Ayo rek sinau SPSS ? Tutorial Analisis Regresi Linear Berganda Sofa Nur Ihtiari Wahyudi @Hak Cipta TIDAK Dilindungi UU Diterbitkan olah : Delapan Enam
Ayo rek sinau SPSS ? Tutorial Analisis Regresi Linear Berganda
Sofa Nur Ihtiari Wahyudi @Hak Cipta TIDAK Dilindungi UU Diterbitkan olah : Delapan Enam
Bagian 1 : Pengantar Teoritis
Bagian 2 : Pengenalan Tampilan SPSS
Bagian 3 : Input Data
Bagian 4 : Uji Asumsi Klasik
Bagian 5 : Pengujian Hipotesis
Bagian 1 : Pengantar Teoritis
Analisis regresi adalah bentuk hubungan antara dua peubah atau lebih khususnya hubungan antara peubah-peubah yang mengandung sebab akibat. (Wibisono, 2009)
Variabel "penyebab" disebut dengan bermacam- macam istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X).
Variabel “terkena akibat” dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel acak.
Analisis Regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini.
Pada modul ini yang akan dibahas adalah analisa Regresi Liner yang terdiri atas Regresi Linier sederhana dan Regresi Linier berganda.
Regresi Linear Sederhana ?
Regresi linier sederhana adalah merupakan hubungan fungsional ataupun kausal satu variabel independen dengan satu variabel dependen (Purwanto S. K., 2012).
Model regresi linier sederhana dapat digambarkan sebagaimana gambar di bawah ini.
X Y
Persamaan umum regresi linier sederhana adalah: Y = a + bX
Y = Variabel Dependen
a = Konstansta/ Intercept
b = Koefisien regresi
X = Variabel Independen
Nilai a secara grafik adalah merupakan intercept /perpotongan pada sumbu Y jika harga X = 0. Secara teknis harga b merupakan tangen dari perbandingan antara perubahan harga Y pada perubahan harga X atau dapat dituliskan dengan ΔY/ΔX.
Regresi Linier Berganda ? ( THIS STUDY ............ )
Regresi Linear Berganda adalah regresi linier yang menggunakan dua atau lebih variabel independen/prediktor untuk meramalkan atau memprediksi satu variabel dependen/terikat. Jadi analisis regresi linier berganda akan dilakukan bila jumlah variabel independennya minimal 2. Model Regresi linier berganda untuk dia variabel bebas dan satu variabel terikat adalah sebagai berikut:
Parsial
X1
Y
X2
Simultan
Model diatas dapat dijelaskan bahwa dalam model regresi linier berganda mempunyai dua uji pengaruh yaitu :
1. Pengaruh variabel X (bebas) secara simultan terhadap variabel Y (terikat)
2. Pengaruh variabel X (bebas) secara Parsial terhadap variabel Y (terikat), yaitu meliputi :
a. Pengaruh variabel X1 terhadap variabel
b. Pengaruh variabel X2 terhadap variabel Y
Persamaan Regresi Linier Berganda
Pada prinsipnya persamaan regresi linier berganda adalah sama dengan persamaan pada regresi linier sederhana, yang membedakan adalah pada perrsamaan Regresi Linier Berganda jumlah variabel X lebih dari satu. berikut adalah beberapa contoh persamaan Regresi Linier Berganda:
1. Persamaan regresi untuk dua prediktor adalah:
Y = a0 + a1X1 + a2X2
2. Persamaan regresi untuk tiga prediktor adalah:
Y = a0 + a1X1 + a2X2+ a3X3
3. Persamaan regresi untuk n prediktor (independennya banyak) adalah:
Y = a0 + a1X1 + a2X2 + .... + anXn
Koefisien Regresi Linier Berganda
Persamaan regresi linier dimaksudkan untuk menjadi alat dalam membuat taksiran dan ramalan keadaan berdasarkan data kejadian dan aktivitas di masa yang lalu. Untukl membuat suatu persamaan Regresi Linier berganda terlebih dahulu dilakukan penelitian atau data laporan periode yang lalu. Berikut ini adalah diuraikan membuat persamaan regresi untuk dua variabel bebas X1 dan X2 , satu variabel terikat Y.
