Tabel 4.5 Hasil Regresi Data Panel Model Fixed Effect
Dependent Variable: DA Method: Panel Least Squares
Date: 091015 Time: 23:12 Sample: 2011 2014
Periods included: 4 Cross-sections included: 17
Total panel balanced observations: 68 Variable
Coefficient Std. Error
t-Statistic Prob.
C -6.172890
5.759749 -2.807916
0.0072 DAR
-2.764517 2.689784
-3.027784 0.0363
KI 1.587720
2.150994 0.273232
0.7859 ROE
0.054823 3.165621
0.717318 0.9863
SIZE -1.661578
0.197723 -3.345981
0.0016 Effects Specification
Cross-section fixed dummy variables R-squared
0.873387 Mean dependent var 0.228716
Adjusted R-squared 0.749297 S.D. dependent var
1.295773 S.E. of regression
1.122698 Akaike info criterion 3.317634
Sum squared resid 59.24119 Schwarz criterion
4.003070 Log likelihood
91.79954 Hannan-Quinn criter. 3.589224
F-statistic 3.112482 Durbin-Watson stat
3.323050 ProbF-statistic
0.018003
Sumber : Data Diolah
Setelah hasil regresi dengan menggunakan model common effect dan fixed effect didapat maka langkah selanjutnya adalah melakukan uji untuk menentukan
model estimasi mana yang lebih tepat antara model commen effect atau fixed effect. Dalam menentukan diantara kedua model tersebut maka digunakanlah uji Chow
sebagai uji pemilihan model regresi data panel. Uji chow adalah pengujian untuk menentukan antara model fixed effect atau
common effect yang lebih tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow dalam penelitian ini adalah :
Ho : Common Effect H1 : Fixed Effect
Dasar penolakan terhadap hipotesis diatas adalah dengan membandingkan perhitungan F hitung dengan F tabel. Perbandingan yang dipakai apabila hasil F
hitung lebih besar dari F tabel, maka Ho ditolak yang berarti model yang lebih tepat digunakan adalah fixed effect model.begitupun sebaliknya, jika F hitung lebih kecil
dari F tabel, maka Ho diterima dan model yang lebih tepat digunakan dalam penelitian adalah common effect. Langkah pertama yang dilakukan sebelum
melakukan uji chow adalah melakukan regresi dengan menggunakan model common effect dan fixed effect.
Setelah hasil dari model common effect dan fixed effect diperoleh maka selanjutnya dilakukan uji chow dengan melakukan uji likelihood ratio menggunakan
Eviews. Hasil dari uji likelihood ratio atau uji chow dapat dilihat pada tabel dibawah ini :
Tabel 4.6 Hasil Uji Chow
Redundant Fixed Effects Tests Equation: Untitled
Test cross-section fixed effects Effects Test
Statistic d.f.
Prob. Cross-section F
1.834791 16,47
0.0544 Cross-section Chi-square
32.998204 16
0.0074 Sumber : Data diolah
Hasil dari uji chow pada tabel diatas menunjukan bahwa probabilitas cross section adalah sebesar 0.544 dengan kata lain nilai probabilitas pada tabel diatas
berada diatas nilai 0.05 sehingga dengan tingkat keyakinan sebesar 95 maka dapat disimpulkan Ho diterima dengan kata lain model yang lebih sesuai digunakan dalam
penelitian ini adalah model common effect, maka selesai sampai disini dan tidak perlu melakukan uji signifikansi random effect.
3. Uji Asumsi Klasik
a. Uji Normalitas data
Uji normalitas bertujuan untuk menguji apakah model regresi variabel dependen dan variabel independen maupun keduanya berdistribusi normal
atau tidak. Model yang baik adalah model yang memiliki distribusi data yang normal. Untuk menguji normalitas data menggunakan Eviews menggunakan
dua cara, yaitu dengan menggunakan histogram dan uji Jarque-Bera. Jarque- Bera adalah uji statistik untuk mengetahui apakah data berdistribusi normal
atau tidak. Berikut ini adalah output histogram dan nilai Jarque-berra.
