Fachrul HW05 Ekomet2
Fachrul HW05 Ekomet2
Razak
Npm : 1611021079
Matkul : Ekometrika II
Jurusan : Ekonomi Pembangunan
LATIHAN 4.1
*Note: p-values and any subsequent tests do not account for model selection.
hasil regresi dengan model lag 4 maka menghasilkan lima variable pengamatan
1. Pengurangan segera di kapitalisasi pasar $ 115.540, ceteris paribus.
2. Penurunan kapitalisasi pasar $ 467.700 satu bulan kemudian, ceteris paribus.
3. Penurunan kapitalisasi pasar $ 474.100 dua bulan kemudian, ceteris paribus.
4. Penurunan kapitalisasi pasar $ 223.800 tiga bulan kemudian, ceteris paribus.
5. Penurunan kapitalisasi pasar $ 38.100 empat bulan kemudian, ceteris paribus.
B. Tabel Hasil regresi untuk prediksi jangka panjang saham kembali model lag 4.
p-nilai Lebih rendah
Koefisien Standard error t-Stat Atas 95%
95%
Mencegat 106012.3 18641.39 5.68693 0.0000 68489.17 143535.5
*Note: p-values and any subsequent tests do not account for model selection.
hasil regresi dengan model lag 2 maka menghasilkan tiga variable pengamatan
1. Pengurangan segera di kapitalisasi pasar $ 127.700, ceteris paribus.
2. Penurunan kapitalisasi pasar $ 444.700 satu bulan kemudian, ceteris paribus.
3. Penurunan kapitalisasi pasar $ 346.600 dua bulan kemudian, ceteris paribus.
Tabel Hasil regresi untuk prediksi jangka panjang saham kembali model lag 2
D. .
Koefisie Standard p-nilai Lebih rendah Atas
t-Stat
n error 95% 95%
Menceg 9.13448
68334.07 7480.887 0.0142 53322.57 83345.56
7
at
Xt -127.6951 50.34298 -2.5365 0.0000 -228.7156 -26.67448
Misalkan kita memiliki q yang dipilihmax= 4 dalam regresi kapitalisasi pasar pada harga
minyak. Dengan kata lain, kami percaya bahwa empat bulan adalah jangka waktu maksimum
yang kita bisa berharap berita tentang harga minyak berdampak pada kapitalisasi pasar.
Strategi yang diuraikan di atas mengatakan kita harus mulai dengan memperkirakan model
lag didistribusikan dengan panjang lag sama dengan 4. Hasil diberikan dalam Tabel (B).
Karena P-value sesuai dengan penjelasan variabel Xt-4 lebih besar dari 0,05 kita tidak dapat
menolak hipotesis bahwa β4= 0 pada tingkat signifikansi 5%. Dengan demikian, kita drop
variabel ini dari model dan re-estimasi dengan panjang lag ditetapkan sama dengan 2,
menghasilkan hasil pada Tabel D.
P-nilai untuk pengujian β2 = 0 adalah 0,0000, yang jauh kurang dari 0,05. Oleh karena itu
kami menyimpulkan bahwa variabel Xt-3memang termasuk dalam model yang lag
terdistribusi. Oleh karena itu q = 2 adalah panjang lag yang kita pilih untuk model ini.
Dalam formalreport, kami akan menyajikan tabel ini hasil. Karena hasil ini sama dengan
yang dibahas di atas, kita tidak akan mengulangi penafsiran mereka.
LATIHAN 4.2
Gunakan kumpulan data, BADNEWS.XLS. Misalkan Anda percaya bahwa enam bulan
adalah waktu maksimum harga minyak dapat mempengaruhi kapitalisasi pasar dan
karenanya, Anda menetapkan qmax = 6. Menggunakan strategi yang dijelaskan di atas, pilih
panjang lag dari model lag terdistribusi.
