Aplikasi dan Interpretasi Regresi OLS

(Beginikah Aplikasi dan Interpretasi Regresi OLS?)

Syamsul Hadi 1

ABSTRACT

Regresi OLS banyak digunakan pada penelitian Ekonomi, Keuangan dan

Akuntansi. Regresi OLS dimanfaatkan untuk: 1) memprediksi nilai dependen
variabel, 2) mengetahui peran variabel independen terhadap variabel
dependen atau 3) sekedar untuk mengetahui nilai  saja. Regresi OLS bisa
diterapkan pada jenis data runut waktu, kerat lintang maupun panel. Banyak
peneliti yang tidak memperhatikan tiga aplikasi ini atau jenis data yang
dipakai, sehingga interpretasi maupun uji asumsi klasik diterapkan secara
salah. Untuk aplikasi prediksi, maka uji asumsi klasik wajib dipenuhi
semuanya bila data yang digunakan adalah data runut waktu. Bila data yang
dipakai adalah data kerat lintang atau panel, maka uji otokorelasi tidak perlu
dilakukan. Pada aplikasi peran, uji normalitas tidak perlu dilakukan, uji
otokorelasi hanya diperlukan bila data yang digunakan adalah data runit
waktu. Uji tentang pemodelan banyak dilupakan, karena tidak bisa dilakukan
uji statistik. Uji tentang pemodelan harus dilakukan secara kualitatif dan
disajikan pada landasan teoretik yang disusun peneliti. Pada aplikasi sekedar
mengetahui nilai  tidak diperlukan uji asumsi klasik.

Kata Kunci : Regresi OLS, Uji Normalitas, Uji Otokorelasi, Uji

Multikoliniaritas, Uji Pemodelan, Data Runut Waktu, Data Kerat Lintang,
Data Panel.

PENDAHULUAN

Analisis Regresi OLS, sangat banyak dipakai oleh peneliti di berbagai bidang.

Analisis Regresi OLS adalah sebuah analisis yang membahas tentang sebab akibat.

Komponen sebab, biasa disebut dengan variabel bebas, variabel independen, variabel tidak

terikat atau sebutan yang lain dan biasanya dicantumkan dalam model dengan notasi x. Bila

variabel bebas dalam model lebih dari satu, maka notasi x nya diberi indeks sehingga

menjadi x1, x2, x3 sampai dengan xn. Sebutan regresinyapun akan berbeda sesuai dengan

jumlah variabel bebas. Bila variabel bebasnya hanya satu, maka regresinya disebut dengan

regresi sederhana dan kalau variabel bebasnya banyak disebut dengan regresi berganda.

1 Dosen Jurusan Akuntansi Fakultas Ekonomi UII Yogyakarta. E-mail: Syamsul.hadi@uii.ac.id

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 1

Komponen akibat biasanya disebut dengan variabel terikat, variabel dependen, variabel

tidak bebas atau sebutan yang lain. Notasi atas variabel dependen ini biasanya adalah y.

Aplikasi regresi di penelitian bidang Akuntansi, Keuangan, Sumber Daya Manusia

sangat banyak dilakukan dengan menggunakan regresi berganda. Begitu populernya

regresi ini sehingga fasilitas analisis regresi ini terdapat di semua paket perangkat lunak

statistik yang bersifat umum, seperti SPSS, Eviews, Stata, Statpack maupun SAS. Perangkat

lunak Microsoft Excel tidak mau ketinggalan dan memiliki fasilitas penghitungan regresi

dengan kapasitas variabel independen sebanyak 16 variabel dan data hampir tak terhingga.

Dengan menggunakan fasilitas regresi dalam Microsoft Excel, penulis pernah mencoba

menggunakan 16 (enam belas) variabel independen dan jumlah data sebanyak 1.016.873.

Waktu yang digunakan mengolah data ini juga tidak terlalu lama (di bawah dua menit),

semua keluaran yang diinginkan sudah ada.

Dengan tersedianya perangkat lunak untuk analisa regresi secara luas dan mudah,

maka peneliti akan dengan mudah menghitung regresi yang semula sangat sulit dan

memakan waktu yang lama. Persoalan yang muncul sekarang adalah penyedia perangkat

lunak seolah berlomba untuk mempermudah peneliti dengan memberikan keluaran-

keluaran tambahan yang berbeda antara penyedia perangkat lunak yang satu dengan yang

lain. Akibatnya adalah banyak peneliti pemula yang kurang menguasai statistik atau arti

keluaran perangkat lunak melakukan analisis atau interpretasi yang salah. Dalam kasus

yang ekstrem mungkin malah salah membaca keluaran perangkat lunak.

PEMANFAATAN REGRESI

Selama ini dalam buku statistik maupun dalam buku panduan perangkat lunak

statistik hanya membahas satu aplikasi atau pemanfaatan saja dari analisa regresi, yaitu

untuk melakukan prediksi. Pada hal dalam praktik banyak dijumpai aplikasi lain yang

menggunakan regresi tetapi sama sekali tidak melakukan prediksi, seperti pada penelitian

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 2

keperilakuan, keuangan dan sejenisnya. Penelitian seperti ini hanya fokus pada pengukuran

peran masing-masing variabel independen terhadap variabel dependen tanpa

memperhitungkan nilai atau besaran koefisiennya. Aplikasi lain adalah tidak melakukan

prediksi maupun mengetahui peran, namun hanya sekedar menghitung besaran saja.

Masing-masing aplikasi ini akan di bahas secara rinci, sehingga bisa diketahui perbedaan

dan dampaknya, sehingga bisa dihindari salah kaprah pemakaian.

1. Aplikasi Regresi Untuk Melakukan Prediksi (Menentukan Besaran Ŷ).

Aplikasi regresi yang pertama adalah untuk melakukan prediksi. Dengan

menggunakan aplikasi ini maka peneliti melakukan prakiraan atas nilai variabel dependen

(Ŷ) bila diketahui nilai-nilai variabel independen. Data yang digunakan biasanya bersifat

runut waktu (time series), sehingga bisa diprediksi nilai variabel dependen di waktu-waktu

depan. Data yang digunakan bisa berbasis mingguan, bulanan, triwulanan, semesteran,

tahunan atau dasar waktu yang lain asal konsisten. Dengan menggunakan data runut waktu

atas subyek yang sama, maka peneliti bisa dengan tepat memprediksi nilai variabel

dependen di masa depan setelah semua nilai variabel independen ditentukan.

Bila data yang digunakan adalah data kerat lintang (cross section), maka prediksi

yang dilakukan akan memiliki banyak kelemahan. Misal obyek penelitian adalah

perusahaan manufaktur yang sahamnya terdaftar di BEI. Variabel dependen adalah

kuantitas hasil produksi. Peneliti akan sangat kesulitan dalam mengukur besaran kuantitas

hasil produksi. Untuk bisa mengukur kuantitas, diperlukan keputusan memilih satuan yang

digunakan, karena beragamnya hasil produksi maka akan timbul masalah tersendiri dalam

pemilihannya. Misal peneliti ingin menggunakan satuan liter, tidak semua perusahaan bisa

diukur satuan keluarannya dengan liter; begitupula dengan satuan yang lain. Bila peneliti

ingin lebih spesifik, maka kelompok perusahaan manufaktur dipecah lagi menjadi tiga sub

kelompok, yaitu Industri Dasar dan Kimia, Aneka Industri dan Industri Barang Konsumsi.

