Analisis Pengaruh Inflasi dan Kurs terhadap Harga Saham

STATISTIKA II
Materi 4:
Uji Asumsi Klasik dengan SPSS
(@Hak Cipta STIE YKPN Yogyakarta)
ASUMSI MODEL OLS (KLASIK)
 Persamaan regresi estimasi yang dihasilkan
dari metode ordinary least square (OLS) akan
menghasilkan BLUE (Best Linear Unbias
Estimator) jika memenuhi asumsi (asumsi
klasik) - Gauss-Markov Theorem, di antaranya:
1. Non Multikolinearitas
2. Homoskedastisitas
3. Non Otokorelasi
 Persyaratan lain: Residual berdistribusi normal
(Parametrik)
@Hak Cipta STIE YKPN
 Uji Multikolinearitas
 Tujuan: menguji korelasi linear yang tinggi
antaravariabel independen
 Penyebab:
 Menentukan variabel independen dalam model
regresi yang memiliki hubungan (korelasi). Misalnya

Laba dipengaruhi oleh:
 Penjualan dan Biaya Promosi
 Asset dan Kredit
 Jumlah variabel independen lebih banyak daripada
jumlah observasi

Lanjutan ...
 Akibatnya:
 Keakuratan penaksir – penaksir OLS menurun
 Meningkatnya interval kepercayaan, akibat dari
besarnya standard error

 Terjadi kesalahan spesifikasi akibat nilai t statistik
variabel independen tidak signifikan

 Nilai R2 sebagai ukuran goodness of fit sangat tinggi
(tidak mencerminkan R2 yang sebenarya)

 Penaksir – penaksir OLS cenderung tidak stabil dan
sensitif pada perubahan data

 Adanya kesalahan tanda menurut teori ekonomi
pada koefisien regresi yang dihasilkan

Lanjutan ...
 Cara mendeteksi:
1. Mengunakan nilai Tolerance (TOL) dan Variance
Inflation Factor (VIF). Model regresi bebas masalah
multikolinearitas apabila TOL lebih dari 0,1 dan VIF
kurang dari 10.
2. Menentukan koefisien korelasi bivariat antarvariabel
independen. Jika kurang dari 0,8 berarti tidak
terdapat masalah multikolinearitas
3. Menentukan R2 dan R12, R22, R32.Jika R2 > R12, R22,
2
R3 maka model regresi estimasi tidak mengandung
masalah multikolinearitas (Klein’s Rule of Thumb)

Lanjutan ...
 Cara mengobati
 Menggabungkan data cross section dan data time
series (pooled data) atau data panel
 Mengeluarkan suatu variabel dan tetapi terjadi bias
spesifik (var. yang secara teoritis/empiris
berpengaruh, tetapi tidak digunakan)
 Transformasi variabel ke dalam bentuk difference.
Cara ini hanya untuk data time series.
 Data dari kuesioner: menggunakan Principal
Component Analysis (PCA): pengggabungan
variabel independen agar menjadi lebih sedikit
 Menambah data baru (menambah observasi)
Uji Heteroskedastisitas
 Uji Heteroskedastisitas
 Tujuan: menguji varians residual. Model OLS mensyaratkan
varians residual adalah konstan (homoskedastisitas)
 Masalah heteroskedastisitas banyak ditemui pada data cross
section
 Penyebab: data yang dianalisis memiliki karakteristik distribusi
yang berbeda. Misalnya penelitian tidak membedakan:
 ukuran perusahaan
 usia responden
 Akibat: hasil uji t dan uji F tidak valid, sehingga kesimpulan tidak
akurat (misleading conclusioan)

Lanjutan …
 Residuan model Pendapatan dan tabungan

Lanjutan ...
 Cara mendeteksi:
 Uji Park
 Uji Glejser
 Uji White
 Uji Breusch-Pagan-Godfrey LM test
 Cara mengobati:
 Menggunakan metode General Least Square (GLS)
 Mentransformasi data dengan Logaritma
Catatan: Heteroskedastisitas tidak menjadi permasalahan, bahkan dapat memberikan

manfaat untuk membuat model yang baik, karena akan menghasilkan estimator yang
efisien. Caranya adalah dengan menggunakan model:
- AutoRegressive Conditional Heteroscedasticity (ARCH)
- Generalized AutoRegressive Conditional Heteroscedasticisy (GARCH)

