penelitian ini. Kemudian pada model 2 nilai Cox Snell R Square sebesar 0,160 dan nilai Nagelkerke R Square adalah 0,186. Hal ini berarti bahwa variabel
dependen yang dapat dijelaskan oleh variabel-variabel independen yang dipengaruhi variabel moderasi pada model 2 dalam penelitian ini adalah sebesar
18,6, prosentase ini lebih besar dari prosentase penelitian sebelumnya milik Merawati dkk. 2013 yang memperoleh R Square sebesar 15,8. Artinya telah
terjadi kenaikan sebesar 2,8 pada prosentasi R Square penelitian ini dengan penelitian sebelumnya. Sedangkan sisanya sebesar 81,4 dijelaskan oleh
variabel-variabel lain di luar model penelitian ini.
c. Menguji Kelayakan Model Regresi
Hosmer and Lemeshow’s Goodness of Fit Test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model tidak ada perbedaan antara
model dengan data sehingga model dapat dikatakan fit. Jika nilai Hosmer and Lemeshow’s Goodness-of-fit test statistik sama dengan atau kurang dari 0,05,
maka hipotesis nol ditolak dan berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga Goodness fit model tidak baik karena model
tidak dapat memprediksi nilai observasinya. Sebaliknya jika lebih besar dari 0,05 maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi
nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya Ghozali, 2011:341.
Tabel 4.7. Kelayakan Model Regresi Hosmer and
Lemeshow’s Goodness of Fit Test
Chi-Square Df
Sig. Model 1
Pearson 2,324
3 ,508
Deviance 2,903
3 ,407
Model 2 Pearson
89,488 54
,002 Deviance
53,998 54
,474 Sumber: Data sekunder yang diolah tahun 2016 pada lampiran 16
Berdasarkan Tabel 4.7 di atas menunjukkan bahwa besarnya nilai statistik Hosmer and Lemeshow
’s Goodness of Fit Test pada model 1, diketahui chi- square pearson sebesar 2,324 dengan nilai signifikansi sebesar 0,508 dan chi-
square deviance sebesar 2,903 dengan nilai signifikansi sebesar 0,407. Sedangkan pada pearson model 2, diketahui chi-square pearson sebesar 89,488 dengan nilai
signifikansi sebesar 0,002 dan chi-square deviance sebesar 53,998 dengan nilai signifikansi sebesar 0,474. Berdasarkan hasil tersebut, maka model 1 dikatakan
mampu memprediksi dan menjelaskan data empiris dikarenakan perolehan nilai signifikansi chi-square pearson dan chi-square deviance lebih dari 0,05, namun
tidak dengan model 2.
d. Uji Multikolinearitas
Uji mulktikolinieritas bertujuan untuk menguji apakah ditemukan adanya korelasi antar variabel independen dalam model regresi yang digunakan. Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen Ghozali, 2011:105. Untuk mendeteksi ada atau tidaknya multikolinieritas di
dalam model regresi adalah dengan menganalisis matrik korelasi variabel-variabel independen. Berikut disajikan cara pendeteksian multikolinieritas dengan
menganalisis matrik korelasi antar variabel independen pada Tabel 4.8.
Tabel 4.8. Coefficient Correlations Model 1
Model PMAN
OAGC 1
Correlations PMAN
1 0,022
OAGC 0,022
1 Covariances
PMAN 0,075
0,002 OAGC
0,002 0,116
Sumber: Data sekunder yang diolah tahun 2016 pada lampiran 17
Menurut Ghozali 2011:105, apabila di antara variabel independen terdapat korelasi yang cukup tinggi umumnya di atas 0,90, maka hal ini
merupakan indikasi adanya multikolinieritas. Berdasarkan Tabel 4.8 di atas, dapat dilihat besaran korelasi pada model 1 variabel independen di antara variabel
pergantian manajemen dengan variabel opini audit going concern mempunyai tingkat korelasi sebesar 0,022 atau sekitar 2,2. Tingkat korelasi tersebut masih
di bawah 90, maka dapat disimpulkan tidak terjadi multikolinieritas yang serius diantara kedua variabel independen.
Kemudian berdasarkan Tabel 4.9, dapat dilihat besaran korelasi pada model 2 dimana diantara variabel ZOAGC, variabel ZPMAN, variabel ZKKA,
variabel AbsX1_Z, dan variabel AbsX2_Z diketahui mempunyai tingkat korelasi yang masih di bawah 90, maka dapat disimpulkan tidak terjadi multikolinieritas
yang serius diantara variabel-variabel pada model 2.
Tabel 4.9. Coefficient Correlations Model 2
Model AbsX2_Z ZOAGC ZKKA ZPMAN AbsX1_Z
2 Correlations
AbsX2_Z 1,000
,343 ,191
-,511 -,502
ZOAGC ,343
1,000 ,126
-,070 -,687
ZKKA ,191
,126 1,000 -,029
-,213 ZPMAN
-,511 -,070
-,029 1,000
,122 AbsX1_Z
-,502 -,687
-,213 ,122
1,000
Covariances AbsX2_Z
,028 ,009
,004 -,012
-,016 ZOAGC
,009 ,025
,002 -,001
-,021 ZKKA
,004 ,002
,014 ,000
-,005 ZPMAN
-,012 -,001
,000 ,018
,003 AbsX1_Z
-,016 -,021
-,005 ,003
,037 Sumber: Data sekunder yang diolah tahun 2016 pada lampiran 17
e. Matriks Klasifikasi