TUGAS

STATISTIK BISNIS
MODERATING DENGAN STATA

Dosen Pengampu :

Dr. Dodik Ariyanto, S.E, M.Si, Ak, CA

Dr. Ica Rika Candraningrat, S.E, M.M

Oleh :

I Nyoman Endra 22181611023

PROGRAM MAGISTER AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS UDAYANA
DENPASAR
2021
. xtsum NILAIPERUSAHAANTOBINSQY CSRDIX1 AGEM1 SIZEM2

Variable Mean Std. Dev. Min Max Observations

NILAIP~Y overall 5.512548 11.21935 .5941954 54.10072 N= 75

between 10.98308 .661295 41.80054 n= 25
within 2.916488 -2.688051 20.10502 T= 3

CSRDIX1 overall .7522344 .0381225 .6813187 .8461538 N= 75

between .0279942 .7069597 .8095238 n= 25
within .0262835 .6899634 .8181685 T= 3

AGEM1 overall 21.88 10.25349 6 58 N= 75

between 10.36147 7 57 n= 25
within .8219949 20.88 22.88 T= 3

SIZEM2 overall 8.884965 2.248596 5.678134 13.56248 N= 75

between 2.279019 5.695601 13.49774 n= 25
within .0512891 8.738403 9.020816 T= 3

Statistik deskriptif :

1. variabel CSR memiliki nilai rata-rata 0,7522344 dengan standar deviasi 0,0381225 yang
memiliki nilai minimum sebesar 0,6813187 dan nilai maksimum sebesar 0,8461538 hal ini
berarti semakin tinggi nilai CRS suatu perusahaan maka nilai perusahaan semakin baik
begitu juga sebaliknya.
2. variabel moderasi Age (Umur Perusahaan) memiliki nilai rata-rata 21,88 tahun dengan
standar 10,25349 yang memiliki umur minimum sebesar 6 tahun dan memiliki umur
maksimum sebesar 58 tahun, hal ini berarti semakin panjang umur perusahaan maka nilai
perusahaan semakin baik begitu juga sebaliknya.
3. variabel moderasi Zise (Ukuran Perusahaan) memiliki nilai rata-rata 8,884965 dengan
standar 2,248596 yang memiliki nilai minimum sebesar 5,678134 dan memiliki nilai
maksimum sebesar 13,56248, hal ini berarti semakin besar ukuran perusahaan maka nilai
perusahaan semakin baik begitu juga sebaliknya.
Memilih model regresi (Pooled Least Square, Fixed Effect, Random Effect)

1. Uji model PLS, FE, RE

a. uji PLS
. reg NILAIPERUSAHAANTOBINSQY CSRDIX1 InteraksiX1M1 interaksiX1M2

Source SS df MS Number of obs = 75

F( 3, 71) = 11.55
Model 3054.23802 3 1018.07934 Prob > F = 0.0000
Residual 6260.42026 71 88.1749332 R-squared = 0.3279
Adj R-squared = 0.2995
Total 9314.65828 74 125.873761 Root MSE = 9.3902

NILAIPERUSA~Y Coef. Std. Err. t P>|t| [95% Conf. Interval]

CSRDIX1 -21.79681 28.68844 -0.76 0.450 -78.99994 35.40632

InteraksiX1M1 .7067841 .1502889 4.70 0.000 .4071166 1.006452
interaksiX1M2 -.9389957 .5115534 -1.84 0.071 -1.959004 .0810127
_cons 18.6359 22.06424 0.84 0.401 -25.35894 62.63073

b. uji FE
. xtreg NILAIPERUSAHAANTOBINSQY CSRDIX1 InteraksiX1M1 interaksiX1M2, fe

Fixed-effects (within) regression Number of obs = 75

Group variable: CC Number of groups = 25

R-sq: within = 0.0562 Obs per group: min = 3

between = 0.2311 avg = 3.0
overall = 0.2137 max = 3

F(3,47) = 0.93
corr(u_i, Xb) = -0.9511 Prob > F = 0.4321

NILAIPERUSA~Y Coef. Std. Err. t P>|t| [95% Conf. Interval]

CSRDIX1 -1.864955 25.51724 -0.07 0.942 -53.19903 49.46912

InteraksiX1M1 -1.006494 1.040251 -0.97 0.338 -3.099209 1.086221
interaksiX1M2 9.179434 13.12886 0.70 0.488 -17.23242 35.59129
_cons -58.10191 115.0027 -0.51 0.616 -289.4576 173.2538

sigma_u 31.311316
sigma_e 3.5551824
rho .98727206 (fraction of variance due to u_i)

