Asumsi klasik digunakan untuk menguji apakah dalam sebuah model regresi terdapat penyimpangan atau tidak. Model regresi yang baik, seharusnya tidak terdapat
penyimpangan asumsi klasik, yaitu autokorelasi, heteroskedastisitas dan normalitas.
1. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah data dari masing-masing variabel memiliki sebaran normal. Untuk menguji normalitas digunakan uji
Kolmogorov-Smirnov. Dalam asumsi kenormalan regresi, uji normalitas dilaksanakan terhadap residual dari regresi Ghozali, 2006. Salah satu metode yang digunakan
untuk melihat distribusi data adalah dengan menggunakan normal probability plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi
kumulatif dari distribusi normal. Distribusi normal akan membentuk suatu garus lurus diagonal, dan ploting data akan dibandingkan dengan garis diagonal. Jika distribusi
data adalah normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonal. Berikut ini adalah hasil pengujian normalitas:
Tabel 4.5
One-Sample Kolmogorov-Smirnov Test
56 56
.0869134 .7305
.71594694 3.41466
.255 .465
.255 .465
-.188 -.415
1.911 3.481
.001 .000
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed DAt-1
NPMt-1
Test distribution is Normal. a.
Calculated from data. b.
Sumber: data sekunder diolah, 2008 Keterangan:
DAt-1 : Discretionary accrual sebelum IPO NPMt-1: Net profit margin sebelum IPO
Berdasarkan tabel 4.5 hasil pengujian one-sample kolmogorov-smirnov tes pada variabel discretionary accrual sebelum IPO DAt-1 dengan probabilitas
signifikansi 0,001 dan nilainya jauh dibawah α = 0,05 hal ini berarti variabel discretionary accrual sebelum IPO DAt-1 tidak terdistribusi normal. Variabel net
profit margin sebelum IPO NPMt-1 dengan probabilitas signifikansi 0,000 dan nilainya jauh dibawah α = 0,05 hal ini berarti variabel net profit margin sebelum IPO
NPMt-1 tidak terdistribusi normal.
2. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Jika variance dari residual satu pengamatan ke pengamatan yan lain tetap
maka disebut
homoskedastisitas dan
jika berbeda
disebut
heteroskedastisitas. Kebanyakan
data crossection
mengandung situasi
heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang dan besar Ghozali, 2006. Cara untuk mendeteksi ada atau
tidaknya heteroskedastisitas adalah dengan menggunakan Uji Glejser, Glejser mengusulkan untuk melakukan regresi pada nilai absolute residual terhadap
variabel bebas. Dalam hal ini perhitungan dilakukan dengan menggunakan bantuan program komputer SPSS 15.0 for windows. Jika variabel bebas tidak
signifikan secara statistik mempengaruhi variabel terikat, berarti disimpulkan model regresi tidak terjadi heteroskedastisitas.
Tabel 4.6 Heteroskedastisitas
Coefficients
a
1.008 .414
2.436 .018
.511 .579
.119 .882
.382 Constant
DAt-1 Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: Absres a.
Sumber: data sekunder diolah, 2008 Keterangan:
DAt-1 : Discretionary accrual sebelum IPO
Berdasarkan hasil pengujian heteroskedastisitas diketahui bahwa variabel bebas tidak signifikan secara statistik mempengaruhi variabel terikat dengan nilai
t
hitung
berarti dapat disimpulkan model regresi tidak terjadi heteroskedastisitas.
3. Uji Autokorelasi
