JAWABAN

Nama : Annisa Ayundra Safira

Nim : 2203101031
Kelas : 3A – Akuntansi
Mata Kuliah : Statistika

1) Uji Normalitas
 Dengan Kolmogorov-Smirnov

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 139
a,b
Normal Parameters Mean .0000000
Std. Deviation .73748772
Most Extreme Differences Absolute .047
Positive .047
Negative -.032
Test Statistic .047
Asymp. Sig. (2-tailed) .200c,d

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

Terlihat hasil significant pada hasil normalitas adalah 0,200. Ini menandakan hasil tersebut
adalah berdistribusi normal karena signifikan kurang dari 0,05 (5%)

 Dengan Probability Plot

Terlihat hasil di atas adalah titik-titik yang mengikut garis diagonal dan menandakan bahwa hasil
tersebut adalah normal.

2) Uji Multikolinearitas
Coefficientsa

Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) .266 .085 3.121 .002

LAG_NEW_X1 -1.783 .088 -.832 -20.217 .000 .931 1.074

LAG_NEW_X2 .051 .006 .334 8.154 .000 .942 1.062

LAG_M 9.458 .860 .439 10.999 .000 .989 1.012

a. Dependent Variable: LAG_Y

Terlihat hasil diatas
- Tolerance Lag_New_x1,Lag_Nwe_X2 , Lag_M > 0,100
- VIF Lag_New_x1,Lag_Nwe_X2 , Lag_M < 10.000
Terlihat hasil diatas adalah Tolerance Semua > 0,100 dan VIF < 10.000, maka hasil semuanya
ialah bebas dari Multikolinearitas

3) Uji Heteroskedastisitas

Terlihat Grafik Scatter di atas, jelas bahwa titik tidak membentuk pola tertentu yaitu. Dengan
begitu jelas tidak terdapat masalah heteroskedastisitas.

4) Uji Autokorelasi
 Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .888a .789 .784 .60069 1.834

a. Predictors: (Constant), LAG_M, LAG_NEW_X2, LAG_NEW_X1

b. Dependent Variable: LAG_Y

Diketahui dari hasil diatas nilai:

DW : 1,834 . dL : 1,6938 . dU : 1,7521
Maka kesimpulannya DW > DL,maka tidak terdapat Antokorelasi

5) Hasil Uji F (Anova)

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 180.284 3 60.095 166.546 .000b

Residual 48.351 134 .361

Total 228.635 137

a. Dependent Variable: LAG_Y

b. Predictors: (Constant), LAG_M, LAG_NEW_X2, LAG_NEW_X1

Terlihat hasil diatas signifikan 0,000 < 0,05, maka secara stimulant terdapat pengaruh x
terhadap y

6) Hasil Uji T (Coefficient)

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) .266 .085 3.121 .002

 LAG_NEW_X1 -1.783 .088 -.832 -20.217 .000 .931 1.074

LAG_NEW_X2 .051 .006 .334 8.154 .000 .942 1.062

LAG_M 9.458 .860 .439 10.999 .000 .989 1.012

a. Dependent Variable: LAG_Y

Terlihat hasil diatas signifikan :

- Lag_New_X1: 0,000 < 0,05 = terdapat pengaruh x terhadap y
- Lag_New_X2: 0,000 > 0,05 = tidak terdapat pengaruh x terhadap y
- Lag_M: 0,000 > 0,05 = tidak terdapat pengaruh x terhadap y

7) R2 (R Square)

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .888a .789 .784 .60069 1.834

a. Predictors: (Constant), LAG_M, LAG_NEW_X2, LAG_NEW_X1

b. Dependent Variable: LAG_Y

Nilai R-Square sebesar 0,789. Jadi besaran pengaruh variable independent terhadap variable
dependet sebesar 78,9%. Angka tersebut mengandung arti bahwa variable Predictors secara
simultan berpengaruh terhadap variable Dependent sebesar 78,9%. Sedangkan sisanya (100% -
78,9% = 21,1%) dipengaruhi oleh variable lain diluar persamaan regresi ini atau variable yang
tidak diteliti.