4.3.1.3 Uji Multikolinearitas
Multikolinieritas merupakan suatu situasi dimana beberapa atau semua Bebas berkolerasi kuat. Jika terdapat korelasi yang kuat di antara sesame variabel
independen maka konsekuensinya adalah: 1. Koefisien-koefisien regresi menjadi tidak dapat ditaksir.
2. Nilai standar error setiap koefisien regresi menjadi tidak terhingga. Cara yang digunakan untuk mendeteksi ada tidaknya multikoliniearitas adalah
dapat dilihat dari nilai tolerance dan Variance Inflation Factors VIF pada model regresi.
Tabel 4.7
Uji multikolinearitas
Berdasarkan tabel 4.7, nilai tolerance untuk masing-masing variabel : 1. Nilai tolerance Rasio Leverage DER, 0,999 0,10
2. Nilai tolerance Rasio Intensitas Modal, 0,999 0,10 Maka dapat disimpulkan tidak terjadi multikoliniearitas antarvariabel
bebas Rasio Leverage DER dan Rasio Intensitas Modal.
Coefficients
a
,999 1,001
,999 1,001
DER Intensitas Modal
Model 1
Tolerance VIF
Collinearity Statistics
Dependent Variable: ROE a.
Berdasarkan tabel 4.7, diperoleh VIF untuk masing-masing variabel : 1. VIF variabel Rasio Leverage DER, 1,001 10
2. VIF variabel Rasio Intensitas Modal, 1,001 10 Maka dapat disimpulkan tidak terjadi multikoliniearitas antarvariabel
bebas Rasio Leverage DER dan Rasio Intensitas Modal.
4.2.1.4 Uji Autokorelasi
Autokorelasi didefinisikan sebagai korelasi antar observasi yang diukur berdasarkan deret waktu dalam model regresi atau dengan kata lain error dari
observasi yang satu dipengaruhi oleh error dari observasi yang sebelumnya. Metode pengujian menggunakan uji Durbin-Watson DW-test. Model regresi
dikatakan tidak terdapat aurokorelasi apabila nilai Durbin-Watson DW-test berkisar 1,55 sampai 2,46.
Untuk mendeteksi keberadaan ada tidaknya autokorelasi dalam data, digunakan uji durbin watson dengan hasil output SPSS sebagai berikut:
Berdasarkan output di atas diperoleh nilai durbin watson dw sebesar 1,645. Nilai ini akan dibandingkan dengan nilai durbin watson pada tabel. Dengan
α=0,05, k=2 dan n=50, diperoleh nilai dL=1,462 dan dU=1,628 dan 4-dU=2,372.
Model Summary
b
,331
a
,109 ,071
22,87010 1,645
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, X2, X1 a.
Dependent Variable: Y b.
Terlihat bahwa nilai dw 1,645 berada di antara dU 1,628 dan 4-dU 2,372 dengan demikian tidak ditemukan masalah autokorelasi dalam data.
4.3.2 Persamaan Regresi Linier Berganda
Persamaan regresi linier berganda yang akan dibentuk adalah:
ˆY
= a + b
1
X
1
+ b
2
X
2
ˆY
= nilai taksiran untuk variabel profitabilitas a
= konstanta b
i
= koefisien regresi X
1
= Rasio leverage X
2
= Rasio intensitas modal Dengan menggunakan software SPSS, diperoleh hasil analisis regresi
linier berganda sebagai berikut:
Tabel 4.8
Koefisien Regresi Linier Berganda
Berdasarkan output di atas, diperoleh nilai a sebesar 25,250, nilai b
1
sebesar -0,136 dan b
2
sebesar -10,570. Dengan demikian maka dapat dibentuk persamaan regresi linier berganda sebagai berikut:
Coefficients
a
25,250 6,362
3,969 ,000
-,136 ,573
-,033 -,236
,814 -10,570
4,438 -,328
-2,382 ,021
Constant DER
Intensitas Modal Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: ROE a.
Kategori