PENGUJIAN ASUMSI KLASIK.pdf

PENGUJIAN BEBERAPA ASUMSI

PADA DATA PROFITALITAS EKUITAS

DAN BEBERAPA FAKTOR YANG MEMPENGARUHINYA

OLEH :

SOEMARTINI

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PADJADJARAN

JATINANGOR

2007

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Analisis regresi merupakan analisis statistik yang digunakan untuk mengetahui

adanya keterkaitan antara satu variabel tak bebas dengan satu atau lebih variabel bebas

dan mempelajari bagaimana membangun sebuah model fungsional dari data untuk dapat

menjelaskan atau meramalkan satu fenomena alami atas fenomena yang lain. Jika dalam

analisis melibatkan satu variabel bebas, maka analisis yang digunakan adalah Analisis

Regresi Linier Sederhana. Sedangkan jika melibatkan lebih dari satu ( minimal dua )

variabel bebas, analisis yang digunakan adalah Analisis Regresi Linier Multipel.

Baik pada Analisis Regresi Linier Sederhana maupun Analisis Regresi Linier Multipel

dilakukan penaksiran model melalui metode tertentu. Yakni Taksiran titik ˆ yang dapat

diperoleh dengan menggunakan metode penaksiran berikut :

1. Metode kuadrat kecil biasa ( Ordinary Least Square)

2. Metode kemungkinan maksimum (Maksimum Likelihood)

Agar dapat menggunakan model regresi yang ditaksir untuk masalah penaksiran

selang kepercayaan, pengujian hipotesis, maupun peramalan, model tersebut harus

didasarkan pada beberapa asumsi yang harus dipenuhi. Beberapa asumsi regresi multiple

adalah pelanggaran yang kuat dan yang lain dipenuhi di dalam perancangan suatu studi

yang wajar (bebas dari pengamatan-pengamatan). Dalam bahasan ini, kita akan fokus

pada asumsi-asumsi regresi multiple yang bukan pelanggaran kuat. Secara rinci, kita

akan mendiskusikan tentang kenormalam/kewajaran, asumsi linearitas, dan

homoskedastisitas.

1.2 Maksud dan Tujuan Penulisan

Maksud dan tujuan penulisan makalah ini adalah membicarakan tentang asumsi-

asumsi pada regresi yakni homoskedastisitas dan kenormalan . Secara rinci, kita akan

membahas tentang kenormalam/kewajaran, asumsi linearitas.

1.3 Identifikasi Masalah

Uji statistik biasanya menggunakan asumsi-asumsi tertentu disekitar variabel-

variabel yang digunakan di dalam analisa. Ketika asumsi-asumsi ini tidak ditemukan

maka hasil-hasil itu tidak akan digunakan, yang berarti menghasilkan suatu kesalahan

Type I atau Type II.

Beberapa asumsi model regresi adalah pelanggaran yang kuat ( Autokorelasi,

Multikolinearitas dan Homoskedastisitas ) yang lain dipenuhi di dalam perancangan suatu

studi yang wajar (bebas dari pengamatan-pengamatan). Oleh karena itu, kita akan fokus

pada pada salah asumsi regresi yaitu homoskedastisitas. Secara rinci, kita akan

mendiskusikan tentang kenormalam/kewajaran, asumsi linearitas, dan homoskedastisitas.

BAB II

TINJAUAN PUSTAKA

Analisis statistik yang mempelajari bagaimana membangun sebuah model

fungsional (Hubungan Kausal /Sebab Akibat) dari data untuk dapat menjelaskan ataupun

meramalkan suatu penomena alami atas dasar fenomena yang lain dikenal sebagai

Analisi Regresi. Hubungan yang terbentuk dapat melibatkan satu atau lebih variabel

dependen dengan satu atau lebih variabel independen.

2.1.Regresi Linier Secara Umum Dari suatu eksperimen diperoleh data sebagai berikut :

No.

