4 8
12 16
20
-6 -4
-2 2
4 6
Series: Residuals Sample 2002M01 2010M12
Observations 108
Mean 5.25e-15
Median 0.128708
Maximum 6.513226
Minimum -5.805154
Std. Dev. 2.133906
Skewness 0.055283
Kurtosis 3.421182
Jarque-Bera 0.853284
Probability 0.652697
Sumber : Output Eviews data diolah Gambar 4.1
Grafik Histogram Normality Test Data Bank Rakyat Indonesia BRI Tbk Tahun 2002-2010
Pada gambar 4.1 dapat dilihat bahwa nilai probability Jarque-Bera Test adalah sebesar 0,65 dan diatas nilai signifikan 0.05. maka dapat
disimpulkan bahwa data telah berdistribusi normal Wahyu Pratomo Dkk,2007: 93.
4.3.2 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lainnya. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas. Untuk melihat ada tidaknya heteroskedastisitas adalah dengan
menggunakan uji White. Pada White Heteroskedasticity Test, jika nilai probability pada setiap variabel lebih rendah dari 0,05 berarti terdapat heteroskedastisitas
pada hasil estimasi. sebaliknya, apabila nilai probability-nya lebih tinggi dari
Universitas Sumatera Utara
0,05, maka hasil estimasi tidak terkena heteroskedastisitas. White
Heteroskedasticity Test ditunjukkan pada
tabel 4.3
berikut ini:
Tabel 4.3 Hasil uji
White Heteroskedasticity Test
Sumber: Output Eviews
Berdasarkan Tabel 4.3 diatas dapat disimpulkan bahwa hasil estimasi tersebut diduga terkena heteroskedastisitas karena nilai Prob.Chi-Square lebih
rendah dari 0.05 yaitu 0.000003. Variabel yang terkena heteroskedastisitas adalah variabel IML dan LDR karena memiliki nilai probability lebih kecil dari 0.05.
Heteroskedastisitas tidak merusak sifat ketidakbiasan dan sifat konsistensi dari hasil estimasi. Namun hasil estimasi tidak lagi efisien. Dengan
F-statistic 6.123072 Prob. F14,93
0.000000 ObsR-squared
51.80130 Prob. Chi-Square14 0.000003
Test Equation: Dependent Variable: RESID2
Method: Least Squares Date: 061911 Time: 20:55
Sample: 2002M01 2010M12 Included observations: 108
Variable Coefficient
Std. Error t-Statistic
Prob. C
351.7053 88.04358
3.994673 0.0001
IML -12.85257
3.406821 -3.772600
0.0003 IML2
0.381871 0.093016
4.105434 0.0001
IMLROE -0.029858
0.026015 -1.147706
0.2540 IMLLDR
0.086719 0.061408
1.412186 0.1612
IMLGWM -0.244310
0.199211 -1.226390
0.2231 ROE
-0.777720 0.507260
-1.533178 0.1286
ROE2 0.004922
0.001545 3.186273
0.0020 ROELDR
-0.023232 0.011727
-1.981088 0.0505
ROEGWM 0.206824
0.051973 3.979448
0.0001 LDR
-5.106180 2.398022
-2.129330 0.0359
LDR2 0.026636
0.015083 1.765994
0.0807 LDRGWM
0.084998 0.072733
1.168631 0.2455
GWM -11.84053
8.556923 -1.383737
0.1698 GWM2
0.098860 0.053294
1.855006 0.0668
Universitas Sumatera Utara
demikian, sangat perlu dilakukan perbaikan pada masalah heteroskedastisitas tersebut Pratomo dkk, 2007;100.
4.3.2.1 Cara Memperbaiki Masalah Heteroskedastisitas
Untuk memperbaiki masalah heteroskedastisitas, ada dua pendekatan yang disarankan oleh para ahli ekonometri yaitu jika varians σ
2
diketahui dan jika varians σ
2
tidak diketahui. Perbaikan ini dilakukan dengan pendekatan Varians
σ
2
tidak diketahui. Dalam pendekatan akan dilakukan perubahan transformasi model dengan berlandaskan pada hipotesis sebagai berikut :
Hipotesis: Varians kesalahan adalah proporsional terhadap X
i
. Varians kesalahan dikatakan proporsional terhadap X
i
, apabila Eµ
i 2
= σ
2
X
i
, Berdasarkan kondisi ini maka persamaan model regresi ini akan ditransformasikanmenjadi:
Dimana: dan Xi 0
Dalam metode ini maka prosedur yang pertama dilakukan adalah menentukan variabel independen mana yang akan menjadi pembagi. untuk
menemukannya, maka dicari variabel yang nilai standart deviasinya terkecil Pratomo dkk, 2007;10. dari hasil analisis deskriptif diperoleh bahwa variabel
GWM memiliki standart deviasi yang lebih kecil yaitu sebesar 2,715 seperti pada tabel 4.4 dibawah ini.
