F dan uji t tidak boleh bias. Menurut Sumodiningrat 2002: 115 sifat blue dapat dijelaskan sebagai berikut:
1. Best : Pentingnya sifat ini bila diterapkan uji signifikan baku
terhadap α dan ß. 2. Linier : Sifat ini dibutuhkan untuk memudahkan dalam penaksiran.
3. Unbiased : Nilai jumlah sampel sangat besar penaksir parameter diperoleh dari sampel besar kira-kira lebih mendekati nilai
parameter sebenarnya. 4. Estimate : e diharapkan sekecil mungkin.
Menurut Gujarati 1995: 13 untuk menghasilkan keputusan yang BLUE, maka harus dipenuhi oleh regresi linier berganda, yaitu :
1. Nilai tengah mean value dan komponen penganggu e yang ditimbulkan dari variabel eksplanatory harus sama dengan nol.
2. Varian dari komponen penganggu harus konstan dalam memenuhi syarat heteroskedasitas.
3. Tidak terjadi autokorelasi antar komponen penganggu. 4. Variabel eksplanatory harus non stokastik atau kalaupun stokastik
harus menyebar bebas dari komponen penganggunya. Yang diasumsikan tidak terjadi pengaruh antara variabel bebas atau
regresi bersifat BLUE Best, Linier, Unbiased, Estimator artinya koefisien regresi pada persamaan tersebut betul-betul linier dan tidak bias atau tidak
terjadi penyimpangan-penyimpangan persamaan, seperti:
A . Multikolinearitas
Tepatnya istilah multikolinearitas berkenaan dengan terdapatnya lebih dari satu hubungan linier pasti dan istilah kolinearitas berkenaan
dengan terdapatnya satu hubungan linier Gujarati, 1995: 157 Menurut
Widarjono 2003:
131, mengemukakan
bahwa multikolinearitas berarti adanya hubungan linier antara variabel
independen di dalam regresi linier berganda dalam suatu persamaan .Multikolinearitas merupakan korelasi variabel independen dalam regresi
berganda. Deteksi adanya Multikolinearitas :
a. Besarnya VIF Variance Inflation Factor Jika
VIF melebihi angka 10, maka variabel tersebut
mengindikasikan adanya multikolinearitas. b. Nilai Eigenvalue mendekati 0 dan Condition Index melebihi angka 15
Nachrowi dan Usman, 2006: 100
B. Heteroskedastisitas
Heteroskedastisitas merupakan varian dari residual atau error yang tidak konstan atau berubah-ubah. Model regresi yang baik tidak
mempunyai Heteroskedastisitas Nachrowi dan Usman, 2006: 109 Deteksi adanya Heteroskedastisitas :
Pada regresi linier nilsai residual tidak boleh ada hubungan dengan variabel X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi
rank spearman. Menurut Gujarati 1995: 188 rumus rank spearman adalah :
Σ d
i 2
r
s
= 1 – 6 NN
2
– 1
Keterangan : di = Perbedaan dalam rank antara residual dengan variabel bebas ke-i
N = Banyaknya data
C. Autokorelasi
Autokorelasi merupakan korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu.
Prosedur untuk menguji autokorelasi yang sebenarnya dapat dijelaskan lebih baik dengan bantuan gambar dibawah ini, yang
menunjukkan batas d adalah 0 dan 4.
Gambar 2. Statistik d Durbin – Watson, Gujarati, 1995: 216
Menolak Ho Daerah Daerah Menolak
Bukti auto Keragu- Keragu- Ho Bukti
korelasi raguan raguan auto kore-
positif lasi negatif
Menerima Ho atau Ho
atau kedua-duanya
dL dU 2 4-dU 4-dL 4 d
Mekanisme tes Durbin-Watson adalah sebagai berikut, dengan mengasumsikan bahwa asumsi yang mendasari tes dipenuhi :
a. Untuk ukuran sampel tertentu dan banyaknya variabel yang menjelaskan tertentu dapatkan nilai kritis d
L
dan d
u
. b. Jika hipotesis Ho adalah bahwa tidak ada serial korelasi positif, maka jika
d d
L
: menolak Ho d d
u
: tidak menolak Ho d
L
d d
u
: pengujian tidak meyakinkan c. Jika hipotesis nol Ho adalah bahwa tidak ada serial korelasi korelasi
negatif, maka jika d 4 – d
L
: menolak Ho d 4 – d
u
: tidak menolak Ho 4 – d
u
d 4 – d
L
: pengujian tidak meyakinkan d. Jika Ho adalah dua-ujung, yaitu bahwa tidak ada serial autokorelasi baik
positif ataupun negatif, maka jika
d d
L
: menolak Ho d 4 – d
L
: menolak Ho d
u
d 4 – d
u
: tidak menolak Ho d
L
d d
u
atau pengujian tidak meyakinkan
4 – d
u
d 4 – d
L
Seperti langkah tadi menunjukkan, kelemahan besar dari tes d adalah bahwa jika d tadi jatuh dalam daerah yang meragukan atau daerah
ketidaktahuan, orang tidak dapat menyimpulkan apakah autokorelasi ada atau tidak ada. Dalam kasus ini orang bisa mungkin terpaksa melakukan tes
lain beberapa diantaranya diberikan dalam bentuk soal latihan atau mendapatkan data tambahan data atau sampel yang berbeda. Harus juga
diperhatikan bahwa banyaknya observasi minimum yang diperlukan sehubungan dengan tabel Durbin Watson adalah 15. Alasannya adalah
bahwa suatu sampel yang lebih kecil dari 15 observasi akan menjadi sangat sulit untuk bisa menarik kesimpulan yang pasti definitif mengenai
autokorelasi dengan memeriksa residual yang ditaksir.
3.4.3. Uji Hipotesis 3.4.3.1. Uji Kecocokan Model
Analisis ini digunakan untuk menetahui apakah model analisis tersebut cukup layak digunakan dengan variabel Profitabilitas Industri X
1
, Rasio leverage keuangan tertimbang X
2
terhadap ROE Perusahaan Y digunakan uji F dengan prosedur sebagai berikut :
1. H : b
j
= 0 tidak terdapat pengaruh X
1,
X
2,
X
3
terhadap Y H
1
: b
j
≠ 0 terdapat pengaruh X
1,
X
2,
X
3
terhadap Y Dimana j = 1, 2, 3, k : variabel ke j sampai ke k
2. Dalam penelitian ini digunakan tingkat signifikan 0,05 dengan derajat bebas [n-k], dimana n : jumlah pengamatan, dan k : jumlah variable
3. Dengan F hitung sebesar
2 2
1 1
hit
R k
F R
n k
− =
− −
Keterangan : F
hit
= F hasil perhitungan R
2
= koefisien variabel k = jumlah variabel
n = jumlah sampel 4. Kriteria pengujian sebagai berikut
a. Jika F
hitung
F
tabel
maka Ho di tolak dan Hi diterima berarti secara simultan variabel bebas berpengaruh terhadap variabel terkait.
b. Jika F
hitung
F
tabel
maka Ho di terima dan Hi ditolak berarti secara simultan variabel bebas tidak berpengaruh terhadap variabel terkait.
3.4.3.2. Uji Parsial Uji t
Uji t adalah uji yang digunakan untuk melihat pengaruh masing- masing variabel bebas secara parsial terhadap variabel terikat Widarjono,
2005: 58.
