71
� : Model REM lebih baik dibandingkan model FEM
�
1
: Model FEM lebih baik dibandingkan model REM Aturan pengambilan keputusan terhadap hipotesis sebagai berikut:
1. Jika nilai probabilitas cross section random 0,05, maka
� ditolak dan
�
1
diterima. 2.
Jika nilai probabilitas cross section random ≥ 0,05, maka �
diterima dan �
1
ditolak. Berikut hasil berdasarkan uji Hausman dengan menggunakan Eviews 7.
Tabel 4.6 Hasil dari Uji Hausman
Correlated Random Effects - Hausman Test Pool: Untitled
Test cross-section random effects Test Summary
Chi-Sq. Statistic
Chi-Sq. d.f. Prob.
Cross-section random 10.620800
5 0.0594
Sumber: Hasil Penelitian 2016 data diolah
Berdasarkan hasil dari uji Hausman pada Tabel 4.3, diketahui nilai probabilitas adalah 0,0594 Karena nilai probabilitas 0,05, maka model estimasi
yang digunakan adalah model REM.
4.4 Analisis Regresi Linier Berganda Data Panel
Analisis regresi linier berganda digunakan untuk mengetahui pengaruh antara variabel Proporsi Komisaris Independen PKI, Kepemilikan Manajerial
MNJR dan Kepemilikan Institusional INST, Retrun On Assets ROA dan Leverage terhadap Value Added Intellectual Capital VAIC pada perusahaan
perbankan di Bursa Efek Indonesia. Pengujian regresi linier berganda dilakukan
Universitas Sumatera Utara
72
untuk mencari hubungan antara variabel independen dan variabel dependen, melalui pengaruh PKI X
1
, MNJR X
2
, INST X
3
, ROA X
4
dan Leverage X
5
terhadap VAIC Y. Hasil regresi dapat dilihat pada Tabel 4.4 berikut:
Tabel 4.7 Pengujian Regresi Linier Berganda
Dependent Variable: VAIC? Method: Pooled EGLS Cross-section random effects
Date: 082016 Time: 14:21 Sample: 2012 2014
Included observations: 3 Cross-sections included: 23
Total pool balanced observations: 69 Swamy and Arora estimator of component variances
Variable Coefficient
Std. Error t-Statistic
Prob. C
0.407879 1.938129
0.210450 0.8340
PKI? 0.008403
0.006635 1.266418
0.2100 MNJR?
-0.002493 0.347802
-0.007168 0.9943
INST? -8.06E-05
0.004095 -0.019689
0.9844 ROA?
0.266966 0.060479
4.414182 0.0000
LVRG? 0.014503
0.021901 0.662220
0.5102
Sumber: Hasil Penelitian 2016 data diolah
Berdasarkan pengolahan data pada Tabel 4.4 pada kolom Coefficients, diperoleh model persamaan regresi sebagai berikut:
Y = + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ b
5
X
5
+ �
Sehingga, persamaan regresi linier berganda adalah sebagai berikut : VAIC = 0,407879 + 0,008403 PKI - 0,002593 MNJR
- 0,00000806 INST + 0,266966 ROA + 0,014503 LVRG Berdasarkan persamaan regresi linier berganda tersebut, berikut
interpretasi dari model persamaan regresi diatas: a.
Nilai konstanta sebesar 0,407879 artinya artinya walaupun variabel independen dan kontrol bernilai 0, VAIC tetap sebesar 0,407879.
Universitas Sumatera Utara
73
b. Koefisien PKI X
1
= 0,008403, artinya setiap penambahan PKI sebesar 1 satuan, jika variabel lain dianggap konstan, maka akan meningkatkan
VAIC sebesar 0,008403. c.
Koefisien MNJR X
2
= - 0,002593, artinya setiap penambahan MNJR sebesar 1 satuan, jika variabel lain dianggap konstan, maka akan
menurunkan VAIC sebesar 0,002593. d.
Koefisien INST X
3
= - 0,00000806, artinya setiap penambahan INST sebesar 1 satuan, jika variabel lain dianggap konstan, maka akan
menurunkan VAIC sebesar 0,00000806.
e. Koefisien ROA
X
4
= 0,266966, artinya setiap penambahan ROA sebesar 1 satuan, jika variabel lain dianggap konstan, maka akan meningkatkan
VAIC sebesar 0,266966. f.
Koefisien LVRG X
5
= 0,014503, artinya setiap penambahan LVRG sebesar 1 satuan, jika variabel lain dianggap konstan, maka akan
meningkatkan VAIC sebesar 0,014503.
4.5 Pengujian Hipotesis
