3. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual
satu pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap,
maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang
Homoskedastisitas atau tidak terjadi Heteroskedastisitas Ghozali, 2013:139.
Untuk mendeteksi ada atau tidaknya heteroskedastisitas dilakukan dengan melihat grafik scatterplot antara nilai prediksi variabel
dependen yaitu ZPRED dengan residualnya SRESID dimana Sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual Y
prediksi – Y sesungguhnya yang telah di studentized. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan sebagai berikut:
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang teratur bergelombang, menyebar kemudian menyempit mengidentifikasikan telah terjadi heteroskedastisitas.
b. Jika tidak ada pola yang tidak jelas, serta titik-titik menyebar
diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu
pada periode t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada
problem autikorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama
lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi
lainnya. Hal ini sering ditemukan pada data runtut waktu
Universitas Sumatera Utara
time series karena “pengganggu” pada seseorang individukelompok cenderung mempengaruhi “gangguan”
pada individukelompok yang sama pada periode berikutnya Ghozali, 2013:110.
Menurut Ghozali 2013:111-120. Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya
autokorelasi:
a. Uji Durbin-Watson DW test
Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu first order autocorrelation
dan mensyaratkan adanya intercept kostanta dalam model regresi dan tidak ada variabel lag diantara
variabel independen.
b. Uji Lagrange Multiplier LM test
Uji autokorelasi dengan LM test terutama digunakan untuk sample besar diatas 100 observasi. Uji ini
memang lebih tepat digunakan dibandingkan uji DW terutama bila sample yang digunakan relatif besar dan
derajat autokorelasi lebih dari satu. Uji LM akan menghasilkan statistik Breusch-Godfrey BG Test.
c. Uji Statistics Q : Box-Pierce dan Ljung Box
Uji Box-Pierce dan Ljung Box digunakan untuk melihat autokorelasi dengan lag lebih dari dua.
d. Uji Run Test
Run test sebagai bagian dari statistik non-parametrik dapat pula digunakan untuk menguji apakah antar
residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka
dikatakan bahwa residual adalah acak atau random. Run test digunakan untuk melihat apakah data residual
terjadi secara random atau tidak sistematis.
H0 : residual res_1 random acak. HA : residual res_1 tidak random.
. 3.6.3
Pengujian Hipotesis Penelitian
Menurut Lubis, dkk 2007:45, “regresi yang memiliki satu variabel dependen dan lebih dari satu variabel independen disebut regresi berganda.
Model regresi linier berganda dikatakan model yang baik jika model tersebut
Universitas Sumatera Utara
memenuhi asumsi normalitas data dan terbebas dari asumsi-asumsi klasik
statistik, baik itu multikolinearitas, autokorelasi dan heterokedastisitas”.
Penelitian ini dianalisis dengan model regresi berganda untuk melihat seberapa besar pengaruh ukuran perusahaan, laba rugi perusahaan, opini
auditor, tingkat solvabilitas DER, dan reputasi kantor akuntan publik terhadap audit delay dengan model persamaan sebagai berikut:
Y = a +
β
1
X
1
+ β
2
X
2
+ β
3
X
3
+ β
4
X
4 +
β
5
X
5 +
Keterangan:
ε
Y = lamanya hari penyelesaian audit audit delay, a = konstanta
X
1
X = ukuran perusahaan
2
X = laba rugi perusahaan
3
X = opini auditor
4
X = tingkat profitabilitas
5
β = Koefisien Regresi = reputasi kantor akuntan publik
ε = error tingkat kesalahan
1. Analisis Koefisien Determinasi
Kategori