Bagian 2 : Pengenalan Tampilan SPSS
Ada sembilan menu utama yang dimiliki SPSS for windows, yaitu:
1. File. Digunakan untuk membuat file baru atau membuka file, menyimpan file. 2. Edit. Digunakan untuk memodifikasi, mengkopi, menghapus, mencari dan
mengganti data atau teks dari output windows maupun syntak windows. 3. Data. Digunakan untuk membuat pilihan global dari file data SPSS, seperti
pendefinisian variabel, penggabungan file, transpose data, mengambil sebagai case dan sebagainya.
4. Transform. Digunakan untuk mentranformasi data, yaitu pembentukan variabel baru yang valuenya merupakan hasil tranformasi dari value variabel-variabel yang sudah ada. Atau memodifikasi variabel yang sudah ada berdasarkan variabel yang lain. Seperti tranformasi dengan operator aritmatik, fungsi aritmatika, fungsi statistik dan sebagainya.
5. Analyze. Digunakan untuk memilih berbagai prosedur pengolahan secara statistik seperti tabulasi silang (crosstab), korelasi, regresi linier, analisis varians, penyusunan laporan dan sebagainya.
6. Graph. Digunakan untuk mengaktualisasikan data berupa bar chart, pie chart, histogram, scatterplots (diagram pencar), dan bentuk-bentuk grafik lainnya.
7. Utilities. Digunakan untuk mengubah fonts, mengakses data secara dinamik, menampilkan berbagai informasi mengenai isi file data SPSS, atau menampilkan indeks dari perintah-perintah SPSS.
8. Windows. Digunakan untuk mengatur, memilih, dan mengontrol atribut-atribut windows SPSS.
9. Help. Digunakan untuk membuka windows standart Microsoft Help yang memuat informasi bantuan bagaimana menggunakan bantuan berbagai fasilitas pada SPSS. Informasi bantuan ini juga bisa didapatkan lewat setiap kotak dialog.
Tampilan di atas adalah sebagai database untuk mengatur komposisi karakter data (VARIABLE VIEW). Penjelasannya sebagai berikut :
NAME
Pemberian nama variabel harus memenuhi ketentuan berikut ini :
1. Nama variabel harus diawali dengan huruf dan karakter yang selanjutnya boleh huruf, angka dan simbol @,#, atau $.
2. Nama variabel tidak boleh diakhiri dengan tanda titik.
3. Harus dihindari pemberian nama variabel yang diakhiri dengan garis bawah.
4. Panjang nama variabel tidak boleh lebih ari 8 karakter.
5. Spasi kosong an spesial karakter !,? dan * tidak digunakan.
6. Nama variabel tidak boleh sama satu variabel dengan variabel lainnya.
7. Tidak membedakan huruf kecil dengan huruf kapital.
8. Tidak menggunakan kata-kata yang sudak ada pada sistem atau bahasa pemrograman SPSS yaitu, ALL,AND, BY,EQ, GT, LT, NE, NOR, OR, TO, AND.
TYPE
Tipe (memformat data sesuai dengan data yang di masukkan) data yang ada pada SPSS adalah
1. Numeric, merupakan tipe angka dengan tanda plus dan tanda minus didepan angka serta indikator desimal. Lebar maksimal 40 karakter.
2. Comma, merupakan tipe yang termasuk angka, tanda plus dan tanda minus didepan angka, indikator desimal serta pemisah ribuan.
3. Dot, tipe ini sama dengan tipe comma, yang membedakan hanyalah pemisah ribuan, yang digunakan adalah titik.
4. Scientifik notation, merupakan type data yang menggunakan lambang atau notasi ilmiah seperti log, alfa, dll.
5. Date, tipe ini menampilkan data dalam format tanggal atau waktu.
6. Dollar, tipe ini adalah tanda $ sebuah titik sebagai indikator desimal dan beberapa tanda koma pemisah ribuan.
7. Custom curency, tipe ini digunakan untuk menampilakan format mata uang seperti Rp. 65.000.
8. String, digunakan untuk karakter huruf dan karajter lainnya.
WIDHT
Width digunakan untuk mengatur lebar cell.