Misal peneliti membatasi hanya pada Industri Barang Konsumsi saja, maka masalah masih

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 3

akan muncul karena di dalam kelompok ini terdapat sub kelompok makanan dan minuman,

rokok, farmasi, kosmetik dan keperluan rumah tangga serta peralatan rumah tangga yang

memiliki satuan keluaran yang sangat berbeda. Dengan demikian sangat sulit bagi peneliti

untuk melakukan prediksi menggunakan regresi yang berbasis data kerat lintang. Bila

masalah ini bisa diatasi, maka permasalahan lain yang muncul adalah prediksi ini untuk

umum atau perusahaan tertentu? Bila prediksi itu untuk umum, maka prediksi itu akan

memberikan gambaran kelompok perusahaan yang datanya digunakan secara agregat.

Manfaat bagi pembaca prediksi juga sangat sedikit, karena hanya memberikan gambaran

secara umum. Bila prediksi ini untuk perusahaan tertentu, maka menjadi sangat naif karena

data perusahaan lain digunakan untuk memprediksi perusahaan tertentu. Berdasar logika

pikir di atas, maka pemanfaatan regresi untuk prediksi hanya tepat bila datanya runut

waktu.

Misal model yang dibentuk oleh peneliti memiliki satu variabel dependen dan tiga

variabel independen dengan jumlah data sebanyak 30 buah. Setelah dilakukan perhitungan,

maka dihasilkan keluaran sebagai berikut:

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 4

 Tabel 1. Keluaran Regresi2
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.9955
R Square 0.9910
Adjusted R Square 0.9900
Standard Error 5.5264
Observations 30

ANOVA
Df SS MS F Significance F
Regression 3 87612.6 29204.2 956.2293 1.03E-26
Residual 26 794.066 30.541
Total 29 88406.67
3

Coefficients Standard Error t Stat P-value

Intercept 505.11 42.8164 11.7971 6.11E-12
X1 1.0628 0.1996 5.3243 1.43E-05 4

X2 -1.0680 0.2152 -4.9629 3.71E-05

X3 -0.0019 0.0034 -0.5587 0.581141
5

Berdasarkan keluaran di atas, maka peneliti akan mencantumkan dalam laporannya

persamaan regresi sebagai berikut:

Y = 505,11 + 1,0628 X1 - 1,0680 X2 - 0,0019 X3 + 

Dengan menggunakan persamaan regresi ini, banyak peneliti, terutama peneliti

pemula, yang memberikan interpretasi sebagai berikut:

• Nilai intercept = 505,11; berarti apabila X1 sampai dengan X3 sama dengan nol, maka nilai

Y adalah 505,11.

• Nilai 1 sebesar + 1,0628; berarti apabila nilai X1 bertambah 1 satuan (poin), maka nilai Y

akan naik sebesar 1,0628 satuan.

2 Penulis menggunakan Microsoft Excell 2007 utuk menghitung regresi. Bila digunakan perangkat
lunak lain, sangat mungkin tampilan keluaran akan berbeda, namun informasi yang disampaikan
lebih-kurang sama.
3 Keluaran bagian ini adalah fokus perhatian peneliti bila regresi digunakan untuk prediksi.
4 Keluaran bagian ini adalah fokus perhatian peneliti bila regresi digunakan untuk membuktikan

hipotesa (mengetahui peran sesaat)

5
Keluaran bagian ini adalah fokus perhatian peneliti bila regresi digunakan untuk mengetahui slope
atau tingkat kemiringan.

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 5

• Nilai 2 sebesar - 1,0680; berarti apabila nilai X2 bertambah 1 satuan (poin), maka nilai Y

akan turun sebesar 1,0680 satuan.

• Nilai 3 sebesar - 0,0019; berarti apabila nilai X3 bertambah 1 satuan (poin), maka nilai Y

akan turun sebesar 0,0019 satuan.

Bila pada periode mendatang nilai X1 sampai dengan X3 secara berturut-turut

ditentukan sebesar 5, 7 dan 9; maka nilai Y akan diprediksi sebesar 505,11 + 1,0628 x 5 - 1,0680

x 7 - 0,0019 x 9 = 502,9279. Berdasarkan perhitungan tersebut disimpulkan bahwa nilai Y

pada periode mendatang adalah 502,9279.

Analisis dan aplikasi di atas adalah benar dan fokus perhatian peneliti atas keluaran

perangkat lunak ada pada besarnya nilai . Nilai inilah yang digunakan oleh peneliti untuk

memprediksi besaran Y. Dengan demikian, maka komponen keluaran yang diperhatikan

oleh peneliti hanyalah bagian koefisien (Coefficients) saja, sedangkan keluaran yang lain tidak

terlalu diperhatikan atau cenderung diabaikan. Komponen keluaran lain tersebut adalah R

Square, Adjusted R Square, F test dan Significance F.

R Square dan Adjusted R Square biasa diartikan sebagai kemampuan keseluruhan

variabel independen menjelaskan perubahan variabel dependen. Dalam kasus di atas, nilai

Adjusted R Square adalah 0,9899, sehingga peneliti menyimpulkan bahwa keseluruhan

variabel independen mampu menjelaskan 99% dari perubahan variabel dependen, sehingga

modelnya sangat baik. Demikian pula untuk F test, nilai Significance F sebesar 1.03E-26

menunjukkan bahwa keseluruhan variabel independen secara serempak mempengaruhi

variabel dependen, karena nilai Significance F di bawah 5% (Ghozali, 2011; Algifari, 1997).

Penggunaan istilah serempak seperti ini banyak ditemui di buku statistik, namun

penggunaan istilah ini perlu dievaluasi lagi terutama untuk aplikasi peran.

Analisis peneliti tentang R Square, Adjusted R Square, F test dan Significance F, hanya

sampai di batas ini saja. Tidak -atau mungkin belum- pernah ada peneliti yang melakukan

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 6

analisa sampai pada bagaimana pengaruh parameter ini terhadap nilai prediksi Y (variabel

dependen). Akibat dari tindakan ini adalah pembaca laporan bisa menyimpulkan bahwa

hasil perhitungan atas R Square, Adjusted R Square, F test dan Significance F tidak berdampak

pada prediksi nilai Y. Berapapun nilai parameter R Square, Adjusted R Square, F test dan

Significance F tidak berpengaruh pada prediksi nilai Y. Bila simpulan pembaca seperti ini,

maka pertanyaan yang muncul adalah untuk apa parameter di atas dihitung? Jawaban yang

secara implisit terdapat di beberapa buku teks adalah untuk menggambarkan kualitas

prediksi atau kualitas model. Semakin tinggi nilai Adjusted R Square maupun F test, maka

kualitas prediksi akan semakin baik secara kualitatif. Belum pernah ditemui prediksi Y yang

menyertakan besaran nilai R2 atau F sebagai penyesuai besaran prediksi Y.

