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