dan Hasil Analisa Metode Analisis Data Panel

Pemilihan Model Estimasi

Uji F Restricted (Chow Test)

Uji Chow ialah pengujian untuk menentukan model Fixed Effet atau Common Effect yang

lebih tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow dalam

penelitian ini adalah:

H0 : Common Effect Model

H1 : Fixed Effect Model

Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan perhitungan F-

statistik dengan F-tabel. Perbandingan dipakai apabila hasil F hitung lebih besar (>) dari F

tabel, maka H0 ditolak yang berarti model yang lebih tepat digunakan adalah Fixed Effect

Model. Begitupun sebaliknya, jika F hitung lebih kecil (<) dari F tabel, maka H0 diterima dan

model yang digunakan adalah Common Effect Model. Berikut adalah hasil uji Chow yang

dilakukan dalam penelitian ini:

Model Common Effect

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15 Time: 22:07
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50

Variable Coefficient Std. Error t-Statistic Prob.

C 0.654796 0.095605 6.848960 0.0000

ROE 0.050070 0.088559 0.565386 0.5746
DPS -0.316205 0.371269 -0.851686 0.3989
CR 0.285687 0.120020 2.380339 0.0216
BVPS -0.003171 0.002525 -1.255531 0.2158

R-squared 0.201137 Mean dependent var 0.706406

Adjusted R-squared 0.130127 S.D. dependent var 0.147065
S.E. of regression 0.137164 Akaike info criterion -1.040647
Sum squared resid 0.846622 Schwarz criterion -0.849444
Log likelihood 31.01617 Hannan-Quinn criter. -0.967836
F-statistic 2.832518 Durbin-Watson stat 0.737393
Prob(F-statistic) 0.035319

Model Fixed Effect

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15 Time: 22:08
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
 Variable Coefficient Std. Error t-Statistic Prob.

C 0.730833 0.104663 6.982748 0.0000

ROE -0.162207 0.106762 -1.519338 0.1374
DPS 0.017234 0.302604 0.056952 0.9549
CR 0.249144 0.115163 2.163404 0.0372
BVPS 0.000649 0.002392 0.271361 0.7877

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.748014 Mean dependent var 0.706406

Adjusted R-squared 0.657020 S.D. dependent var 0.147065
S.E. of regression 0.086128 Akaike info criterion -1.834464
Sum squared resid 0.267050 Schwarz criterion -1.299098
Log likelihood 59.86160 Hannan-Quinn criter. -1.630594
F-statistic 8.220410 Durbin-Watson stat 2.079381
Prob(F-statistic) 0.000000

Hasil dari penghitungan dari Uji Chow dalam penelitian ini adalah sebagai berikut :

F = (0,846622 – 0,26705) / (10-1) = 11,09268

0,26705 / ((10.5)-(10-4))
Hasil dari F hitung adalah sebesar 11,09268 sedangkan nilai F tabel untuk numerator 9 dan

denumenator 36 adalah 2,150 yang berarti lebih kecil dari nilai F hitung. Dengan demikian

maka H0 ditolak dan H1 diterima yang artinya model regresi yang lebih baik adalah model

dengan Fixed Effect.

Uji Hausman

Uji Hausman adalah pengujian statistik untuk memilih apakah model Fixed Effect atau

Random Effect yang lebih tepat digunakan. Pengujian uji Hausman dalam penelitian ini

dilakukan dengan hipotesis berikut:

H0 : Random Effect Model

H1 : Fixed Effect Model

Statistik Uji Hausman ini mengikuti distribusi statistik Chi-Squares dengan degree of

freedom sebanyak k, dimana k adalah jumlah variabel independen. Jika nilai statistik

Hausman lebih besar dari nilai kritisnya, maka H0 ditolak dan model yang lebih tepat adalah
model Fixed Effect sedangkan sebaliknya bila nilai statistik Hausman lebih kecil dari nilai

kritisnya, maka model yang lebih tepat adalah model Random Effect.

