SIFAT DASAR REGRESI PENAFSIRAN MODEL REGRESI

Materinya dapat didownload disini

Read More

SIMULASI ANALISIS REGRESI BERGANDA DENGAN SPSS

A.  Deskripsi Objek Penelitian

Penelitian menggunakan periode 2007 sampai dengan 2009 sehingga perusahaan yang digunakan adalah perusahaan perbankan yang telah aktif diperdagangkan dalam periode tersebut. Terdapat 28 perusahaan perbankan yang terdaftar di Bursa Efek Indonesia pada tahun 2009, akan tetapi terdapat 3 perusahaan yang baru listing pada tahun 2007, yaitu PT Bank Agroniaga Tbk., PT Bank Capital Indonesia Tbk., dan PT Bank Windu Kentjana International Tbk. Demikian juga terdapat 2 buah perusahaan yang baru listing di BEI tahun 2008 yaitu PT Bank Ekonomi Raharja Tbk., dan PT Bank Tabungan Pensiunan Nasional Tbk., sehingga hanya terdapat 23 perusahaan perbankan yang berturut-turut memperdagangkan sahamnya dari tahun 2007 sampai dengan tahun 2009. Dari 23 perusahaan yang memperdagangkan sahamnya berturut-turut antara tahun 2007 sampai dengan 2009 terdapat 8 perusahaan yang tidak mencantumkan data variabel penelitian secara lengkap yaitu data piutang perusahaan yang dipergunakan untuk menghitung discretionary accrual. Dengan demikian sampel penelitian adalah sebanyak 15 perusahaan.

B. Analisis Data
1. Uji Asumsi Klasik

Analisis regresi linear berganda memerlukan beberapa asumsi agar model tersebut layak dipergunakan. Asumsi yang dipergunakan dalam penelitian ini adalah uji normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi.

a.  Uji Normalitas

Uji normalitas data dipergunakan untuk menentukan apakah data terdistribusi secara normal atau tidak. Uji normalitas yang dipergunakan adalah plot grafik di mana asumsi normalitas terpenuhi jika titik-titik pada grafik mendekati sumbu diagonalnya.

Gambar 1
Uji Normalitas

Gambar menunjukkan bahwa titik-titik pada grafik telah mendekati atau hampir berhimpit dengan sumbu diagonal atau membentuk sudut 45 derajad dengan garis mendatar. Interpretasinya adalah bahwa nilai residual pada model penelitian telah terdistribusi secara normal. Untuk memperkuat hasil pengujian tersebut dipergunakan uji Kolmogorov-Smirnov yaitu sebagai berikut:

Tabel 1
Uji Normalitas dengan Kolmogorov-Smirnov

Tampak bahwa nilai signifikansi adalah sebesar 0,868 > 0,05 yang menunjukkan bahwa nilai residual telah terdistribusi secara normal. Hasil analisis awal menunjukkan adanya data outliers yaitu data yang menyimpang terlalu jauh dari data yang lain sehingga harus dikeluarkan dari model penelitian. Berikut adalah identifikasi data outlier pada model dalam penelitian ini:

Tabel 2
Identifikasi Data Outliers

Tampak bahwa terdapat 1 buah data outliers yaitu data ke-8 sehingga data tersebut dikeluarkan dari model penelitian dan jumlah data penelitian menjadi 44 buah. Dengan mengeluarkan satu buah data tersebut, masih terdapat 1 buah lagi data outliers yaitu sebagai berikut:

Tabel 3
Identifikasi Data Outliers 2

Data ke-23 menjadi outliers setelah data ke-8 dikeluarkan, dengan demikian, data ke-23 juga dikeluarkan dari model sehingga tidak ada lagi data outliers. Dengan mengeluarkan dua buah data outliers maka diperoleh grafik P Plot sebagai berikut:

Gambar 2
Uji Normalitas Tanpa Data Outliers

Gambar menunjukkan bahwa titik-titik pada grafik telah mendekati atau hampir berhimpit dengan sumbu diagonal atau membentuk sudut 45 derajad dengan garis mendatar. Interpretasinya adalah bahwa nilai residual pada model penelitian telah terdistribusi secara normal. Untuk memperkuat hasil pengujian tersebut dipergunakan uji Kolmogorov-Smirnov yaitu sebagai berikut:

Tabel 4
Uji Normalitas dengan Kolmogorov-Smirnov Tanpa Outliers

Tampak bahwa dengan 43 data maka nilai signifikansi adalah sebesar 0,884 > 0,05 yang menunjukkan bahwa nilai residual telah terdistribusi secara normal.

b. Uji Multikolinearitas

Uji multikolinearitas dilakukan dengan menggunakan nilai variance inflation factor (VIF). Model dinyatakan terbebas dari gangguan multikolinearitas jika mempunyai nilai VIF di bawah 10 atau tolerance di atas 0,1. Berikut adalah uji Multikolinearitas dalam penelitian ini:

Tabel 5
Uji Multikolinearitas

Tabel di atas memberikan semua nilai VIF di bawah 10 atau nilai tolerance di atas 0,1. Berarti tidak terdapat gejala multikolinearitas pada model dalam penelitian ini.

c. Uji Heteroskedastisitas

Uji Heteroskedastisitas dilakukan dengan memplotkan grafik antara SRESID dengan ZPRED di mana gangguan heteroskedastisitas akan tampak dengan adanya pola tertentu pada grafik. Berikut adalah uji heteroskedastisitas pada keempat model dalam penelitian ini:

Gambar 3
Uji Heteroskedastisitas

Tampak pada diagram di atas bahwa model penelitian tidak mempunyai gangguan heteroskedastisitas karena tidak ada pola tertentu pada grafik. Titik-titik pada grafik relatif menyebar baik di atas sumbu nol maupun di bawah sumbu nol.

d. Uji Autokorelasi

Berikut adalah nilai Durbin-Watson pada model dalam penelitian ini:

Tabel 6
Uji Autokorelasi

Adapun nilai dU untuk 5 buah variabel dengan 43 data pada taraf 5% adalah sebesar 1,780. Tampak bahwa 0 < dW < dU yang masuk pada kategori no decision. Untuk memperkuat hasil tersebut digunakan uji Run, di mana gangguan autokorelasi terjadi jika signifikansi di bawah 0,05. Berikut adalah uji autokorelasi dengan Run test:

Tabel 7
Uji Autokorelasi dengan Run Test

Tampak bahwa signifikansi adalah sebesar 0,760 > 0,05 yang menunjukkan bahwa tidak terjadi gangguan autokorelasi pada model penelitian.

C. Uji Goodness of Fit

Uji goodness of fit adalah untuk melihat kesesuaian model, atau seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel terikatnya. Berikut adalah hasil perhitungan nilai R dan koefisien determinasi dalam penelitian ini:

Tabel 8
Uji Goodness of Fit

Tabel tersebut memberikan nilai R sebesar 0,689 pada model penelitian dan koefisien determinasi sebesar 0,404. Tampak bahwa kemampuan variabel bebas dalam menjelaskan varians variabel terikat adalah sebesar 40,4%. Masih terdapat 59,6% varians variabel terikat yang belum mampu dijelaskan oleh variabel bebas dalam model penelitian ini.

D. Uji F

Uji F (uji simultan) adalah untuk melihat pengaruh variabel bebas yaitu terhadap variabel terikatnya yaitu DA secara serempak. Berikut adalah nilai F hitung dalam penelitian ini:

Tabel 9
Uji F

Tampak bahwa nilai F hitung pada model penelitian adalah sebesar 6,686 dengan taraf signifikansi sebesar 0,000. Nilai signifikansi adalah di bawah 0,05 yang menunjukkan bahwa variabel bebas secara serempak mempunyai pengaruh yang signifikan terhadap manajemen laba pada signifikansi 5%.