Jawab:
Y= Kapitalisasi pasar
X= Harga minyak ($/barel)
Kesimpulan:
1. Xt =-0,002169. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $2.169 dengan asumsi ceteris paribus.
2. Xt-1 =-320,5952. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $320,595 satu bulan kemudian, dengan asumsi ceteris
paribus.
3. Xt-2 =-3847,142. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $3847,142 dua bulan kemudian, dengan asumsi ceteris
paribus
4. Xt-3= -46165,71. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $46165,71 tiga bulan kemudian, dengan asumsi ceteris
paribus
5. Xt-4= -553988,5. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $553988,5 empat bulan kemudian, dengan asumsi ceteris
paribus
6. Xt-5 = -6647906. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $6647906 lima bulan kemudian, dengan asumsi ceteris
paribus
Lampiran
Dependent Variable: Y
Method: Least Squares
Date: 03/24/19 Time: 18:47
Sample: 1 70
Included observations: 70
Y = β0 + β1X + ei
Y^ = 0,59965 + 0,000842
t stat = (5,3416) (7,2279)
F stat = 52,2430
R2 = 0,4344
Ŕ 2 = 0,4261
S.E. Regresi = 0,7031
Interprtasi c (koefisien)
Jika Persentase perubahan utang = 0 , maka nilai kompenasasi eksekutif tetap akan
sebesar 0,59965
Interpertasi X (Keuntungan)
Setiap penambahan satu satuan perubahan Keuntungan akan menaikan kompensasi eksekutif
0,000842 ribu dollar dengan variabel lainnya tetap.
b. Regresi Y pada W
Dependent Variable: Y
Method: Least Squares
Date: 03/26/19 Time: 4:34
Sample: 1 70
Included observations: 70
Y = β0 - β1W + ei
Y^ = 1,179225 - 0,005860
t stat = (8,0856) (-0,4329)
F stat = 0,1874
R2 = 0,0027
Ŕ 2 = -0,0119
S.E. Regresi = 0,9337
Interprtasi c (koefisien)
Jika Persentase perubahan penjualan = 0 , maka nilai kompenasasi eksekutif tetap akan
sebesar 1,179225
Interpertasi W (Persentase perubahan dalam penjualan)
Setiap penambahan satu persen perubahan penjualan akan menurunkan kompensasi eksekutif
0,005860 ribu dollar dengan variabel lainnya tetap.
c. Regresi Y pada Z
Dependent Variable: Y
Method: Least Squares
Date: 03/26/19 Time: 05:56
Sample: 1 70
Included observations: 70
Y = β0 + β1Z + ei
Y^ = 1,039026 + 0,033150
t stat = (9,1806) (2,6085)
F stat = 6,8046
R2 = 0,0909
Ŕ 2 = 0,0775
S.E. Regresi = 0,8914
Interprtasi c (koefisien)
Jika Persentase perubahan utang = 0 , maka nilai kompenasasi eksekutif tetap akan
sebesar 1,039026
Interpertasi Z (Persentase perubahan utang)
Setiap penambahan satu persen perubahan utang akan menaikan kompensasi eksekutif
0,033150 ribu dollar dengan variabel lainnya tetap.
