a. Evaluasi Normalitas Data
Estimasi dengan Maximum Likelihood menghendaki variable observed harus memenuhi asumsi normalitas multivariate.Analisa normalitas
dilakukan dengan mengamati nilai CR untuk multivariate dengan rentang
10Kline, 2005.
Tabel 7 Hasil Uji Normalitas Data
Variable min
max skew
c.r. kurtosis
c.r. X1
1,00 10,000
-,700 -3,501
-,162 -,406
X2 1,00
10,000 -,074
-,369 -,880
-2,201 X3
1,00 10,000
-,323 -1,617
-,724 -1,811
X4 1,00
10,000 -,700
-3,501 ,310
,775 X5
1,00 10,000
-,607 -3,037
-,192 -,480
X6 1,00
10,000 -,710
-3,552 ,204
,510 X20
1,00 10,000
,643 3,213
-,066 -,166
X19 1,00
10,000 ,462
2,308 -,326
-,816 X18
1,00 8,000
,203 1,015
-,925 -2,313
X17 1,00
10,000 ,333
1,667 -,212
-,529 X16
1,00 10,000
,463 2,316
-,716 -1,790
X15 1,00
9,000 ,033
,163 -,376
-,940 X14
1,00 9,000
,141 ,703
-,495 -1,237
X13 1,00
10,000 ,355
1,774 -,348
-,870
Variable min
max skew
c.r. kurtosis
c.r.
X12 1,00
10,000 ,277
1,386 -1,022
-2,556 X11
1,00 10,000
,375 1,877
-,526 -1,316
X10 1,00
10,000 ,188
,940 -,613
-1,534 X9
1,00 9,000
,175 ,876
-,399 -,997
X8 1,00
9,000 ,327
1,637 -,415
-1,037 X7
1,00 9,000
,226 1,128
-,593 -1,482
Multivariate 14,359
2,964 Sumber: Data Primer yang Diolah, 2015
Hasil pengujian normalitas menunjukkan bahwa nilai CR untuk multivariate adalah 2,964 yang berada di bawah 10, sehingga dapat
dikatakan tidak terdapat bukti bahwa distribusi data variable observed tidak normal.
b. Evaluasi Outliers
Outliers adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda dengan data lainnya dan muncul dalam
bentuk nilai ekstrim. Uji Jarak Mahalanobis Mahalanobis Distance untuk melihat ada tidaknya outliers secara multivariate. Mahalanobis
Distancedihitung berdasarkan nilai Chi-Square pada derajat bebas 20 jumlah indikator pada tingkat
= 0,001 adalah
2
20 ; 0,001 = 45,314 berdasarkan tabel distribusi
2
sedangkan dari hasil pengolahan data dapat diketahui bahwa jarak Mahalanobis maksimal adalah 43,539
sehingga dapat disimpulkan bahwa tidak terdapat multivariate outliers.
c. Evaluasi Multicollinearity dan Singularity
Kategori