VIF dapat diperbaiki dengan melakukan trimming membuang variabel yang memiliki nilai VIF paling besar yaitu variabel LDR X
6
4.3.2.2 Uji Multikolinieritas – lterasi 2 hapus X
6
Tabel 4.3.2.2 : Uji Multikolinieritas – lterasi 2 hapus X
6
Coefficients
a
-460.518 529.311
-.870 .394
-.616 1.439
-.135 -.428
.673 -.093
.130 7.698
.835 1.932
.306 .432
.670 .094
.026 38.590
-.461 2.166
-.198 -.213
.834 -.046
.015 66.672
2.636 3.068
.787 .859
.400 .184
.015 64.774
-6.443 8.779
-.200 -.734
.471 -.158
.174 5.756
7.527 30.751
.453 .245
.809 .053
.004 264.251
2.316 9.370
.252 .247
.807 .054
.012 80.238
10.998 9.504
1.325 1.157
.260 .245
.010 101.188
-5.430 11.054
-.830 -.491
.628 -.107
.005 220.771
-1.539 2.630
-.324 -.585
.565 -.127
.042 23.671
7.107 3.647
1.109 1.949
.065 .391
.040 25.005
-13.074 9.551
-.677 -1.369
.186 -.286
.053 18.872
1.366 4.448
.173 .307
.762 .067
.041 24.408
108.132 166.227
.735 .651
.522 .141
.010 98.651
Constant QR X1
IPR X2 BR X3
ALR X4 CR~X5
PR X7 RAR X8
CAR 2 X9 CAR 3 X10
GPM X11 ROE X12
GYTA X13 RRL X14
LM~X15 Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Partial Correl
ations Tolerance
VIF Collinearity Statistics
Dependent Variable: Perubahan Laba Y a.
Sumber : Lampiran 1
Hasil uji Multikolinieritas menunjukkan hanya nilai VIF X
1
dan X
5
kurang dari 10, sedangkan nilai VIF 12 variabel X lainnya lebih dari 10 sehingga terjadi multikolinieritas yang tinggi. Dengan demikian dapat
disimpulkan bahwa asumsi tidak terjadi multikolinieritas pada variabel bebas penelitian tidak dapat dipenuhi.
VIF dapat diperbaiki dengan melakukan trimming membuang variabel yang memiliki nilai VIF paling besar, yaitu variabel PR X
7
.
4.3.2.3 Uji Multikolinieritas – lterasi 3 hapus X
7
Tabel 4.3.2.3 : Uji Multikolinieritas – lterasi 3 hapus X
7
Coefficients
a
-369.179 367.302
-1.005 .326
-.674 1.389
-.148 -.486
.632 -.103
.134 7.484
.882 1.881
.323 .469
.644 .099
.026 38.210
-.085 1.495
-.036 -.057
.955 -.012
.030 33.150
2.508 2.957
.749 .848
.406 .178
.016 62.878
-6.493 8.587
-.202 -.756
.458 -.159
.174 5.753
3.871 6.740
.421 .574
.572 .122
.023 43.368
9.886 8.167
1.191 1.210
.239 .250
.013 78.062
-3.437 7.316
-.526 -.470
.643 -.100
.010 101.009
-1.830 2.297
-.385 -.797
.434 -.167
.053 18.859
7.449 3.296
1.162 2.260
.034 .434
.047 21.335
-12.670 9.204
-.656 -1.377
.183 -.282
.055 18.309
.957 4.033
.121 .237
.815 .051
.048 20.961
77.999 109.290
.530 .714
.483 .150
.022 44.548
Constant QR X1
IPR X2 BR X3
ALR X4 CR~X5
RAR X8 CAR 2 X9
CAR 3 X10 GPM X11
ROE X12 GYTA X13
RRL X14 LM~X15
Model 1
B Std. Error
Unstandardized Coefficients
Beta Standardized
Coefficients t
Sig. Partial
Correla tions
Tolerance VIF
Collinearity Statistics
Dependent Variable: Perubahan Laba Y a.
Sumber : Lampiran 1
Hasil uji Multikolinieritas menunjukkan hanya nilai VIF X
1
dan X
5
kurang dari 10, sedangkan nilai VIF 11 variabel X lainnya lebih dari 10 sehingga terjadi multikolinieritas yang tinggi. Dengan demikian dapat
disimpulkan bahwa asumsi tidak terjadi multikolinieritas pada variabel bebas penelitian tidak dapat dipenuhi.
VIF dapat diperbaiki dengan melakukan trimming membuang variabel yang memiliki nilai VIF paling besar, yaitu variabel CAR3 X
10
.
4.3.2.4 Uji Multikolinieritas – lterasi 4 hapus X