d. Rgresi Y dan V
Dependent Variable: Y
Method: Least Squares
Date: 03/26/19 Time: 07:31
Sample: 1 70
Included observations: 70
Jawab :
RESIDUAL OUTPUT
Observ Predicted Residu Compen Profits Change Change
ation Compensation als sation ($million in sales in debt
($million) ($millio ) last ($million
n) year )
($milli
on)
1 0.900676 - 0.7 357 27.9 0
0.20068
2 0.640397 0.05960 0.7 48 1.7 0
3
3 1.385014 - 0.8 932 14.5 0
0.58501
4 0.908257 - 0.7 366 17.9 0
0.20826
5 0.669878 0.13012 0.8 83 2.2 0
2
6 0.618496 -0.6185 0.0 22 5.1 0
7 0.656401 -0.6564 0.0 67 4 -6.6
8 0.947846 - 0.6 413 0 0
0.34785
9 1.017759 - 0.3 496 0.4 -1.1
0.71776
10 0.985751 - 0.5 458 6.5 0
0.48575
11 0.727999 -0.328 0.4 152 3.9 0
12 0.696832 0.30316 1.0 115 3.9 12.2
8
13 1.411968 - 0.9 964 18.3 0
0.51197
14 0.986593 0.21340 1.2 459 3.9 0
7
15 0.954585 0.04541 1.0 421 19 0
5
16 1.208967 0.09103 1.3 723 -2.6 0
3
17 0.815601 0.28439 1.1 256 3.4 0
9
18 0.847609 - 0.5 294 0.5 0
0.34761
19 1.703413 - 0.7 1310 6.2 0
1.00341
20 1.128104 -0.5281 0.6 627 8.6 0
21 1.201386 0.19861 1.4 714 7.3 0
4
22 0.827393 - 0.6 270 1.2 0
0.22739
23 0.643766 - 0.4 52 3.4 0
0.24377
24 0.65977 - 0.2 71 13.7 0
0.45977
25 0.713679 - 0.4 135 0 0
0.31368
26 0.642081 - 0.6 50 0.9 0
0.04208
27 0.753268 - 0.6 182 3.5 0
0.15327
28 0.669036 0.03096 0.7 82 0.5 0
4
29 0.620181 - 0.5 24 2 0
0.12018
30 1.557691 - 1.3 1137 25.2 0
0.25769
31 0.764219 - 0.7 195 1.3 0
0.06422
32 0.873721 0.32627 1.2 325 1 0
9
33 0.701044 0.29895 1.0 120 3.1 0
6
34 0.837501 -0.2375 0.6 282 8.8 0
35 0.792015 0.00798 0.8 228 3.3 0
5
36 0.895622 - 0.6 351 8.5 2.4
0.29562
37 1.897991 - 1.0 1541 14.3 6
0.89799
38 1.99907 0.90093 2.9 1661 4 0
39 2.932368 - 1.3 2769 1.5 0
1.63237
40 1.029552 - 1.0 510 0.4 0
0.02955
41 0.76843 0.13157 0.9 200 3.6 0
42 1.171063 0.02893 1.2 678 0.2 -0.8
7
43 1.537475 1.36252 2.9 1113 25.5 29.7
5
44 2.434553 - 1.4 2178 -2.9 18.3
1.03455
45 1.504624 - 1.0 1074 12.3 -1.5
0.50462
46 1.093568 0.70643 1.8 586 1.5 0
2
47 2.480038 0.41996 2.9 2232 2.5 24
2
48 0.677459 - 0.3 92 8.3 -20.1
0.37746
49 1.139054 1.46094 2.6 640 4.5 15.6
6
50 2.843081 - 2.0 2663 1.1 0
0.84308
51 1.379117 0.22088 1.6 925 7.9 7.7
3
52 1.023655 0.97634 2.0 503 3.7 6.2
5
53 0.997543 0.20245 1.2 472 0.7 0
7
54 0.89141 0.80859 1.7 346 2.1 10.7
55 0.883829 0.81617 1.7 337 16.7 13.9
1
56 0.600715 - 0.2 1 9 9.1
0.40071
57 1.436395 -0.5364 0.9 993 4 15.3
58 1.92663 0.57337 2.5 1575 2.4 0
59 0.6345 -0.5345 0.1 41 0.1 0.8
60 2.706624 1.19337 3.9 2501 1.7 -2.4
6
61 2.540686 2.75931 5.3 2304 1.8 -8.1
4
62 0.624392 - 0.1 29 39.7 1.7
0.52439
63 2.699886 - 1.9 2493 3.4 0
0.79989
64 0.65977 0.44023 1.1 71 12.9 -1.7
65 0.755795 -0.1558 0.6 185 23.1 7.5
66 0.875406 - 0.6 327 4.1 5.8
0.27541
67 0.944477 0.75552 1.7 409 9.4 29.2
3
68 0.698517 1.70148 2.4 117 26.7 33.5
3
69 0.750741 - 0.4 179 6.1 0
0.35074
70 0.797069 0.40293 1.2 234 4.3 2.9
1
Secara keseluruhan rata-rata dari hasil regresi tersebut tidak signifikan karena dapat dilihat
hasil residual output yaitu jumlah prediksi melampaui data yang sebelumnya .
