Tabel 4.5 Uji Multikolinearitas
Persamaan 2
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 23.753
130.125 .183
.856 CSR=CSDI
-53.377 151.035
-.070 -.353
.726 .514
1.945 lev=LEVit
-1.839 2.281
-.151 -.806
.425 .577
1.734 size=SIZEit
-.012 .436
-.005 -.028
.978 .602
1.660 betasaham
= BETAit 30.727
75.781 .060
.405 .687
.913 1.096
growth=GR OWTH
25.128 9.441
.412 2.662
.011 .841
1.189 UE=UEit
.036 .091
.071 .392
.697 .618
1.619 a. Dependent Variable: returnsaham=Rit
Sumber : data diolah, 2012
Dari hasil pengolahan data diatas maka dapat kita simpulkan bahwa pada semua variabel tidak terjadi multikolieneritas karena nilai Tolerance 0.1 dan
nilai VIF 10.
4.1.2.3 Uji Heterokedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi ketidaksamaan deviasi standar variabel dependen pada setiap variable independen.
Pengujian ini juga bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan Variance dari residual suatu pengamatan ke pengamatan lain. Jika
varian dari residual suatu pengamatan ke pengamatan tetap maka disebut homokedastisitas dan jika berbda maka disebut heterokedastisitas. Berikut ini
merupakan hasil uji heterokedastisitas dalam bentuk grafik scatterplot.
Sumber : data diolah, 2012
Gambar 4.5 Scatterplot
Persamaan 1
Dari hasil grafik plot diatas maka dapat kita jelaskan bahwa titik -titik menyebar secara acak dan tidak membentuk suatu pola yang jelas atau teratur baik
diatas maupu dibawah angka 0 pada sumbu Y. hal ini dapat disimpulkan bahwa tidak terdapat heterokedastisitas pada model regresi ini.
Sedangkan,
Sumber : data diolah, 2012
Gambar 4.6 Scatterplot
Persamaan 2
Dari hasil grafik plot diatas maka dapat kita jelaskan bahwa titik -titik menyebar secara acak dan tidak membentuk suatu pola yang jelas atau teratur baik
diatas maupu dibawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa scatterplot pada persamaan kedua ini juga tidak terdapat heterokedastisitas pada
model regresi ini.
4.1.2.4 Uji Autokorelasi
Uji ini bertujuan untuk menguji apakah dalam suatu model regresi ada korelasi antara kesalahan pengganggu pada periode – t dengan kesalahan pada
periode t -1. Untuk menguji ada tidaknya autokorelasi pada penelitian ini peneliti menggunakan uji Durbin-Watson.
Kriteria uji Durbin-Watson : 1. nilai D-W diatas -2 maka terjadi autokorelasi positif.
2. nilai D-W diantara -2 sampai +2 maka tidak terjadi autokorelasi 3. nilai D-W diatas +2 maka terjadi autokorelasi negative.
Tabel 4.6 Uji Durbin-Watson
Persamaan1
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .754
a
.568 .525
6.74828 1.855
a. Predictors: Constant, growth=GROWTH, size=SIZEit, lev=LEVit, CSR=CSDI b. Dependent Variable: ROE=ROEit
Sumber : data diolah, 2012 Dari hasil pengolahan data diatas diperoleh nilai D-W sebesar 1.855 atau
diantara -2 sampai +2. Dengan demikian, berdasarkan tabel diatas dapat ditarik kesimpulan bahwa data tersebut tidak terjadi autokorelasi
Tabel 4.7 Uji Durbin-Watson
Persamaan 2
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .484
a
.235 .114
66.26765 1.352
a. Predictors: Constant, UE=UEit, betasaham= BETAit, lev=LEVit, growth=GROWTH, size=SIZEit, CSR=CSDI
b. Dependent Variable: returnsaham=Rit Sumber : data diolah, 2012
Maka dari hasil pengolahan data persamaa kedua diatas diperoleh nilai D- W sebesar 1.352 atau diantara -2 dan +2. Dengan demikian disimpulkan bahwa data
tersebut juga tidak terjadi autokorelasi pada model ini.
4.1.3 Uji Goodness of fit