Dengan menggunakan Regresi OLS sebagai alat prediksi seperti ini, maka peneliti

harus memenuhi persyaratan tertentu yang biasa disebut dengan uji asumsi klasik. Hal ini

diperlukan agar pendekatan regresi yang digunakan bisa masuk dalam kriteria BLUE (Best

Linear Unbiased Estimator) (Gujarati, 1995). Pemenuhan persyaratan ini sangat diperlukan,

mengingat regresi OLS ini digunakan sebagai alat prediksi atau estimator. Gujarati (1995)

lebih lanjut menyebutkan ada 11 (sebelas) asumsi yang melingkupi pendekatan regresi,

yaitu:

1. Regresi memiliki parameter linier.

2. Variabel independen memiliki nilai yang konstan pada setiap kali percobaan.

3. Untuk setiap nilai X, rata-rata kesalahan (sama dengan nol.

4. Untuk setiap nilai X, varian kesalahan (konstan atau ada homoskedastistas.

5. Untuk setiap nilai X, tidak ada otokorelasi pada kesalahan (.

6. Bila X adalah stokastik maka kesalahan (dan Xnya tidak berhubungan atau

independen.

7. Jumlah observasi harus lebih besar dari jumlah regresor (variabel X).

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 7

8. Harus terdapat variabilitas yang cukup pada regresor.

9. Model regresi telah ditetapkan secara tepat.

10. Tidak terdapat hubungan linier di antara regresor (multikoliniaritas).

11. Kesalahan (error) terdistribusi secara normal.

Tidak semua uji asumsi klasik di atas selalu dibahas dalam buku Statistik maupun

buku Ekonometrika. Ada beberapa penulis buku teks yang hanya menjelaskan tiga uji

asumsi klasik, yaitu multikoliniaritas, homoskedastistas dan otokorelasi (Scroeder dkk, 1986,

Rietveld dan Sunaryanto, 1994, Berry dan Feldman, 1985). Beberapa penulis lain

menambahkan uji normalitas (Algifari, 1997; Gujarati, 1995; Koutsoyanis, 1977). Algifari

(1997) maupun Gujarati (1995) juga membahas bagaimana bila terdapat permasalahan

akibat tidak lolos uji asumsi klasik yang sedang dijalani. Sayangnya, tidak ada -atau

setidaknya sampai saat ini belum ada- buku yang membahas kapan uji asumsi klasik

tertentu wajib dikerjakan, kapan boleh dilewati dan kapan tidak boleh dikerjakan sama

sekali. Dalam kasus tertentu kadang peneliti melakukan pengobatan atas masalah asumsi

klasik yang kelihatannya ada tetapi sebenarnya tidak ada.

Bila peneliti akan menggunakan Regresi OLS ini untuk melakukan prediksi nilai Y,

maka semua komponen asumsi klasik yang berjumlah 11 ini harus terpenuhi. Bila tidak,

maka BLUE tidak akan tercapai. Walaupun demikian, dalam praktiknya, peneliti dalam

kasus tertentu bisa melewati atau tidak memperhatikan uji asumsi klasik tertentu dengan

berbagai alasan.

Asumsi nomor 1 "Regresi memiliki parameter linier" mau tidak mau harus dipenuhi,

karena pendekatan yang digunakan adalah pendekatan linier, sehingga bila data yang

dimiliki tidak memiliki parameter linier, maka data harus dilinierkan dulu. Untuk ini,

peneliti perlu melakukan manipulasi data, seperti manipulasi logaritma, akar atau yang

lain. Hal yang harus diingat adalah peneliti harus sadar bahwa model yang diajukan sudah

sedikit berubah. Bila atas data x1 dilakukan manipulasi log, maka model tidak lagi Y =

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 8

x1 + ….; tetapi sudah berubah menjadi Y =  log x1 + ….. Kesalahan atau lupanya

peneliti atas hal ini akan sangat fatal akibatnya. Prediksi yang dilakukan peneliti pasti salah

karena nilai x1 harus dianti log terlebih dahulu baru dikalikan . Uji ini bisa dilakukan

dengan mudah karena hampir semua perangkat lunak statistik memiliki fasilitas ini.

Uji asumsi nomor 2 "Memiliki nilai yang konstan pada setiap kali percobaan" bisa

dilewati oleh peneliti bila data yang digunakan tidak berasal dari percobaan. Bila penelitian

yang dilakukan bukan berdasar penelitian percobaan (experiment) (misal menggunakan data

historis), maka uji ini sebenarnya sama sekali tidak boleh dilakukan.

Uji nomor 3 "Rata-rata kesalahan (sama dengan nol" malah sama sekali tidak perlu

dilakukan bila peneliti menggunakan pendekatan kuadrat terkecil (least square) untuk

menghitung regresi. Bila peneliti menggunakan pendekatan kuadrat terkecil untuk

menghitung regresinya, maka secara otomatis jumlah kesalahan ataupun rata-ratanya akan

sama dengan nol, paling tidak mendekati nol atau nilainya bisa diabaikan. Bila peneliti

menggunakan pendekatan OLS tetapi melakukan uji ini malah lucu, terasa aneh dan

menunjukkan ketidak-tahuan atas alat yang digunakan. Uji ini baru diperlukan bila peneliti

tidak menggunakan pendekatan OLS.

Uji asumsi klasik nomor 4 "Homoskedastistas" wajib dilakukan sebagai prasyarat

prediktor yang baik. Bila terdapat permasalahan di sini, maka harus dilakukan pengobatan

atau diberi perlakuan tertentu agar permasalahan bisa hilang. Bahasan tentang uji ini

banyak terdapat di buku statistik atau ekonometrika (Algifari, 1997; Gujarati, 1995;

Koutsoyanis, 1977).

Uji asumsi klasik nomor 5 "Tidak ada otokorelasi pada kesalahan (" wajib

dilakukan bila data yang digunakan adalah data runut waktu (time series) atau data yang

ada harus diurutkan dengan pola tertentu dan tidak boleh diubah. Pada data runut waktu,

peneliti tidak boleh mengubah urutan data, mulai dari data tertua sampai dengan data

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 9

termuda. Dengan adanya kewajiban ini akan berakibat adanya kemungkinan adanya error

yang bersifat serial (urutan). Dengan demikian uji ini wajib dilakukan. Bila ternyata ada

permasalahan dengan uji ini, maka peneliti harus melakukan tindakan untuk mengatasinya.