Profits ($million) Line Fit Plot
Compensaton ($million)
6.0 Compensation
4.0 ($million)
2.0 Predicted
0.0 Compensation
($million)
0 500 1000 1500 2000 2500 3000
Profits ($million)
Dari grafik diatas ialah menghubungkan variabel bebas dan variabel terikat dimana baik
permintaan atas dasar data aktual maupun prediksi.
6
4
2
0
0 20 40 60 80 100 120
Sample Percentle
Dari grafik diatas ialah presentil untuk variabel terikat yang dapat disimpulkan bahwa
sebesar 99,28% berpengaruh terhadap variabel bebas.
Jawab :
a)
RESIDUAL OUTPUT
Observatio Predicted Residua
n Compensation ls
($million)
1 0.900676 -
0.20068
2 0.640397 0.05960
3
3 1.385014 -
0.58501
4 0.908257 -
0.20826
5 0.669878 0.13012
2
6 0.618496 -0.6185
7 0.656401 -0.6564
8 0.947846 -
0.34785
9 1.017759 -
0.71776
10 0.985751 -
0.48575
11 0.727999 -0.328
12 0.696832 0.30316
8
13 1.411968 -0.51197
14 0.986593 0.21340
7
15 0.954585 0.04541
5
16 1.208967 0.09103
3
17 0.815601 0.28439
9
18 0.847609 -
0.34761
19 1.703413 -
1.00341
20 1.128104 -0.5281
21 1.201386 0.19861
4
22 0.827393 -
0.22739
23 0.643766 -
0.24377
24 0.65977 -
0.45977
25 0.713679 -
0.31368
26 0.642081 -
0.04208
27 0.753268 -
0.15327
28 0.669036 0.03096
4
29 0.620181 -
0.12018
30 1.557691 -
0.25769
31 0.764219 -
0.06422
32 0.873721 0.32627
9
33 0.701044 0.29895
6
34 0.837501 -0.2375
35 0.792015 0.00798
5
36 0.895622 -
0.29562
37 1.897991 -
0.89799
38 1.99907 0.90093
39 2.932368 -
1.63237
40 1.029552 -
0.02955
41 0.76843 0.13157
42 1.171063 0.02893
7
43 1.537475 1.36252
5
44 2.434553 -
1.03455
45 1.504624 -
0.50462
46 1.093568 0.70643
2
47 2.480038 0.41996
2
48 0.677459 -
0.37746
49 1.139054 1.46094
6
50 2.843081 -
0.84308
51 1.379117 0.22088
3
52 1.023655 0.97634
5
53 0.997543 0.20245
7
54 0.89141 0.80859
55 0.883829 0.81617
1
56 0.600715 -
0.40071
57 1.436395 -0.5364
58 1.92663 0.57337
59 0.6345 -0.5345
60 2.706624 1.19337
6
61 2.540686 2.75931
4
62 0.624392 -
0.52439
63 2.699886 -
0.79989
64 0.65977 0.44023
65 0.755795 -0.1558
66 0.875406 -
0.27541
67 0.944477 0.75552
3
68 0.698517 1.70148
3
69 0.750741 -
0.35074
70 0.797069 0.40293
1
Profits ($million) Residual Plot
3
2
Residuals
1
0
0 500 1000 1500 2000 2500 3000
-1
-2
Profits ($million)
6
4
2
0
0 20 40 60 80 100 120
Sample Percentle
b)
RESIDUAL OUTPUT
Observatio Predicted Residual
n Compensatio s
n ($million)
1 0.709368 -0.00937
2 1.107425 -0.40743
3 0.912955 -0.11295
4 0.861298 -0.1613
5 1.099829 -0.29983
6 1.055769 -1.05577
7 0.829142 -0.82914
8 1.133253 -0.53325
9 1.08662 -0.78662
10 1.034499 -0.5345
11 1.074001 -0.674
12 1.52381 -0.52381
13 0.855221 0.044779