Uji Otokorelasi
 Uji Otokorelasi
 Tujuan: menguji adanya korelasi residual antarwaktu atau
antarindividu
 Penyebabnya:
 Kesalahan model (linear – non linear)
 Penggunaan lag variabel independen
 Tidak memasukkan variabel yang penting
 Manipulasi data
 Akibatnya:
 Estimasi menjadi bias
 Varians tidak minimum – hasil estimasi tidak efisien
 Uji residual tidak valid
 Otokorelasi yang kuat dapat menyebabkan variabel yang tidak
berhubungan menjadi berhubungan (spurious regression). Ini
biasanya terlihat pada nilai R2 yang tinggi

Uji Otokorelasi
 Mendeteksi:
 Durbin-Watson Test
 Breusch-Godfrey Test
 Run Test
 Cara mengatasi:
 Masukkan variabel penting ke dalam model
 Model lag (lag variabel dependen sebagai
variabel independen)
 Transformasi Rho (Misalnya transformasi
Cochrane Orcutt)

Lanjutan …
 Bentuk distribusi residual sepanjang waktu pengamatan: Ada Otokorelasi
Pola Siklis Pola Linear: menaik
Pola Linear: menurun Pola Linear dan kuadratik

Lanjutan …
 Bentuk distribusi residual non otokorelasi
Distribusi residual tidak berpola

Lanjutan ....
 Hipotesis dalam uji Otokorelasi

H0: Dalam model regresi estimasi tidak terdapat
masalah otokorelasi (residual bersifat random)
HA: Dalam model regresi estimasi terdapat
masalah otokorelasi (residual tidak bersifat random)

Kasus

Contoh Kasus
 Pada kegiatan ini digunakan contoh kasus menganalisis
hubungan pengaruh antara harga saham, kurs, dan
inflasi.
 Harga saham menggunakan Indeks Harga Saham
Gabungan sesi penutupan di Bursa Efek Indonesia, Kurs
menggunakan kurs rupiah terhadap dolar Amerika, dan
Inflasi menggunakan data Indeks Harga Konsumen
Indonesia.
 Data yang digunakan adalah data bulanan (Monthly)
dalam periode Januari 2010 s.d, Desember 2016.

Sebuah penelitian bertujuan untuk menguji pengaruh inflasi
dan kurs terhadap harga saham di Bursa Efek Indonesia.
Harga saham menggunakan IHSG, Inflasi menggunakan
IHKI, dan kurs valuta asing menggunakan kurs rupiah
terhadap dolar Amerika Januari 2010 – Desember 2016
sebagai berikut:
SP: Harga Saham

EXA: Kurs
CPI: Inflasi
Lakukan pengolahan data untuk tujuan penelitian tersebut.

Beberapa Penelitian
1. “The Effect of Inflation, Interest Rates and Exchange Rates on Stock
Prices Comparative Study Among Two Gcc Countries” (Mahfoudh
Hussein Hussein Mgammal: International Journal of Finance and
Accounting 2012, 1(6): 179-189. This research has found that the
exchange rate influence negatively on stock market price index for
the United Arab Emirat
2. “Impact Of Interest Rates, Inflation, Exchange Rates And GDP on Stock
Price Index Of Plantation Sector: Empirical Analysis on BEI in The
Year Of 2008– 2012”. (Indra Ria Safitri & Suresh Kumar : Full Paper
Proceeding TMBER – 2014 , Vol. 1, 55-61. They have found a negative
sign in beta but not significan.
3. “Does the inflation rate affect the performance of the stock market?
The case of Egypt” (Mohammed Omran dan John Pointon. Emerging
Markets Review 2 2001 263-279. The result indicated than the
inflation rate has had an negative impact on the Egyptian stock
market performance
Rumusan Hipotesis Penelitian
 Rumusan hipotesis dapat dinyatakan dengan
menggunakan dasar:
 Teori
 Hasil penelitian sebelumnya
 Penjelasan secara logis (logical explaination)
 Misalnya hipotesis pada penelitian ini
dinyatakan sebagai berikut:
1. Kurs berpengaruh negatif terhadap harga saham
2. Inflasi berpengaruh negatif terhadap harga saham

Makna dan Alasan yang
mendasari hipotesis
 Makna dari hipotesis tersebut:
1. Kurs berpengaruh negatif terhadap harga saham
artinya jika kurs naik (dolar semakin mahal atau
rupiah terdepresiasi) menyebabkan harga saham
turun. Rupiah terdepresiasi dinilai investor di pasar
modal merupakan berita buruk (bad news) kondisi
perekonomian yang akan direaksi negatif oleh
invertor. Hal ini menyebabkan harga saham turun.

