Fakultas Ekonomi
Universitas Pekalongan
Tahun 2020
UJI ASUMSI
KLASIK
Input data :
Keuntungan
Perusahaan,
Kekayaan
Perusahaan dan
Harga Saham dlm
lembar kerja
KETERANGAN SPSS:
UNTUNG = KEUNTUNGAN
PERUSAHAAN
KAYA = KEKAYAAN
PEREUSAHAAN
UJI ASUMSI
KLASIK
PENGUJIAN ASUMSI KLASIK DIGUNAKAN
UNTUK MENGETAHUI APAKAH DATA ATAU
RESIDUAL YANG KITA INPUT MERUPAKAN
DATA YANG BAIK (MEMPUNYAI TINGKAT
KESALAHAN TERKECIL). UJI INI DILAKUKAN
BERSAMA DENGAN PROSES UJI REGRESI
SEHINGGA LANGKAH-LANGKAH YANG
DILAKUKAN DALAM PENGUJIAN ASUMSI
1. NORMALITAS
KLASIK MENGGUNAKAN LANGKAH KERJA
2. HETEROSKEDASTISITAS
YANG SAMA DENGAN UJI REGRESI , UJI
3. MULTIKOLINIERITAS
ASUMSI KLASIK MELIPUTI
4. AUTOKORELASI
5. LINIERITAS
LANGKAH MENGUJI ASUMSI
KLASIK
1.MEMISAHKAN VARIABEL
MENJADI VARIABEL INDEPENDENT
DAN VARIABEL DEPEDENT
2.MENGUJI ASUMSI KLASIK
DENGAN REGRESI LINIER
3.MENGINTERPRETASI HASIL
PENGOLHAN DATA
LANGKAH MENGUJI ASUMSI
KLASIK
1.MEMISAHKAN VARIABEL
MENJADI VARIABEL INDEPENDENT
DAN VARIABEL DEPENDENT
LOGIKA TEORI : APABILA
KEKAYAAN PERUSAHAAN BANYAK
DAN KEUNTUNGAN BANYAK
PEMEGANG SAHAM CENDERUNG
MEMEBELI SAHAM PERUSAHAAN
NORMALITAS
“KOLMOGOROV
UJI NORMALITAS UNTUK
TIAP VARIABEL
KESIMPULAN :
RESIDUAL ATAU DATA BERDISTRIBUSI
NORMAL APABILA NILAI ASYMP. Sig. (2-Tailed)
