besar tidak signifikan biasanya menandakan terdapat multikolinearitas. Berikut ini hasil uji multikolinearitas:
Tabel 4.6 Hasil Estimasi Uji Multikolinearitas
Koefisien Korelasi Parsial
Variabel Nilai R
2
CARB = f IMLB,ROEB,LDRB,GWMB
0.822973
GWMB = f IMLB,ROEB,LDRB
0.724146
LDRB = f IMLB, ROEB, GWMB 0.667394
ROEB = f IMLB, LDRB, GWMB 0.520485
IMLB = f ROEB, LDRB, GWMB 0.594996
Sumber: Output Eviews Data diolah
Berdasarkan Tabel 4.6 diatas dapat dilihat bahwa nilai R
2
CAR=f IML,ROE,LDR,GWM = 0.518782 lebih besar dari R
2
dalam regresi parsial antar variabel bebasnya. dari metode ini dapat disimpulkan bahwa dalam model tersebut
tidak ditemukan adanya multikolinearitas.
4.3.4 Uji Autokorelasi Serial Correlation
Untuk mendiagnosis ada tidaknya korelasi seial autokorelasi dapat dilakukan dengan uji Durbin Watson. Uji Durbin Watson ini dilakukan untuk
mengetahui ada tidaknya gejala autokorelasi dalam model persamaan tersebut. Dengan hipotesisnya sebagai berikut :
Ho : p = 0, berarti tidak ada autokorelasi Ho : p
≠ 0, berarti ada autokorelasi n = 108 dl = 1,6104
k = 4 du = 1,7637 α = 5
Durbin – Watson stat = 0.724368
Universitas Sumatera Utara
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif
Tidak ada autokorelasi positif
Tidak ada korelasi negatif Tidak ada korelasi negatif
Tidak ada autokorelasi positif atau negatif
Tolak No decision
Tolak No decision
Tidak ditolak 0 dw dl
dl ≤ dw ≤ du
4 – dl dw 4 -dl 4 – du
≤ dw ≤ 4 – dl du dw 4 – du
Kesimpulan: 0 DW dl = 0 0,72 1,61 Tolak H0
Berdasarkan hasil estimasi pengaruh IML, ROE, LDR, dan GWM terhadap CAR diperoleh nilai DW hitung sebesar 0,724368. sedangkan pada
tingkat signifika nsi α = 5, k = 4 dan n = 108 diperoleh nilai dl = 1,6104 dan du
= 1,7637. Berdasarkan perbandingan nilai DW hitung dengan nilai DW tabel, maka disimpulkan terdapat autokorelasi pada model regresi di atas.
4.3.4.1 Cara Memperbaiki Masalah Autokorelasi Serial Correlation
Dalam memperbaiki atutokorelasi digunakan suatu metode yang disebut dengan metode menggunakan model AR1, dalam metode ini harus
ditentukan nilai sesungguhnya. dalam metode ini nilai p diestimasikan. Model yang digunakan adalah: µ
t
= p
1
µ
t-1
+p
2
µ
t-2
+ …+p
n
µ
t-n
+ ε
t
Jika nilai p= 1, maka ini disebut autogresif berordo 1, sehingga persamaannya menjadi:
µ
t =
µ
t-1
+ ε
t
Universitas Sumatera Utara
Model AR1 ini dapat menjadi dasar dalam membuat perbedaan guna menghilangkan autokorelasi dari persamaan. untuk itu, dalam estimasi regresi
perlu ditambahkan AR1 sebagai variabel bebas independent variabel. Dalam penelitian ini rumus persamaan regresi adalah
CARB = α+ β
1
IMLB + β
2
ROEB + β
3
LDRB + β
4
GWMB + µ. Persamaan ini merupakan transformasi akibat perbaikan dari masalah heteroskedastisitas yang terjadi
sebelumnya pada data penelitian ini. Dengan metode perbaikan autokorelasi dengan menggunakan model AR1, maka hasil dari estimasi persamaan tersebut
adalah :
Dependent Variable: CARB Method: Least Squares
Date: 062011 Time: 16:35 Sample adjusted: 2002M02 2010M12
Included observations: 107 after adjustments Convergence achieved after 7 iterations
Variable Coefficient
Std. Error t-Statistic
Prob. C
8.726614 2.037750
4.282475 0.0000
IMLB 0.308939
0.077655 3.978380
0.0001 ROEB
0.018569 0.007620
2.436858 0.0166
LDRB -0.052108
0.043987 -1.184615
0.2389 GWMB
-1.276117 0.318019
-4.012705 0.0001
AR1 0.858929
0.048134 17.84453
0.0000 R-squared
0.822973 Mean dependent var 5.252359
Adjusted R-squared 0.814209 S.D. dependent var
0.991142 S.E. of regression
0.427217 Akaike info criterion 1.191390
Sum squared resid 18.43392 Schwarz criterion
1.341268 Log likelihood
-57.73937 F-statistic 93.90679
Durbin-Watson stat 2.181025 ProbF-statistic
0.000000 Inverted AR Roots
.86
Universitas Sumatera Utara
Dari hasil estimasi di atas nilai DW adalah 2.1810 k = 4
dl = 1,6104 α = 5
du = 1,7637 Maka posisinya berada pada dudw4-du dengan hasil 1,61042.1810 2.2363.
Berdasarkan data diatas maka dapat disimpulkan persamaan regresi tidak terdapat autokorelasi positif atau negatif.
Koesfisien variabel AR1 adalah sebesar 0,86. angka tersebut merupakan nilai dari p. Selanjutnya cara lain untuk membuktikan apakah estimasi
regresi di atas tidak lagi memiliki autokorelasi, maka digunakan LM test. Hasil yang didapat adalah:
Breusch-Godfrey Serial Correlation LM Test: F-statistic
1.259432 Prob. F2,99 0.288322
ObsR-squared 2.654860 Prob. Chi-Square2
0.265158
Hasil pengujian menunjukkan bahwa nilai ObsR-squared bernilai 2.654860 dengan nilai prob. Chi-Square2 adalah 0,265158. Hasil ini
menunjukkan nilai probabilitasnya diatas 0,05 maka tidak menolak hipotesis nol, yaitu tidak ada autokorelasi.
Universitas Sumatera Utara
4.4 Hasil dan Pembahasan 4.4.1 Estimasi Persamaan Regresi
