MIKA AUDINI
AZIZAH AKBARIANI AHMAD
GHEA HIQORI SONIA
SARIN SIRAIT
METODE PENELITIAN
Desain Penelitian
Variabel independen
Struktur modal
Profitabilitas
Ukuran perusahaan
Intellectual capital
Variabel dependen
Nilai perusahaan
METODE PENELITIAN
Populasi dan Sampel Penelitian
Dimana:
Y = Nilai Perusahaan (PBV)
α = Konstanta
β = Koefisien regresi variabel independen
𝑋1 = Struktur modal
𝑋2 = Profitabilitas
𝑋3 = Ukuran Perusahaan
𝑋4 = Modal Intelektual
e = error
Uji Asumsi Klasik
1) Uji normalitas
Uji normalitas (lanjutan...)
Hal ini berarti nilai DW lebih kecil dari DL, yaitu 0,858 < 1. 6339 Sehingga dapat
disimpulkan bahwa model regresi terdapat autokorelasi.
Metode Cochrane Orcutt
Langkah Transformasi Lag
Langkah berikutnya ialah melakukan
transformasi Lag. Caranya pada menu klik
transform, compute variable, pada
kotak target isikan dengan “Lag_e” dan
pada kotak numeric expression isikan
dengan formula: “Lag(Res_1)” di
mana Res_1 adalah Residual.
Cont....
Setelah itu lakukan regresi dengan variabel bebasnya “Lag_e” dan variabel terikatnya Res_1.
Cont..
Jangan lupa tekan tombol options dan hilangkan centang Include Constant.
Sedangkan pada tombol statistics, jangan centang semua
kecuali estimasi dan model fit.
Jika sudah anda proses maka lihat output anda dan baca pada tabel Coefficients.
Setelah melakukan transformasi, maka anda sudah mempunyai variabel baru
hasil transformasi.
Selanjutnya anda lakukan regresi linear seperti biasa dengan menggunakan
variabel baru hasil transformasi.
Cont...
Setelah kita mendapatkan koefisien autokorelasi Rho (ρ) , maka selanjutnya adalah
melakukan transformasi Cochrane Orcutt
Caranya pada menu SPSS klik Transform, Compute Variable, pada Target
variable ketikkan nama variabel baru hasil transformasi yang akan dibentuk,
yaitu Lag_X1 dan pada Numeric expression ketikkan formula X1-
(0.925*Lag(X1)). Di mana 0.925 adalah koefisien Rho (ρ). Ulangi langkah tersebut
untuk variabel yang lain seperti gambar berikut:
Transformasi Lag_X1
Cochrane Orcutt
3. Uji Autokorelasi (lanjutan...)
nilai Durbin-Watson (DW) sebesar 2,111. Hal ini berarti nilai DW berada diantara DU dan 4-DU,
yaitu 1,771 < 2,111 < 2,229. Sehingga dapat disimpulkan bahwa model regresi bebas dari
autokorelasi.
Uji Asumsi Klasik
4) Uji heteroskedastisitas
Berdasarkan grafik scatterplot diatas
terlihat bahwa titik-titik menyebar secara
acak serta tersebar baik di atas maupun
dibawah angka 0 pada sumbu Y. Hal ini
dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi,
sehingga layak dipakai untuk memprediksi
PBV berdasarkan masukan variabel
independen DER, ROA, SIZE danVAIC
4) Uji Heteroskedastisitas (lanjutan...)
Tidak terjadi heteroskedastisitas dalam penelitian ini, hal ini disebabkan karena nilai
Sig. pada kolom Unstandardized Residual yang diperoleh dalam uji
heteroskedastisitas > 0,05.
TERIMA KASIH