14 1.074001 0.125999
15 0.844586 0.155414
16 1.172755 0.127245
17 1.081597 0.018403
18 1.125657 -0.62566
19 1.039057 -0.33906
20 1.002593 -0.40259
21 1.022344 0.377656
22 1.115022 -0.51502
23 1.081597 -0.6816
24 0.925109 -0.72511
25 1.133253 -0.73325
26 1.11958 -0.51958
27 1.080078 -0.48008
28 1.125657 -0.42566
29 1.102867 -0.60287
30 0.750389 0.549611
31 1.113503 -0.4135
32 1.11806 0.08194
33 1.086155 -0.08616
34 0.999555 -0.39955
35 1.083117 -0.28312
36 1.0926 -0.4926
37 1.137211 -0.13721
38 1.072481 1.827519
39 1.110464 0.189536
40 1.127176 -0.12718
41 1.078559 -0.17856
42 1.100719 0.099281
43 1.840858 1.059142
44 1.852027 -0.45203
45 0.891075 0.108925
46 1.110464 0.689536
47 1.980141 0.919859
48 0.266073 0.033927
49 1.64005 0.95995
50 1.116541 0.883459
51 1.297124 0.302876
52 1.305631 0.694369
53 1.122618 0.077382
54 1.495853 0.204147
55 1.392017 0.307983
56 1.33203 -1.13203
57 1.636586 -0.73659
58 1.09679 1.40321
59 1.16123 -1.06123
60 1.018938 2.881062
61 0.807262 4.492738
62 0.592769 -0.49277
63 1.081597 0.818403
64 0.874585 0.225415
65 1.058817 -0.45882
66 1.284806 -0.68481
67 2.067031 -0.36703
68 1.962731 0.437269
69 1.040576 -0.64058
70 1.174845 0.025155
Change in sales last year ($million) Residual Plot
5
Residuals
0
-10 0 10 20 30 40 50
-5
Change in sales last year ($million)
0
-30 -20 -10 0 10 20 30 40
-5
Change in debt ($million)
6
4
2
0
0 20 40 60 80 100 120
Sample Percentle
a) Menggunakan data dalam EXECUTIVE. XLS (lihat latihan 4.1) menjalankan regresi
Y pada X menggunakan Excel, apa itu R2?
b) Hitung korelasi antara Y dan X.
c) Diskusikan hubungan antara jawaban Anda dalam (a) dan (b).
d) Mengulang (a) untuk berbagai regresi yang melibatkan variabel W, X, Y dan Z dalam
kumpulan data. Komentari kesesuaian dari masing-masing regresi ini.
JAWABAN :
a. R2 artinya bahwa variabel bebas hanya dapat menjelaskan variabel terikat sebesar
0.49 atau 49,5244% , sisanya dijelaskan oleh varibel di luar varibel bebas.
b. korelasinya sebesar 0,674264
c. R square menjelaskan bagaimana variabel bebas menjelaskan variabel terikat,
Sedangkan korelasi adalah menjelaskan hubungan antara variabel bebas secara
beresama sama dengan varibel terikat. Apabila R square semakn tinggi maka
korelasinya semakin tinggi. Dari data di atas maka R squrenya sebesar
49,5244%dan korelasinya tinggi pula yaitu sebesar 0,674264.
d. - Jika semua variabel bebas sama dengan 0 maka akan menaikan kompensasi
sebesar 0.565673.
- Jika kenaikan profit sebesar 1 satuan maka akan menaikan compensasi
sebesar 0.000808 % dengan asumsi variabel lain tetap.
