Asumsi Klasik Hasil Analisis Regresi Linier Berganda 1. Uji Normalitas dan Uji Outlier

4.3.2. Asumsi Klasik

Untuk mendukung keakuratan hasil model regresi, maka perlu dilakukan penelusuran terhadap asumsi klasik yang meliputi asumsi multikolinieritas, heteroskedastisitas dan autokorelasi.

1. Asumsi Klasik : Multikolinieritas

Adapun besaran VIF dari masing-masing variabel bebas adalah sebagai berikut : Tabel 4.9 : Hasil VIF Variance Inflation Factor Variabel Bebas VIF Arus kas aktivitas operasi X 1 Arus kas aktivitas investasi X 2 Arus kas aktivitas pendanaan X 3 Laba Akuntansi X 4 5,154 6,269 5,275 1,985 Sumber : Lampiran 5 Berdasarkan tabel 4.9 menunjukkan bahwa model regresi yang dihasilkan tidak terjadi multikolinearitas, karena nilai VIF pada variabel arus kas aktivitas operasi X 1 , arus kas aktivitas investasi X 2 , arus kas aktivitas pendanaan X 3 dan laba Akuntansi X 4 lebih kecil dari 10.

2. Asumsi Klasik : Heteroskedastisitas

Heteroskedastisitas dapat diidentifikasikan dengan cara menghitung koefisien korelasi Rank Spearman antara nilai residual dengan seluruh variabel bebas. Hasil dari uji Rank Spearman adalah sebagai berikut : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.10 : Korelasi Rank Spearman Variabel Bebas Koefisien korelasi Rank Spearman Tingkat signifikansi Arus kas aktivitas operasi X 1 Arus kas aktivitas investasiX 2 Arus kas aktivitas pendanaan X 3 Laba Akuntansi X 4 0,054 0,201 -0,228 0,188 0,790 0,314 0,253 0,348 Sumber : Lampiran 5 Berdasarkan tabel 4.10 menunjukkan bahwa model regresi yang dihasilkan tidak terjadi heteroskedastisitas, karena tingkat signifikansi yang dihasilkan oleh variabel arus kas aktivitas operasi X 1 , arus kas aktivitas investasi X 2 , arus kas aktivitas pendanaan X 3 dan laba Akuntansi X 4 lebih besar dari 5.

3. Asumsi Klasik : Autokorelasi

Uji statistik yang digunakan untuk mengetahui ada tidaknya autokorelasi adalah uji Durbin Watson. Untuk mengetahui ada tidaknya gejala autokorelasi maka perlu dilihat tabel Watson dengan jumlah variabel bebas k dan jumlah data n sehingga diketahui d L dan d U maka dapat diperoleh distribusi daerah keputusan ada tidaknya autokorelasi. Nilai Durbin Watson yang dihasilkan sebesar 1,788 Lampiran 5 k = 4 n = 27 d L = 1,0836 d U = 1,7527 Lampiran 6 Nilai Durbin Watson yang dihasilkan berada diantara 1,7527 d U sampai dengan 2,2473 4-d U atau berada pada daerah tidak ada autokorelasi positif atau autokorelasi negatif. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.3.3. Persamaan Regresi Linier Berganda