EVIEWS
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
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
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:
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
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
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:
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
Square (GLS) sebagai estimatornya, karena dapat meningkatkan efesiensi dari least square.
Dimana :
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
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:
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
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
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
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
Dimana :
n = Jumlah Individu
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
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 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
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
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
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
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
1) Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum (tidak lagi best),
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
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
hanya berhubungan dengan variabel gangguan periode sebelumnya (lag pertama) yang
dikenal dengan model autoregresif tingkat pertama dan variabel independen tidak
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 :
n = banyaknya sampel
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
Jika r = -1, korelasi antara X dan Y sempurna negatif yang berarti kenaikan atau penurunan X
0,21-0,39 Lemah
0,40-0,59 Sedang
0,60-0,79 Kuat
Uji Hipotesis
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
HS = a +
b1ROE + b2DPS +
b3CR+ b3BVPS + ε
Keterangan :
a = koefisien konstanta
b1 = koefisien regresi
ε = Error term
Uji t digunakan untuk melihat signifikasi dari pengaruh independen secara individu terhadap
variabel dependen dengan menganggap variabel lain bersifat konstan. Untuk mengetahui
2) Jika nilai signifikasi pada variabel bebas < 0.05, maka Ho ditolak, artinya secara individual
Uji F ini adalah pengujian yang bertujuan untuk mengetahui seberapa besar pengaruh
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
variabel dependen.
Digunakan untuk mengetahui berapa besarnya konstribusi yang diberikan variabel X (ROE,
DPS, CR dan BVPS) dalam menjelaskan variabel Y (Harga Saham). Rumus koefisien
KD = R2 x 100%
Keterangan :
lebih tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow dalam
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
Effects Specification
Hasil dari penghitungan dari Uji Chow dalam penelitian ini adalah sebagai berikut :
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
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
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
Uji Hausman
Correlated Random Effects - Hausman Test
Equation: Untitled
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Effects Specification
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
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
Uji LM
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
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 :
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 :
Effects Specification
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
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
Analisis Korelasi
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
Effects Specification
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
Uji Hipotesis
Analisis regresi linier berganda dimaksudkan untuk menguji sejauh mana dan arah pengaruh
Variabel independen dalam penelitian ini adalah ROE (X1), DPS (X2), CR (X3), dan BVPS
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
Effects Specification
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
Konstanta a sebesar 0,731 menyatakan bahwa jika nilai dari ROE, DPS, CR dan BVPS
Nilai koefisien regresi X1 memiliki hubungan negatif -0,162 untuk variabel ROE, artinya
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.
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
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
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.
Effects Specification
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
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
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
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
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
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.