Berdasarkan hasil uji normalitas dengan melakukan transformasi menunjukkan bahwa variabel Price Earning Ratio X
2
yang hanya berdistribusi normal karena tingat signifikansi nya diatas 0,05 5, dan variabel Dividend
Yield X
1
, variabel Investment Opportunity Set X
3
, variabel moderasi Dividend Yield dan Investment Opportunity Set X
4
, dan variabel moderasi Price Earning Ratio dan Investment Opportunity Set X
5
menunjukkan tidak berdistibusi normal, karena nilai Kolmogorov-Smirnov yang dihasilkan dibawah
0,05 sig 5.
4.3.2. Uji Outlier
Evaluasi erhadap multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat univariate, tetapi
observasi itu dapat menjadi outlier bila sudah dikombinasikan. Multivariate outliers diuji menggunakan uji Mahalanobis Distance pada tingkat p 0,001.
Jarak Mahalanobis Distance itu dievaluasi dengan menggunakan χ
2
pada derajat bebas sebesar jumlah indicator yang digunakan dalm setiap variabel Hair, 1995
dalm Ferdinand 2002 ; 102-103. Berikut ini hasil uji outlier multivariate :
Tabel 8 : Hasil Nilai Mahalanobis Distance
Residuals Statistics
a
3,56 29,27
20,50 5,830
40 -2,906
1,505 ,000
1,000 40
2,338 11,016
4,308 1,657
40 -39,71
30,06 19,24
11,191 40
-18,555 17,448
,000 10,133
40 -1,684
1,584 ,000
,920 40
-1,784 1,720
-,001 ,975
40 -20,818
51,713 1,264
14,029 40
-1,848 1,775
-,001 ,992
40 ,782
38,025 5,850
6,524 40
,000 3,148
,095 ,495
40 ,020
,975 ,150
,167 40
Predicted Value Std. Predicted Value
Standard Error of Predicted Value
Adjusted Predicted Value Residual
Std. Residual Stud. Residual
Deleted Residual Stud. Deleted Residual
Mahal. Distance Cooks Distance
Centered Leverage Value Minimum
Maximum Mean
Std. Deviation N
Dependent Variable: no a.
Sumber : Lampiran 2 Penelitian ini terdapat 6 variabel, oleh karena itu nilai chi kuadrat
χ
2
0,001;6 = 22,457. Berdasarkan hasil uji outlier multivariate tersebut diatas menunjukkan bahwa nilai maksimum Mahalanobis yang di hasilkan adalah
38,025 22,457, berarti terdapat multivariate outlier karena nilai Mahalanobis Distance yang lebih besar dari 22,457.
Berarti terdapat outlier pada data tersebut, oleh karena itu data yang memiliki nilai mahalanobis distance yang tinggi yaitu data no 12 harus di
eliminasi agar data dalam penelitian ini mempunyai kualitas yang baik dan dapat dilanjutkan untuk diolah lebih lanjut.
4.3.3. Uji Asumsi Klasik
Tujuan utama menggunakan uji asumsi klasik adalah untuk mendapatkan koefisien yang terbaik linier dan tidak bias BLUE : Best Linier Unbiased
Estimator. Uji asumsi klasik meliputi asumsi mulikolonieritas, autokorelasi dan heteroskedastisitas.
1. Uji Multikolonieritas
Tolerance mengukur variabilitas variable bebas yang terpilih yang tidak dapat dijelaskan oleh variable bebas lainnya jadi nilai tolerance sama
dengan nilai VIF yang tinggi karena VIF = 1tolerance dan menunjukkan adanya kolonieritas yang tinggi. Nilai cut off yang umum dipakai adalah
nilai tolerance 0,10 atau sama dengan nilai VIF diatas 10. Adapun besaran VIF dari masing-masing variable adalah sebagai berikut :
Table 9 : Hasil Uji Multikolonieritas
Coefficients
a
-,923 ,522
-1,769 ,086
-,134 ,127
-,202 -1,056
,299 -,120
-,178 -,175
,753 1,328
,057 ,297
,058 ,192
,849 -,075
,033 ,032
,301 3,322
,138 ,202
,839 ,681
,500 ,140
,116 ,113
,018 55,261
,010 ,036
,069 ,276
,784 ,086
,047 ,046
,443 2,259
-,110 ,197
-,718 -,561
,579 ,108
-,096 -,093
,017 59,654
Constant LogX1
LogX2 LogX3
LogX4 LogX5
Model 1
B Std. Error
Unstandardized Coefficients
Beta Standardized
Coefficients t
Sig. Zero-order
Partial Part
Correlations Tolerance
VIF Collinearity Statistics
Dependent Variable: LogY a.
