Tabel 4.4 Coefficients Correlations untuk AD = f TATO, DER, OA, KAP
Sumber : Output SPSS, diolah penulis, 2010.
Coefficient Correlations
a
Model Afiliasi KAP
TATO Opini Audit
DER Afiliasi KAP
1.000 -.064
-.181 -.398
TATO -.064
1.000 -.315
.014 Opini Audit
-.181 -.315
1.000 .209
Correlations
DER -.398
.014 .209
1.000 Afiliasi KAP
47.124 -3.833
-9.058 -6.012
TATO -3.833
75.475 -19.979
.271 Opini Audit
-9.058 -19.979
53.438 3.365
1
Covariances
DER -6.012
.271 3.365
4.834 a. Dependent Variable: Audel
Melihat hasil besaran korelasi antar variabel tampak bahwa di antara variabel independen yang diuji, variabel DER mempunyai korelasi paling
tinggi yaitu sebesar -0,398 atau sekitar 39,8. Hal ini tidak menunjukkan gejala korelasi karena masih dibawah 0,9, maka hal ini merupakan indikasi
tidak adanya multikolonieritas. Berdasarkan kedua tabel di atas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independent
dalam model ini.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi ada korelasi pengganggu pada periode t dengan kesalahan pengganggu pada
periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi.
Uji yang digunakan untuk melihat autokorelasi dalam penelitian ini adalah Uji Durbin-Watson DW test. Panduan mengenai Durbin-Watson
untuk mendeteksi autokorelasi dapat dilihat pada tabel D-W yang bisa dilihat pada buku statistik yang relevan.
Tabel 4.5 Hasil Uji Autokorelasi
Sumber : Output SPSS, diolah penulis, 2010.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .506
a
.256 .187
21.08975 1.957
a. Predictors: Constant, Afiliasi KAP, TATO, Opini Audit, DER b. Dependent Variable: Audel
Dari tabel 4.5 menunjukkan hasil Durbin – Watson sebesar 1,957 sehingga dapat disimpulkan bahwa tidak terjadi gejala autokorelasi dalam
penelitian ini karena hasil yang diperoleh 1,957 angka DW berada diantara -2 dan +2 berarti tidak ada autokorelasi.
d. Uji Heterokedastisitas
Dalam penelitian ini untuk mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat pola grafik scatterplot. Dasar
pengambilan keputusannya adalah :
1 Jika ada pola tertentu, seperti titik –titik yang ada membentuk pola
tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas.
2 Jika tidak ada pola yang jelas, seperti titik yang menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3 Scatterplot
Sumber : Output SPSS, diolah penulis, 2010.
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga
dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan
adanya data observasi yang sangat berbeda dengan data observasi yang lain.
3. Analisis Regresi