- Jika kenaikan Perubahan penjualan tahun lalu sebesar 1 satuan maka akan
menurunkan compensasi sebesar -0.003975% dengan asumsi variabel lain
tetap.
- Jika kenaikan Perubahan hutang sebesar 1 satuan maka akan menaikan
compensasi sebesar0,027966 % dengan asumsi variabel lain tetap.
JAWABAN :
Berdasarkan data XY yang di plot maka benar bahwa adanya hubungan yang nonlinear antar
setiap pasangan variabel karena jika kita menarik garis lurus seperti pada plot, kita dapat
melihat titik tersebut memilki jarak yang cukup jauh jauh dari garis. Sedangkan syarat linear
yaitu ketika kita menarik garis lurus maka titik-titik nya harus dekat dengan garis lurus.
LATIHAN 4.13
Jawab:
Profits ($million)
3000
2500
2000
Profits ($million)
1500
1000
500
0
0.0 1.0 2.0 3.0 4.0 5.0 6.0
Dari plot tersebut dapat diketahui bahwa hubungan y dengan x adalah tidak liniear dimana
hubungan antara y dan x tidak mengikuti garis lurus karena peningkatan atau penurunan
kuantitas disatu variabel tidak diikuti secara liniear oleh peningkatan atau penurunan
kuantitas divarianel lainnya.
b) Hitung akar kuadrat dari variabel X. Perhatikan fungsi Excel untuk akar kuadrat adalah
SQRT.
Jawab:
Nilai hasil rata-rata akar kuadrat dari variabel X adalah sebesar 0.83666
0.83666
0.83666
0.89442
7
0.83666
0.89442
7
0
0
0.77459
7
0.54772
3
0.70710
7
0.63245
6
1
0.94868
3
1.09544
5
1
1.14017
5
1.04880
9
0.70710
7
0.83666
0.77459
7
1.18321
6
0.77459
7
0.63245
6
0.44721
4
0.63245
6
0.77459
7
0.77459
7
0.83666
0.70710
7
1.14017
5
0.83666
1.09544
5
1
0.77459
7
0.89442
7
0.77459
7
1
1.70293
9
1.14017
5
1
0.94868
3
1.09544
5
1.70293
9
1.18321
6
1
1.34164
1
1.70293
9
0.54772
3
1.61245
2
1.41421
4
1.264911
1.41421
4
1.09544
5
1.30384
1.30384
0.44721
4
0.94868
3
1.581139
0.31622
8
1.97484
2
2.30217
3
0.31622
8
1.37840
5
1.04880
9
0.77459
7
0.77459
7
1.30384
1.54919
3
0.63245
6
1.09544
5
c) Buat plot XY dari akar kuadrat X terhadap Y. Apakah hubungan ini tampak linier?
Jawab:
Dilihat dari plot tersebut hubungannya tidak liniear
Profits ($million)
3000
2500
2000
Profits ($million)
1500
1000
500
0
0 0.5 1 1.5 2 2.5
Latihan 4.17
Untuk pertanyaan ini, gunakan set data EXECUTIVE.XLS dengan Y = kompensasi eksekutif, X=
laba, W= perubahan penjualan dan Z = perubahan hutang. Lakukan regresi berganda analisis
kumpulan data ini menangani masalah yang diangkat dalam bab ini. Misalnya, Anda mungkin ingin:
a) Tekan kembali Y pada X1, X2 dan X3 dan tafsirkan secara verbal estimasi koefisien yang
Anda dapatkan.
Jawab:
Dependent Variable: Y
Method: Least Squares
Date: 03/24/19 Time: 20:02
Sample: 1 70
Included observations: 70
Coefficien
Variable t Std. Error t-Statistic Prob.