Bila data yang digunakan adalah data kerat lintang, maka uji ini sama sekali tidak boleh

dilakukan. Dalam kasus data kerat lintang, maka peneliti boleh menata data semau sendiri,

sehingga bila ada permasalahan otokorelasi peneliti bisa menata ulang urutan data. Dengan

perubahan urutan data ini maka permasalahan otokorelasi dengan sendirinya akan teratasi

tanpa melakukan pengobatan. Perbedaan urutan data ini tidak akan mengubah nilai

prediksi. Dengan demikian maka melakukan uji otokorelasi pada data kreat lintang adalah

sebuah pekerjaan yang tidak ada manfaatnya.

Uji asumsi klasik no 6 ini baru diperlukan bila data yang dipakai dalam penelitian

adalah stokastik. Dalam kasus penelitian bidang manajemen, keuangan maupun akuntansi

uji ini tidak perlu dilakukan, karena data yang dipakai bukan data stokastik.

Asumsi no 7 tidak perlu dilakukan ujinya. Hampir semua perangkat lunak statistik

tidak berjalan bila jumlah data sama dengan jumlah variabel. Tampilan pada Excel adalah

. Pada dasarnya semakin banyak jumlah data yang dimiliki

peneliti adalah semakin baik. Sayangnya, bila data yang digunakan lebih sedikit dari jumlah

variabel independen, maka beberapa perangkat lunak seperti Excel maupun SPSS masih

bisa berjalan, sehingga peneliti harus berhati-hati.

Asumsi no 8 yang menyatakan harus terdapat variabilitas yang cukup pada regresor

sering diabaikan dalam penelitian dan hampir tidak pernah dibahas dalam literatur statistik.

Peneliti biasanya mengasumsikan bahwa asumsi ini sudah terlewati dengan baik.

Variabilitas yang cukup ini bisa didekati dengan besaran standar deviasi, hanya saja tidak

ada standar baku yang bisa digunakan untuk menentukan kecukupan variabilitas.

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 10

Pembandingan dua standar deviasi juga tidak terlalu berarti bila terdapat berbedaan nilai

maksimum - minimum atau nilai rata-rata. Dalam kasus aplikasi regresi untuk prediksi,

variabilitas regresor tidak banyak berdampak pada besaran prediksi. Hal ini disebabkan

oleh hasil yang digunakan hanyalah besaran  saja.

Asumsi no 9 ini biasanya dibuktikan tidak secara statistik, tetapi secara kualitatif.

Landasan teori yang diajukan oleh peneliti harus menunjukkan bahwa model penelitian

telah dibuat dengan teliti dan benar. Landasan teori yang diajukan haruslah menjelaskan

bahwa variabel independen benar-benar menjadi sebab atas adanya atau nilai variabel

dependen. Logika sebab-akibat harus diuraikan dengan baik, sehingga asumsi ini bisa

terlewati dengan baik. Kasus yang biasanya terlewat adalah bawa semua variabel

independen menjadi sebab atas terjadinya variabel dependen, namun waktu terjadinya

variabel independen tidak sama (berbarengan), sehingga dampaknya akan sangat berbeda

terhadap variabel dependen. Misal: A, B, C, D dan E mendorong mobil yang mogok. Bila A

sampai E mendorong bersamaan waktu, maka mobil akan maju. Tetapi bila mereka

mendorong tidak bersamaan waktu, maka mobil tidak akan maju. Dengan demikian, maka

uraian dalam landasan teori harus menunjukkan bahwa semua variabel independen

tersebut terjadi pada waktu yang sama.

Uji asumsi klasik nomor 10 sifatnya wajib dilakukan. Bila dua variabel independen

mengalami masalah multikolinier, maka sebenarnya dua variabel tersebut adalah identik

atau sama secara statistik. Oleh karena itu salah satu penghapusan salah satu variabel dari

model adalah sebuah solusi yang tepat. Untuk melakukan uji ini, sebaiknya digunakan uji

korelasi antar variabel independen. Penggunaan analisa korelasi ini lebih memberikan

gambaran yang jelas bila terdapat banyak masalah multikolinier. Penggunaan VIF sebagai

dasar eliminasi variabel independen lebih sulit. Misal peneliti memiliki lima variabel

independen, yaitu A, B, C, D dan E serta satu variabel dependen F. Keluaran dengan

menggunakan perangkat lunak SPSS adalah sebagai berikut:

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 11

 Tabel 2. Keluaran Regresi Dengan Collinearity Statistics 1
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 61.612 28.303 2.177 .040
A -.234 .243 -.222 -.963 .345 .729 1.373
B -.088 .310 -.073 -.283 .780 .574 1.741
C -.349 1.359 -.355 -.257 .799 .020 49.451
D .551 .974 .558 .566 .576 .040 25.178
E -.028 .762 -.030 -.036 .971 .058 17.245
a. Dependent Variable: F

Berdasar keluaran pada Tabel 2, diketahui bahwa terdapat permasalahan multi-

koliniaritas pada variabel C, D dan E; sehingga peneliti harus mengeluarkan satu atau lebih

variabel dari model yang diajukan. Berdasar tabel ini tidak diketahui dengan pasti

bagaimana korelasi riil antara variabel C, D dan E. Untuk mengetahui variabel yang harus

dikeluarkan dari model, sebaiknya digunakan matriks korelasi.

Tabel 3. Matriks Korelasi

A B C D E
A 1
B -0.25292 1
C 0.153948 -0.37231 1
D 0.186017 -0.3442 0.978267 1
E 0.225366 -0.23689 0.95507 0.933499 1

Berdasar pada matriks korelasi pada Tabel 3, diketahui bahwa korelasi tertinggi

terdapat pada variabel C. Variabel ini berkorelasi 0,97 dengan variabel D dan 0,95 dengan

variabel E. Dengan demikian, maka variabel C harus dikeluarkan dari model. Bila hal ini

dilakukan, maka hasilnya ada pada Tabel 4. Pada Tabel 4 ini dapat dilihat bahwa nilai VIF

sudah berada di bawah 10 dan nilai Tolerance di atas 0,1; sehingga busa disimpulkan tidak

ada masalah multikoliniaritas.

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 12

 Tabel 4. Keluaran Regresi Dengan Collinearity Statistics 2
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 58.901 25.769 2.286 .031

A -.208 .216 -.197 -.960 .346 .884 1.131

B -.047 .262 -.039 -.180 .858 .774 1.293
D .351 .575 .356 .611 .546 .110 9.113
E -.166 .531 -.177 -.313 .757 .115 8.679
a. Dependent Variable: F

Bila peneliti menggunakan model dengan variabel pemoderasi, maka uji multikoli-

nier tidak boleh diterapkan. Bila hal ini tetap dilakukan, maka model yang diajukan tersebut

pasti terjangkit masalah multikoliniaritas. Misal variabel independen adalah A, B dan C;

serta variabel pemoderasi adalah D, serta variabel dependen adalah E. Variabel pemoderasi

mengganggu variabel independen B dan C. Maka model penelitian yang diajukan adalah:

E = f (A, B, C, BxD, CxD)

Dengan model regresi seperti ini, maka variabel independen B dan BxD serta C dan CxD

pasti akan berkorelasi tinggi dan terjangkit masalah multikoliniaritas. Bila ternyata tidak,

maka akan sangat lucu, karena mengandung hal yang sama. Bila peneliti melakukan uji

multikoniaritas dan menghilangkan salah satu variabel independen B atau BxD, C atau CxD

maka arah penelitian akan berubah. Bila variabel B dan C yang dihilangkan, maka peneliti

dengan sengaja telah menghilangkan variabel dependen, sehingga judul penelitian juga

harus berubah. Hal yang sama juga akan terjadi kalau peneliti menghilangkan variabel BxD

dan CxD, maka secara implisit peneliti telah menghilangkan variabel pemoderasi.