DECIMAL
Decimal digunakan untukmengatur berapa angka di belakang koma
LABEL
Label digunakan untuk memberikan keterangan dari variabel-variabel yang ada, agar lebih informatif dan anda tidak lupa terhadap data yang didalamnya. Disamping ada Variabel label juga ada value label untuk nilai – nilai variabel faktor berupa data kategorik seperti contiohnya kelas. Untuk data numerik tidak perlu ada value label.
COLUMS
adalah lebar kolom untuk data ini, standarnya 8 character. Anda bisa mengubahnya sendiri sesuai yang anda kehendaki.
MISSING
berisi beberapa pilihan menangani missing value.
1. Tanpa ada missing value.
2. Diskret missing value : digunakan untuk menyediakan data mana sajakah yang akan dihilangkan atau ditinggalkan.
3. Range missing value : data yang berupa interval yaitu nilai terendah sampai nilai tertinggi yang akan dihilangkan atau ditinggalkan.
ALIGN
digunakan untuk menentukan data tersebut akan tampil secara rata kiri, rata kanan, atau center.
MEASSURE
digunakan untuk menetukan macam data. Macam data ada tiga yaitu : Nominal dimana untuk menghitung yang merupakan data diskret, scale serta ordinal untuk menentukan data kontinu yaitu data mengukur.
TAMPILAN DATA VIEW (Seperti pada Ms. Excel)
MARI KITA LANGSUNG KE PRAKTIKNYA.....
Memakai Judul :
“Pengaruh Return On Asset ( ROA) dan Net Profit Margin (NPM) Terhadap Laba Bersih Perusahaan Rokok yang Terdaftar Di BEI 2009-2013 Dengan Model
Perhitungan Triwulan”
Sampel : Gudang Garam (GGRM), Sampoerna (HMSP), dan Bentoel (RMBA)
N= 44
Persamaan/Model Regresinya : Laba = a +b1ROA + b2NPM + e
Nama Variabel
Bagian 3 : Input Data
Cara 1 : Dengan copy paste dari Ms. Excel (Recommended)
Cara 2 : Open data dari SPSS
** Catatan : Data harus diurutkan kebawah berdasarkan Perusahaan atau Tahun/Triwulan secara konsisten
Lakukan sampai seperti tampilan di atas
Bagian 4 : Statistik Deskriptif
Pada Data View SPSS, Pilih menu Analyze – Descriptive Statistics – Descriptives, masukan semua variabel ke kotak Varibel (yang sebelah kanan). Klik menu Options, centang Mean, Std. Deviation, Maximum dan Minimum > Continue dan OK.
Tampilan Ouput : Pada bagian awal Bab III tinggal menarasikan hasil statistik deskriptifnya
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
ROA 44 -.08 .35 .0832 .09769
NPM 44 -.10 .16 .0820 .07245
Laba 44 -661152000000 7430950000000 1938674246603,64 1929747059290,929
Valid N (listwise) 44
Bagian 5 : Uji Asumsi Klasik
1. UJI NORMALITAS Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya. Cara Pertama ANALISA GRAFIK, Langkahnya sebagai berikut : 1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak
Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel X1, X2, (ROA dan NPM)
2. Pilih metode Enter, kemudian klik Button Plots, dan aktifkan atau centang pada Normal probability plot, tekan button Continue dan OK.
Tampilan Ouput :
Dasar pengambilan keputusan:
Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Tetapi karena menggunakan grafik, interprestasi tiap orang dapat berbeda karena unsur subjektifitas, maka sobat dapat menggunakan metode lainnya, di mana teman-teman dapat menggunakan Uji Statistik Kolmogorov Smirnov. Caranya sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel X1, X2, (ROA dan NPM)
2. Pilih metode Enter, kemudian klik Button Save. 3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,
kemudian pilih OK.
4. Abaikan tampilan output
Maka pada data view akan ada kolom baru sebagai hasil dari Data Residual (RES_1)
5. Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama
kolom RES_1, ini merupakan residual regresi.
