4.2 Hasil Penelitian
Metode analisis data yang digunakan dalam penelitian ini adalah analisis statistik yang menggunakan persamaan regresi logistik. Analisis data
dimulai dengan mengolah data dengan menggunakan Microsoft Excel, selanjutnya dilakukan pengujian menggunakan menggunakan regresi
logistik. Pengujian analisis statistik inferensial dan pengujian hipotesis dilakukan
dengan menggunakan software program SPSS versi 17. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program SPSS
tersebut dan menghasilkan output-output sesuai metode analisis yang telah ditentukan.
4.2.1 Analisis Statistik Inferensial
a. Menilai Model Fit dan Keseluruhan Model Overall
Model Fit
Langkah pertama adalah menilai overall model fit terhadap data. Hipotesis utnuk meniali model fit adalah:
Ho : Model yang dihopotesisikan fit dengan data. H1 : Model yang dihipotesiskan tidak fit dengan data.
Pengujian ini dilakukan utnuk mengetahui apakah model fit dengan data baik sebelum maupun sesudah variabel bebas
dimasukkan ke dalam model. Dari hipotesisis ini jelas bahwa kita tidak akan menolak hipotesis nol agar model fit dengan
data. Likehood L dari model adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input Ghozali, 2006
: 232.
Tabel 4.1 Tabel Likehood Block 0
Iteration History
a,b,c
Iteration -2 Log likelihood
Coefficients Constant
Step 0 1
47.246 -1.700
2 42.866
-2.308 3
42.623 -2.496
4 42.622
-2.512 5
42.622 -2.512
a. Constant is included in the model. b. Initial -2 Log Likelihood: 42.622
c. Estimation terminated at iteration number 5 because parameter estimates changed by less than
.001.
Output SPSS menunjukkan nilai -2 LogL pertama sebesar 42,622, angka ini secara matematik signifikan pada alpha
α 5 dan hipotesis nol ditolak. Hal ini berarti bahwa hanya
konstanta saja yang tidak fit dengan data sebelum variabel bebas dimasukkan ke dalam model regresi.
Langkah selanjutnya adalah menguji keseluruhan model overall model fit. Pengujian dilakukan dengan
membandingkan nilai -2LogL -2LL pada awal Block 0 dengan nilai -2LogL pada akhir Block 1. Adanya
pengurangan nilai antara -2LL awal initial -2LL function dengan nilai -2LL pada langkah berikutnya -2LL akhir
menunjukkan bahwa model yang dihipotesisikan fit dengan data Ghozali, 2006.
Tabel 4.2 Tabel Likehood Block 1
Iteration History
a,b,c,d
Iteration -2 Log likelihood
Coefficients Constant
RS KAP
FD Step 1
1 45.708
-1.843 -.002
.065 -.291
2 39.322
-2.749 -.004
.156 -.762
3 37.476
-3.524 -.006
.244 -1.462
4 36.704
-4.338 -.006
.286 -2.281
5 36.375
-5.228 -.006
.301 -3.175
6 36.242
-6.175 -.006
.304 -4.123
7 36.190
-7.153 -.006
.305 -5.101
8 36.171
-8.144 -.006
.305 -6.093
9 36.164
-9.141 -.006
.305 -7.089
10 36.161
-10.140 -.006
.305 -8.088
11 36.160
-11.139 -.006
.305 -9.088
12 36.160
-12.139 -.006
.305 -10.087
13 36.159
-13.139 -.006
.305 -11.087
14 36.159
-14.139 -.006
.305 -12.087
15 36.159
-15.139 -.006
.305 -13.087
16 36.159
-16.139 -.006
.305 -14.087
17 36.159
-17.139 -.006
.305 -15.087
18 36.159
-18.139 -.006
.305 -16.087
19 36.159
-19.139 -.006
.305 -17.087
20 36.159
-20.139 -.006
.305 -18.087
a. Method: Enter b. Constant is included in the model.
c. Initial -2 Log Likelihood: 42.622 d. Estimation terminated at iteration number 20 because maximum iterations has been
reached. Final solution cannot be found.
-2LogL untuk model dengan konstanta dan variabel bebas yaitu opinion shopping RS, reputasi auditor REP, dan financial distress
BANKRUPT sebesar 36,159. -2LogL untuk model dengan konstanta dan variabel bebas yaitu opinion shopping RS, reputasi auditor REP, dan
financial distress BANKRUPT ternyata tidak signifikan pada alpha α
5 yang berarti hipotesis nol tidak dapat ditolak dan model fit dengan data.
Output SPSS menunjukkan selisih kedua -2LogL sebesar 6,463 42,622- 36,159 atau terjadi penurunan sebesar 6,463. Penurunan nilai -2logL ini
dapat diartikan bahwa penambahan variabel bebas ke dalam model dapat memperbaiki model fit serta menunjukkan model regresi yang lebih baik
atau dengan kata lain model yang dihipotesiskan fit dengan data. Log Likehood pada regresi logistik mirip dengan pengertian “Sum of Square
Error” pada model regresi, sehingga penurunan nilai Log Likehood menunjukkan model regresi yang semakin baik.
a. Menilai kelayakan Model Regresi