2. Aplikasi Regresi Untuk Mengetahui Peran Variabel Independen (Pembuktian

Hipotesa)

Bila peneliti memanfaatkan analisa regresi ini untuk mengetahui peran masing-

masing variabel independen, maka bagian keluaran yang harus diperhatikan oleh peneliti

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 13

sangat berbeda dengan prediksi. Dalam banyak buku statistik, aplikasi regresi ini tidak

dibahas secara khusus sehingga pembaca akan dengan mudah melihatnya. Sebagian buku

statistik membahasnya di bagian tes hipotesa, sehingga pembaca tidak sadar sepenuhnya

bahwa bahasan ini berhubungan dengan regresi OLS.

Besaran dan  yang sangat berperan pada pemanfaatan regresi untuk prediksi

menjadi tidak perlu dilihat lagi atau tidak memiliki peran sama sekali. Misal peneliti

mengambil judul Pengaruh Persepsi Pengalaman Kerja (X1), Kesejahteraan (X2) dan Karier

(X3) terhadap Keinginan untuk naik pangkat (Y), maka di sini jelas bahwa nilai  dan  sama

sekali tidak memiliki peran dalam pengambilan keputusan peneliti.

Dengan menggunakan keluaran regresi pada Tabel 1 di atas, maka peneliti tidak

mungkin lagi memberikan interpretasi: Nilai intercept = 505,11; berarti apabila X1 sampai

dengan X3 sama dengan nol, maka nilai Y adalah 505,11; ataupun nilai 1 sebesar + 1,062813;

berarti apabila nilai X1 bertambah 1 satuan (poin), maka nilai Y akan naik sebesar 1,062813

satuan. Dalam kasus penelitian persepsi seperti ini, maka nilai X1, X2 maupun X3 tidak

mungkin nilainya dibuat nol. Bila dipaksakan variabel bernilai nol, maka nilai 505,11

sebagai nilai atas Keinginan untuk naik pangkat (Y) di sini sulit diinterpretasikan. Nilai

505,11 ini besar atau kecil? Tidak ada indikator yang pasti. Demikian juga untuk besaran 1,

bagaimana cara menaikkan atau menurunkan persepsi tentang pengalaman kerja. Bila

variabelnya adalah pengalaman kerja yang diukur dengan lama waktu seseorang telah

bekerja, maka pengalaman ini bisa diukur secara pasti dengan satuan tahun, bulan atau

yang lain; tetapi bila persepsi, maka akan sulit sekali menaikkan atau menurunkan presepsi.

Atas hal yang sama, persepsi responden satu mungkin berbeda dengan persepsi responden

lain.

Di sini, hal yang harus memperhatikan oleh peneliti adalah bagaimanakah peran

variabel independen terhadap variabel dependen secara relatif (tidak pasti). Dengan

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 14

menggunakan pendekatan ini, maka keluaran utama yang diperhatikan oleh peneliti adalah

Adjusted R Square, F, Significance F, t Stat dan P-value atas Intercept dan variabel independen.

Adjusted R Square, F, Significance F, t Stat dan P-value atas Intercept adalah bagian dari uji

model yang harus dilakukan oleh peneliti. Uji model ini harus dilakukan untuk

menunjukkan kepada pembaca bahwa model yang diajukan oleh peneliti memang bagus

dan memiliki kualitas yang tinggi.

Adjusted R Square adalah koefisien determinasi yang sudah disesuaikan dengan

jumlah variabel independen. Pada dasarnya, dalam sebuah model yang diajukan, semakin

banyak jumlah variabel independen yang dimasukkan maka R Square akan semakin tinggi.

Oleh karena itu Adjusted R Square inilah yang harus digunakan peneliti untuk menjelaskan

kemampuan menjelaskan sebuah model. Pada dasarnya, semakin tinggi nilai Adjusted R

Square, maka akan semakin baik. Namun, dalam penelitian perilaku, keuangan atau

akuntansi; penyederhanaan pembuatan model kadang sangat besar. Misal dalam kasus

penelitian tentang pengaruh pengumuman pembayaran dividen terhadap harga saham. Di

sini, peneliti hanya fokus pada pengumuman pembayaran dividen yang dilakukan oleh

emiten terhadap harga pasar saham, sedangkan variabel yang lain tidak dilihat walaupun

secara faktual ikut mempengaruhi terbentuknya harga saham. Penyederhanaan seperti

inilah yang akan berakibat pada rendahnya nilai Adjusted R Square.

Interpretasi atas nilai Adjusted R Square juga harus diperhatikan peneliti. Dalam

penelitian perilaku, keuangan atau akuntansi biasanya nilai Adjusted R Square berkisar

antara 15% sampai 30%. Bila peneliti menginterpretasikan nilai ini dengan: Model ini

mampu menjelaskan 30% dari perubahan variabel dependen dan 70% lainnya dijelaskan

oleh variabel lain yang tidak masuk dalam model ini, maka penjelasan ini seolah

menunjukkan bahwa model yang diajukan peneliti buruk dan kurang mumpuni.

Interpretasi peneliti seharusnya mengatakan bahwa: Secara riil, hal-hal yang mempengaruhi

variabel dependen sangat banyak, dan penelitian ini hanya mengambil sebagian kecil saja

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 15

yaitu tiga variabel sudah mampu menjelaskan 30%, sehingga kemampuan menjelaskan rata-

rata variabel independen adalah 10%. Nilai ini sangat besar bila dibandingkan dengan

jumlah variabel yang secara riil mempengaruhi variabel dependen. Sehingga peneliti bisa

menyimpulkan bahwa pemilihan independen variabel sudah bagus dan model bisa

dianggap baik. Penjelasan seperti ini akan menggeser pengertian pembaca dari 30%

termasuk kecil ke besar.