Gambar 4.1 Uji Normalitas Data
2 4
6 8
10 12
14
-1 1
2
Series: Standardized Residuals Sample 2011 2014
Observations 68
Mean 3.59e-17
Median -0.114479
Maximum 8.994946
Minimum -1.571088
Std. Dev. 1.198530
Skewness 0.619327
Kurtosis 3.467950
Jarque-Bera 1.967512
Probability 0.083429
Berdasarkan output hasil jarque berra diatas dapat dilihat pada nilai Jarque-Bera dan probabilitasnya. Dengan hipotesis yang digunakan adalah
sebagai berikut : Ho : Reisudal dari model berdistribusi normal
H1 : Residual dari model tidak berdistribusi normal Berdasarkan hasil uji normalitas diatas dapat diketahui nilai Jarque Bera
sebesar 1.967512 atau lebih kecil dari 2, dan nilai probabilitasnya sebesar 0.083429 yaitu lebih besar dari tingkat signifikansi 5 0.05. sehingga dapat
disimpulkan bahwa Ho diterima dan H1 ditolak, atau dengan kata lain data yang dipakai dalam penelitian ini berdistribusi normal.
b. Uji Multikolinearitas
Uji multikolinearitas adalah uji yang dilakukan untuk mengetahui korelasi yang terjadi diantara variabel-variabel independen.Untuk mengetahui
ada atau tidaknya multikolinearitas digunakan uji correlation dengan menggunakan matriks korelasi. Jika hasil koefisien korelasi pada output
menunjukan hasil diatas 0.8 maka diduga terjadi multikolinearitas. Sebaliknya jika koefisien korelasi rendah dibawah 0.8 maka diduga model tidak
mengandung multikolinearitas. Berdasarkan hasil uji multikolinearitas yang dilakukan dengan Eviews diperoleh hasil sebagai berikut :
Tabel 4.7 Uji Multikolinearitas
DAR KI
ROE Firm Size
DAR 1
0.061462 0.13818
0.146872 KI
0.061462 1
-0.36357 0.315146
ROE 0.13818
-0.36357 1
-0.25819 Firm Size
0.146872 0.315146
-0.25819 1
Sumber : Data Diolah Keterangan :
DAR :Debt to Equity Ratio KI : Komisaris Independen
ROE : Return on equity Firm Size : Ukuran Perusahaan
Berdasarkan hasil pengujian multikolinearitas pada tabel diatas, dapat dilihat bahwa tidak ada variabel yang memiliki nilai korelasi diatas 0.8.
dengan demikian dapat disimpulkan bahwa model regresi yang dipakai tidak terdapat masalah multikolinearitas dengan kata lain dalam penelitian ini tidak
terdapat korelasi diantara variabel bebasnya.
c. Uji Heterokedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan
varian dari residual untuk semua pengamatan pada model regresi. Prasyaratan yang harus terpenuhi dalam suatu model regresi adalah ada atau tidaknya
gejala heteroskedastisitas. Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varians dari satu residual satu pengamatan ke pengamatan lain. Jika variansi dari residual satu dari satu pengamatan ke
pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas. model regresi yang baik adalah yang
homokedastisitas atau yang tidak terjadi heteroskedastisitas. Untuk menguji masalah heteroskedastisitas, peneliti menggunakan uji
park, yaitu dengan membuat persamaan regresi dengan cara mengganti variabel dependen dengan residual kuadratnya. Apabila probabilitas yang ada
bernilai diatas 0.05 yang berarti tidak signifikan, maka model regresi diasumsikan terbebas dari masalah heteroskedastisitas atau model regresi
bersifat homokedastisitas. Berikut ini adalah hasil uji park yang dilakukan pada model regresi dalam penelitian ini :