Makna dan Alasan yang
mendasari hipotesis
2. Inflasi berpengaruh negatif terhadap harga saham
artinya jika laju inflasi naik (harga-harga barang dan
jasa naik) menyebabkan harga saham turun. Laju
inflasi tinggi menyebabkan investor kesulian
membuat perencanaan bisnis, karena laju inflasi
menimbulkan ketidak-pastian yang tinggi. Hal ini
merupakan berita buruk (bad news) kondisi
perekonomian yang akan direaksi negatif oleh
invertor. Akibatnya harga saham turun.

Langkah-langkah mengolah Data
1. Aktifkan file data excel, kemudian diminimize:

Aktifkan SPSS seperti tampilan berikut ini

2. Klik Cencel pada SPSS sehingga diperoleh tampilan sebagai berikut:

3. Buka file data Excel seperti tampilan sebagai berikut:

4. Blok data yang mau diolah ke dalam SPSS seperti berikut ini

5. Kemudian paste ke SPSS seperti berikut ini:

6. Ubah nama variabel dengan mengklik variabel view pada bagian
bawah layar, lalu isi nama variabel seperti berikut ini

7. Klik Data View pada pojok kiri layar sehingga muncul tampilan
seperti berikut ini

Proses perpindahan data dari file Excel ke file SPSS

Kita telah selesai memindah data dari file Excel ke file SPSS

Membangun Model Regresi Estimasi
1. Aktifkan data SPSS yang akan diolah seperti berikut ini:

2. Pilih menu Analyze, Regression, Linear tampilan sebagai berikut:

3. sehingga muncul tampilan sebagai berikut:

4. Pindahkan SP ke kolom Dependent, EXA dan CPI ke kolom Independent (s)
seperti pada tampilan berikut ini:

5. Klik OK akan diperoleh hasil sebagai berikut:

Hasil SPSS

Hasil SPSS

Hasil SPSS

PERSAMAAN ESTIMASI
SP = - 3999.974  0.478EXA 144.755CPI
Pertanyaan: Apakah model estimasi tersebut

memenuhi kriteria BLUE?

UJI MASALAH
MULTIKOLINEARITAS

 Hubungan antara X1 dan X2 dalam persamaan
regresi
Y Y
X2
X1 X1 X2
Non Multikolinearitas Multikolinearitas

 Misalnya kita akan mendetekti masalah
multikolinearitas menggunakan Tolerance (TOL)
dan Variance Inflation Factor (VIF):
Ketentuan:
Model regresi bebas masalah multikolinearitas apabila
TOL lebih dari 0,1 dan VIF kurang dari 10.

Cara menetukan TOL dan VIF:
Pada saat kita memproses data dengan menu Analyze, Regression,
Linear
seperti ini, klik menu Statistics .....

Klik Plots ... sehingga muncul tampilan seperti ini,
kemudian aktifkan menu Collinearity diagnostics :

Klik Continue kemudian klik OK akan diperoleh hasil sebagai berikut:

Hasil perhitungan:
Kesimpulan:
Model regresi terdapat masalah multikolinearitas, karena TOL = 0,079
kurang dari 0,1 dan VIF = 12,696 lebih dari 10.

Mendeteksi Multikol dengan Koefisien
Korelasi
Jika besarnya koefisien korelasi antarvariabel

independen lebih dari 0,8 menunjukkan model tersebut
terdapat masalah multikol

Cara menemukan koefisien korelasi
1. Tampilkan data yang akan diproses

2. Klik menu Analyze, Correlate, Bivariate ... seperti berikut ini

sehingga muncul tampilan seperti berikut ini

3. Masukkan variabel yang akan dihutung koefisien korelasinya ke dalam
, kotak Variables ... seperti berikut ini

4. Klik OK akan muncul hasil perhitungan seperti berikut ini

Hasil perhitungan:
Kesimpulan:
Besarnya koefisien korelasi antara EXA dan INF adalah 0,96 lebih
dari 0,8. Dengan demikian pada model regresi estimasi terdapat
masalah multikolinearitas

Mendeteksi Multikol dengan Klein’ rule of
thumb
Klein’ rule of thumb yang menyatakan bahwa

multikolinearitas yang terdapat dalam model regresi
estimasi akan menimbulkan masalah jika dan hanya jika
besarnya koefisien determinasi model regresi suatu
variabel independen terhadap variabel independen lainnya
(auxiliary regressions) lebih besar daripada koefisien
determinasi model regresi estimasi (R2).