Populasi Y X1 X2 ……. Xk

1 Y11 X11 X12 X1k 2 Y21 X21 X22 X2k . . .

N YN1 XN1 XN2 XNk

Jika model regresi linier dituliskan dalam bentuk skalar sebagai berikut :

Yi = β0 + β1Xi1 + β2Xi2 + β3Xi3 + …+βkXik + εi

Dimana : i = 1, 2,3, ... , N dan N ≥ k + 1

Keterangan : Y = Variabel Dependen X = Variabel Independen β0 = Koefisien Intercept β1..βk = Koefisien Regresi

ε = Variabel Gangguan (Error) Jika k = 1 maka model regresinya adalah model regresi linier sederhana

sedangkan jika k > 1 maka model regresinya adalah model regresi linier multipel

Model regresi di atas dapat juga dijabarkan sebagai berikut :

Y1 = β0 + β1X11 + β2X12 + β3X13 + …+βkX1k + ε1 Y2 = β0 + β1X21 + β2X22 + β3X23 + …+βkX2k + ε2 . . YN = β0 + β1XN1 + β2XN2 + β3XN3 + …+βkXNk + εN

Dapat ditulis dalam bentuk matriks sebagai berikut

++

+��

�

�

��

�

�

ε

εε

+

��

�

�

��

�

�

β

βββ

��

�

�

��

�

�

=

��

�

�

��

�

�

ΜΜ

Λ

Μ

Atau dapat ditulis sebagai berikut :

��XY1Nx1x)1k()1k(Nx1Nx

+=++

Dimana : Y(Nx1) : Vektor variabel tak bebas XNx(kx1) : Matrik variabel bebas ββββ(kx1)x1 : Vektor parameter εεεεNx1 : Vektor variabel gangguan 2.2 Variabel – Variabel Yang Distribusi Normal

Asumsi regresi mempunyai variable – variable yang berdistribusi normal. Variabel-

variabel yang tidak berdistribusi normal ( kemiringan, kurtosis atau variable dengan

outlier yang kuat) dapat menyimpangkan suatu hubungan dan uji signifikansi. Ada

beberapa kumpulan informasi yang berguna bagi peneliti didalam menguji asumsi ini :

1.) Pemeriksaan visual dengan plot data (Histogam) 2.) Skewnes dan Kurtosis

Untuk menguji normalitas data baik secara univariate (per indikator) atau secara

multivariate (seluruh indikator ) menggunakan skewness (kemiringan data) dan

kurtosis (keruncingan data ) dimana kedua parameter tersebut pada setiap

indikatornya terdapat nilai critical rasio (CR). Pada tingkat signifikan 1% nilai CR

berada diantara ± 2,58 (-2,58� CR � +2,58 ) , jika diluar batas ini dapat dikatakan

data pada indicator tersebut tidak normal. Nilai skewness yang positif

mengindikasikan tingginya frekueni nilai yang ada di sebelah kiri puncak distribusi

normal demikian pula sebaliknya sedangkan Nilai kurtosis yang negative

menunjukkan distribusi yang landai (varians besar ) sedangkan nilai kurtosis yang

positif menunjukan distribusi data yang memuncak (Satu nilai mendominasi).

3.) P-P plot.

Dengan memplot variable dependen dengan standardized residual

Kumpulan informasi ini dapat memberikan informasi untuk peneliti tentang

kenormalan, dan uji Kolmogorov-Smirnov dapat melengkapi statistik inferensial pada

kenormalan/kewajaran. Pencilan dapat dikenali melalui pemeriksaan visual Histogram

atau distribusi frekuensi atau dengan mengubah data menjadi z-scores.

2.3. Asumsi Suatu Hubungan yang Linier Antara Independent dan Dependen

Variabel

Regresi multipel standard hanya dapat memperkirakan hubungan antara variable

dependen dan variable independent jika hubungannya linear. Banyak contoh dalam ilmu

sosial dimana yang terjadi adalah hubungan non linear . Hubungan nonlinear ini penting

dalam analisis. Jika hubungan antara variable independent dan variable dependen tidak

linear, hasil dari analisis regresi akan menilai terlalu rendah pada hubungan yang

sebenarnya. Penilaian yang terlalu rendah ini memiliki dua resiko : meningkatkan potensi

error type II untuk variable independent, dan dalam kasus regresi multiple peningkatan

resiko error type I (penilaian nilai terlalu tinggi) untuk variable independent lainnya yang

memilki varians yang sama dengan variable independent tersebut.

Untuk mendeteksi nonlinearitas dapat digunakan beberapa metoda. Metoda pertama

menggunakan teori atau penelitian sebelumnnya untuk menginformasikan analisis ini.