F dan Significance F, di banyak buku statistik terapan (Ghozali, 2011; Alghifari, 1977)

diinterpretasikan atau dijelaskan sebagai uji serempak. Penjelasan lebih lanjut atas uji ini

adalah: Bahwasanya semua variabel independen secara bersama-sama berpengaruh terhadap variabel

dependen. Dalam kasus Regresi OLS digunakan sebagai alat untuk mengetahui peran

variabel independen, istilah serempak di sini agak kurang tepat. Istilah serempak dalam

Kamus Besar Bahasa Indonesia memiliki arti pada saat yang sama dan tiba-tiba atau

bersama-sama; serentak. Bila peneliti mengartikan bahwa variabel independen secara

serempak berpengaruh terhadap variabel dependen, maka semua variabel independen,

tanpa kecuali, berperan atau berpengaruh terhadap variabel dependen. Kata lain dari

pengertian ini adalah bahwa semua variabel independen berpengaruh signifikan terhadap

variabel dependen. Permasalahan yang dihadapi adalah, kadang, tidak semua variabel

independen secara signifikan berpengaruh terhadap variabel dependen sesuai dengan

hipotesa yang dibangun. Dalam banyak kasus, variabel independen tertentu yang

dimasukkan dalam model oleh peneliti tidak signifikan berpengaruh terhadap variabel

dependen; atau bahkan berlawanan dengan hipotesa yang diajukan -hipotesa yang diajukan

berpengaruh positif ternyata faktanya adalah negatif signifikan. Bila kasusnya seperti ini,

apakah peneliti masih bisa mengatakan bahwa semua variabel independen secara serempak

berpengaruh signifikan terhadap variabel dependen?

Mengingat pertimbangan di atas, maka F dan Significance F sebaiknya diartikan

sebagai tingkat kesalahan model yang harus ditanggung oleh peneliti bila dikatakan bahwa

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 16

model yang diajukan adalah baik. Semakin kecil nilai Significance F maka semakin kecil pula

tingkat kesalahan model yang harus ditanggung oleh peneliti.

t Stat dan P-value atas Intercept sangat jarang diperhatikan oleh peneliti. Dalam

banyak kasus, peneliti mengabaikan hal ini. Kalau dilihat pada model regresi yang diajukan

oleh peneliti, biasanya ditulis sebagai berikut:

Y = f (X1, X2, X3 …….. Xn)

Arti dari model tersebut adalah peneliti berharap melalui landasan teori maupun

hipotesa yang diajukan, bahwa Y hanya dipengaruhi oleh X1, X2, X3 …….. Xn. Bila ternyata

setelah penelitian selesai dan didapatkan Intercept signifikan mempengaruhi Y, maka model

yang didapatkan adalah:

Y = f (, X1, X2, X3 …….. Xn)

yang signifikan ini bisa dikatakan sebagai diluar kendali peneliti, mengingat bahwa

peneliti telah melakukan telaah pustaka yang cukup guna penyusunan model. yang

signifikan ini menunjukkan bahwa terdapat variabel signifikan lain yang mempengaruhi

variabel dependen, atau dengan kata lain peneliti kurang memasukkan variabel tertentu

yang ternyata penting atau sangat penting. Fenomena ini biasa disebut dengan istilah

missing variable. Hal ini adalah masalah yang biasa dalam penelitian yang menggunakan

pendekatan penyederhanaan atau tidak semua variabel independen dimasukkan dalam

model penelitian. Permasalahan akan semakin besar bila hasil regresi menunjukkan bahwa

 signifikan, dan X1 sampai Xn tidak signifikan. Bila hal ini sampai terjadi, maka inilah

kelemahan peneliti dalam memilih variabel independen.

Tiga indikator pertama ini pada dasarnya adalah indikator atas kualitas model yang

diajukan oleh peneliti. Bila ketiga indikator model di atas bisa masuk ke kategori baik, maka

tidak ada masalah. Bila dari ketiga indikator di atas terdapat indikasi yang kurang baik,

maka fokus perhatian ada pada Significance F sebab indikator ini menunjukkan tingkat

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 17

kesalahan model. Rendahnya nilai Adjusted R2 tidak akan menjadi masalah selama

Significance Fnya rendah. Bila signifikan, maka secara matematis bisa dilakukan sedikit

perubahan pada penghitungan, yaitu garis regresinya dilewatkan titik (0,0). Dengan garis

regresi dilewatkan titik (0,0) maka akan secara otomatis tidak ada, sehingga permasalahan

bisa diatasi. Solusi ini bisa dijalankan bila memang model yang diajukan sudah sempurna,

dalam arti hanya variabel yang sudah diajukan itu sajalah yang mempengaruhi variabel

dependen tidak ada yang lain. Bila penentuan model dilakukan dengan pendekatan

penyederhanaan (parsimony), maka pemaksaan garis regresi melalui titik (0,0) sangat tidak

disarankan. Signifikannya parameter  menunjukkan adanya kekurangan peneliti dalam

memasukkan variabel independen, sehingga peneliti harus mengakuinya sebagai

kelemahan penelitian.

Uji asumsi klasik, pada dasarnya hanya diwajibkan bila regresi akan digunakan

sebagai alat memprediksi. Uji ini diperlukan demi didapatnya BLUE (Best Linear Unbiased

Estimator). Aplikasi regresi ini sama sekali tidak untuk memprediksi, sehingga tidak ada

permasalahan dengan estimasi maupun estimator. Walaupun demikian, terdapat beberapa

uji asumsi klasik yang tetap harus dilakukan demi tepatnya hasil dan ada beberapa uji yang

sama sekali tidak boleh dilakukan.

1. Regresi memiliki parameter linier.

Pendekatan yang digunakan di sini adalah pendekatan linier, sehingga uji linieritas

menjadi sesuatu yang wajib dilakukan. Bila ternyata parameter yang ada adalah

kuadratik, parabolik atau yang lain, maka regresi linier baru bisa dijalankan bila

sudah dilakukan manipulasi data sehingga data yang diolah menjadi linier atau

mendekati linier. Bila data yang dimiliki adalah data lancung (spurious) maka

pendekatan regresinya harus juga menggunakan regresi lancung.

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 18

2. Variabel independen memiliki nilai yang konstan pada setiap kali percobaan. Uji ini

hanya diperlukan bila data yang dipakai adalah data percobaan atau eksperimen.

Bila data yang dipakai bukanlah data hasil eksperimen, maka uji ini tidak perlu

dilakukan.

3. Untuk setiap nilai X, rata-rata kesalahan (sama dengan nol. Uji ini tidak perlu

dilakukan karena pendekatan yang dipakai adalah OLS.

4. Untuk setiap nilai X, varian kesalahan (konstan atau ada homoskedastistas. Uji ini

harus dilakukan, karena indikator ini berhubungan dengan variabilitas data.

Variabilitas data yang terlalu besar akan mengakibatkan munculnya masalah

heteroskedastistas. Bila masalah ini muncul, maka hasil regresi akan berkurang

manfaatnya. Jalan keluar yang bisa dilakukan adalah melakukan transformasi

(manipulasi) data atau menambah jumlah data (sampel) penelitian.

5. Untuk setiap nilai X, tidak ada otokorelasi pada kesalahan (.

Bila peneliti menggunakan perangkat lunak SPSS dan data yang dipakai bukan data

runut waktu, kadang test Durbin-Watson (DW) terklik sehingga secara otomatis

keluaran diberikan. Walaupun keluarannya ada, maka sebaiknya peneliti tidak

membahasnya dalam analisa yang dilakukan. Bila peneliti melakukan interpretasi

atas keluaran DW, maka secara sadar atau tidak, sebenarnya peneliti berpraduga

akan adanya ketergantungan eror saat (data) ini dengan eror saat (data) sebelumnya.