Cara menemukan koefisien determinasi
(auxiliary regressions)

2. Regres antarvariabel independen seperti tampilan berikut ini:

3. Klik OK akan muncul hasil perhitungan seperti berikut ini

Bandingkan antara R2 auxiliary regressions dengan
R2 model regresi setimasi
Model regresi estimasi:
Model regresi estimasi auxiliary regression:
Kesimpulan:
Besarnya R2 aux = 0,921 lebih besar daripada R2 model = 0,852. Dengan demikian
pada model regresi estimasi terdapat pasalah multikolinearitas

MENGATASI MASALAH
MULTIKOLINEARITAS
 Mengeluarkan salah satu variabel yang memiliki korelasi
tinggi. Namun jika ini dilakukan maka kita melakukan
kesalahan spesifikasi. Kita mengeluarkan variabel yang
secara teoritis berpengaruh terhadap variabel dependen.
 Menambah data observasi
 Menggunakan model first difference. Cara ini hanya untuk
data time series. Persamaan regresi menjadi:
(Yt-Yt-1) = 0 + 1 (X1t-X1t-1) + 2 (X2t-X2t-1) + (ut-ut-1)

atau dY = 0 + 1dX1 + 2dX2) + u

UJI MASALAH
OTOKORELASI

UJI OTOKORELASI
 Misalnya mendeteksi: dengan uji Durbin-Watson.
Nilai Statistik DW Kesimpulan

0 < DW < DL Otokorelasi Positif
DL ≤ DW ≤ DU Tanpa Keputusan
DU < DW < 4 – DU Tidak ada Otokorelasi
4 – DU ≤ DW≤ 4 – DL Tanpa Keputusan
DW > 4 – DL Otokorelasi Negatif
Tidak terjadi
Terdapat Tdk ada Otokorelasi Tdk ada Terdapat
Otokorelasi Keputusan Keputusan Otokorelasi
0 dL dU 4-dU 4 - dL 4

Tabel Durbin-Watson

Cara menemukan Nilai D-W




5. Klik menu Statistics sehingga muncul tampilan seperti ini, kemudian
aktifkan menu Durbin-Watson:


Hasil perhitungan:

0 < 1,46 Otokorelasi Positif
1,46 ≤ DW ≤ 1,55 Tanpa Keputusan
1,55 < DW < 2,45 Tidak ada Otokorelasi
2,45 ≤ DW≤ 2,54 Tanpa Keputusan
DW > 2.54 Otokorelasi Negatif
Kesimpulan:
Model regresi memiliki D-W Test = 0,252 berada pada otokorelasi
positif. Dengan demikian model regresi estimasi mengandung masalah
otokorelasi.

Jika nilai uji D-W berada di daerah tanpa kemutusan, deteksi
terhadap masalah otokorelasi dapat dilakukan dengan
pengujian nonparametrik Run Test.
Caranya: cari residual model regresi, kemudian terhadap
residual tersebut dilakukan Run Test.
H0: residual model regresi bersifat random (tidak terdapat
masalah otokorelasi)
HA: residual model regresi bersifat tidak random (terdapat
masalah otokorelasi)

Cara Mengatasi Otokorelasi
 Melalui Lag Variabel Dependen
 Memasukkan variabel lag Y ke dalam model sebagai
variabel independen, misalnya Yt-1 , Yt-2, dan seterusnya.
 Persamaan regresi estimasi menjadi model Autoregressive
Distributed Lag (ARDL)
Yt = 0 + 1 X1t + 2 X2t + 3 Yt-1 + ut