Tetapi metoda ini tidak aman. Metode deteksi yang banyak digunakan adalah pengujian

plot sisa (plot-plot sisa standar sebagai fungsi dari nilai-nilai yang diprediksi terdapat

pada software statistika). Gambar 1 memperlihatkan plot titik dari sisa yang

memperlihatkan kurva linier dan hubungan linier

Gambar 1: Contoh dari kurva linier dan hubunan linier dengan sisa-sisa yang

distandarisasi oleh standarisasi prediksi

Hubungan Curvilinear Hubungan Linear

.2.4. Asumsi Homoskedastisitas

Asumsi homoskedasitas, atau sebaran/penyebaran yang sama.

22i )u(E σ====

Pelanggaran asumsi Homoskedastisitas disebut dengan Heteroskedastisitas yakni

kondisi dimana gangguan ui tersebut adalah berbeda-beda untuk setiap i.

2i

2i )u(E σ====

��

�

�

��

�

�

=

2n

22

21

�00

0�000�

)E(

ΚΜΟΜΜ

ΚΚ

tuu dengan i = 1,2,…..n

kondisi dimana gangguan ui tersebut adalah berbeda-beda untuk setiap i.

2i

2i )u(E σ====

Asumsi ini dapat diditeksi oleh pengujian visual dari sisa-sisa yang distandardisasi

residual (error) oleh prediksi nilai standarisasi regresi. Hal ini termasuk sebagai satu opsi

statistik yang paling modern. Seperti contoh di bawah ini

Figure 2. Examples of homoscedasticity and heteroscedasticity

Idealnya, residu secara acak tersebar di sekitar 0 (garis mendatar).

Heteroskedastisitas diindikasikan ketika residu itu tidak datar tersebar di sekitar baris.

Ada banyak bentuk heteroskedastisitas seperti suatu bentuk dasi kupu-kupu atau pola

tertento lainnya. Ketika plot dari residual muncul menyimpang dari normal, lebih formal

untuk heteroskedastisitas harus dilakukan uji. Uji yang dilakukan untuk masalah ini

adalah :

1.) Uji Goldfeld-Quandt

Asumsi:

i) n � 2k; k = banyaknya variabel bebas

ii) ei non-autokorelasi dan ei ~ N(0,�e2)

iii) n >>

Statistik uji :

��

��

====

========1n

1j

2kecilj

2n

1i

2besari

e

eF

ket : ei2

besar didapat dari persamaan regresi untuk kelompok data besar

ei2

kecil didapat dari persamaan regresi untuk kelompok data kecil

Kriteria uji :

Tolak H0 jika Fhitung > F�[1/2(n-c) – (k+1) , 1/2(n-c) – (k+1)], terima dalam hal lainnya.

Catatan :

untuk n > 30 : c optimum = n/4

untuk k > 1 maka pilih salah satu variabel X yang diurutkan

2.) Uji Glejser

Asumsi : ��i� berkaitan erat dengan variabel X

Bentuk model regresi :

i) �ei� = �1Xi + vi

ii) �ei� = �1 / Xi + vi

iii) �ei� = �0 + �1Xi + vi

iv) �ei� = �1iX + v

v) �ei� = �1 /iX + vi

vi) iii vXe ++= 10 ββ

vii)iii vXe ++= 2

10 ββ

Dengan salah satu bentuk model regresi di atas uji koefisien regresi (uji t) untuk

model yang dipilih.

Dampak heteroskedastisitas,

2. Hasil taksiran yang didapat dari model regresi yang mengandung heteroskedasitas

akan tetap tak bias tetapi variansnya besar (tidak efisien).

3. Selang kepercayaan semakin lebar.

BAB III

CONTOH PEMAKAIAN

Berikut ini adalah rincian data profitabiltas ekuitas dan beberapa faktor yang

mempengaruhinya ( Studi Pada Beberapa KUD di Kota AMBON ) selama tahun 1999 –

2003 ( Data dalam triwulanan) untuk lima KUD Mandiri.