Untuk melakukan uji Hausman digunakan alat bantu software Eviews. Hasil dari perhitungan

statistik uji Hausman adalah sebagai berikut :

Uji Hausman
Correlated Random Effects - Hausman Test
Equation: Untitled
Test cross-section random effects

Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.

Cross-section random 21.125635 4 0.7127

Cross-section random effects test comparisons:

Variable Fixed Random Var(Diff.) Prob.

ROE -0.162207 -0.085671 0.003011 0.1631

DPS 0.017234 -0.039296 0.005938 0.4632
CR 0.249144 0.259756 0.001923 0.8088
SBVPS 0.000649 -0.000671 0.000001 0.1818

Cross-section random effects test equation:

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15 Time: 22:18
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50

Variable Coefficient Std. Error t-Statistic Prob.

C 0.730833 0.104663 6.982748 0.0000

ROE -0.162207 0.106762 -1.519338 0.1374
DPS 0.017234 0.302604 0.056952 0.9549
CR 0.249144 0.115163 2.163404 0.0372
BVPS 0.000649 0.002392 0.271361 0.7877

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.748014 Mean dependent var 0.706406

Adjusted R-squared 0.657020 S.D. dependent var 0.147065
S.E. of regression 0.086128 Akaike info criterion -1.834464
Sum squared resid 0.267050 Schwarz criterion -1.299098
Log likelihood 59.86160 Hannan-Quinn criter. -1.630594
F-statistic 8.220410 Durbin-Watson stat 2.079381
Prob(F-statistic) 0.000000
Hasil dari penghitungan statistik Hausman adalah sebesar 21,1256, sedangkan nilai kritis

Chi-Squares dengan df sebesar 4 pada α = 0,05 adalah sebesar 9,488 yang berarti bahwa nilai

nilai statistik Hausman lebih besar dari nilai kritis Chi-Squares. Dengan demikian maka dapat

disimpulkan bahwa H1 diterima dan H0 ditolak yang berarti model yang lebih tepat digunakan

dalam penelitian ini adalah model Fixed Effect.

Uji Lagrange Multiplier (LM)

Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model random effect atau

model common effect yang lebih tepat digunakan. Berikut adalah hasil uji LM yang dilakukan

dalam penelitian ini :

Uji LM

Lagrange multiplier (LM) test for panel data

Date: 08/28/15 Time: 05:08
Sample: 2009 2013
Total panel observations: 50
Probability in ()

Null (no rand. effect) Cross-section Period Both

Alternative One-sided One-sided

Breusch-Pagan 30.15161 2.418038 32.56965

(0.0000) (0.1199) (0.0000)
Honda 5.491048 -1.555004 2.783203
(0.0000) (0.9400) (0.0027)
King-Wu 5.491048 -1.555004 1.752044
(0.0000) (0.9400) (0.0399)
GHM -- -- 30.15161
-- -- (0.0000)

Dari hasil output diatas dapat dilihat bahwa nilai probabilitas Breusch-Pagan sebesar 0,000 <

0,05 yang berarti bahwa H0 ditolak. Dengan demikian, model yang lebih baik diantara

common effect dan random effect adalah model random effect.

Dalam uji chow dan uji hausman yang telah dilakukan sebelumnya telah menunjukan bahwa

model fixed effect lebih tepat digunakan dalam memprediksi bentuk regresi dalam penelitian

ini dibandingkan dengan model common effect maupun random effect sehingga model fixed

effect adalah model yang paling tepat digunakan dalam penelitian ini.
Uji Asumsi Klasik

Uji Normalitas

Untuk mendeteksi normalitas data dapat dilakukan dengan melihat koefisien Jarque-Bera dan

probabilitasnya. Berikut adalah hasil dari uji normalitas data yang digunakan dalam

penelitian ini:

Dengan melihat nilai probabilitas Jarque-Bera sebesar 0,9392 yang lebih tinggi dari tingkat

signifikasi yang digunakan dalam penelitian ini yaitu 5% atau 0,05, maka dapat disimpulkan

bahwa model regresi yang digunakan dalam penelitian ini mempunyai data yang berdistribusi

dengan normal.