6. Pilih menu Analyze - Nonparametric Test - Legacy Dialogs – (1-Sample K-S),
kemudian Pindahkan Unstandardized Residual ke kolom Test Variable List di
sebelah kanan, centang pada Normal, lalu klik OK.
Tampilan Ouput :
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 44
Normal Parametersa,b
Mean -,0001054
Std. Deviation 696301030570,
17740000
Most Extreme Differences
Absolute ,119
Positive ,119
Negative -,081
Kolmogorov-Smirnov Z ,787
Asymp. Sig. (2-tailed) ,565
a. Test distribution is Normal.
b. Calculated from data.
Bedasarkan gambar diatas, nilai Signifikan > Alpha ( 0.565 > 0.05 ), jadi bisa disimpulkan
bahwa data residual terdistribusi dengan normal.
2. UJI MULTIKOLONIERITAS
Untuk Uji Multikolonieritas sebenarnya ada beberapa metode, namun menggunakan atau melihat nilai VIF atau Tolerance akan lebih menguatkan persepsi kita mengenai hal itu, makanya lebih suka dengan menggunakan nilai VIF atau Tolerance untuk menyimpulkan ada atau tidaknya gejala Multikolonieritas pada model atau variabel yang kita miliki. Langkahnya sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel X1, X2, (ROA dan NPM)
2. Hilangkan centang pada Unstandardized pada kolom Residuals. 3. Pilih metode Enter, 4. Klik Button Statistics, berikan centang seperti pada gambar dibawah ini, dan klik
Continue dan OK 5.
Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Coefficientsa
Model Unstandardized Coefficients Standardized
Coefficients
t Sig. Collinearity
Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 340992201301,629 163529893884,208 2,085 ,043
ROA 17271843542219,086 1763124709580,933 ,874 9,796 ,000 ,399 2,509
NPM 1962067210184,621 2377286756319,015 ,074 ,825 ,414 ,399 2,509
a. Dependent Variable: Laba
Pengambilan Keputusan dengan Melihat Nilai VIF dan Tolerance:
Melihat nilai Tolerance : • Tidak terjadi Multikolinearitas , jika nilai Tolerance lebih besar 0,10. • Terjadi Multikolinearitas, jika nilai Tolerance lebih kecil atau sama dengan
0,10.
Melihat nilai VIF (Variance Inflation Factor) : • Tidak terjadi Multikonieritas, jika nilai VIF lebih kecil 10,00. • Terjadi Multikonieritas, jika nilai VIF lebih besar atau sama dengan 10,00.
Berdasarkan outputdiatas, dapat disimpulkan bahwa Tidak terjadi Multikolinearitas antar variabel independent dalam model regresi karena nilai Tolerance > 0.1 (0,399 > 0,1) dan nilai VIF < 10 ( 2,509 < 10).
3. UJI AUTOKORELASI
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Uji statistik yang akan dijelaskan di bawah hanya Uji Durbin-Watson dan Uji dengan Run Test.
# Uji Durbin-Watson
1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel X1, X2, (ROA dan NPM)
2. Hilangkan centang pada Unstandardized pada kolom Residuals. 3. Pilih metode Enter 4. Klik Button Statistics, berikan centang seperti pada gambar dibawah ini, dan klik
Continue dan OK.
Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
Durbin-Watson
1 ,933a ,870 ,863 713081775874,
252
,992
a. Predictors: (Constant), NPM, ROA
b. Dependent Variable: Laba
DOWNLOAD DULU TABEL CURBIN-WATSON, Kalau sudah lihat tabel dengan Signifikansi 5%
Silahkan bandingkan Nilai DW hitung dengan DW tabel sesuai dengan kriteria. Berdasarkan gambar diatas, didapatkan bahwa: Nilai DW = 0,992 nilai ini akan dibandingkan dengan nilai tabel signifikansi 5%, dengan (n=44) dan jumlah variabel independent (K=2) **Pada tabel adanya n=45, jadi gunakan perkiraan antara n=40 dengan n=45, karena n=44 berada diantaranya. INI CARAKU SENDIRI, MOHON KALAU ADA YANG SALAH DIKOREKSI Apabila nilai n= nya sudah ada pada tabel lebih enak. Untuk n=40, dL nya 1,391 dan dU nya 1,600 Untuk n=45, dL nya 1,430 dan dU nya 1,615
DARIPADA BINGUNG MENDING ASUMSIKAN KALAU N=45 ................. KALAU MASIH BINGUNG, KITA BARENG-BARENG TANYA KE MAHA GURU NYA METPEN / SPSS
Kembali ke hasil output kita bahwa nilai DW = 0,992, jadi patokannya Untuk n=45....... dL= 1,430
dU= 1,615 Syarat tidak terjadi Autokorelasi adalah : dU < Nilai DW < (4-Du) Dari nilai DW di atas masuk pada kategori “ 0 < Nilai DW < dU “ yang berarti TIDAK ADA AUTOKRELASI POSITIF dengan keptusan TOLAK ( 0 < 0,992 < 1,615 maka dapat disimpulkan bahwa Terdapat Autokorelasi (Tidak terdapat autokorelasi positif, namun terdapat negatif pada data yang diuji).
NAH, LEBIH BAIK KITA COBA DENGAN CARA YANG KEDUA.
# Uji Run Test
Langkahnya adalah sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel X1, X2, (ROA dan NPM)
2. Pilih metode Enter, kemudian klik Button Save. 3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,
kemudian pilih OK.
4. Abaikan tampilan output ........CARA INI SEPERTI SAAT UJI KOLMOGORV SMIRNOV.........
5. Kemudian dilanjutkan dengan Pilih menu Analyze - Nonparametric Test - Legacy Dialogs – Runs, kemudian Pindahkan RES_1 ke kolom Test Variable List di sebelah kanan, centang pada Median, lalu klik OK
Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Runs Test
Unstandardized
Residual
Test Valuea
-
147668271532,
89140
Cases < Test Value 22
Cases >= Test Value 22
Total Cases 44
Number of Runs 10
Z -3,813
Asymp. Sig. (2-tailed) ,000
a. Median
Hasil run test menunjukkan bahwa nilai Asymp. Sig. (2-tailed) < 0.05 yang berarti data yang dipergunakan tidak cukup random sehingga TERDAPAT MASALAH AUTOKORELASI pada data yang diuji.
Hal ini sesuai hasil Uji Durbin-Watson yang menyatakan terdapat Autokorelasi.
SEKARANG KITA BEAJAR TREATMENT / PERLAKUAN DATA OUTLIER ( EKSTRIM ) DENGAN TRANSFORMASI DATA
Tranformasi Data bisa menjadi LN, LG10, SQRT, dll.
Setiap variabel ditransformasikan.
*Hindari penghapusan data, kalau masih memungkinkan dilakukan transformasi, dicoba terlebih dahulu saja. Kalau N nya banyak dan dengan transformasi belum juga bisa berhasil, boleh dilakukan penghapusan data pengamatan yang dianggap outlier.
# Kita coba dengan memakai LN
Langkahnya adalah sebagai berikut :
1. Sekarang yang harus kita lakukan adalah meng-LN-kan ketiga variebel tersebut, SPSS juga sudah menyediakan fasilitas tersebut.
2. Klik menu Transform – Compute Variable, kemudian lakukan seperti gambar dibawah ini, Kotak Target Variable diisi dengan nama variabel/kolom baru ( Untuk ROA misal dinamai LN_ROA, begitu pula variabel NPM dan Laba).
3. Pada Function Group pilih All dan nanti akan muncul banyak menu pada Functions And Specials Variables. Pilih Ln dan masukan ke dengan klik Panah ke atas.
4. Selanjutnya pada kotak Numeric Expression akan muncul Ln(?), tugas kita adalah
mengisi tanda kurung dengan memasukan Variabel (Misal : ROA) dengan Klik ROA pada kolom varibel dan klik Panah ke kanan yang mengarah ke Numeric Expression.
5. Selanjutnya klik OK 6. Abaikan tampilan output 7. Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama
kolom LN_ROA (Sesuai pemberian nama di Compute Varible, ini tampilan data
setelah di-LN-kan
....LAKUKAN CARA SERUPA UNTUK VARIBEL YANG LAIN (NPM DAN LABA)....