Padahal, di sisi lain, peneliti menggunakan data kerat lintang atau panel dan dengan

menggunakan data ini maka peneliti bebas untuk melakukan tabulasi data. Dalam

kasus data kerat lintang, maka peneliti boleh mengurutkan data sesuai urutan nama

perusahaan, skala besarnya perusahaan, umur perusahaan atau semaunya peneliti.

Dengan demikian, secara teori tidak mungkin ada permasalahan otokorelasi.

Mungkinkah eror atas data PT A tergantung atau dipengaruhi eror PT B yang sama

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 19

 sekali tidak ada hubungannya? Kalau suatu ketika kebetulan terdapat permasalahan

otokorelasi, maka ini adalah sebuah kebetulan. Untuk mengatasi hal ini, maka

peneliti hanya perlu mengubah pola urutan data, maka hasil uji otokorelasinya akan

lolos. Pada dasarnya seorang peneliti melakukan uji, karena ia tidak yakin atas

seuatu hal tertentu. Bila ia yakin atas suatu hal, maka dia tidak mungkin melakukan

sebuah uji. Oleh karena itu peneliti tidak boleh melakukan uji otokorelasi atas data

kerat lintang atau poled.

6. Bila X adalah stokastik maka kesalahan (dan Xnya tidak berhubungan atau

independen. Uji ini tidak perlu dilakukan, karena sangat sulit terlanggar.

7. Jumlah observasi harus lebih besar dari jumlah regresor (variabel X). Asumsi ini

biasanya tidak perlu dilakukan, karena sangat jarang peneliti hanya memiliki sedikit

data untuk penelitiannya. Penelitian di bidang keuangan, biasanya memiliki variabel

independen antara 5 sampai 10. Sangat jarang peneliti memiliki lebih dari 10 variabel

independen, namun juga sangat jarang peneliti hanya memiliki data kurang dari 10.

Penelitian yang menggunakan data runut waktu (time series), biasanya hanya

memiliki data yang sedikit. Oleh karena itu, maka variabel independen yang

dimodelkan juga haris deikit saja. Bila jumlah data lebih kecil dari pada atau sama

dengan jumlah variabel independen, biasanya perangkat lunak yang digunakan

memberikan peringatan dan tidak berjalan. Gujarati (1995) memberikan batasan

minimal data (n) sebanyak jumlah variabel independen (k) ditambah 1, namun

berdasarkan pengalaman dengan menggunakan data di Indonesia sebaiknya peneliti

memiliki data minimal sebayak k + 2.

8. Harus terdapat variabilitas yang cukup pada regresor.

Masalah ini berhubungan dengan variabilitas data. Pada banyak buku statistik

asumsi ini jarang sekali dibahas. Tidak ada batasan pasti tentang seberapakah

sebuah data dianggap memiliki variabilitas yang cukup. Dalam banyak kasus,

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 20

 masalah ini diukur dengan parameter Standar Deviasi atau Varian. Hanya saja

berapa standar atau nilai baku yang bisa digunakan sebagai dasar penggolongan

variabilitas ini belum baku.

Akibat dari kurangnya variabilitas data adalah variabel tersebut akan tidak

signifikan berpengaruh terhadap variabel dependen, walaupun secara teori atau

logika berpengaruh. Misal penelitian tentang pengaruh kepandaian mahasiswa

terhadap kecepatan menyelesaikan kuliah. Sampel data diambil dari mahasiswa

yang masuk dalam 5% mahasiswa terpandai, maka data yang didapat akan sangat

homogen atau tidak memiliki variabilitas yang cukup. Akibatnya adalah kepandaian

mahasiswa akan tidak signifikan berpengaruh terhadap kecepatan penyelesaian

kuliah.

9. Model regresi telah ditetapkan secara tepat.

Penentuan model menjadi hal yang sangat harus diperhatikan oleh peneliti,

terutama untuk penyusunan model yang menggunakan konsep parsimony.

Penyederhanaan model dalam artian pengurangan jumlah variabel independen yang

diteliti harus diperhatikan dengan baik oleh peneliti. Sangat mungkin bila peneliti

kurang teliti, maka dari 6 variabel independen yang dipilih hanya ada 1 variabel

yang signifikan, dan signifikansi jauh lebih tinggi dari-pada variabel

independennya. Fenomena ini menunjukkan penyusunan model kurang baik. Hal

yang lebih parah adalah bila Significance F sangat rendah, P-value atas  juga sangat

rendah, tetapi atas variabel independen sangat tinggi. Kenyataan seperti ini akan

mempersulit peneliti untuk menjelaskan hasil penelitian. Oleh karena itu, peneliti

harus benar-benar yakin atas model yang diajukan dalam penelitiannya, termasuk

pemilihan teori dasar yang digunakan atau dianut.

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 21

 Permasalahan penyusunan model kadang tidak bisa dideteksi oleh alat statistik yang

digunakan. Statistik hanya bisa melihat angka, tanpa bisa melihat hal yang ada di

sebalik angka tersebut. Misal penelitian dengan judul: Pengaruh Pembayaran

Dividen, Aktivitas CSR Perusahaan dan Rentabilitas Ekonomis terhadap Return

Saham. Judul penelitian ini mengandung permasalahan model yang sangat

mendasar, walau terdapat beberapa peneliti melakukan hal ini. Permasalahan

pertama adalah bagaimana menghitung Return Saham? Rumus yang biasa dipakai

𝑃𝑡 −𝑃𝑡−1
adalah 𝑅𝑖𝑡 = 𝑃𝑡−1
. Alternatif pemilihan jangka waktu t antara lain harian,

mingguan, bulanan atau tahunan. Masing-masing pendekatan memiliki konsekuensi

yang berbeda. Bila dipilih tahunan, maka Pt = harga saham tutup tahun ini dan Pt-1 =

harga saham tutup tahun lalu. Bila pendekatan ini yang diambil oleh peneliti, maka

