Dengan melihat tampilan grafik histogram dapat disimpulkan bahwa pola distribusi data mendekati normal. Kemudian pada grafik normal plot terlihat
titik-titik sebaran mendekati garis normal.\
4.2.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas independen. Jika variabel
independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar
sesama variabel independen sama dengan nol Ghozali, 2006. Untuk mengetahui ada tidaknya multikolinearitas di dalam model regresi dapat
dilihat dari nilai Tolerance dan Variance Inflation Factor VIF.
Tabel 4.3 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF
1 Constant
.394 .117
3.353 .002
ROA .091
.318 .072
.286 .777
.376 2.662
CR .005
.035 .026
.140 .890
.688 1.454
DER -.152
.062 -.387 -2.444
.021 .951
1.052 MBV
.038 .018
.382 2.060
.049 .695
1.438 TAX
-.017 .209
-.013 -.082
.935 .887
1.127 SG
-.253 .227
-.195 -1.117 .274
.782 1.278
FCF -.108
.232 -.116
-.465 .646
.383 2.610
a. Dependent Variable: DPR
Sumber : Data sekunder yang diolah software SPSS Suatu model regresi dinyatakan bebas dari multikolinearitas jika
mempunyai nilai Tolerance di atas 0.1 dan nilai VIF di bawah 10. Dari Tabel 4.3 dapat diketahui bahwa semua variabel independen memiliki nilai
Tolerance di atas 0.1 dan nilai VIF jauh di bawah angka 10. Hal ini menunjukkan dalam model regresi ini tidak terjadi multikolinearitas.
4.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang
berurutan sepanjangnwaktu berkaitan satu sama lainnya. Model regresi yang baik adalah yang bebas dari autokorelasi Ghozali, 2006. Untuk
mengetahui ada tidaknya autokorelasi dapat dilihat dari nilai uji D-W dengan ketentuan sebagai berikut :
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi
positif Tolak
ddl Tidak ada autokorelasi
positif No decision dl
≤d≤du Tidak ada autokorelasi
negative Tolak
4-dl d4
Tidak ada autokorelasi negative
No decision dud4-du Tidak ada autokorelasi
positif Tidak Tolak
Hasil uji autokorelasi dapat dilihat pada Tabel 4.4 Tabel 4.4
Uji Autokorelasi
Sumber : Data sekunder yang diolah software SPSS Berdasarkan Tabel 4.4, nilai dari statistik Durbin-Watson adalah 1.399.
Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara -2
Model Summary
b
Model R
R Square
Adjusted R
Square Std.
Error of the
Estimate Change Statistics
Durbin- Watson
R Square
Change F
Change df1 df2
Sig. F Change
1 .596
a
.356 .188
.15010 .356
2.128 7
27 .075
1.399 a. Predictors: Constant, FCF, SG, TAX, DER, CR, MBV, ROA
b. Dependent Variable: DPR
dan +2, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.4 Uji Heteroskedastisitas
