- 47 - error terms yang dikenal dengan metode Random Effect. Model
ini akan mengestimasi data panel dimana variabel gangguan mungkin saling berhubungan antar waktu dan antar individu.
Model yang tepat digunakan untuk mengestimasi Random Effect adalah Generalized Least Square GLS sebagai estimatornya,
karena dapat meningkatkan efesiensi dan least square. Bentuk umum untuk random effect adalah Widarjono, 2009:
̅ Dimana:
̅ = parameter yang tidak diketahui yang menunjukan
rata- rata intersep populasi; μ = variabel gangguan yang
bersifat random yang menjelaskan adanya perbedaan perilaku perusahaan secara individu.
3. Pengujian Hipotesis
a. Uji Chow Uji Chow menguji kesamaan koefisien dengan melihat hasil
observasi yang sedang kita teliti, dapat dikelompokkan menjadi dua atau lebih kelompok yang merupakan subyek proses ekonomi
yang sama. Rumus dalam uji Chow adalah :
Keterangan : = R
2
model PLS = R
2
model FE
- 48 -
n = jumlah sampel k = jumlah variabel penjelas
m = jumlah restricel variable
Shochrul,dkk, 2011: 53 Uji chow yaitu pengujian menentukan model yang
digunakan Pooled Least Square Effect atau Fixed Effect yang digunakan untuk pengambilan keputusan uji Chow adalah sebagai
berikut H0
: Model pooled least square Effect OLS H1
: Model fixed effect
F hitung F tabel, maka hipotesis yang diajukan H0 ditolak yang berarti model yang paling tepat digunakan adalah model
fixed effect. F hitung F tabel, maka hipotesis yang diajukan H0 diterima
yang berarti model yang digunakan adalah common effect model
b. Uji Hausman Uji Hausman adalah pengujian statistik untuk memilih
apakah model Fixed Effect atau Random Effect yang paling tepat digunakan. Uji ini dikembangkan oleh Hausman dengan
didasarkan pada ide bahwa LSDV didalam metode Fixed Effect dan GLS adalah efesien sedangkan model OLS adalah tidak
efesien, dilain pihak alternatifnya metode OLS efesien dan GLS tidak efesien Widarjono, 2009.mHipotesis Nol uji Hausman
adalah sebagai berikut Shochru, dkk, 2011:74: H0
: Random Effect Model
- 49 - H1
: Fixed Effect Model
4. Uji Asumsi Klasik
Untuk mengetahui bagaimana pengaruh variabel bebas X terhadap variabel terika Y, maka peneliti menggunakan anilasis
regresi untuk membandingkan dua variabel yang berbeda. Pada anilasis regresi untuk memperoleh modal regresi yang bisa
dipertanggungjawabkan, maka asumsi-asumsi berikut harus di penuhi: a. Uji Normalitas
Uji Normalitas dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi berdistribusi
normal atau tidak Suliyanto, 2011. Regresi dikatakan baik apabila nilai residualnya terstandarisasi sebagian besar mendekati
nilai rata-ratanya atau normal distribusinya. Nilai α = 0,1 jika p-value lebih kecil dari α, maka data tidak
normal dan sebaliknya jika p-value lebih besar dari α, maka data
normal. Shochrul,dkk, 2011:43
b. Uji Multikoliniearitas Multikolonieritas adalah kondisi adanya hubungan linear
antarvariabel independen karena melibatkan beberapa variabel independen, maka multikolinearitas tidak akan terjadi pada
- 50 - persamaan regresi sederhana. Berikut rumus uji multikolinearitas
Suliyanto, 2011:
Keterangan: n = banyaknya observasi
R = koefisien determinasi model k = banyaknya variabel independen temasuk kostanta
Jika nilai F hitung lebih besar dari F krisis, maka model mengandung unsur multikolinearitas. Apabila F hitung lebih kecil
dari F
krisis, maka
model tidak
mengandung unsur
multikolinearitas. Multikoliniearitas berarti adanya hubungan linear yang
sempurna atau tidak pasti, di antara beberapa variabel atau semua variabel yang mejelaskan dari model regresi. Ada atau tidaknya
multikolinearitas dapat diketahui atau dilihat dari koefisien korelasi masing-masing variabel bebas, jika koefisien kolerasi di antara
masing-masing variabel lebih besar dari 0,8, maka terjadi multikolinearitas Shochrul, dkk, 2009.
c. Uji Autokorelasi Autokorelasi adalah hubungan antara residual satu
observasi dengan residual observasi lainnya. Autokorelasi lebih
- 51 - mudah timbul pada data yang bersifat runtut waktu, karena
berdasarkan sifatnya, data masa sekarang dipengaruhi oleh data pada masa-masa sebelumnyaWinarno, 2007
Panduan mengenai angka D-W Durbin-Watson untuk mendeteksi autokorelasi bisa dilihat pada tabel D-W, yang bisa
dilihat pada buku panduan relevan. Namun demikian, secara umum bisa diambil patokan:
1 Angka D-W dibawah -2 berarti ada korelasi positif 2 Angka D-W diantara -2 sampai +2 berarti tidak ada korelasi
3 Angka D-W diatas+-2 berarti ada korelasi negatif Singgih Santoso, 2010.
d. Uji Heteroskedastisitas Heteroskedastisitas merupakan keadaan di mana semua
gangguan yang muncul dalam fungsi regresi populasi tidak memiliki varians yang sama Shochrul, dkk, 2009.
Asumsi dalam model regresi sebagai berikut: residual e
i
memiliki nilai rata-rata nol r
esidual memiliki varian yang konstan atau var e = σ
2
residual observasi tidak saling berhubungan dengan residual observasi lainnya atau cov e
p
e
j
= 0, sehingga menghasilkan estimator BLUE Winarno, 2007.
- 52 - Apabila nilai profitabilitasnya α 5, maka data tersebut
bebas dari masalah heteroskedastisitas. Namun apabila nilai profitabilitasnya α 5, maka dapat disimpulkan bahwa data tersebut
terdapat masalah heteroskedastisitas.
5. Pengujian Signifikasi