(Dengan ransformasi Cochrane Orcutt)
 Melalui transformasi nilai variabel menggunakan
Koefisien Otokorelasi (Rho) = ρ
 Jika nilai koefisien otokorelasi (ρ) diketahui, nilai variabel
(dependen dan independen) ditransformasi menggunakan
persamaan:
Lag_Yt = Yt – ρ Yt-1
Lag_Xit = Xit – ρ X1t-1
 Jika nilai koefisien otokorelasi (ρ) tidak diketahui, maka dicari

dengan menggunakan persamaan Cochrane Orcutt sebagai
berikut
Rest = ρRest-1 + et
ρ < 1
(Dengan ransformasi Cochrane Orcutt)
Contoh
Model regresi ini memiliki D-W Test = 0,252 berada pada

otokorelasi positif. Dengan demikian model regresi estimasi
mengandung masalah otokorelasi. Sekarang kita coba
menaikkan nilai D-W Test menggunakan Transformasi
Cochrane Orcutt

Cara menemukan Nilai Koefisien Otokorelasi dengan
Model Cochrane Orcutt




5. Klik menu Save… sehingga muncul tampilan seperti ini, kemudian
aktifkan menu Unstandardized:


6. Pada data akan muncul variabel baru, yaitu Residual seperti
tampilan berikut ini:

7. Buat lagi variabel baru yang merupakan lag dari Residual dengan
transformasi seperti berikut ini
sehingga muncul tampilan seperti berikut ini:

8. Isi nama variabel baru (Lag_Res_1) dan formulasi menentukan variabel baru
tersebut seperti berikut ini.
9. Klik OK akan diperoleh variabel baru seperti pada tampilan berikut ini:

10. Untuk memperoleh koefisien otokorelasi (ρ), regresi Res_1 sebagai
variabel dependen dan Lag_Res_1 sebagai variabel independen. Model
regresi yang digunakan adalah model regresi tanpa intersep.
Klik Options kemudian non aktifkan Include constant in equation seperti

tampilan berikut ini:

11. Klik Continue, kemudian klik OK akan muncul hasil seperti berikut ini:
Nilai Beta pada persamaan regresi merupakan nilai koefisien otokorelasi

Cochrane Orcutt (ρ), yaitu 0,879 seperti tampilan berikut ini:

12. Lakukan transformasi semua nilai variabel dengan menggunakan rumus
seperti berikut ini
13. Lakukan langkah yang sama untuk variabel EXA dan CPI sehingga
diperoleh variabel baru seperti berikut ini

14. Regresi Lag_EXA dan Lag_CPI terhadap Lag_SP.Hasilnya seperti pada
tampilan berikut ini.
Nilai D-W Test meningkat menjadi 1,419. Apakah masih mengandung masalah
otokorelasi? Coba lakukan pengujian dengan Run Test
Jika masing mengandung masalah otokorelasi, lakukan lagi dengan cara yang
sama sampai tidak terdapat masalah otokorelasi.

Hasil Run Test residual regresi Lag sebagai berikut
Run Test:
H0: Non Autocorrelation
HA: Autocorrelation
Nilai Sig. = 0,225 > α = 5%.

Keputusan tidak menolak H0.
Kesimpulan: model regresi estimasi bebas
masalah otokorelasi.

UJI MASALAH
HETEROSKEDASTISITAS

 Tujuan: mengetahui apakah persyaratan OLS tentang
varians setiap pengamatan konstan terpenuhi
 Pengujian ini dilakukan terhadap varians residual.
Hipotesis nol menyatakan bahwa model regresi estimasi
tidak mengandung masalah heteroskedastisitas. Hipotesis
nol tidak ditolak jika probabilitas (Sig.) lebih besar dari
tingkat signifikansi () yang digunakan dalam pengujian.
 Banyak disediakan untuk uji hetero. Pada contoh ini akan
digunakan sebagai contoh adalah Uji White

LANJUTAN …
 Bentuk distribusi residual

Lanjutan …
 Residuan model Pendapatan dan tabungan

Cara Mendeteksi Heteroskedastisitas
 Melakukan Uji White, yaitu dengan meregresi nilai
kuardat residual yang diperoleh dari model regresi
estimasi kemudian diregres dengan semua variabel
independennya. Jika semua atau sebagian besar
koefisien regresi signifikan, berarti terdapat
heteroskedastisitas
 Melakukan Uji Glesjer yaitu dengan meregres nilai
absolut residual (|e|) dengan semua varabel independen.
Jika semua atau sebagian besar koefisien regresi
signifikan, berarti terdapat heteroskedastisitas