Uji Multikolinieritas

Berikut ini adalah hasil uji multikolinieritas dengan metode korelasi parsial :

ROE DPS CR BVPS

ROE 1.000000 0.522513 0.507001 -0.269555
DPS 0.522513 1.000000 0.583563 -0.104513
CR 0.507001 0.583563 1.000000 0.247479
BVPS -0.269555 -0.104513 0.247479 1.000000

Dari tabel di atas dapat dilihat bahwa nilai koefisien korelasi antar sesama variabel

independen dalam penelitian ini berada pada kisaran angka dibawah 0,85 sehingga dapat
disimpulkan bahwa data yang digunakan dalam penelitian ini terbebas dari masalah

multikolinieritas.

Uji Heteroskedastisitas

Berikut ini adalah hasil uji Park yang dilakukan terhadap data yang digunakan dalam

penelitian ini :

Dependent Variable: RES2

Method: Panel Least Squares
Date: 08/25/15 Time: 22:28
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50

Variable Coefficient Std. Error t-Statistic Prob.

C 0.005893 0.002517 2.341626 0.0249

ROE -0.001690 0.002567 -0.658347 0.6145
DPS -0.009099 0.007277 -1.250466 0.3192
CR -0.004583 0.002769 -1.655001 0.1266
BVPS 2.29E-05 5.75E-05 0.398915 0.7923

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.427675 Mean dependent var 0.000947

Adjusted R-squared 0.221002 S.D. dependent var 0.002347
S.E. of regression 0.002071 Akaike info criterion -9.289991
Sum squared resid 0.000154 Schwarz criterion -8.754625
Log likelihood 246.2498 Hannan-Quinn criter. -9.086121
F-statistic 2.069330 Durbin-Watson stat 1.404102
Prob(F-statistic) 0.042599

Dari tampilan tabel di atas, dapat dilihat bahwa nilai probabilitas untuk semua variabel

independen berada di atas 0,05 dengan rincian probabilitas ROE sebesar 0,6145, probabilitas

DPS sebesar 0,3192, probabilitas CR sebesar 0,1266 dan probabilitas BVPS sebesar 0,7923.

Dengan demikian maka dapat disimpulkan bahwa tidak ditemukan adanya masalah

heteroskedastisitas.

Uji Autokorelasi

Uji Autokorelasi dalam penelitian ini dilakukan dengan metode Durbin-Waston (DW).
Dari model terbaik dalam regresi yang terbentuk yaitu model fixed effect, dapat dilihat bahwa

nilai DW dari persamaan regresi yang terbentuk adalah sebesar 2,079381. Sedangkan nilai

tabel Durbin-Watson dengan n=50 dan k=4, maka diperoleh nilai dL= 1,378 dan dU=1,721

sehingga nilai 4-dU = 4-1,721 = 2,279, maka nilai DW dari model regresi yang terbentuk

pada penelitian ini berada pada area bebas autokorelasi seperti tabel berikut :

Uji Autokorelasi

Ada Tidak dapat Tidak ada Tidak dapat Ada

autokorelasi diputuskan autokorelasi diputuskan autokorelasi
positif DW=2,079 negatif
0 dL=1,378 dU=1,721 4-dU=2,279 4-dL=2,622 4

Dari tabel di atas, dapat dilihat bahwa nilai DW dari model regresi yang terbentuk dari

penelitian ini berada pada daerah bebas autokorelasi sehingga dapat disimpulkan bahwa data

yang digunakan dalam penelitian ini terbebas dari masalah autokorelasi

Analisis Korelasi

Koefisien Korelasi Ganda (X1,X2,X3,X4 – Y)

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15 Time: 22:08
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50

Variable Coefficient Std. Error t-Statistic Prob.