F test that all u_i=0: F(24, 47) = 18.68 Prob > F = 0.0000
 c. uji RE
. xtreg NILAIPERUSAHAANTOBINSQY CSRDIX1 InteraksiX1M1 interaksiX1M2, re

Random-effects GLS regression Number of obs = 75

Group variable: CC Number of groups = 25

R-sq: within = 0.0126 Obs per group: min = 3

between = 0.3428 avg = 3.0
overall = 0.3195 max = 3

Wald chi2(3) = 11.15

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0109

NILAIPERUSA~Y Coef. Std. Err. z P>|z| [95% Conf. Interval]

CSRDIX1 -31.62729 16.1036 -1.96 0.050 -63.18977 -.0648118

InteraksiX1M1 .553121 .240737 2.30 0.022 .0812851 1.024957
interaksiX1M2 -1.153352 .8724029 -1.32 0.186 -2.86323 .5565264
_cons 30.4607 13.9835 2.18 0.029 3.053553 57.86785

sigma_u 9.2039152
sigma_e 3.5551824
rho .87016802 (fraction of variance due to u_i)

2. uji chou test

Uji chou tes merupakan uji yang membandingkan antara model PLS dengan model FE,
dimana jika Prob>F maka HO : PLS dan H1 : FE
. xtreg NILAIPERUSAHAANTOBINSQY CSRDIX1 InteraksiX1M1 interaksiX1M2, fe

Fixed-effects (within) regression Number of obs = 75

Group variable: CC Number of groups = 25

R-sq: within = 0.0562 Obs per group: min = 3

between = 0.2311 avg = 3.0
overall = 0.2137 max = 3

F(3,47) = 0.93
corr(u_i, Xb) = -0.9511 Prob > F = 0.4321

NILAIPERUSA~Y Coef. Std. Err. t P>|t| [95% Conf. Interval]

CSRDIX1 -1.864955 25.51724 -0.07 0.942 -53.19903 49.46912

InteraksiX1M1 -1.006494 1.040251 -0.97 0.338 -3.099209 1.086221
interaksiX1M2 9.179434 13.12886 0.70 0.488 -17.23242 35.59129
_cons -58.10191 115.0027 -0.51 0.616 -289.4576 173.2538

sigma_u 31.311316
sigma_e 3.5551824
rho .98727206 (fraction of variance due to u_i)

F test that all u_i=0: F(24, 47) = 18.68 Prob > F = 0.0000

Pada uji Chou test, dapat disimpulkan bahwa Probabilitasnya lebih kecil dari 0,05 maka
tolak Ho hal ini berarti pada pengujian chou test model FE yang lebih baik.
3. Uji LM Test
Uji LM tes merupakan uji yang membandingkan antara model PLS dengan model RE,
dimana jika Prob>F maka HO : PLS dan H1 : RE

. xttest0

Breusch and Pagan Lagrangian multiplier test for random effects

NILAIPERUSAHAANTOBINSQY[CC,t] = Xb + u[CC] + e[CC,t]

Estimated results:
Var sd = sqrt(Var)

NILAIPE~Y 125.8738 11.21935

e 12.63932 3.555182
u 84.71205 9.203915

Test: Var(u) = 0
chibar2(01) = 53.52
Prob > chibar2 = 0.0000

Pada uji LM Test,

dapat disimpulkan bahwa Probabilitasnya lebih kecil dari 0,05 maka tolak Ho hal ini berarti
pada pengujian LM test model RE yang lebih baik.

4. Uji Hausman Test

Uji Hausman tes merupakan uji yang membandingkan antara model RE dengan model FE,
dimana jika Prob>F maka HO : RE dan H1 : FE
. quietly xtreg NILAIPERUSAHAANTOBINSQY CSRDIX1 InteraksiX1M1 interaksiX1M2, fe

. estimates store fe

. quietly xtreg NILAIPERUSAHAANTOBINSQY CSRDIX1 InteraksiX1M1 interaksiX1M2, re

. estimates store re

. hausman fe re

Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
fe re Difference S.E.

CSRDIX1 -1.864955 -31.62729 29.76234 19.79403

InteraksiX~1 -1.006494 .553121 -1.559615 1.012012
interaksiX~2 9.179434 -1.153352 10.33279 13.09984

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic

chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 3.19
Prob>chi2 = 0.3636

Pada uji Hausman Test, dapat disimpulkan bahwa Probabilitasnya lebih besar dari 0,05
maka Ho diterima hal ini berarti pada pengujian Hausman test model RE yang lebih baik.
 Dari kesimpulan semua model yang telah diukur maka model yang palig baik digunakan
adalah pada model RE (Random Effect). Sebelum menyimpulkan maka dilakukan uji asumsi
klasik terlebih dahulu agar memastikan tidak ada pelanggaran dari hasil uji asumsi klasik
dalam model Random Effect.