Cara Mendeteksi Heteroskedastisitas
 Melakukan uji Park, yaitu dengan meregres log e2 dengan
semua varabel independen. Jika semua atau sebagian
besar koefisien regresi signifikan, berarti terdapat
heteroskedastisitas.
 Rumusan hipotesis pengujian hetero:
H0: model regresi estimasi tidak mengandung masalah
hetero
HA: model regresi estimasi mengandung masalah hetero

Cara mendeteksi hetero dengan White Test



4. Pindahkan SP ke kolom Dependent, EXA dan INF ke kolom Independent (s)

5. Klik menu Save sehingga muncul tampilan seperti ini

6. Aktifkan menu Unstandardized pada kolom Residuals tampilan
seperti ini

7. Klik Continue kemudian klik OK akan muncul data seperti berikut ini

8. Buat satu variabel hasil kuadrat dari residual melalui menu Transform,
Compute Variable seperti berikut ini


9. Isi kolom seperti berikut ini

10. Klik OK akan muncul data seperti berikut ini

11. Regres RESID terhadap semua variabel independen (EXA dan CPI):


Hasil perhitungan:
Kesimpulan:
Nilai Sig semua variabel EXA = 0,992 dan Sig variabel CPI = 0,252. Nilai
Sig semua variabel independen lebih besar daripada (misalnya)  =
0,05. Keputusan pengujian adalah tidak menolak H0. Artinya model
regresi estimasi tidak mengandung masalah hetero.

Cara Menghilangkan Heteroskedastisitas
 Cara menghilangkan masalah Heteroskedastisitas
dalam model adalah dengan mentransformasi
variabel ke dalam natural log (ln)

Uji Normalitas
 Kadang-kadang peneliti meneruskan pengujian terhadap normalitas
data. Tujuannya hanya untuk mengetahui sejauhmana normalitas
data tersebut. Jika data yang digunakan lebih dari 30 biasanya
dapat diasumsikan berdistribusi normal
 Uji normalitas dapat digunakan Uji Kolmogorov-Smirnov
 Rumusan hipotesis
H0: data berdistribusi normal
HA: data tidak berdistribusi normal
Dengan SPSS, jika Sig. <  keputusan menolak H0. Artinya data tidak
berdistribusi normal

Langkah-langkah
1. Tampilkan data seperti berikut in:

2. Klik menu Analyze, Nonparamertic Test, 1-Sample K-S seperti berikut ini


3. Masukkan variabel RES_1 ke dalam kolom Test Variable(s) List


Hasil perhitungan:
Kesimpulan:
Nilai Sig. = 0,365. Nilai Sig. lebih besar daripada (misalnya)  = 0,05.
Keputusan pengujian adalah tidak menolak H0. Artinya residual model
regresi estimasi berdistribusi normal.

Kesimpulan terhadap Model Estimasi yang
diperoleh
1. Korelasi antara EXA dan CPI adalah 0,96 lebih besar daripada 0,8
menunjukkan model regresi mengandung masalah multikol
2. Uji White memutuskan tidak menolak H0 yang menunjukkan
bahwa model regresi estimasi tidak mengandung masalah hetero
3. Uji otokorelasi dengan Uji DW menunjukkan nilai DW Test berada
di daerah otokorelasi. Model regresi estimasi mengandung
masalah otokorelasi
4. Dengan demikian model estimasi tersebut tidak layak untuk
membuat kesimpulan, karena berpotensi akan terjadi
misleading conclusion

Mengatasi Pelanggaran Asumsi OLS
 Untuk mengatasi masalah multikoliearitas salah satunya

adalah membuat model difference.
 Sekarang kita coba dengan membuat model regresi first
difference sebagai berikut:
(SPt-SPt-1) = 0 + 1 (EXA1t-EXA1t-1) + 2 (CPI2t-CPI2t-1)
dSP = 0 + 1 dEXA + 2 dCPI

1. Aktifkan SPSS seperti tampilan berikut ini

2. Klik Cencel pada SPSS sehingga diperoleh tampilan sebagai berikut:

3. Buka file data Excel seperti tampilan sebagai berikut:

4. Buat variabel baru: dSP=SPt-SPt-1 dan juga var. lain seperti berikut ini
= C3-C2 = E3-E2
= D3-D2

4. Blok data yang mau diolah ke dalam SPSS seperti berikut ini

5. Kemudian paste ke SPSS seperti berikut ini:

6. Ubah nama variabel dengan mengklik variabel view pada bagian
bawah layar, lalu isi nama variabel seperti berikut ini

7. Klik Data View pada pojok kiri layar sehingga muncul tampilan
seperti berikut ini

Proses perpindahan data dari file Excel ke file SPSS

Kita telah selesai memindah data dari file Excel ke file SPSS

Membangun Model Regresi Estimasi
1. Aktifkan data SPSS yang akan diolah seperti berikut ini:



4. Pindahkan dSP ke kolom Dependent, dEXA dan dCPI ke kolom Independent (s)


Hasil SPSS

Hasil SPSS

PERSAMAAN ESTIMASI
SP = 59,077  0,383EXA – 16,193CPI
Pertanyaan: Apakah model estimasi tersebut

memenuhi kriteria BLUE?

Mendeteksi Pelanggaran Asumsi

MASALAH MULTIKOL

Hasil perhitungan:
Kesimpulan:
Model regresi terdapat masalah multikolinearitas, karena
TOL = 0,984 lebih dari 0,1 dan VIF = 1,016 kurang dari 10.
Hasil pengujian menunjukkan bahwa model regresi estimasi
tidak mengandung masalah multikolinearitas.

Mendeteksi Multikol dengan Koefisien
Korelasi
Jika berasnya koefisien korelasi antarvariabel

independen lebih dari 0,8 menunjukkan model tersebut
terdapat masalah multikol

Hasil perhitungan:
Kesimpulan:
Besarnya koefisien korelasi antara dEXA dan dCPI adalah
0,126 kurang dari 0,8. Dengan demikian pada model regresi
estimasi tidak terdapat masalah multikolinearitas.

Mendeteksi Multikol dengan Klein’ rule of
thumb
Klein’ rule of thumb yang menyatakan bahwa

multikolinearitas yang terdapat dalam model regresi
estimasi akan menimbulkan masalah jika dan hanya jika
besarnya koefisien determinasi model regresi suatu
variabel independen terhadap variabel independen lainnya
(auxiliary regressions) lebih besar daripada koefisien
determinasi model regresi estimasi (R2).

Bandingkan antara R2 auxiliary regressions dengan
R2 model regresi setimasi
Model regresi estimasi:
Model regresi estimasi auxiliary regression:
Kesimpulan:
Besarnya R2 aux = 0,016 lebih kecil daripada R2 model = 0,852. Dengan demikian
pada model regresi estimasi tidak terdapat pasalah multikolinearitas
MASALAH OTOKORELASI

Hasil perhitungan:

0 < 1,46 Otokorelasi Positif
1,46 ≤ DW ≤ 1,55 Tanpa Keputusan
1,55 < DW < 2,45 Tidak ada Otokorelasi
2,45 ≤ DW≤ 2,54 Tanpa Keputusan
DW > 2.54 Otokorelasi Negatif
Kesimpulan:
Model regresi memiliki D-W Test = 1,595 berada pada daerah tidak
terdapat masalah otokorelasi. Dengan demikian model regresi estimasi
mengandung masalah otokorelasi.

MASALAH HETERO

Hasil perhitungan:
Kesimpulan:
Nilai Sig semua variabel dEXA = 0,476 dan Sig variabel dCPI = 0,500.
Nilai Sig semua variabel independen lebih besar daripada (misalnya) 
= 0,05. Keputusan pengujian adalah tidak menolak H0. Artinya model
regresi estimasi tidak mengandung masalah heteroskedastisitas.

Kesimpulan terhadap Model Estimasi First
Difference
1. Korelasi antara d(EXA) dan d(CPI) adalah 0,126 lebih kecil
daripada 0,8 menunjukkan model regresi tidak mengandung
masalah multikolinearitas.
2. Uji White memutuskan tidak menolak H0 yang menunjukkan
model regresi estimasi tidak mengandung masalah hetero
3. Nilai Uji DW = 1,595 berada di daerah tidak ada otokorelasi
menunjukkan model regresi estimasi tersebut tidak mengandung
masalah otokorelasi.
4. Dengan demikian model estimasi tersebut layak untuk membuat
kesimpulan, karena merupakan model yang BLUE.
5. Kadang peneliti melakukan uji normalitas data untuk mengetahui
sejauhmana tingkat kenormalan distribusi data penelitian

Uji Normalitas
 Uji normalitas dapat digunakan Uji Kolmogorov-Smirnov

 Rumusan hipotesis
H0: data berdistribusi normal
HA: data tidak berdistribusi normal
Dengan SPSS, jika Sig. <  keputusan menolak H0.

