terhadap variabel dependen. Model regresi linier berganda adalam model regresi yang memiliki lebih dari satu variabel independen. Model regresi linier berganda
dikatakan model yang baik jika model tersebut memenuhi asumsi normalitas data dan terbebas dari asumsi – asumsi klasik statistik baik multikolinearitas,
heterokedastisitas dan autokorelasi. Model regresi linier berganda yang digunakan sebagai berikut.
Persamaan regresi linear berganda sebagai berikut :
Keterangan : Y
= variabel dependen, yaitu profitabilitas ROE
X1 =
variabel independen berupa struktur modal DER X2
= variabel independen berupa ukuran perusahaan SIZE
X3 =
variabel independen berupa struktur aktiva a
= konstanta
b =
koefisien regresi dari setiap variabel independen e
= standar error
a. Koefisien Determinasi
Koefisien determinasi R
2
pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen.Nilai
Y = a + b
1
DER + b
2
SIZE + b
3
StrukturAktiva
+ e
Universitas Sumatera Utara
koefisien determinasi adalah antara nol dan satu.Nilai R
2
yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel
dependen amat terbatas.Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk
memprediksi variasi variabel dependen.Secara umum koefisien determinasi untuk data silang crosssection relatif rendah karena adanya variasi yang
besar antara masing-masing pengamatan, sedangkan untuk data runtun waktu timeseries biasanya mempunyai nilai koefisien determinasi yang tinggi.
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model.
Setiap tambahan satu variabel independen, maka R
2
pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap
variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai adjusted R
2
pada saat mengevaluasi mana model regresi terbaik. Tidak seperti R
2
, nilai adjusted R
2
dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model.
Dalam kenyataan nilai adjusted R
2
dapat bernilai negatif, walaupun yang dikehendaki harus bernilai positif. Menurut Gujarati 2003 jika dalam
uji empiris didapat nilai adjusted R
2
negatif, maka nilai adjusted R
2
dianggap bernilai nol. Secara matematis jika nilai R
2
= 1, maka adjusted R
2
= R
2
= 1
Universitas Sumatera Utara
sedangkan jika nilaiR
2
= 0, maka adjusted R
2
= 1 - kn - k. Jika k 1, maka adjusted
R
2
akan bernilai negatif.
b. Uji Signifikansi Simultan Uji F
Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh
secara bersama-sama terhadap variabel dependenterikat.Hipotesis nol H yang hendak diuji adalah apakah semua parameter dalam model sama dengan
nol, atau: H
: b1 = b2 = ...... =bk = 0 Artinya, apakah semua variabel independen bukan merupakan penjelas
yang signifikan terhadap variabel dependen. Hipotesis alternatifnya H
1
tidak semua parameter secara simultan sama dengan nol, atau:
H
1
: b1 ≠ b2 ≠ ...... ≠ bk ≠ 0
Artinya semua variabel independen secara simultan merupakan penjelas yang signifikan terhadap variabel dependen.Untuk menguji hipotesis
ini digunakan statistik F dengan kriteria pengambilan keputusan sebagai berikut:
• Quicklook: bila nilai F lebih besar daripada 4 maka H dapat ditolak
pada derajat kepercayaan 5., Dengan kata lain kita menerima hipotesis alternatif, yang menyatakan bahwa semua variabel
Universitas Sumatera Utara
independen secara serentak dan signifikan mempengaruhi variabel dependen.
• Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel. Bila nilai F hitung lebih besar dari nilai F tabel, maka H
ditolak dan H
1
diterima.
c. Uji Signifikansi Parsial Uji t