Uji Asumsi Klasik

A. Uji Multikolinearitas

. vif, uncentered

Variable VIF 1/VIF

CSRDIX1 28.47 0.035130

interaksiX~2 17.92 0.055818
InteraksiX~1 6.21 0.161026

Mean VIF 17.53

Dalam table menunjukan nilai VIF dari variabel X1 (CSR) dan variabel moderasi (Ukuran
perusahaan) memiliki nilai masing-masing 26,47 dan 17,92 lebih besar dari 10 maka terjadi
gejala multikolinearitas dan untuk variabel moderasi (umur perusahaan) memiliki nilai
sebesar 6,21 yang lebih kecil dari 10 maka tidak terjadi gejaga multikolinearitas.

B. Uji Heteroskedastisitas
Dalam model Random effect tidak perlu menguji kembali heteroskedastisitas karena sudah
bebas dari gejala heteroskedastisitas
C. Uji Autokorelasi
Dalam model Random effect tidak perlu menguji kembali Autokorelasi karena sudah bebas
dari gejala Autokorelasi
D. Uji Normalitas Data

. swilk NILAIPERUSAHAANTOBINSQY CSRDIX1 InteraksiX1M1 interaksiX1M2

Shapiro-Wilk W test for normal data

Variable Obs W V z Prob>z

NILAIPERUS~Y 75 0.47613 34.108 7.706 0.00000

CSRDIX1 75 0.97032 1.933 1.438 0.07517
InteraksiX~1 75 0.89038 7.137 4.291 0.00001
interaksiX~2 75 0.89295 6.970 4.239 0.00001

Dalam data tersebut terlihat bahwa nilai dari Probabilitas dari variabel Y (Nilai Perusahaan),
Variabel moderasi Age (Umur Perusahaan) dan moderasi Size (Ukuran Perusahaan) lebih
kecil dari 0,05 hal ini berarti data tidak terdistribusi normal dan variabel X1 (CSR) lebih
besar dari 0,05 maka data terdistribusi normal.

Pengujian Regresi linear berganda

. regress NILAIPERUSAHAANTOBINSQY CSRDIX1 AGEM1 SIZEM2

Source SS df MS Number of obs = 75

F( 3, 71) = 12.09
Model 3148.86348 3 1049.62116 Prob > F = 0.0000
Residual 6165.7948 71 86.8421803 R-squared = 0.3381
Adj R-squared = 0.3101
Total 9314.65828 74 125.873761 Root MSE = 9.3189

NILAIPERUS~Y Coef. Std. Err. t P>|t| [95% Conf. Interval]

CSRDIX1 -6.000126 28.47177 -0.21 0.834 -62.77122 50.77097

AGEM1 .5412209 .1115369 4.85 0.000 .3188226 .7636192
SIZEM2 -.9197307 .5077452 -1.81 0.074 -1.932146 .0926846
_cons 6.35591 22.3292 0.28 0.777 -38.16724 50.87906

1) Nilai Probabilitas dari variabel X1 (CSR) sebesar 0,834 nilai ini lebih besar dari 0,05 hal ini
berarti bahwa variabel X1 (CSR) tidak berpengaruh signifikan terhadap nilai perusahaan.
2) Nilai Probabilitas dari variabel moderasi Age (Umur perusahaan) sebesar 0,000 nilai ini
lebih kecil dari 0,05 hal ini berarti bahwa variabel moderasi Age (umur perusahaan)
berpengaruh signifikan terhadap nilai perusahaan.
3) nilai probabilitas dari variabel moderasi Size (ukuran perusahaan) sebesar 0,074 nilai ini
lebih besar dari 0,05 hal ini berarti bahwa variabel moderasi Size (ukuran perusahaan) tidak
berpengaruh signifikan terhadap nilai perusahaan.
Dari deskripsi data tersebut dapat ditarik kesimpulan bahwa variable Size (ukuran perusahaan)
memperlemah pengaruh X1 (CSR) terhadap Y (nilai perusahaan) meskipun memperlemah
namun pengaruhnya tidak signifikan akan tetapi variabel Age (umur perusahaan) memperkuat
pengaruh X1 (CSR) terhadap nilai perusahaan.