Sumber : Lampiran 3 Berdasarkan diatas dapat disimpulkan bahwa model regresi terjadi
multikolonieritas, karena besaran VIF yang dihasilkan oleh variabel ukuran perusahaan X
3
, dan moderasi PERIOS X
5
lebih besar dari 10. Untuk mengatasi terjadinya masalah multikolonier pada model
regresi tersebut terdapat beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:
Mengganti atau mengeluarkan variabel yang mempunyai korelasi
yang tinggi. Table 10 : Hasil Uji Multikolonieritas Setelah Eliminasi
Coefficients
a
-,831 ,490
-1,695 ,099
-,124 ,125
-,187 -,998
,325 -,120
-,166 -,164
,767 1,303
-,081 ,166
-,082 -,487
,629 -,075
-,082 -,080
,950 1,053
,026 ,038
,161 ,698
,490 ,140
,117 ,115
,510 1,962
,010 ,036
,068 ,277
,784 ,086
,047 ,045
,443 2,259
Constant LogX1
LogX2 LogX3
LogX4 Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Zero-order Partial
Part Correlations
Tolerance VIF
Collinearity Statistics
Dependent Variable: LogY a.
Sumber : Lampiran 3 Berdasarkan diatas dapat disimpulkan bahwa model regresi tidak
terjadi multikolonieritas, karena salah satu variabel telah dikeluarkan. Variabel yang dikeluarkan adalah moderasi PERIOS X
5
dan besaran VIF yang dihasilkan oleh variabel dividend yield X
1
, Price Earning Ratio X
2
, investment opportunity set IOS X
3
, dan moderasii DYIOS X
4
lebih kecil dari 10.
2. Uji Autokorelasi
Adanya Autokorelasi dalam model regresi yang artinya ada korelasi antar anggota sampel yang diurutkan berdasarkan waktu. Uji statistic yang
digunakan untuk mengetahui ada tidaknya autokorelasi adalah uji Durbin Watson. Berikut ini hasil uji Durbin Watson :
Table 11 : Hasil Uji Durbin Watson
Model Summary
b
,239
a
,057 -,051
1,29910 ,057
,529 4
35 ,715
2,141
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
R Square Change F Change
df1 df2
Sig. F Change Change Statistics
Durbin- Watson
Predictors: Constant, LogX4, LogX2, LogX1, LogX3 a.
Dependent Variable: LogY b.
Sumber : Lampiran 3 Dari tabel Durbin Watson untuk n= 40 dan k= 4 banyaknya variable
bebas diketahui nilai dU sebesar 1,72 dan 4-dU sebesar 2,38. Nilai dL sebesar 1,29 dan 4-dL sebesar 2,71. Dari hasil perhitungan regresi diperoleh
nilai uji Durbin Watson sebesar 2,141 dimana nilai tersebut berada di antara batas atas d
u
1,72 dan 4-d
u
2,38 berarti tidak terdapat gejala auto korelasi.
3. Uji Heteroskedastisitas
Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel bebas. Hal ini bisa diidentifikasi dengan cara menghitung korelasi
rank spearman antara residual dengan seluruh variabel bebas. Hasil perhitungan adalah sebagai berikut :
Table 12 : Hasil Uji Heteroskedastisitas
Correlations
1,000 -,042
,204 ,828
,064 .
,799 ,207
,000 ,693
40 40
40 40
40 -,042
1,000 ,204
,027 ,106
,799 .
,207 ,867
,517
40 40
40 40
40 ,204
,204 1,000
,527 -,066
,207 ,207
. ,000
,685
40 40
40 40
40 ,828
,027 ,527
1,000 -,055
,000 ,867
,000 .
,738
40 40
40 40
40 ,064
,106 -,066
-,055 1,000
,693 ,517
,685 ,738
. 40
40 40
40 40
Correlation Coefficient Sig. 2-tailed
N Correlation Coefficient
Sig. 2-tailed N
Correlation Coefficient Sig. 2-tailed
N Correlation Coefficient
Sig. 2-tailed N
Correlation Coefficient Sig. 2-tailed
N Dividend Yield
Price Earning Ratio Investment Opportunity
Set Moderasi DY IOS
Unstandardized Residua Spearmans rho
Dividend Yield Price Earning
Ratio Investment
Opportunity Set
Moderasi DY IOS
Unstandardiz ed Residual
Correlation is significant at the 0.01 level 2-tailed. .
Sumber : Lampiran 3 Berdasarkan tabel diatas diketahui bahwa nilai untuk variabel
bebas yaitu lebih besar dari 5 , ini berarti bahwa tidak ada hubungan variabel bebas dengan nilai residunya, maka penelitian ini tidak terdapat
gejala heterokedastisitas.
4.3.4. Analisis Regresi Linier Berganda