E.  Uji t

Uji t (parsial) adalah untuk melihat pengaruh variabel-variabel bebas secara parsial terhadap variabel terikatnya. Berikut adalah hasil perhitungan nilai t hitung dan taraf signifikansinya dalam penelitian ini:

Tabel 10
Uji t

Berdasarkan hasil pada tabel tersebut, dapat disusun persamaan regresi linear berganda sebagai berikut:
Y = 3,385 – 0,108 X1 – 0,016 X2 + 0,11 X3 + 0,178 X4 - 0,161 X5 + e
Keterangan:
Y      = Discretionary Accrual
X1    = Ukuran dewan komisaris
X2    = Komite audit
X3    = Kepemilikan institusional
X4    = Kepemilikan manajerial
X5    = Ukuran perusahaan
Interpretasi terhadap persamaan tersebut beserta uji hipotesis akan diberikan sebagai berikut:
1. Pengujian Hipotesis 1

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel ukuran dewan komisaris adalah sebesar -3,011. Nilai tersebut di atas nilai t tabel untuk N = 43 yaitu sebesar + 2,011 sehingga diinterpretasikan bahwa variabel ukuran dewan komisaris mempunyai pengaruh yang signifikan terhadap discretionary accrual. Dengan demikian hipotesis H1 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara ukuran dewan komisaris terhadap manajemen laba diterima. Berarti ukuran dewan komisaris mempunyai pengaruh signifikan terhadap manajemen laba.

2.  Pengujian Hipotesis 2

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel ukuran komite audit adalah sebesar -0,392. Nilai tersebut di bawah nilai t tabel + 2,011 sehingga diinterpretasikan bahwa variabel ukuran komite audit tidak mempunyai pengaruh yang signifikan terhadap discretionary accrual. Dengan demikian hipotesis H2 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara komite audit terhadap manajemen laba ditolak. Berarti ukuran komite audit tidak mempunyai pengaruh signifikan terhadap manajemen laba.

3.   Pengujian Hipotesis 3

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel ukuran kepemilikan institusional adalah sebesar 3,093. Nilai tersebut di atas nilai t tabel + 2,011 sehingga diinterpretasikan bahwa variabel kepemilikan institusional mempunyai pengaruh yang signifikan terhadap discretionary accrual. Dengan demikian hipotesis H3 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara kepemilikan intitusional terhadap manajemen laba diterima. Berarti kepemilikan institusional mempunyai pengaruh signifikan terhadap manajemen laba.

4.  Pengujian Hipotesis 4

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel kepemilikan manajerial adalah sebesar 1,083. Nilai tersebut di bawah nilai t tabel + 2,011 sehingga diinterpretasikan bahwa variabel kepemilikan manajerial tidak mempunyai pengaruh yang signifikan terhadap discretionary accrual. Dengan demikian hipotesis H4 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara kepemilikan manajerial terhadap manajemen laba ditolak.

5.    Pengujian Hipotesis 5

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel ukuran perusahaan adalah sebesar -3,663. Nilai tersebut di atas nilai t tabel + 2,011 sehingga diinterpretasikan bahwa variabel ukuran perusahaan mempunyai pengaruh yang signifikan terhadap discretionary accrual.. Dengan demikian hipotesis H4 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara ukuran perusahaan terhadap manajemen laba diterima. Berarti terdapat pengaruh yang signifikan antara ukuran perusahaan terhadap manajemen laba.

Read More

PENGUJIAN HIPOTESIS (RLB: UJI T, UJI F& UJI R SQUARE_PENJELASAN LENGKAP

Regresi linier berganda merupakan salah satu pengujian hipotesis untuk mengetahui pengaruh antara variabel bebas (independen) terhadap variabel tetapnya (dependen).  Selain itu uji hipotesis yang lainnya adalah Uji T, Uji F dan Uji R² yang akan di bahas dalam artikel 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. UjiT

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 _Thitung  yakni 1,683 dengan _Ttabel=2,021. Jadi _Thitung < 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 _Thitung < 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)

Read More

PENDUGAAN PARAMETER

Inferensi statistik yaitu pengambilan kesimpulan mengenai populasi berdasarkan hukum statis- tika , berhubungan  dengan persoalan pendugaan parameter dan pengujian hipotesis.

Informasi yang relevan dari populasi dapat dinyatakan dengan cara memilih ukuran-ukuran

deskriptif yang bersifat numerik yang disebut: parameter.

Silahkan download materi disini

Read More