Profitabilitas Triwulan Ekuitas (Y)

Profit Margin (X1) Investment Turnover (X2)

Equity Multiplier (X3)

1 0,022 0,187 0,063 1,87 2 0,088 0,311 0,104 2,72 3 0,056 0,214 0,072 3,63 4 0,141 0,22 0,17 3,78 1 0,218 0,306 0,188 3,789 2 0,090 0,309 0,103 2,83 3 0,193 0,206 0,169 5,53 4 0,059 0,191 0,064 4,84 1 0,025 0,21 0,07 1,7 2 0,207 0,261 0,154 5,142 3 0,020 0,183 0,061 1,79 4 0,048 0,189 0,108 2,34 1 0,147 0,18 0,322 2,537 2 0,193 0,206 0,169 5,53 3 0,196 0,241 0,147 5,52 4 0,060 0,153 0,251 1,56 1 0,073 0,244 0,13 2,289 2 0,158 0,308 0,103 4,99 3 0,080 0,289 0,097 2,83 4 0,260 0,284 0,161 5,69

Sumber : Pieter Leunupun “profitabiltas ekuitas dan beberapa faktor yang mempengaruhinya (

Studi Pada Beberapa KUD di Kota AMBON )”, http://puslit.petra.ac.id/journals/accounting/

Model Regresi Linier Multipel Data di atas dapat dibentuk dalam model :

Yi = β0 + β1Xi1 + β2Xi2 + β3Xi3 + …+βkXik + εi

Dengan koefesien regresinya dapat ditaksir melalui :

( ) ( )1ˆ t tX X X Yβ−

=

Dimana :

1 2 32

1 1 1 2 1 32

2 1 2 2 2 32

3 1 3 2 3 3

20 4.692 2.706 70.9074.692 1.150254 0.6236 17.064552.706 0.6236 0.451174 9.782204

70.907 17.06455 9.782204 293.1883

i i i

i i i i i it

i i i i i i

i i i i i i

N x x x

x x x xX X

x x x x

x x x x

� � �� = =� ��

��

� ��

�

1

2

3

2.3340.57811

0.3644269.982392

i

i it

i i

i i

y

x yX Y

x y

x y

�� = =� � � ��

Maka didapat :

120 4.692 2.706 70.907 2.334

4.692 1.150254 0.6236 17.06455 0.57811ˆ2.706 0.6236 0.451174 9.782204 0.364426

70.907 17.06455 9.782204 293.1883 9.982392

0.1770.5227ˆ0.58290.0261

β

β

−� � � �� =� � � ��

−� �� =� ��

Maka persamaan regresi linear multipelnya diperoleh:

1 2 3ˆ 0.177 0.5227 0.5829 0.0261Y X X X= − + + +

Ket: Y = Profitabilitas ekuitas ( Perbandingan SHU dengan modal sendiri) X1 = Profit margin (Perbandingan SHU dengan penjualan) X2 = Investment Turnover (Perbandingan penjualan dengan aktiva) X3 = Equity Multiplier (Perbandingan aktiva dengan modal sendiri)

1. Menguji Normalitas

a.) Pemeriksaan visual dengan plot data (Histogram)

0.3000.2500.2000.1500.1000.0500.000

Profitabilitas Equitas

7

6

5

4

3

2

1

0

Freq

uenc

y

Mean = 0.1167Std. Dev. = 0.074892N = 20

Profitabilitas Equitas

Dari Histogram terlihat Untuk variable Profitabilitas equitas dengan nilai

skewness (+0,361) dan nilai kurtosis (-1,226) memilki distribusi yang cenderung disebelah kanan distribusi normal dan cenderung melandai

Dari Histogram terlihat Untuk variable Profit margin dengan nilai skewness

(+0,315) dan nilai kurtosis (-1,302) memilki distribusi yang cenderung disebelah kanan distribusi normal dan cenderung melandai

0.3500.3000.2500.2000.150

Profit Margin

5

4

3

2

1

0

Fre

qu

en

cy

Mean = 0.2346Std. Dev. = 0.051047N = 20

Profit Margin

0.3500.3000.2500.2000.1500.1000.050

Intvestment Turnover

6

5

4

3

2

1

0

Freq

uenc

y

Mean = 0.1353Std. Dev. = 0.066906N = 20

Intvestment Turnover

Dari Histogram terlihat Untuk variable Invesment turnover dengan nilai

skewness (+1,267) dan nilai kurtosis (+1,977) memilki distribusi yang cenderung disebelah kiri distribusi normal dan cenderung memuncak

