PENGUJIAN HIPOTESIS - REGRESI LINIER BERGANDA, UJI T, UJI F DAN UJI R SQUARE (PENJELASAN LENGKAP)

Regresi linier berganda merupakan salah satu pengujian hipotesis untuk mengetahui pengaruh antara variabel bebas (independent) terhadap variabel tetapnya (dependent).  Selain itu uji hipotesis yang lainnya adalah Uji T, Uji F dan Uji R² yang akan di bahas dalam Blog ini… Secara tajam, setajam…….. Pisau dapur..!! Hehehe..

Okedeh, tanpa basa basi Saya antar anda kepada pembahasannya. Dijamin akan sangat bermanfaat...

1. Analisis Regresi Linier Berganda

Analisis regresi linier berganda ini digunakan untuk mengetahui ada tidaknya pengaruh dari variabel bebas terhadap variabel terikat. Disini saya akan memberikan contoh seperti artikel saya sebelumnya, lihat artikelnya disini.

Sehingga yang saya cari adalah pengaruh variabel bebas (independen variable) yaitu Leverage (X₁), CR (X₂), Return On Asset (X₃) dan Return On Equity (X₄) terhadap variabel terikat (dependen variable) yaitu Beta (Y).

Dan persamaan regresinya dapat dirumuskan sebagai berikut (Suharyadi dan Purwanto, 2004:509):

Dimana:

Y                = Beta (β)

a                = Konstanta

b₁,b₂,b₃,b₄        = Koefisien determinasi

X1              = Leverage

X2             = CR

X3             = Return On Asset (ROA)

X4             = Return On Equity (ROE)

e                = Error

Untuk membaca dari hasil SPSS terhadap persamaan regresinya adalah dengan melihat output spss pada tabel “Coefficients” (yang belum tau caranya bisa dilihat langkahnya dengan klik disini).

Untuk lebih jelasnya bisa lihat pada contoh saya yang sebelumnya dan gambar di bawah ini:

Berdasarkan tabel diatas dapat diperoleh rumus regresi sebagai berikut:

Y = (-0,094) + 2,934 X₁ - 0,071 X₂ - 0,043 X₃ – 0,003 X_4­  + e

Interpretasi dari regresi diatas adalah sebagai berikut:

1. Konstanta (a)

Ini berarti jika semua variabel bebas memiliki nilai nol (0) maka nilai variabel terikat (Beta) sebesar -0,094.

2. Leverage (X₁) terhadap beta (Y)

Nilai koefisien Leverage untuk variabel X1 sebesar 2,839. Hal ini mengandung arti bahwa setiap kenaikan Leverage satu satuan maka variabel Beta (Y) akan naik sebesar 2,839 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

3. CR (X₂) terhadap beta (Y)

Nilai koefisien Current Ratio untuk variabel X₂ sebesar 0,071 dan bertanda negatif, ini menunjukkan bahwa Current Ratio mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan Current Ratio satu satuan maka variabel Beta (Y) akan turun sebesar 0,071 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

4. ROA (X₃) terhadap Beta (Y)

Nilai koefisien ROA terstandarisasi untuk variabel X₃ sebesar 0,043 dan bertanda negatif, ini menunjukkan bahwa ROA mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan ROA satu satuan maka variabel Beta (Y) akan turun sebesar 0,043 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

5. ROE (X₄) terhadap Beta (Y)

Nilai koefisien ROE  untuk variabel X₄ sebesar 0,003 dan bertanda negatif, ini menunjukkan bahwa ROE mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan ROE satu satuan maka variabel Beta (Y) akan turun sebesar 0,003 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

2. Uji T

Uji t digunakan untuk mengetahui apakah variabel-variabel independen secara parsial berpengaruh nyata atau tidak terhadap variabel dependen. Derajat signifikansi yang digunakan adalah 0,05. Apabila nilai signifikan lebih kecil dari derajat kepercayaan maka kita menerima hipotesis alternatif, yang menyatakan bahwa suatu variabel independen secara parsial mempengaruhi variabel dependen.

Analisis uji t juga dilihat dari tabel ”Coefficient”. Contoh dari artikel saya sebelumnya:

Cara bacanya:

1. Leverage (X₁) terhadap Beta (Y)

Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,002. Nilai sig lebih kecil dari nilai probabilitas 0,05, atau nilai 0,002<0,05, maka H₁ diterima dan Ho ditolak. Variabel X₁ mempunyai t_hitung  yakni 3,317 dengan t_tabel=2,021. Jadi t_hitung>t_tabel dapat disimpulkan bahwa variabel X₁ memiliki kontribusi terhadap Y. Nilai t positif menunjukkan bahwa variabel X₁ mempunyai hubungan yang searah dengan Y. Jadi dapat disimpulkan leverage memiliki pengaruh signifikan terhadap Beta.