1.13857
R-squared 0.495245 Mean dependent var 1
0.92818
Adjusted R-squared 0.472302 S.D. dependent var 9
2.10505
S.E. of regression 0.674263 Akaike info criterion 1
2.23353
Sum squared resid 30.00558 Schwarz criterion 6
- 2.15608
Log likelihood 69.67678 Hannan-Quinn criter. 7
2.01360
F-statistic 21.58553 Durbin-Watson stat 1
Prob(F-statistic) 0.000000
Interpertasi X1 (Keuntungan)
Setiap penambahan satu satuan kompensasi eksekutif perubahan Keuntungan akan
menaikan kompensasi eksekutif 0,000808 ribu dollar dengan variabel lainnya tetap.
b) Diskusikan signifikansi statistik dari koefisien. Apakah ada variabel penjelas yang bisa
dijatuhkan?
Jawab:
Uji t pada X1
H 0 = β2 ≤ 0
H a = β2 > 0
α=0.05 atau dengan tingkat kepercayaan 95%
derajat kebebasan = n-k-1
= 70 – 3 – 1
= 66
t-stat = 7.113061
t hitung atau t kritis ( 0.05;66) = 1.997
0 1.997 t
jadi karena t statistic (t hitung) yaitu 7.113061 lebih besar dari t table
yaitu 1.997 maka H0 ditolak. Dengan demikian, kesimpulannya adalah
laba berpengaruh positif pada kompensasi eksekutif. Jika jumlah laba
bertambah satu maka kompensasi eksekutif akan bertambah sebesar
0,565674 dollar dengan tingat keyakinan 95% dan cateris paribus atau
variabel bebas lain dianggap konstan.
Uji t Pada X2
H 0 = β2 ≤ 0
H a = β2 > 0
α=0.05 atau dengan tingkat kepercayaan 95%
derajat kebebasan = n-k-1
= 70 – 3 – 1
= 66
t-stat = -0.389150
t hitung atau t kritis ( 0.05;66) = 1.997
Daerah terima Daerah tolak
H0 H0
0 1.997 t
jadi karena t statistic (t hitung) yaitu -0.389150 lebih kecil dari t table yaitu
1.997 maka H0 diterima. Dengan demikian, kesimpulannya adalah
penjualan berpengaruh negatif terhadap kompensasi eksekutif. Jika jumlah
penjualan bertambah satu-satuan maka kompensasi eksekutif akan
berkurang sebesar -0.389150 dollar dengan tingkat keyakinan 95% dan
cateris paribus atau variabel bebas lain dianggap konstan.
Uji t pada X3
H 0 = β2 ≤ 0
H a = β2 > 0
α=0.05 atau dengan tingkat kepercayaan 95%
derajat kebebasan = n-k-1
= 70 – 3 – 1
= 66
t-stat = 2.795741
t hitung atau t kritis ( 0.05;66) = 1.997
0 1.997 t
jadi karena t statistic (t hitung) yaitu 2.795741 lebih besar dari t table
yaitu 1.997 maka H0 ditolak. Dengan demikian, kesimpulannya adalah
perubahan hutang berpengaruh positif terhadap kompensasi eksekutif. Jika
jumlah perubahan hutang bertambah satu-satuan maka kompensasi
eksekutif akan bertambah sebesar 2.795741 dengan tingkat keyakinan
95% dan cateris paribus atau variabel bebas lain dianggap konstan.
Dari regresi yang telah dilakukan memiliki kecocokan dengan uji t yang dilakukan
bahwa variabel X= laba, dan Z = perubahan hutang berpengaruh positif terhadap variabel Y
Sedangkan variabel. W= perubahan penjualan berpengaruh negatif tehadap Y.
d) Hitung matriks korelasi. Melalui pertimbangan ini dan hasil regresi, diskusikan masalah
multikolinieritas
Jawab:
Uncentere
Coefficient d Centered
Variable Variance VIF VIF
C 0.017612 2.711755 NA
X1 1.29E-08 1.844347 1.032535
X2 0.000104 1.865124 1.092102
X3 0.000100 1.221946 1.083022
Karena nilai VIF keduanya 1,0325, maka dapat dikategorikan bahwa hasil estimasi
mengalami multikolinieritas rendah