Rit adalah return saham tahun ini. Pembayaran Dividen, di lain pihak, bisa diukur

dengan rasio dividen yang dibayarkan perusahaan (DPR / Dividen Payout Ratio)

pada tahun ini. Dividen, biasanya baru diputuskan setelah dilakukan RUPS yang

mengesahkan Laporan Keuangan tahun ini, dan ini biasanya dilakukan pada tahun

berikutnya (bukan tahun ini). Pertanyaan yang muncul adalah: Mungkinkah ada

kegiatan tahun berikutnya yang bisa mempengaruhi harga saham tahun ini? Atau

Mungkinkah akibat mendahului sebab? Bila peneliti sadar akan hal ini, maka bisa

saja dilakukan penggeseran, yaitu atas variabel Dividen diambil dari data

pembayaran dividen tahun lalu, dan return diambil tahun ini. Bila solusi ini diambil,

maka akan muncul masalah baru, yaitu keputusan pembayaran dividen biasanya

diputuskan sekitar bulan April - Mei, sedangan di lain pihak return dihitung dengan

rentang waktu satu tahun, dari 1 Januari sampai 31 Desember. Pertanyaan yang

muncul adalah mungkinkan kegiatan bulan April berpengaruh pada return bulan

Januari sampai Maret? Bila solusinya adalah menggunakan t harian agar tidak ada

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 22

 masalah akibat mendahului sebab, maka Pembayaran Dividen akan berpengaruh

pada Harga Saham setelah dividen dibayarkan, diumumkan atau diputuskan. Bila

peneliti berasumsi adanya kebocoran informasi, maka informasi dividen akan

berpengaruh sejak beberapa hari sebelum diputuskan sampai beberapa hari setelah

diputuskan. Sebuah informasi tidak mungkin akan bisa berpengaruh dalam waktu

yang sangat lama, karena informasi yang masuk ke pasar modal sangatlah banyak

dan beragam.

Permasalahan lain adalah Aktivitas CSR pelaksanaannya bukan pada saat atau

sekitar RUPS. Aktivitas CSR dilakukan pada tahun lalu dan biasanya sudah

dilaporkan oleh perusahaan setelah aktivitas itu dilakukan dalam bentuk iklan atau

publikasi yang lain. Dampak atas aktivitas ini akan langsung, tidak harus menunggu

adanya RUPS atau terbitnya Laporan Keuangan. Harga saham akan langsung

bereaksi setelah ada laporan aktivitas CSR. Memang benar Dividen berpengaruh

terhadap Harga saham, demikian pula Aktivitas CSR; namun waktunya tidak sama.

Timbul masalah di sini, harga saham yang mana yang diambil dalam penelitian?

Oleh karena itu, dalam penyusunan model peneliti harus yakin bahwa semua

independen variabel terjadi pada waktu yang sama, sehingga bisa diambil waktu

yang sama pula untuk harga sahamnya. Permasalahan ini tidak bisa dideteksi oleh

statistik, sehingga peneliti harus menggunakan logika teori yang ada.

10. Tidak terdapat hubungan linier di antara regresor (multikoliniaritas).

Uji atas linearitas antar regresor harus dilakukan, karena berhubungan dengan

ketepatan model yang dibangun. Regresor yang saling berkorelasi, pada dasarnya

adalah satu, sehingga tidak ada manfatnya bila dimasukkan dalam model. Adanya

korelasi secara statistik, kadang tidak ada masalah bila secara teori korelasi itu tidak

mungkin terjadi. Misal tingkat kecelakaan di Yogyakarta dengan tingkat kematian di

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 23

 Jakarta. Bila kedua variabel ini kebetulan berkorelasi tinggi, maka ini hanya sebuah

kebetulan yang tidak bisa dijelaskan secara teori.

Uji ini tidak perlu dilakukan bila model yang diajukan oleh peneliti menggunakan

variabel pemoderasi. Model yang diajukan oleh peneliti biasanya adalah: Y =  +

1X1 + 2X2 + 3X2M + . Dalam model ini terlihat bahwa variabel M memoderasi

pengaruh variabel independen X2 terhadap Y. Bila atas model seperti ini dilakukan

uji multikoliliaritas, maka secara otomatis variabel X2 akan berkorelasi tinggi dengan

variabel X2M, karena mengandung unsur yang sama. Walaupun demikian, variabel

lain yang tidak mengandung moderasi tetap harus dilakukan uji multikoliliaritas.

11. Kesalahan (error) terdistribusi secara normal.

Uji ini ditujukan untuk mengetahui apakah data yang digunakan dalam penelitian

adalah data yang normal. Bila peneliti menggunakan Regresi OLS untuk mengetahui

peran atau pembuktian hipotesa, maka uji ini tidak perlu dilakukan. Dalam kasus

pembuktian hipotesa, peneliti tidak memasalahkan pada normalitas data. Fokus

perhatian peneliti adalah apakah variabel independen yang diajukan benar-benar

berpengaruh terhadap variabel dependen, berdasarkan data yang ada. Bila uji

normalitas dilakukan dan ternyata tidak lolos (tidak normal), maka peneliti akan

melakukan pengobatan atas data yang ada, sehingga akan didapat data yang normal.

Pemaksaan data menjadi normal ini akan menggeser tujuan penelitian. Misal peneliti

ingin meneliti peran make up terhadap kecantikan seseorang dan sampel yang

diambil sangat luas, mulai dari pedagang kecil di pasar tradisional, pelajar,

mahasiswa sampai pengantin. Dari struktur responden ini, bisa ditebak bahwa data

yang terkumpul pasti bukan data yang normal. Make up pengantin pasti lebih tebal

dan lebih berani dari pada kelompok responden lainnya. Nila peneliti ingin

"menormalkan" data pengantin, maka ia harus benyak memotong dan menipiskan

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 24

 ketebalan make up pengantin. Bila ini dilakukan, maka data yang didapat bukan lagi

data pengantin, tetapi data masiswa kuliah atau sejenisnya. Dengan demikian, uji

normalitas tidak perlu dilakukan bila regresi digunakan untuk mengetahui

pengaruh atau peran variabel independen terhadap variabel dependen. Kalaupun

peneliti melakukan uji ini dan tidak lolos, maka peneliti juga tidak boleh melakukan

pengobatan atau melakukan sesuatu agar tidak seperti itu lagi. Bila usaha

pengobatan dilakukan, maka sama saja dengan mengubah konsep penelitian yang

sedang dijalankan.

3. Untuk Mengetahui Nilai  Saja.

Aplikasi regresi ini tidak bertujuan untuk melakukan prediksi variabel dependen di

masa yang akan datang atau pada kondisi tertentu ataupun peran variabel independen

terhadap variabel dependen. Aplikasi ini dilakukan hanya sekedar untuk mengetahui

besarnya nilai  saja. Contoh penerapan aplikasi ini adalah penghitungan besaran risiko

saham tertentu. Untuk mengetahui besaran risiko saham, dihitung dengan meregresikan

Return Saham terhadap Return pasar, sehingga modelnya adalah:

Rit =  +  Rmt

Pada kasus seperti ini, maka hal yang diperhatrikan hanyalah besaran nilai  saja,

sedangkan yang lain tidak diperhatikan. Semakin besar nilai b, maka semakin tinggi pula

risiko yang harus ditanggung oleh investor.

Dengan menggunakan aplikasi seperti ini, maka peneliti tidak ingin mengetahui

besaran Rit atau peran Rmt terhadap Rit. Uji asumsi klasik sama sekali tidak perlu

dipertimbangkan.

Imam Ghozali, 2011. Aplikasi Analisis Multivariate Dengan Program SPSS. Semarang :

BP Universitas Diponegoro

Aplikasi dan Interpretasi Regresi OLS - Syamsul Hadi Page 25