Maka setelah semua di LN-kan maka akan muncul tampilan seperti gambr di bawah ini :
Setelah kita memiliki data yang sudah di LN kan maka lakukan kembali Prosedur Uji DW dan Run Test, jadi yang dipakai adalah yang Ln, bukan yang aslinya (termasuk saat membuat data Unstandarized atau RES).
Ini adalah hasil untuk Uji Run Test setelah di LN-kan :
Runs Test
Unstandardized
Residual
Test Valuea -,08016
Cases < Test Value 18
Cases >= Test Value 19
Total Cases 37
Number of Runs 12
Z -2,331
Asymp. Sig. (2-tailed) ,020
a. Median
Hasil run test setelah data di Ln-kan menunjukkan bahwa nilai Asymp. Sig. (2-tailed) > 0.05 yang berarti data yang dipergunakan cukup random sehingga tidak terdapat masalah autokorelasi pada data yang diuji.
Untuk Uji DW bisa dicoba sendiri
4. UJI HETEROSKEDASTISITAS
#Menggunakan Metode Glejser
Langkahnya adalah sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak Dependent, isikan variabel Y (LN_Laba) dan pada kotak Independent, isikan variabel X1, X2, (LN_ROA dan LN_NPM). Ingat, mulai sekarang untuk langkah berikutnya menggunakan Variabel LN_ !!!
2. Pilih metode Enter, kemudian klik Button Save. 3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,
kemudian pilih OK. ......... Kalau sudah memiliki data RES_2 (yang digunakan untuk Run Test data yang sudah di-Ln-kan, maka tidak perlu melakukan proses Unstandarized lagi.....
4. Sekarang yang harus kita lakukan adalah meng-absolutkan nilai Residual (RES_2) tersebut, SPSS juga sudah menyediakan fasilitas tersebut.
......... Langkah selanjutnya seperti me-Ln-kan varibel, namun ini menggunakan pilihan ABS (Absolut).....
5. Klik menu Transform – Compute Variable, kemudian lakukan seperti gambar dibawah ini, Kotak Target Variable diisi dengan nama variabel/kolom baru ( Misal menggunkan nama ABS_RES2).
6. Pada Function Group pilih All dan nanti akan muncul banyak menu pada Functions And Specials Variables. Pilih ABS dan masukan ke dengan klik Panah ke atas.
7. Selanjutnya pada kotak Numeric Expression akan muncul ABS(?), tugas kita adalah mengisi tanda kurung dengan memasukan Variabel RES_2 (Unstandarized Residual ke 2) dengan Klik RES_2 (Unstandarized Residual ke 2) pada kolom varibel dan klik Panah ke kanan yang mengarah ke Numeric Expression.
8. Selanjutnya klik OK 9. Lihat pada data view maka akan muncul variabel baru bernama ABS_RES2
10. Setelah variabel RES_2 diabsolutkan, maka langkah selanjutnya adalah klik menu Analyze - Regression – Linear, Masukkan variabel ABS_RES2 pada kotak Dependent dan masukkan variabel LN_ROA dan LN_NPMpada kotak Independen.
11. Pada Button Save. Jangan lupa hilangkan centang di Unstandardized pada kolom Residuals, lalu klik Continue, kemudian pilih OK.
Dasar Pengambilan Keputusan:
Tidak terjadi heteroskedastisitas, jika nilai T.hitung lebih kecil dari T.tabel dan nilai signifikansi lebih besar dari 0.05 (5%).
Terjadi heteroskedastisitas, jika nilai Thitung lebih besar dari Ttabel dan nilai signifikansi lebih kecil dari 0.05 (5%).
Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Coefficientsa
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) ,419 ,154 2,713 ,010
LN_ROA -,147 ,082 -,511 -1,793 ,082
LN_NPM ,192 ,107 ,512 1,796 ,081
a. Dependent Variable: ABS_RES2
Dengan melihat nilai Sig. dan alpha= 5%. Terlihat bahwa nilai Sig > alpha 0,05 untuk semua variabel independen yang artinya tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen. Jadi dapat disimpulkan bahwa model regresi tidak mengandung adanya Heteroskedastisitas.