C 0.730833 0.104663 6.982748 0.0000

ROE -0.162207 0.106762 -1.519338 0.1374
DPS 0.017234 0.302604 0.056952 0.9549
CR 0.249144 0.115163 2.163404 0.0372
BVPS 0.000649 0.002392 0.271361 0.7877

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.748014 Mean dependent var 0.706406

Adjusted R-squared 0.657020 S.D. dependent var 0.147065
S.E. of regression 0.086128 Akaike info criterion -1.834464
Sum squared resid 0.267050 Schwarz criterion -1.299098
Log likelihood 59.86160 Hannan-Quinn criter. -1.630594
F-statistic 8.220410 Durbin-Watson stat 2.079381
Prob(F-statistic) 0.000000
Dari model fixed effect diatas didapat koefisien determinasi R2 (R-square) antara ROE, DPS,

CR dan BVPS dengan Harga Saham adalah sebesar 0,748014. Maka nilai R adalah

√0,748014 = 0,864878. Angka 0,864878 menunjukan bahwa terjadi hubungan yang sangat

kuat antara keempat variabel independen dengan variabel dependen.

Uji Hipotesis

Persamaan Regresi Data Panel

Analisis regresi linier berganda dimaksudkan untuk menguji sejauh mana dan arah pengaruh

variabel-variabel independen terhadap variabel independen terhadap variabel dependen.

Variabel independen dalam penelitian ini adalah ROE (X1), DPS (X2), CR (X3), dan BVPS

(X4). Sedangkan variabel dependennya adalah HS (Y).

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15 Time: 22:08
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50

Variable Coefficient Std. Error t-Statistic Prob.

C 0.730833 0.104663 6.982748 0.0000

ROE -0.162207 0.106762 -1.519338 0.1374
DPS 0.017234 0.302604 0.056952 0.9549
CR 0.249144 0.115163 2.163404 0.0372
BVPS 0.000649 0.002392 0.271361 0.7877

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.748014 Mean dependent var 0.706406

Adjusted R-squared 0.657020 S.D. dependent var 0.147065
S.E. of regression 0.086128 Akaike info criterion -1.834464
Sum squared resid 0.267050 Schwarz criterion -1.299098
Log likelihood 59.86160 Hannan-Quinn criter. -1.630594
F-statistic 8.220410 Durbin-Watson stat 2.079381
Prob(F-statistic) 0.000000

Berdasarkan hasil riset perhitungan yang dilakukan dengan menggunakan statistik tabel di

atas maka didapat persamaan regresi linier berganda model regresi sebagai berikut :
 Y = 0,731 – 0,162 X1 + 0,017 X2 + 0,249 X3 + 0,001 X4

Keterangan :

Y = HS X2 = DPS X4 = BVPS

X1 = ROE X3 = CR

Berdasarkan persamaan regresi tersebut dapat dianalisis pengaruh masing-masing variabel

independen terhadap variabel dependen, yaitu:

Konstanta a sebesar 0,731 menyatakan bahwa jika nilai dari ROE, DPS, CR dan BVPS

adalah konstan (0) maka nilai variabel HS adalah sebesar 0,731.

Nilai koefisien regresi X1 memiliki hubungan negatif -0,162 untuk variabel ROE, artinya

setiap perubahan 1% rasio keuangan profitabilitas ROE, maka HS akan mengalami

penurunan sebesar 0,432 satuan. Dalam hal ini faktor lain dianggap tetap.

Nilai koefisien regresi X2 memiliki hubungan positif 0,017 untuk variabel hutang DPS yang

artinya setiap kenaikan 1 % DPS, maka HS akan mengalami kenaikan sebesar 0,017 satuan.

Dalam hal ini faktor lain dianggap tetap.

Nilai koefisien regresi X3 memiliki hubungan positif 0,249 untuk variabel CR artinya setiap

kenaikan 1% CR, maka HS akan mengalami kenaikan sebesar 0,249 satuan. Dalam hal ini

faktor lain dianggap tetap.

Nilai koefisien regresi X4 memiliki hubungan positif 0,001 untuk variabel BVPS, artinya

setiap kenaikan 1% BVPS, maka HS akan mengalami kenaikan sebesar 0,001 satuan. Dalam

hal ini faktor lain dianggap tetap.