6.0005.0004.0003.0002.0001.000

Equity Multiplier

4

3

2

1

0

Freq

uenc

y

Mean = 3.54535Std. Dev. = 1.483207N = 20

Equity Multiplier

Dari Histogram terlihat Untuk variable Equity Multplier dengan nilai skewness (+0,219) dan nilai kurtosis (-1,566) memilki distribusi yang cenderung disebelah kanan distribusi normal dan cenderung melandai

b.) Skewnes dan kurtosis

Statistics

20 20 20 200 0 0 0

,361 ,315 1,267 ,219,512 ,512 ,512 ,512

-1,226 -1,302 1,977 -1,566,992 ,992 ,992 ,992

ValidMissing

N

SkewnessStd. Error of SkewnessKurtosisStd. Error of Kurtosis

Profitabilitasekuitas Profit margin

InvestmentTurnover

EquityMultiplier

� Skewness Ukuran Skewness untuk profitabilitas ekuitas adalah 0, 361, profit margin (0,315) ,

investment turnover (1,267) , dan equity multiplier (0,219). Untuk mengetahui apakah

data normal atau tidak nilai tersebut diubah ke angka rasio

. Rasio skewness : Nilai Skewness / std.error skewness Maka:

� Profitabilitas ekuitas : 0,361

0,7050,512

=

� Profit margin : 0,315

0,6150,512

=

� Investment turnover : 1,267

20,512

= ,47

� Equity multiplier : 0, 219

0,4270,512

=

• Data dikatakan berdistribusi normal jika nilai skewness berada diantara -

2,58 sampai dengan +2,58

Kesimpulan

Berdasarkan perhitungan rasio skewness diatas terlihat bahwa nilai rasio skewness

dari Profitabilitas ekuitas, profit margin, investment turnover, dan equity multiplier

terletak pada daerah tersebut , maka bisa dikatakan data berdistribusi normal. Nilai

skewness yang positif mengindikasikan tingginya frekueni nilai yang ada di sebelah kiri

puncak distribusi normal

� Kurtosis

Ukuran kurtosis untuk profitabilitas ekuitas adalah -1,226, profit margin (-1,302) ,

investment turnover (1,977) , dan equity multiplier (-1,566). Untuk mengetahui apakah

data normal atau tidak nilai tersebut diubah ke angka rasio

.

Rasio skewness : Nilai Skewness / std.error skewness

Maka:

� Profitabilitas ekuitas : 1,226

1, 2360,992− = −

� Profit margin : 1,302

1,3130,992− = −

� Investment turnover : 1,977

1,9930,992

=

� Equity multiplier : 1,566

1,5790,992− = −

• Data dikatakan berdistribusi normal jika nilai rasio kurtosis berada

diantara -2,58 sampai dengan +2,58

Kesimpulan

Berdasarkan perhitungan rasio kurtosis diatas terlihat bahwa nilai rasio kurtosis dari

Profitabilitas ekuitas, profit margin, investment turnover, dan equity multiplier terletak

pada daerah tersebut , maka bisa dikatakan data berdistribusi normal. Nilai kurtosis yang

negative menunjukan distribusi yang landai (varians besar ) sedangkan nilai kurtosis yang

positif menunjukan distribusi data yang memuncak (Satu nilai mendominasi ).

c) Normal P-P Plot

1.00.80.60.40.20.0

Observed Cum Prob

1.0

0.8

0.6

0.4

0.2

0.0

Ex

pe

cte

d C

um

Pro

b

Dependent Variable: Profitabilitas ekuitas

Normal P-P Plot of Regression Standardized Residual

Dari Normal P-P plot diatas dapat dijelaskan bahwa data mendekati garis

normal artinya data secara deskritif dapat dikatakan berasumsi distribusi

normal.Hal ini juga dapat dibuktikan dengan uji kolmogorov-smirnov

Kolmogorov-smirnov Test

One-Sample Kolmogorov-Smirnov Test

20 20 20 20.11670 .23460 .13530 3.54535

.074892 .051047 .066906 1.483207.189 .163 .158 .185.189 .163 .158 .185

-.146 -.133 -.133 -.159.846 .727 .708 .828.471 .666 .697 .499

NMeanStd. Deviation

Normal Parameters a,b

AbsolutePositiveNegative

Most ExtremeDifferences

Kolmogorov-Smirnov ZAsymp. Sig. (2-tailed)

y x1 x2 x3

Test distribution is Normal.a.

Calculated from data.b.

