Tujuan:
1. Menyimpulkan apakah DER, PER, ROA, dan Beta secara bersama-sama
mempengaruhi Return secara signifikan?
2. Menyimpulkan apakah EVA mempengaruhi Return secara signifikan?
1. Uji Pengaruh DER, PER, ROA, Beta, dan EVA Terhadap Return
Hipotesis:
H0 : Tidak ada Pengaruh signifikan DER, PER, ROA, Beta, dan EVA secara bersama
terhadap Return
H1 : Ada Pengaruh signifikan DER, PER, ROA, Beta, dan EVA secara bersama
terhadap Return
Tingkat Signifikansi:
α = 5%= 0,05
Statistik uji:
Pengujian dilakukan dengan melihat nilai Sig pada tabel ANOVA:
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression .058 5 .012 12.115 .001a
Residual .008 8 .001
Total .065 13
a. Predictors: (Constant), eva, roa, beta, per, der
b. Dependent Variable: return
Kriteria uji:
H0 ditolak jika Sig < α
Keputusan:
Karena Sig=0,001 < α (=0,05) maka H0 ditolak shingga H1 diterima
Kesimpulan:
Ada Pengaruh signifikan DER, PER, ROA, Beta, dan EVA secara bersama terhadap
Return
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 8.167 1.095 7.458 .000
der .030 .015 .280 2.097 .069
per -.001 .001 -.065 -.489 .638
roa -.100 .088 -.145 -1.139 .288
beta -8.703 1.175 -.933 -7.409 .000
eva 4.57E-011 .000 .167 1.232 .253
a. Dependent Variable: return
Kriteria Uji:
H0 ditolak jika Sig < α
Keputusan:
X1 (DER) terhadap Return:
Karena Sig=0,069 > α (=0,05) maka H0 diterima
X2 (PER) terhadap Return:
Karena Sig=0,638 > α (=0,05) maka H0 diterima
X3 (ROA) terhadap Return:
Karena Sig=0,288 > α (=0,05) maka H0 diterima
X4 (Beta) terhadap Return:
Karena Sig=0,000 < α (=0,05) maka H0 ditolak shingga H1 diterima
X5 (EVA) terhadap Return:
Karena Sig=0,253 > α (=0,05) maka H0 diterima
Kesimpulan:
Tidak ada pengaruh signifikan DER terhadap Return
Tidak ada pengaruh signifikan PER terhadap Return
Tidak ada pengaruh signifikan ROA terhadap Return
Ada pengaruh signifikan Beta terhadap Return
Tidak ada pengaruh signifikan EVA terhadap Return
Uji Asumsi
Pada model regresi linear asumsi yang harus terpenuhi adalah: Normalitas, Homogenitas,
Linieritas, Nonautokorelasi, dan Nonmultikolinieritas.
a. Normalitas
Uji Visual Menggunakan P-P Plots
Berikut adalah Normal P-P Plot of Regression Standardized Residual yang diperoleh
setelah data diolah menggunakan SPSS.
Dari Normal P-P Plot of Regression Standardized Residual diatas terlihat bahwa titik-
titik data tersebar di sekitar garis lurus namun tidak semua titik data mengikuti pola
garis lurus, sehingga dapat disimpulkan bahwa asumsi kenormalan data diragukan.
Untuk mendukung kesimpulan yang diberikan Normal P-P Plot diatas, akan
dilakukan uji formal untuk memastikan apakah residual data berdistribusi normal atau
tidak. Uji normalitas yang digunakan disini adalah Uji Kolmogorov-Smirnov.
Hipotesis:
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Tingkat Signifikansi:
α = 5%= 0,05
Statistik uji:
Pengujian dilakukan dengan melihat nilai Sig pada tabel ANOVA:
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Standardized Residual .113 14 .200* .927 14 .277
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Kriteria Uji:
H0 ditolak jika Sig < α
Keputusan:
Karena Sig=0,200 > α (=0,05) maka H0 diterima
Kesimpulan:
Residual berdistribusi normal
b. Linieritas
Uji Visual Menggunakan Scatterplot
Berikut adalah Scatterplot yang diperoleh setelah data diolah menggunakan SPSS.
Dari Scatterplot yang ditampilkan terlihat bahwa titik-titik data tersebut tersebar dan
tidak membentuk pola tertentu (parabola, kubik dan sebagainya). Maka dapat
disimpulkan bahwa asumsi linieritas terpenuhi.
c. Homokedastisitas
Uji Visual Menggunakan Scatterplot
Berikut adalah Scatterplot yang diperoleh setelah data diolah menggunakan SPSS.
Dari Scatterplot yang ditampilkan terlihat bahwa titik-titik data tersebut tersebar dan
tidak membentuk pola tertentu (parabola, kubik dan sebagainya). Maka dapat
disimpulkan bahwa asumsi homogenitas terpenuhi.
d. Nonautokorelasi
Statistik yang digunakan untuk mengecek ada tidaknya korelasi antar variabel adalah
Durbin-Watson. Output untuk statistik Durbin Watson adalah sebagai berikut :
Model Summaryb
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
1 der .818 1.222
per .829 1.206
roa .899 1.112
beta .919 1.088
eva .795 1.258
a. Dependent Variable: return
Nilai VIF pada setiap variable menunjukkan bahwa VIF<5, sehingga diambil
kesimpulan bahwa tidak terjadi multikolinieritas. Maka asumsi nonmultikolieritas
terpenuhi.
Pemodelan
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 8.167 1.095 7.458 .000
der .030 .015 .280 2.097 .069
per -.001 .001 -.065 -.489 .638
roa -.100 .088 -.145 -1.139 .288
beta -8.703 1.175 -.933 -7.409 .000
eva 4.57E-011 .000 .167 1.232 .253
a. Dependent Variable: return