dan nilai tolerance tidak kurang dari 0,1, maka model dapat dikatakan terbebas dari multikolinearitas. VIF = 1 Tolerance, jika VIF = 10 maka Tolerance = 1 10
= 0,1. Semakin tinggi VIF maka semakin rendah Tolerance.
3. Uji Autokorelasi
Uji autokorelasi dilakukan untuk mengetahui apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dan dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan
sepanjang waktu berkaitan satu sama lainnya. Salah satu pengujian yang digunakan untuk mengetahui adanya autokorelasi adalah
dengan memakai uji statistik Durbin–Watson DW test. Jika nilai Durbin–Watson berada diantara 1,76 sampai 2,24 berarti tidak ada autokorelasi Algifari, 2000.
4. Uji Heteroskedastisitas
Uji ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari
residual satu
pengamatanke pengamatan
lain tetap,
maka disebut
homoskedastisitas, dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
Salah satu cara untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai prediksi variabel terikat dengan residualnya.
Jika ada pola tertentu, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
III.7.2. Uji Hipotesis
Alat uji yang digunakan untuk analisis penelitian ini adalah Uji Regresi Linier Berganda Multiple regression analysis. Analisis regresi berganda digunakan dalam
penelitian ini karena variabel terikat yang dicari untuk dijelaskan hipotesis bergantung pada lebih dari satu variabel bebas.
Analisis regresi berganda dapat dikategorikan sebagai analisis multivariate. Analisis Multivariate pada dasarnya adalah analisis untuk lebih dari 2 dua variabel
dan prosesnya dilaksanakan secara simultan. Keunggulan dari regresi berganda adalah dapat meningkatkan keakuratan hubungan variabel terikat dengan variabel
bebas Levin Rubin, 1998. Model regresi berganda adalah sebagai berikut:
Y =a
1
X
1
+
21
X
21
+
22
X
22
+
23
X
23
+
Keterangan : Y = Return Saham
a = Konstanta
X
1
= Economic Value Added EVA; X
21
= Return on Assets ROA; X
22
= Return on Equity ROE; X
23
= Earning per Share EPS;
1
= Koefisien regresi variabel X
1
EVA;
21
= Koefisien regresi variabel X
21
ROA;
22
= Koefisien regresi variabel X
22
ROE;
23
= Koefisien regresi variabel X
23
EPS;
Universitas Sumatera Utara
= error term
Asumsi yang dipergunakan dalam persamaan regresi berganda adalah: 1.
e atau error term merupakan variabel random yang terdistribusi secara normal. 2.
Varians dalam nilai Y sama. 3.
Error term independen satu dengan yang lainnya. 4.
Asumsi linearitas. 5.
Jumlah data yang diobservasi n melebihi jumlah variabel bebas k, setidaknya dua.
6. Antar variabel bebas tidak ada hubungan linier.
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari goodness of fit-nya. Secara statistik, setidaknya dapat diukur dari koefisien
determinasi, nilai statistik F dan nilai statistik t.
1. Uji Simultan dengan F – Test