Pengujian Hipotesis

Ho : data berdistribusi normal

H1 : data tidak berdistribusi normal

Kriteria Uji tolak Ho jika P-value < 0,05

ternyata P-value > 0,05 maka Ho diterima artinya asumsi normalitas di atas terpenuhi.

2 Uji Linieritas

Untuk menguji linieritas kita harus membuat diagram pencar (scatter plot) antara standardized residual dengan standardized predicted

210-1-2

Regression Standardized Predicted Value

2

1

0

-1

-2

Re

gre

ss

ion

Stu

de

nti

zed

Re

sid

ua

l

Dependent Variable: Profitabilitas ekuitas

Scatterplot

Berdasarkan Scatterplot diatas dapat dijelaskan bahwa asumsi linear tidak terpenuhi.

Hal ini bisa dilihat dari grafik scatter plot diatas yang membentuk suatu pola tertentu

(Parabola)

3. Homoskedastisitas

Mendeteksi Heterokedastisitas Secara Grafis

0.2500.2000.1500.1000.0500.000

y_topi

2.500000E-3

2.000000E-3

1.500000E-3

1.000000E-3

5.000000E-4

0.000000E0

ei2

Berdasarkan Scatter diatas mengindikasikan data terbebas dari heteroskedastisitas

karena tidak membentuk suatu pola tertentu

Mendeteksi Heterokedastisitas dengan pengujian

1.) Uji Goldfeld-Quandt

Hipotesis Uji :

H0 : Tidak terdapat heteroskedastisitas

H1 : Terdapat heteroskedastisitas

Taraf Uji : � = 5%

Karena n < 30 maka c = ½(n-1), dimana c adalah pengamatan yang ditengah-tengah.

Dengan n = 20 maka c = 19/2 = 9,5 � 9, jadi terdapat dua kelompok data masing-

masing berjumlah 9 pengamatan.

Statistik Uji

2

1

2

1

2

1

n

i besarin

i kecilj

eF

e

=

=

=�

�

Untuk Xi

X1 ie besar 2

ie

X1 ie kecil 2

ie

0.241 0.017 0.000289 0.153 -0.03 0.0009 0.244 -0.013 0.000169 0.18 -0.024 0.000576 0.261 0.024 0.000576 0.183 0.019 0.000361 0.284 0.046 0.002116 0.187 0.016 0.000256 0.289 -0.024 0.000576 0.189 0.002 0.000004 0.306 0.027 0.000729 0.191 -0.027 0.000729 0.308 -0.016 0.000256 0.206 0.019 0.000361 0.309 -0.028 0.000784 0.206 0.019 0.000361 0.311 -0.029 0.000841 0.21 0.007 0.000049

0.006336 0.003597

0,0063361,761

0,003597F = =

Untuk X1

X1 ie besar 2

ie

X1 ie kecil 2

ie

0.147 0.017 0.000289 0.061 0.019 0.000361 0.154 0.024 0.000576 0.063 0.016 0.000256 0.161 0.046 0.002116 0.064 -0.027 0.000729 0.169 0.019 0.000361 0.07 0.007 0.000049 0.169 0.019 0.000361 0.072 -0.016 0.000256

0.17 0.005 0.000025 0.097 -0.024 0.000576 0.188 0.027 0.000729 0.103 -0.028 0.000784 0.251 -0.03 0.0009 0.103 -0.016 0.000256 0.322 -0.024 0.000576 0.104 -0.029 0.000841

0.005933 0.004108

0,0059331,444

0,004108F = =

Untuk X3

X3 ie kecil

2ie

X3

ie besar 2

ie

1.56 -0.03 0.0009 3.78 0.005 0.000025 1.7 0.007 0.000049 3.789 0.027 0.000729

1.79 0.019 0.000361 4.84 -0.027 0.000729 1.87 0.016 0.000256 4.99 -0.016 0.000256

2.289 -0.013 0.000169 5.142 0.024 0.000576 2.34 0.002 0.000004 5.52 0.017 0.000289

2.537 -0.024 0.000576 5.53 0.019 0.000361 2.72 -0.029 0.000841 5.53 0.019 0.000361 2.83 -0.028 0.000784 5.69 0.046 0.002116

0.00394 0.005442

0,0054221,381

0,00394F = =

Kriteria Uji :

Tolak H0 jika Fhitung > Ftabel, terima dalam hal lainnya.