Uji Koefisien Regresi Parsial (Uji t)

Uji t yaitu pengujian yang digunakan untuk mengetahui apakah variabel independen secara

parsial mempengaruhi variabel dependen. Berikut adalah hasil uji t yang dilakukan dalam

penelitian ini.

Uji Regresi Parsial (Uji t)

Dependent Variable: HS
 Method: Panel Least Squares
Date: 08/25/15 Time: 22:08
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50

Variable Coefficient Std. Error t-Statistic Prob.

C 0.730833 0.104663 6.982748 0.0000

ROE -0.162207 0.106762 -1.519338 0.1374
DPS 0.017234 0.302604 0.056952 0.9549
CR 0.249144 0.115163 2.163404 0.0372
BVPS 0.000649 0.002392 0.271361 0.7877

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.748014 Mean dependent var 0.706406

Adjusted R-squared 0.657020 S.D. dependent var 0.147065
S.E. of regression 0.086128 Akaike info criterion -1.834464
Sum squared resid 0.267050 Schwarz criterion -1.299098
Log likelihood 59.86160 Hannan-Quinn criter. -1.630594
F-statistic 8.220410 Durbin-Watson stat 2.079381
Prob(F-statistic) 0.000000

Berdasarkan hasil pada tabel diatas uji regresi parsial (Uji t) menunjukkan bahwa nilai

koefisien regresi variabel ROE sebesar -0,162 dengan t sebesar -1,519 dan signifikansi 0,137

> 0,05, hal ini menunjukkan pengaruh ROE terhadap HS negatif dan tidak signifikan.

Berdasarkan hasil pada tabel diatas nilai koefsien regresi variabel DPS sebesar 0,017 dengan t

sebesar 0,057 dan signifikansi sebesar 0,955 > 0,05, hal ini menunjukan bahwa pengaruh

DPS terhadap HS adalah positif tidak signifikan.

Berdasarkan hasil riset pada tabel diatas nilai koefsien regresi variabel CR sebesar 0,249

dengan t sebesar 2,163 dan signifikansi 0,03 < 0,05 menunjukkan bahwa pengaruh variabel

CR terhadap HS adalah positif dan signifikan.

Berdasarkan hasil pada tabel diatas, nilai koefsien regresi variabel BVPS sebesar 0,001

dengan t sebesar 0,271 dan signifikansi 0,788 > 0,05 menunjukkan bahwa pengaruh variabel

BVPS terhadap HS adalah negatif tidak signifikan.

Uji Koefisien Regresi Bersama-sama (Uji F)

Untuk menguji signifikansi parameter regresi secara simultan digunakan uji statistik F. Uji

statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam

model mempunyai pengaruh secara bersamaan terhadap variabel terikat atau dependen.

Berdasarkan hasil uji statistik F tabel output model fixed effect di atas, output regresi

menunjukkan nilai signifikansi 0,000 < 0,05 (5%), sehingga dapat disimpulkan bahwa secara

bersama-sama variabel ROE, DPS, CR dan BVPS berpengaruh secara signifikan terhadap

variabel Harga Saham.

Koefisien Determinasi

Analisis koefisien determinasi digunakan untuk mengetahui persentase ROE, DPS, CR, dan

BVPS terhadap HS. Dan berdasarkan tabel output model fixed effect di atas dapat diketahui

bahwa nilai R-square sebesar 0,7480 artinya secara bersama-sama variabel ROE, DPS, CR,

dan BVPS mempunyai kontribusi menjelaskan HS sebesar 74,8%, sedangkan sisanya sebesar

25,2% (100%- 74,8%) dijelaskan oleh variabel lain yang tidak diteliti atau tidak dimasukkan

dalam model penelitian ini.

Sekian dulu untuk pembahasan mengenai analisis regresi data panel dengan Eviews. Next

time, mimin akan mencoba untuk memposting tulisan lain tentang analisis data dengan judul

yang berbeda dan metode analisis yang berbeda serta dengan software yang berbeda.