terjadinya perubahan tanda koefisien regresi. Pengujian dapat dilakukan dengan Colinearity Diagnostic serta partial correlation.
Tabel 4.3. Pengujian Multikolinearitas
Berdasarkan output yang terdapat pada lampiran IX yang ditunjukkan di dalam tabel 4.3 terlihat bahwa nilai tolerance masih berada di sekitar 1 sehingga dapat
dikatakan tidak terjadi multikolinearitas. Nilai Variance Inflaction Factor VIF juga lebih kecil dari 5, hal ini juga menujukkan variabel independen tidak saling
berkorelasi. Secara umum dapat dikatakan bahwa antar variabel independen dalam penelitian ini tidak terjadi korelasi, sehingga data yang telah diperoleh dapat
digunakan di dalam penelitian.
4.1.3.2. Pengujian Heteroskedastisitas
Gejala heteroskedastisitas timbul karena adanya ketidakstabilan variansi error sehingga hasil regresi menjadi diragukan karena estimator yang digunakan menjadi
tidak efisien. Pengujian heteroskedastisitas dapat dilakukan dengan membentuk diagram plot untuk melihat pola persebaran data. Apabila pola persebaran data tidak
membentuk pola tertentu maka data dapat dikatakan terbebas dari heteroskedastisitas.
Coefficients
a
.368 .265
.232 .870
1.150 .016
-.126 -.107
.942 1.062
.293 .178
.153 .914
1.094 .434
.354 .320
.859 1.164
Arus_Kas_Operasi Arus_Kas_Investasi
Arus_Kas_Pendanaan Earning_Per_Share
Model 1
Zero-order Partial
Part Correlations
Tolerance VIF
Collinearity Statistics
Dependent Variable: Return_Saham a.
Rosdiana : Pengaruh Komponen Laporan Arus Kas Dan Earning Per Share Terhadap Return Saham Perusahaan Barang-Barang Konsumsi Di Bursa Efek Indonesia, 2008
Berdasarkan gambar 4.1 dapat dilihat bahwa plot yang dibentuk dari variabel ZPRED sebagai variabel X dan SRESID sebagai variabel Y dari model penelitian
tidak memiliki pola tertentu sehingga model penelitian ini dapat dikatakan terbebas dari masalah heteroskedastisitas.
4 2
-2 -4
Regression Standardized Predicted Value
2 1
-1 -2
-3 -4
-5
R egressi
on S
tudent iz
ed R
esi dual
Dependent Variable: Return_Saham Scatterplot
Gambar 4.1. Pengujian Heterokedastisitas
4.1.3.3.Pengujian Autokorelasi
Autokorelasi adalah masalah statistik dalam model yang ditunjukkan oleh adanya hubungan antara variasi error antara berbagai periode waktu penelitian. Gejala
ini dapat timbul dalam penelitian time series. Berdasarkan pengujian otokorelasi dengan menggunakan pengujian Durbin-Watson, diperoleh nilai d untuk persamaan
regresi yang diajukan sebesar 1. 896 Lampiran X. Model yang tidak memiliki autokorelasi jika du d 4- du atau dalam persamaan ini unt
uk n sebanyak 75, α = 5, dan k =4 maka du = 1.74 dan dl = 1.51 sehingga 1.741.8922.264-1.74. Hal
Rosdiana : Pengaruh Komponen Laporan Arus Kas Dan Earning Per Share Terhadap Return Saham Perusahaan Barang-Barang Konsumsi Di Bursa Efek Indonesia, 2008
ini berarti variabel gangguan antara satu periode dengan periode lain tidak saling berkorelasi. Berdasarkan pengujian ini persamaan regresi yang diajukan sudah dapat
dianalisa dengan baik. Tabel 4.4. Pengujian Autokorelasi
4.1.4. Pengujian Hipotesis