#Menggunakan Grafik Plot
1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak Dependent, isikan variabel Y (LN_Laba) dan pada kotak Independen, isikan variabel X1, X2, (LN_ROA dan LN_NPM.
2. Pilih metode Enter, kemudian klik Button Save. 3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,
kemudian pilih OK. 4. Kemudian klik Button Plots dan akan muncul menu Linear Regression Plots. 5. Masukan variabel SRESID pada kotak pilihan Y 6. Masukan variabel ZPRED pada kotak pilihan X 7. Tekan Continue, abaikan yang lain 8. Klik OK
Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Titik-titik menyebar secara rata (tidak membentuk pola), sehingga bisa dismpulkan bahwa regresi tidak mengandung adanya Heteroskedastisitas
Bagian 5 : Pengujian Hipotesis
UJI ASUMSI KLASIK SELESAI, SEKARANG KITA MASUK KE PENGUJIAN HIPOTESISNYA
# Koefisien Determinasi
Langahnya sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak Dependent, isikan variabel Y (LN_Laba) dan pada kotak Independen, isikan variabel X1, X2, (LN_ROA dan LN_NPM).
2. Pada kotak Method pilih Enter. 3. Abaikan yang lain dan klik OK
**LANGKAH DI ATAS SEKALIGUS UNTUK Uji F dan Uji T**
Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 ,957a ,916 ,911 ,45668
a. Predictors: (Constant), LN_NPM, LN_ROA
b. Dependent Variable: LN_Laba
Dari tampilan di atas dihasilkan bahwa nilai Adjusted R Square adalah 0,911. Hal ini berarti 91,1% Laba bisa dijelaskan oleh variasi independen ROA dan NPM. Sedangkan sisanya (100% - 91,1% = 8,9%) dijelaskan oleh variabel independen yang lain.
# Uji Signifikansi Simultan ( Uji Statistik F )
Untuk Uji Statistik F hanya perlu mengamati tabel seperti dibawah ini :
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 76,931 2 38,466 184,441 ,000b
Residual 7,091 34 ,209
Total 84,022 36
a. Dependent Variable: LN_Laba
b. Predictors: (Constant), LN_NPM, LN_ROA
Dari tabel ANOVA di atas, nilai F.Hitung sebesar 184.441 dengan probabilitas 0,000. Karena probabilitasnya jauh dibawah 0,05 ( < 5%) maka ROA dan NPM secara bersama-sama erpengaruh terhadap Laba.
# Uji Signifikansi Parameter Individual ( Uji Statistik t )
Untuk Uji Statistik t hanya perlu mengamati tabel seperti dibawah ini :
Coefficientsa
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) 32,556 ,260 124,975 ,000
LN_ROA ,650 ,138 ,409 4,698 ,000
LN_NPM 1,226 ,180 ,592 6,805 ,000
a. Dependent Variable: LN_Laba
Dari hasil tampilan di atas, bisa dilihat bahwa probabilitas kedua variabel independen ROA dan NPM siginifikan pada 0,05 ( keduanya 0,000 < 0,05). Dari sini bisa disimpulkan bahwa Laba dipengaruhi oleh ROA dan NPM dengan persamaan matematis :
LABA = 32,556 + 0,650 ROA +1,226 NPM
SEKIAN DAN TERIMA KASIH
SEMOGA BISA MEMBANTU
TUGAS AKHIR TEMAN-TEMAN
Spesial saya persembahkan untuk :
Moch. Nur Chozin dan Wahyuningsih ( Pangeran Katon)
Bapak / Ibu Dosen Akuntansi FE Unesa
Mahasiswa Akuntansi FE Unesa
Teman-teman seletingku 2011
Terakhir, untuk Tanah Air Tercinta, INDONESIA
Kontak Kritik, Saran, dan Koreksi Materi :
081335137879
FB : Sofa Nur Ihtiari Wahyudi
Alamat : Ds. Sugihwaras, Kec. Saradan Kab. Madiun