Tabel 4.7. Hasil Uji Normalitas dengan Transformasi
One-Sample Kolmogorov-Smirnov Test
27 25
6 6
27 12.4295
20.7210 22.6688
22.1133 7.4401
1.96999 3.98240
2.06602 2.47286
1.36847 .130
.118 .263
.185 .168
.130 .099
.157 .185
.168 -.087
-.118 -.263
-.154 -.130
.673 .591
.644 .453
.876 .755
.876 .802
.987 .427
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Tr_x1 Tr_x2
Tr_x3 Tr_x4
Tr_y
Test distribution is Normal. a.
Calculated from data. b.
Sumber : data diolah,lampiran 2 Berdasarkan tabel di atas bahwa uji Kolmogorov-Smirnov dengan
Lilliefors Significance Correction menunjukkan bahwa semua variable yang diteliti memiliki distribusi yang normal nilai signifikansi 0,05.
4.3.1. Uji Asumsi Klasik
Tujuan utama menggunakan uji asumsi klasik adalah untuk mendapatkan koefisien yang terbaik linier dan tidak bias BLUE : Best Linier Unbiassed
Estimator. Uji asumsi klasik tersebut meliputi asumsi autokorelasi, multikolinieritas dan heteroskedastisitas.
1. Uji Autokorelasi
Adanya Autokorelasi dalam model regresi artinya adanya korelasi antar anggota sampel yang diurutkan berdasarkan waktu. Uji statistik yang
digunakan untuk mengetahui ada tidaknya autokorelasi adalah uji Durbin Watson. Berikut ini hasil uji Durbin Watson :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Tabel 4.8 : Hasil Uji Durbin Watson
Model Summary
b
.720
a
.518 .430
9030.073 1.015
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, X4, X1, X2, X3 a.
Dependent Variable: Y b.
Sumber : data diolah, lampiran 3 Nilai DW Durbin Watson yang dihasilkan adalah sebesar 0,921 karena
nilai DW Durbin Watson berada dl 0.99 ≤ d1.015 ≤ 4 – du 4-1,64=2,36,
maka dapat disimpulkan bahwa antar residual kesalahan pengganggu terdapat korelasi atau model regresi linier berganda yang dihasilkan terjadi autokorelasi.
Salah satu alternatif untuk mengatasi model regresi linear yang terkena gangguan autokorelasi adalah dengan memasukkan lag dari variabel terikat
menjadi salah satu variabel bebasnya. Pada tahap interpretasi model, lag variabel tidak usah diinterpretasikan karena hanya merupakan metode untuk
menghilangkan gangguan autokorelasi saja. Firdaus,Muhammad, 2004. Adalah sebagai berikut:
Tabel 4.9. Uji Durbin Watson dengan Metode Lag
Model Summary
b
.272
a
.074 -.052
1.23444 1.696
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, X4, X1, X2 a.
Dependent Variable: Lag_y b.
Sumber : data diolah, lampiran 3
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Gambar 4.1.: Distribusi daerah keputusan Autokorelasi
Menolak Ho Daerah keragu- Daerah keragu- Menolak Ho Bukti auto raguan raguan bukti auto
Korelasi korelasi Positif negatif
Menerima Ho atau Ho kedua-duanya
0 D
L
D
U
2 4-D
U
4-D
L
4 0.99 1,62 1,696 2,38 2,92
Sumber : Gujarati, 1991 : 218.
Nilai DW Durbin Watson yang dihasilkan adalah sebesar 1,696 karena nilai DW Durbin Watson berada du 1,64
≤ d1,696 ≤ 4 – du 4-1,64=2,36, maka dapat disimpulkan bahwa antar residual kesalahan pengganggu tidak
terdapat korelasi atau model regresi linier berganda yang dihasilkan tidak terjadi autokorelasi.
2. Uji Multikolinieritas
Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance yang rendah sama
dengan nilai VIF tinggi karena VIF = 1tolerance dan menunjukkan adanya kolinieritas yang tinggi. Nilai cut off yang umum dipakai adalah nilai
tolerance 0,10 atau sama dengan nilai VIF diatas 10. Adapun besaran VIF dari masing-masing variabel bebas 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 : Nilai VIF Variance inflation Factor
Coefficients
a
.993 1.007
.965 1.036
.968 1.033
X1 X2
X4 Model
1 Tolerance
VIF Collinearity Statistics
Dependent Variable: Y a.
Sumber : data diolah, lampiran 3 Berdasarkan tabel di atas, dapat disimpulkan bahwa model regresi tidak
terjadi multikolinieritas, karena besaran VIF yang dihasilkan oleh variabel insider laba akuntansi X
1
, arus kas dari aktifitas operasi X
2
, arus kas dari aktifitas pendanaan X
4
lebih kecil dari 10.
3. Uji 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 : Tabel 4.11 : Hasil Korelasi Rank Spearman
Correlations
1.000 -.181
-.226 -.200
. .367
.257 .800
27 27
27 4
-.181 1.000
.677 .400
.367 .
.000 .600
27 27
27 4
-.226 .677
1.000 -.400
.257 .000
. .600
27 27
27 4
-.200 .400
-.400 1.000
.800 .600
.600 .
4 4
4 4
Correlation Coefficie Sig. 2-tailed
N Correlation Coefficie
Sig. 2-tailed N
Correlation Coefficie Sig. 2-tailed
N Correlation Coefficie
Sig. 2-tailed N
X1 X2
X4 Unstandardized
Residual Spearmans rho
X1 X2
X4 Unstandardiz
ed Residual
Correlation is significant at the 0.01 level 2-tailed. .
Sumber: data diolah, Lampiran 3
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Berdasarkan tabel di atas dapat disimpulkan bahwa model regresi tidak terjadi heteroskedastisitas, karena tingkat signifikansi yang dihasilkan oleh
variabel laba akuntansi X
1
, arus kas dari aktifitas operasi X
2
, arus kas dari aktifitas pendanaan X
4
lebih besar dari 5 sig 5.
4.4. Analisis Model dan Pengujian Hipotesis 4.4.1. Hasil Analisis Regresi Berganda