Ternyata

Untuk variable X1 Fhitung = 1,761< 5,05= F0.05(5,5) , artinya H0 diterima.



Kesimpulan :

Dengan tingkat signifikansi sebesar 95% maka dapat disimpulkan bahwa tidak

terdapat heteroskedastisitas dalam data.

2.) Uji Glejser Regresi antara ei dengan x1 [ ]ie X1 [ ]ie X2 [ ]ie X3

0,016 0,187 0,016 0,063 0,016 1,87 0,029 0,311 0,029 0,104 0,029 2,72 0,016 0,214 0,016 0,072 0,016 3,63 0,005 0,22 0,005 0,17 0,005 3,78 0,027 0,306 0,027 0,188 0,027 3,789 0,028 0,309 0,028 0,103 0,028 2,83 0,019 0,206 0,019 0,169 0,019 5,53 0,027 0,191 0,027 0,064 0,027 4,84 0,007 0,21 0,007 0,07 0,007 1,7 0,024 0,261 0,024 0,154 0,024 5,142 0,019 0,183 0,019 0,061 0,019 1,79 0,002 0,189 0,002 0,108 0,002 2,34 0,024 0,18 0,024 0,322 0,024 2,537 0,019 0,206 0,019 0,169 0,019 5,53 0,017 0,241 0,017 0,147 0,017 5,52 0,03 0,153 0,03 0,251 0,03 1,56 0,013 0,244 0,013 0,13 0,013 2,289 0,016 0,308 0,016 0,103 0,016 4,99 0,024 0,289 0,024 0,097 0,024 2,83 0,046 0,284 0,046 0,161 0,046 5,69

Model yang digunakan

iVXei += 11β Dengan meregresikan nilai absolut dari residu leil terhada variabel X diperoleh persamaan sebagai berikut : Untuk pengujian X1

Coefficientsa

,004 ,010 ,409 ,687,069 ,043 ,353 1,599 ,127

(Constant)Profit Margin

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: EIa.

Dari output diatas didapat persamaan regresi sebagai berikut :

1069,0ˆ Xie =

Hipotesis Uji :



� : 5% t tabel = t�/2 ; (n - 1) = t 0,025 ; (19) = 2,09 Kriteria Uji : Terima H0 jika - t tabel < t hitung < t tabel

Terima H0 jika p-value > 0,05

Kesimpulan : Karena t hitung (1,599) < t tabel (2,09) dan p-value (0,127) > 0,05 maka H0 diterima. Artinya

bahwa data tersebut tidak terdapat heteroskedastisitas.

Untuk Pengujian X2

Coefficientsa

,015 ,005 2,967 ,008,039 ,034 ,262 1,152 ,264

(Constant)Investment Turnover

Model1

B Std. Error


Beta


t Sig.



1039,0ˆ Xie =

Hipotesis Uji :







Untuk Pengujian X3

Coefficientsa

,014 ,006 2,383 ,028,002 ,002 ,272 1,198 ,246

(Constant)Equity Multiplier

Model1

B Std. Error


Beta


t Sig.



1002,0ˆ Xie =

Hipotesis Uji :







BAB IV

KESIMPULAN DAN SARAN

Dari analisis data yang telah dilakukan ternyata hanya 2 asumsi saja yang terpenuhi,

yaitu normalitas dan homoskedastisitas. Sedangkan untuk uji linieritas tidak terpenuhi

yang artinya hasil analisis regresi akan menilai terlalu rendah pada hubungan yang

sebenarnya, Penilaian yang terlalu rendah ini memiliki dua resiko :

1.) Meningkatkan potensi error type II untuk variable independent

2.) Meningkatkan potensi error type I (Penilain terlalu tinggi ) untuk variable

independent lainnya yang memiliki varians sama dengan variable independent

tersebut

DAFTAR PUSTAKA

Dien Sukardinah. Soemartini, I.Gde Mindra.2005. Bahan Kuliah Regresi Lanjutan .

Jurusan Statistika . Unpad, Jatinangor.

Osborne, Jason & Elaine Waters.2002.Four Assumptions of Multiple Regression That

Researchers Should Always Test. Practical Assessment , Research & Evalution , 8(2)

Retrieved August 18,2006 from http:// edresearch.org/pare/getvn.asp?v=8&n=2

PENGUJIAN ASUMSI KLASIK.pdf

Documents