linier dan tidak bias Gujarati, 1999:153. Kondisi ini akan terjadi jika dipenuhi beberapa asumsi, yang disebut dengan asumsi klasik, sebagai
berikut :
4.3.2.1. Uji Autokorelasi
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. Gujarati, 1999:201
k = 2 n = 15 d
L
= 0,9455 d
U
= 1,5432 Lampiran 7 d
= 2.002 Lampiran 5 Gambar 4.5 : Distribusi Daerah Keputusan Autokorelasi
Sumber : Gujarati Pada Kurva ini di atas menunjukkan bahwa nilai d yang dihasilkan
berada diantara d
U
1,5432 dengan 4-d
U
2,4568 atau berada pada daerah tidak autokorelasi sehingga asumsi autokorelasi terpenuhi.
Ada autokore
lasi positif
Daerah keragu-
raguan Daerah
keragu- raguan
Ada autokore
lasi negatif
Tidak ada autokorelasi positif dan tidak ada
autokorelasi negatif
0,945 d
L
1,543 d
U
2,456 4-d
U
3,054 4-d
L
4 2,002
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.3.2.2. Uji Multikolinieritas
Multikolinearitas merupakan satu keadaan dimana satu atau lebih variable independent terdapat korelasi atau hubungan dengan variable
independent lainnya. Prasetyo, tt:28. Tujuan pengujian ini adalah untuk menguji apakah pada model regresi ditemukan adanya korelasi antar
variabel independent. Jika terjadi korelasi, maka dinamakan terdapat problem multikolinieritas. Model regresi yang seharusnya tidak terjadi
pada korelasi diantara variabel independen. Deteksi adanya multikolinearitas dapat dilihat dari besaran VIF yaitu :
a. Jika besaran VIF 10 maka terjadi multikolinearitas
b. Jika besaran VIF 10 maka tidak terjadi multikolinearitas. Adapun
nilai VIF
yang dihasilkan oleh ketiga variabel bebas yang
digunakan dalam penelitian ini adalah : Tabel 4.6 : Nilai VIF
No. Variabel Bebas
VIF 1.
2. 3.
Return On Equity X
1
Return On Assets X
2
Earning Per Share X
3
56,671 66,572
3,032 Sumber : Lampiran 4
Pada tabel 4.6 di atas menunjukkan bahwa nilai VIF pada variabel Return On Equity X
1
dan Return On Assets X
2
lebih dari 10, maka dapat dikatakan bahwa antar variabel tersebut terjadi multikolinieritas.
Menurut Gujarati 1999:210 Ada beberapa cara untuk mengatasi kolinearitas ganda Multicollinearity yaitu :
a. Adanya informasi sebelumnya a prior information
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
b. Menggabungkan data cross section dengan berkala time series c. Mengeluarkan satu variabel atau lebih dan kesalahan spesifikasi.
Salah satu cara yang paling mudah untuk dilakukan ialah mengeluarkan salah satu variabel yang berkorelasi dengan variabel
lainnya. d. Transformasi variabel-variabel
Model transformasi yang digunakan adalah model regresi dalam bentuk perbedaan pertama. Transformasi atau perubahan bentuk
menjadi perbedaan pertama menimbulkan persoalan misalnya tidak memenuhi salah satu asumsi daripada model regresi linear.
e. Penambahan data baru Kadang dengan hanya sekedar meningkatkan ukuran sampel , bisa
mengurangi masalah kolinearitas. Pada penelitian ini, cara yang digunakan untuk mengatasi
multikolinieritas adalah mengeluarkan salah satu variabel yang berkorelasi dengan variabel lainnya, dan variabel yang dikeluarkan
adalah Return On Assets X
2
dengan nilai VIF tertinggi yaitu sebesar 66,572.
Tabel 4.7 : Nilai VIF Setelah Pengujian Ulang No.
Variabel Bebas VIF
1. 2.
Return On Equity X
1
Earning Per Share X
3
1.203 1.203
Sumber : Lampiran 5 Pada tabel 4.7 di atas menunjukkan bahwa nilai VIF pada variabel
Return On Equity X
1
dan Earning Per Share X
3
kurang dari 10, maka
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
dapat dikatakan bahwa antar variabel tersebut tidak terjadi multikolinieritas.
4.3.2.3. Uji Heteroskedastisitas