Artinya data tidak berdistribusi normal

Hasil perhitungan:
Kesimpulan:
Nilai Sig uji K-S = 0,894 lebih besar daripada (misalnya)  = 0,05.
Keputusan pengujian adalah tidak menolak H0. Artinya model regresi
estimasi berdistribusi normal.

PERSAMAAN ESTIMASI
SP = 59,077  0,383EXA – 16,193CPI
1. Model estimasi yang dihasilkan merupakan model yang BLUE,
sehingga layak untuk membat keputusan.
2. Hipotesis yang menyatakan bahwa kurs berpengaruh negatif
terhadap harga saham terbukti. Perubahan kurs berpengaruh negatif
signifikan terhadap perubahan harga saham.
3. Hipotesis yang menyatakan bahwa perubahan indeks harga
konsumen (inflasi) berpengaruh negatif terhadap harga saham tidak
terbukti. Inflasi berpengaruh negatif tidak signifikasi terhadap harga
saham.
4. Perubahan kurs dan perubahan indeks harga konsumen (inflasi)
mampu menjelaskan perubahan harga saham (Uji F)
5. Perubahan kurs dan perubahan indeks harga konsumen (inflasi)
mampu menjelaskan perubahan harga saham sebesar 34,8% (R2).
Mendeteksi Data Outlier
 Data outlier merupakan data yang bernilai ekstrim

(terlalu jauh dari nilai rata-ratanya) yang mungkin akan
berakibat:
(1) resudual berdistribusi normal dan
(2) Varians tidak konstan (heteroskedastisitas).
Oleh karena itu peneliti kadang-kadang mengeliminir data
outlier ini untuk memperoleh model yang memenuhi asumsi
klasik.
 Umumnya data outlier menggunakan ketentuan nilai Z 
2 (sekitar  1 standar deviasi)
152
Misalnya data penelitian di bawah ini akan dideteksi data outlier:
Data Sampel:
SAHAM A B C D E F G H I J K L
DIV 80 66 74 100 68 34 25 50 75 125 85 45
ROI 0,25 0,08 0,12 0,35 0,20 0,14 0,13 0,10 0,26 0,43 0,16 0,18
ROA 0,09 0,07 0,04 0,15 0,08 0,02 0,06 0,04 0,12 0,19 0,11 0,02
P 125 70 85 210 73 50 45 80 110 300 140 90
153
Langkah-langkahnya:
1. Input data seperti berikut ini: sehingga muncul spt berikut ini:
3. Pindahkan variabel dan aktifkan

Save ..:
2. Klik analyze, Descr. Stat., Descr.:
154
4. Klik OK akan muncul pada jendela data sebagai berikut:
Data nomor 10 merupakan data outlier, karena memiliki nilai Z di luar interval  2.

Analisis Pengaruh Inflasi dan Kurs terhadap Harga Saham

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Pengaruh Inflasi dan Kurs terhadap Harga Saham

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA II

regresi yang memiliki hubungan (korelasi). Misalnya

@Hak Cipta STIE YKPN

 Meningkatnya interval kepercayaan, akibat dari

besarnya standard error

variabel independen tidak signifikan

(tidak mencerminkan R2 yang sebenarya)

sensitif pada perubahan data

pada koefisien regresi yang dihasilkan

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

 Uji Breusch-Pagan-Godfrey LM test

 Mentransformasi data dengan Logaritma

Catatan: Heteroskedastisitas tidak menjadi permasalahan, bahkan dapat memberikan

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

 Model lag (lag variabel dependen sebagai

@Hak Cipta STIE YKPN

Pola Siklis Pola Linear: menaik

Pola Linear: menurun Pola Linear dan kuadratik

@Hak Cipta STIE YKPN

 Bentuk distribusi residual non otokorelasi

Distribusi residual tidak berpola

@Hak Cipta STIE YKPN

 Hipotesis dalam uji Otokorelasi

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

SP: Harga Saham

Lakukan pengolahan data untuk tujuan penelitian tersebut.

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

SP = - 3999.974  0.478EXA 144.755CPI

Pertanyaan: Apakah model estimasi tersebut

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

Non Multikolinearitas Multikolinearitas

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN

@Hak Cipta STIE YKPN