Universitas Sumatera Utara
Tabel 4.4 Statistik Deskriptif Variabel Bebas
IML ROE
LDR GWM
Mean
15.68208 43.1264
67.49569 10.25252
Median
16.07575 34.47495
67.86911 9.843506
Std. Dev.
2.727532 20.86866
8.745088 2.714798
Sumber: output Eviews data diolah
Hasil dari estimasi persamaan tersebut adalah:
Dependent Variable: CARB Method: Least Squares
Date: 061911 Time: 00:49 Sample: 2002M01 2010M12
Included observations: 108 Variable
Coefficient Std. Error
t-Statistic Prob.
C -5.005613
1.991143 -2.513940
0.0135 IMLB
0.974613 0.111633
8.730519 0.0000
ROEB -0.007462
0.012632 -0.590745
0.5560 LDRB
0.119831 0.030195
3.968543 0.0001
GWMB 0.919680
0.328962 2.795705
0.0062 R-squared
0.517492 Mean dependent var 5.250154
Adjusted R-squared 0.498754 S.D. dependent var
0.986766 S.E. of regression
0.698618 Akaike info criterion 2.165764
Sum squared resid 50.27086 Schwarz criterion
2.289937 Log likelihood
-111.9513 F-statistic 27.61700
Durbin-Watson stat 0.786082 ProbF-statistic
0.000000
Persamaan regresi menjadi CARB =
α+ β
1
IMLB + β
2
ROEB + β
3
LDRB + β
4
GWMB + µ Hasil estimasi regresi menunjukkan bahwa nilai Sum squared resid
semakin kecil yaitu sebesar
50.27 dibanding
Sum squared resid persamaan sebelumnya sebesar 2769.331. Menurut Pratomo 2007: 93 jika angka Sum
squared resid dijumpai semakin menurun, maka dapat dikatakan bahwa model yang diestimasi lolos dari masalah heteroskedastisitas.
Universitas Sumatera Utara
Selanjutnya untuk membuktikan apakah estimasi regresi di atas tidak lagi memiliki masalah heteroskedastisitas maka dilakukan uji White. Hasil yang
diperoleh adalah sebagai berikut :
White Heteroskedasticity Test:
F-statistic 1.289613 Prob. F14,92
0.229046 ObsR-squared
17.55348 Prob. Chi-Square14 0.227880
Test Equation: Dependent Variable: RESID2
Method: Least Squares Date: 062511 Time: 11:55
Sample: 2002M02 2010M12 Included observations: 107
Variable Coefficient
Std. Error t-Statistic
Prob. C
28.65048 25.10130
1.141394 0.2567
IMLB -2.385876
1.592467 -1.498227
0.1375
IMLB2 -0.007073
0.067257 -0.105167
0.9165 IMLBROEB
0.003425 0.018530
0.184815 0.8538
IMLBLDRB 0.052703
0.042451 1.241503
0.2176 IMLBGWMB
0.384261 0.318413
1.206803 0.2306
ROEB -0.203468
0.251057 -0.810444
0.4198
ROEB2 -0.001442
0.001068 -1.350053
0.1803 ROEBLDRB
0.014381 0.008561
1.679874 0.0964
ROEBGWMB -0.006007
0.064274 -0.093466
0.9257
LDRB -0.738846
1.037595 -0.712076
0.4782
LDRB2 -0.000834
0.009506 -0.087741
0.9303 LDRBGWMB
0.108340 0.172761
0.627110 0.5321
GWMB -8.388991
8.434691 -0.994582
0.3225
GWMB2 0.637977
0.702923 0.907607
0.3665
Dari hasil estimasi di atas maka persamaan regresi sudah bebas dari masalah heteroskedastisitas karena nilai Prob. Chi-Square sudah di atas 0.05 yaitu
0.227880, begitu juga dengan untuk setiap variabel bebas sudah memiliki probabilitas di atas 0.05.
Universitas Sumatera Utara
4.3.3 Uji Multikolinieritas