2. Current Ratio (X₂) terhadap beta (Y)

Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,039. Nilai sig lebih kecil dari nilai probabilitas 0,05, atau nilai 0,039<0,05, maka H₁ diterima dan Ho ditolak. Variabel X₂ mempunyai t_hitung  yakni 2,134 dengan t_tabel=2,021. Jadi t_hitung>t_tabel dapat disimpulkan bahwa variabel X₂ memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa X₂ mempunyai hubungan yang  berlawanan arah dengan Y. Jadi dapat disimpulkan CR memiliki pengaruh signifikan terhadap beta.

3. ROA (X₃) terhadap Beta (Y)

Terlihat nilai sig untuk ROA adalah 0,100. Nilai sig lebih besar dari nilai probabilitas 0,05, atau nilai 0,100>0,05, maka H₁ ditolak dan Ho diterima. Variabel X₃ mempunyai t_hitung  yakni 1,683 dengan t_tabel=2,021. Jadi t_hitung<t_tabel dapat disimpulkan bahwa variabel X₃ tidak memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa X₃ mempunyai hubungan yang berlawanan arah dengan Y. Jadi dapat disimpulkan ROA tidak berpengaruh signifikan terhadap risiko Beta

.

4. ROE (X₄) terhadap

Terlihat nilai sig pada ROE adalah 0,726. Nilai sig lebih besar dari nilai probabilitas 0,05, atau nilai 0,726>0,05, maka H₁ ditolak dan Ho diterima. Variabel X₄ mempunyai t_hitung  yakni 0,353 dengan t_tabel=2,021. Jadi t_hitung<t_tabel dapat disimpulkan bahwa variabel X₄ tidak memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa ROE mempunyai hubungan yang berlawanan arah dengan Beta. Jadi dapat disimpulkan ROE tidak berpengaruh signifikan terhadap risiko Beta.

Sehingga ringkasan hasil pengujian hipotesis adalah sbb:

3. Uji F

Uji F digunakan untuk mengetahui apakah variabel-variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen. Derajat kepercayaan yang digunakan adalah 0,05. Apabila nilai F hasil perhitungan lebih besar daripada nilai F menurut tabel maka hipotesis alternatif, yang menyatakan bahwa semua variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen.

Untuk analisisnya dari output SPSS dapat dilihat dari tabel ”Anova”, seperti contoh saya:

Cara bacanya:

Pengujian secar simultan X1, X2, X3 dan X4 terhadap Y:

Dari tabel diperoleh nilai F_hitung sebesar 5,889 dengan nilai probabilitas (sig)=0,001. Nilai F_hitung (5,889)>F_tabel (2,61), dan nilai sig. lebih kecil dari nilai probabilitas 0,05 atau nilai 0,001<0,05; maka H₀₁ diterima, berarti secara bersama-sama (simultan) Leverage, CR, ROA dan ROE berpengaruh signifikan terhadap Beta. ditolak dan H

4. Koefisien determinasi (R­²)

Koefisien determinasi digunakan untuk mengetahui seberapa besar hubungan dari beberapa variabel dalam pengertian yang lebih jelas. Koefisien determinasi akan menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan oleh perubahan atau variasi pada variabel yang lain (Santosa&Ashari, 2005:125).

Dalam bahasa sehari-hari adalah kemampuan variabel bebas untuk berkontribusi terhadap variabel tetapnya dalam satuan persentase.

Nilai koefisien ini antara 0 dan 1, jika hasil lebih mendekati angka 0 berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel amat terbatas. Tapi jika hasil mendekati angka 1 berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.

Untuk analisisnya dengan menggunakan output SPSS dapat dilihat pada tabel ”Model Summary”.

Supaya lebih sederhana lihat contoh saya berikut ini:

Cara bacanya (berdasarkan contoh saya sebelumnya):

Berdasarkan Tabel ”Model Summary” dapat disimpulkan bahwa Leverage, CR, ROA dan ROE berpengaruh sebesar 35,4% terhadap Risiko Sistematis, sedangkan 64,6% dipengaruhi variabel lain yang tidak diteliti. Karena nilai R Square dibawah 5% atau cenderung mendekati nilai 0 maka dapat disimpulkan kemampuan variabel-variabel independen  dalam menjelaskan variasi variabel amat terbatas.

Demikian penjelasan dari saya. Semoga bermanfaat bagi kita semua. Jangan lupa lihat link Contoh Cara Analisis Data Dengan SPSS yang bisa di lihat dengan klik disini. Atau jika tidak bisa bisa copy paste link ini di jendela baru:

(http://carapandangku.blogspot.com/2011/07/uji-asumsi-klasik-dengan-spss-panduan_04.html#more)

Salam,

Liken