LEBIH BESAR DARI 0,05
DARI TABEL ONE SAMPLE KOLMOGOROV
SMIRNOV DIKETAHUI VARIABEL KAYA
TIDAK BERDISTRIBUSI NORMAL KARENA
NILAI ASYMP. Sig. (2-Tailed) LEBIH KECIL DARI
0,05 SEHINGGA VARIABEL KAYA HARUS
SOLUSI APABILA
RESIDUAL/DATA TIDAK NORMAL
Apa yang harus dilakukan apabila sebaran data
tidak memenuhi asumsi klasik, misalnya tidak
berdistribusi normal
1. Kita tentukan variabel mana yang tidak
berdistribusi normal
2. Kita transformasikan data dalam bentuk lain.
Ada banyak cara untuk mentransformasikan,
tetapi cara yang sering dipakai adalah
transformasi dalam bentuk akar kuadrat
3. Jika cara satu tidak bisa, tambah sampel
penelitian, misal hingga 100 sampel
4. Jika tidak bisa juga, buang semua obyek yang
terindentifikasi sebagai outlier “data yang tidak
baik dan ekstrim”
DARI TABEL ONE SAMPLE KOLMOGOROV
SMIRNOV DIKETAHUI VARIABEL KAYA
TIDAK BERDISTRIBUSI NORMAL KARENA
NILAI ASYMP. Sig. (2-Tailed) LEBIH KECIL DARI
0,05 SEHINGGA VARIABEL KAYA HARUS
DARI TABEL ONE SAMPLE KOLMOGOROV
SMIRNOV DIKETAHUI VARIABEL KAYA
TIDAK BERDISTRIBUSI NORMAL KARENA
NILAI ASYMP. Sig. (2-Tailed) 0,020 LEBIH KECIL
DARI 0,050 SEHINGGA VARIABEL KAYA
DARI TABEL ONE SAMPLE KOLMOGOROV
SMIRNOV VAR. KAYA SETELAH DIPERBAIKI
DATANYA DENGAN CARA DITRANSFORMASI
DALAM BENTUK LAIN (MISAL DI AKAR ATAU
SQRT) DIKETAHUI VARIABEL KAYA_BARU
UJI NORMALITAS UNTUK
SELURUH VARIABEL
LANGKAH KERJA :
MENGUJI NORMALITAS DENGAN
MENGGUNAKAN UJI KOLMOGOROV-
SMIRNOV.
MODEL ATAU RESIDUAL BERDISTRIBUSI
NORMAL, APABILA NILAI Asymp. Sig (2-tailed)
LEBIH BESAR DARI 0,05, KARENA NILAI
Asymp. Sig. (2-tailed) 0,834 NILAI INI LEBIH
2. HETEROSKEDASTISITAS
HETEROSKEDESTISITAS DIGUNAKAN
UNTUK MENGETAHUI APAKAH RESIDUAL
MEMPUNYAI VARIAN YANG SAMA ATAU
TIDAK. RESIDUAL YANG BAIK ADALAH
YANG MEMPUNYAI VARIAN YANG SAMA
CARA MENDETEKSINYA ADA TIDAKNYA
GEJALA HETEROSKEDESTISITAS NILAI
RESIDU PADA MODEL, DIGUNAKAN METODE
PARK GLEJSER. DENGAN
MENGGUNAKAN METODE INI GEJALA
HETEROSKEDESTISITAS AKAN
DITUNJUKAN OLEH KOEFISEN REGRESI
BUKA DATA
BERIKUT INI
:
LANGKAH LANGKAH MENGUJI
HETEROSKEDESTISITAS :
PADA JENDELA LINIER REGRESSION DI-RESET
KEMUDIAN PADA KOTAK DIPENDENT DIGANTI
DENGAN ABS_RES_1 DAN MASUKKAN UNTUNG DAN
KAYA, KEDALAM KOTAK INDEPENDENT, ABAIKAN
ABS_Res_1
√
Dilihat pada model summary maka dapat diketahui nilai
Durbin-Watson sebesar 1,832 sebagaimana pada gambar dan
apabila dimasukkan dalam tabel dan hasilnya adalah :
Dilihat pada model summary maka dapat diketahui nilai
Durbin-Watson sebesar 1,832 sebagaimana pada gambar dan
apabila dimasukkan dalam kurva atau tabel dan hasilnya
adalah :
Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dL 2,926
> 4 dL > 2,926 Ada autokorelasi
Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dL 2,926
> 4 dL > 2,926 Ada autokorelasi
Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dL 2,926
> 4 dL > 2,926 Ada autokorelasi
Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dL 2,926
> 4 dL > 2,926 Ada autokorelasi
Durbin Durbin KESIMPULAN
Watson Watson
< dL < 1,074 Ada autokorelasi
dL sd dU 1,074 sd Tanpa kesimpulan
1,536
dU sd 4-dU 1,536 sd Tidak ada
2,464 autokorelasi
Hasil DW 1,832 berada diantara 1,536
4-dU sd 4- 2,464 sd Tanpa kesimpulan
dengan 2,464 maka kesimpulannya tidak ada
dL 2,926
gejala Autokorelasi, Shg Tidak Ada Autokorelasi
> 4 dL
antara > 2,926
anggota serangkaian Adaobservasi
data autokorelasi
yang
diuraikan menurut waktu
5. LINIERITAS