3.4. Teknik Analisa dan Uji Hipotesis
Tahapan-tahapan yang dilakukan dalam menganalisis data untuk membuktikan hipotesis adalah sebagai berikut :
3.4.1. Menghitung Variabel
Menghitung variabel-variabel yang diperlukan dalam penelitian, yaitu : • Nilai perusahaan tobin’s Q dihitung dengan persamaan 3.1.
• Struktur modal Debt to Equity Ratio dihitung dengan persamaan 3.2.
• Profitabilitas Net Profit Margin dihitung dengan persamaan 3.3. • Capital expenditure ratio dihitung dengan persamaan 3.4.
• Firm size total asset dihitung dengan persamaan 3.5.
3.4.2. Melakukan Analisis
Dalam penelitian ini analisis yang digunakan adalah analisis regresi linier berganda. Adapun persamaan dari regresi linier berganda secara
sistematis adalah sebagai berikut : Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ e Keterangan :
Y = Nilai Perusahaan Market to book value X
1
= Struktur Modal Debt to Equity Ratio X
2
X = Profitability Net Profit Margin Ratio
3
= Capital Expenditure Capital Expenditure Ratio
X
4
1. Tidak boleh ada autokorelasi. = Firm Size Ln total asset
e = Error Persamaan regresi harus bersifat BLUE Best Linier Unbiased
Estimator artinya pengambilan keputusan melalui uji F dan uji t tidak bias. Untuk menghasilkan keputusa yang BLUE maka harus dipenuhi tiga asumsi
dasar yang tidak boleh dilanggar oleh regresi berganda yaitu :
2. Tidak boleh multikolinieritas. 3. Tidak boleh heterokedastisitas.
Adapun salah satu dari keiga asumsi dasar tersebut dilanggar maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE sehingga
pengambilan keputusan melalui uji t menjadi bias.
1. Autokorelasi
Menurut Gujarati 1995 : 201 autokorelasi dapat didefinisikan sebagai korelasi antar anggota serangkaian observasi yang diurutkan
menurut waktu seperti dalam data deretan waktu atau ruang seperti dalam data cross sectional. Jadi dalam model regresi linier
diasumsikan tidak terjadi gejala autokorelasi, artinya tidak residual Y observasi – Y prediksi pada waktu ke-t et-1. Indikasi ada atau tidak
adanya autokorelasi dapat dites dengan menggunakan nilai durbin Watson d tes dengan persamaan Gujarati, 1995 : 215 :
d =
∑ ∑ −
= =
= =
− N
t t
t N
t t
t t
e e
e
1 2
2 1
2
Keterangan : d
= nilai Durbin Watson et
= residual pada waktu ke-t et-1 = residual pada waktu ke-t satu periode sebelumnya
N = banyaknya data
Banyaknya data time series minimal yang dapat dihitung dengan Durbin Watson adalah enam buah data dalam satu variabel.
2. Multikolinieritas
Menurut Gujarati 1995 : 157 multikolinieritas berarti ada hubungan linier yang sempurna atau pasti diantara beberapa atau
semua variabel yang menjelaskan dari model regresi. Persamaan regresi linier berganda diasumsikan tidak terjadi pengaruh antar
variabel bebas. Apabila ternyata ada pengaruh antar variabel bebas maka asumsi tersebut tidak berlaku lagi terjadi bias.
Menurut Gujarati 2003 : 362 secara sistematis pengukuran multikolinieritas dapat dirumuskan sebagai persamaan inflasi sebagai
berikut :
VIF =
j R
2
1 1
−
Keterangan : VIF = Varianc Inflation Factor
R
2
• Melakukan kombinasi antara pengamatan data kerat lintang cross sectional
dengan data deret waktu time series. j = Koefisien determinasi yang diperoleh dengan meregresikan
satu variabel bebas dengan variabel-variabel bebas lainnya. VIF Variance Inflation Factor menyatakan tingkat
pembengkakan varians. Apabila VIF lebih besar dari 10, berarti terdapat multikolinieritas dalam persamaan regresi linier. Apabila nilai
VIF lebih rendah dari 10, maka dikatakan bahwa tidak terdapat gejala multikolinieritas. Untuk mengatasi gejala ini dapat dilakukan dengan
cara, antara lain :
• Mengeluarkan variabel yang menimbulkan multikolinieritas. • Menambah variabel baru.
3. Heterokedastisitas
Satu asumsi penting dari model regresi linier klasik menurut Gujarati 1995 : 177 adalah bahwa gangguan disturbance yang muncul dari regresi
populasi adalah heterokedastisitas yaitu semua gangguan yang mempunyai varian sama. Menurut Gujarati 1995 : 189 heterokedastisitas tidak merusak
sifat ketidakbiasan dan konsistensi dari penaksir OLS Ordinary Least Square atau kuadrat terkecil biasa, tetapi penaksir tidak lagi efisien, bahkan tidak lagi
asimotik yaitu untuk sampel yang besar. Ketidakadaan efisiensi ini membuat prosedur pengujian hipotesis yang biasa nilainya diragukan.
Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel bebas. Heterokedastisitas dapat dideteksi dengan menggunakan
pengujian Sparman Ranking Correlation sebagai berikut Gujarati, 1995 : 188:
rs = 1 - 6
−
∑
1
2 2
N N
di
Keterangan : di = Perbedaan dalam rank yang ditetapkan untuk dua karakteristik yang
berbeda dari individual atau fenomena ke-i. N = Banyaknya individual atau fenomena yang di rank.
3.4.3. Uji Hipotesis