Tabel 8. Hausman Test
Correlated Random Effects - Hausman Test Equation: Untitled
Test cross-section Random Effects Test Summary
Chi-Sq. Statistic
Chi-Sq. d.f. Prob.
Cross-section random 29.046661
5 0.0000
Sumber: Data Sekunder Diolah Output Eviews 8.1
Dari tabel diatas diperoleh P-value sebesar 0,0000 yang lebih kecil dari nilai signifikansi 5 sehingga H
ditolak yang berarti model regresi yang digunakan adalah model Fixed Effect.
Dari kedua test diatas didapatkan kesimpulan bahwa model regresi data panel yang terbaik untuk model regresi dalam penelitian ini
adalah model regresi dengan model Fixed Effect.
3. Hasil Uji Asumsi Klasik
Pengujian asumsi klasik yang digunakan atas data sekunder dalam penelitian ini meliputi uji normalitas, multikolinearitas, heteroskedastisitas
dan autokorelasi dengan hasil pengujian sebagai berikut:
a. Hasil Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal
atau tidak. Seperti diketahui bahwa uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini
dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel
kecil. Eviews 8.1 menggunakan Test Jarque-Bera untuk mendeteksi apakah residual berdistribusi normal atau tidak.
Hasil dari uji normalitas dengan menggunakan Test Jarque-Bera dapat dilihat pada grafik dibawah ini:
Grafik 7. Test Normalitas Jarque-Bera
Sumber: Data Sekunder Diolah Output Eviews 8.1
Uji statistik Jarque-Bera mempunyai kriteria jika nilai Jarque- Bera diatasnilai Chi-Square Tabel dan nilai probability dibawah nilai
signifikansi 0,05, maka data yang diuji memiliki perbedaan yang signifikan dengan data normal baku sehingga data yang diuji tidak
berdistribusi normal. Sebaliknya jika nilai Jarque-Bera dibawah nilai Chi-Square Tabel dan nilai probability diatas nilai signifikansi 0,05,
maka data yang diuji memiliki distribusi normal. Berdasarkan grafik diatas dapat dikatakan bahwa data residual
terdistribusi normal. Hal ini tercermin dari nilai Jarque-Bera sebesar 3,245155 yang lebih kecil atau dibawahnilai Chi-Square Tabel dengan
2 4
6 8
10 12
14
-5 -4
-3 -2
-1 1
2 3
Series: Standardized Residuals Sample 2010Q2 2014Q4
Observations 152 Mean
-2.28e-16 Median
-0.038459 Maximum
3.512544 Minimum
-5.189957 Std. Dev.
1.772364 Skewness
-0.354758 Kurtosis
2.905240 Jarque-Bera 3.245155
Probability 0.197389
df 152 yaitu sebesar 174.729 dan nilai probability yang berada diatas nilai signifikansi 0,05.
b. Hasil Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas independen.
Pada model regresi yang baik seharusnya antar variabel independen tidak terjadi korelasi. Untuk mengetahui ada tidaknya multikolinearitas
dilakukan dengan melihat korelasi diantara variabel independennya, jika korelasi lebih dari 0,70 maka dinyatakan terdapat multikolinearitas
dikarenakan nilai 0,70 pada korelasi berarti hubungan yang kuat. Korelasi antar variabel independen dapat dilihat pada tabel di bawah
ini:
Tabel 9. Korelasi Variabel Independen
ROA NOM
FDR NPF
VAP ROA
1.000000
0.835493 -0.018381
-0.143408 -0.165363
NOM 0.835493
1.000000 -0.021375
-0.044436 -0.149306
FDR -0.018381
-0.021375 1.000000
0.246813 -0.347137
NPF -0.143408
-0.044436 0.246813
1.000000 -0.452407
VAP
-0.165363 -0.149306
-0.347137 -0.452407
1.000000 Sumber: Data Sekunder Diolah Output Eviews 8.1
Dari tabel diatas terlihat bahwa tidak ada variabel independen yang mempunyai korelasi dengan variabel independen lainnya bernilai
diatas 0,70, kecuali variabel ROA dan NOM yang merupakan sama-
sama rasio profitabilitas, sehingga dapat dikatakan data dalam penelitian ini tidak terdapat multikolinearitas. Maka dapat disimpulkan semua
variabel independen dalam model regresi terbebas dari problem multikolinearitas dan dapat digunakan dalam penelitian ini.
c. Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan lain. Model regresi yang baik adalah model regresi yang homoskedastisitas. Salah satu cara untuk mendeteksi ada
atau tidaknya heteroskedastisitas dapat dilakukan dengan melakukan ujiPark dimana residual kuadrat yang di log diregresikan dengan
variabel independen yang ada. Apabila
variabel independen
signifikan secara
statistik mempengaruhi variabel residual kurang dari 5, maka terjadi
heteroskedastisitas. Namun, apabila probabilitas signifikan diatas 5 maka dapat dikatakan bahwa model regresi tidak mengandung adanya
heteroskedastisitas. Hasil uji Park dapat dilihat dari tabel di bawah ini:
Tabel 10. Uji Park
Dependent Variable: LOGRES2 Method: Panel Least Squares
Date: 080615 Time: 21:11 Sample: 2010Q2 2014Q4
Periods included: 19 Cross-sections included: 8
Total panel balanced observations: 152 Variable
Coefficient Std. Error
t-Statistic Prob.
C -3.775351
7.637491 -0.494318
0.6218
ROA -0.149391
0.322248 -0.463589
0.6436
NOM 0.221538
0.446964 0.495651
0.6209
FDR 0.020934
0.074669 0.280363
0.7796
NPF -0.131651
0.171387 -0.768150
0.4436
VAP 0.098241
0.080962 1.213412
0.2269
Sumber: Data Sekunder Diolah Output Eviews 8.1
Berdasarkan tabel diatas dapat dilihat bahwa tingkat signifikansi variabel independen dalam penelitian ini berada diatas 5 atau 0,05.
Hal ini menunjukkan bahwa model regresi dalam penelitian ini tidak terjadi heteroskedastisitas. Sehingga model regresi layak digunakan
untuk melakukan penelitian ini.
d. Hasil Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan periode t-1 sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan
antara satu sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya.
Model regresi yang baik adalah yang bebas dari autokorelasi. Dalam
penelitian ini menggunakan Durbin Watson Test D-W untuk mendeteksi ada tidaknya autokorelasi.
Berikut adalah tabel yang menunjukkan hasil uji autokorelasi:
Tabel 11. Uji Durbin-Watson
Dependent Variable: CAR Method: Panel Least Squares
Date: 080615 Time: 20:03 Sample: 2010Q2 2014Q4
Periods included: 19 Cross-sections included: 8
Total panel balanced observations: 152 Effects Specification
Cross-section fixed dummy variables R-squared
0.528627 Mean dependent var 87.14987
Adjusted R-squared 0.487933 S.D. dependent var
2.581492 S.E. of regression
1.847285 Akaike info criterion 4.146957
Sum squared resid 474.3323 Schwarz criterion
4.405579 Log likelihood
-302.1687 Hannan-Quinn criter. 4.252018
F-statistic 12.99030 Durbin-Watson stat
1.344517
ProbF-statistic 0.000000
Sumber: Data Sekunder Diolah Output Eviews 8.1
Dasar pengambilan keputusan ada tidaknya autokorelasi dalam model regresi adalah sebagai berikut:
1 du DW 4-du berarti tidak ada autokorelasi, 2 DW dl berarti ada autokorelasi positif,
3 DW 4-dl berarti ada autokerelasi negatif, dan 4 du DW dl atau 4-du DW 4-dl berarti hasilnya tidak
dapat disimpulkan. Berdasarkan tabel diatas, dengan n=152 dan k=5 dapat diketahui
nilai batas atas dan batas bawah dari nilai Durbin-Watson dengan nilai
dU adalah 1,8032 dan nilai dL adalah 1,6675. dikarenakan nilai D-W adalah 1,344517 berada dibawah dL, atau DW dL maka dapat
disimpulkan bahwa data memiliki masalah autokorelasi. Autokorelasi akan menyebabkan variabel yang seharusnya
berpengaruh menjadi tidak berpengaruh, hal ini terlihat dari kecilnya adjusted R-square dan tingginya standard error. Cara untuk mengatasi
heteroskedastisitas ini adalah dengan menyesuaikan model regresi dengan Cross-section SUR. Di bawah ini adalah hasil regresi ketika
mengalami autokorelasi:
Tabel 12. Hasil Regresi Autokorelasi
Dependent Variable: CAR Method: Panel Least Squares
Date: 080615 Time: 20:03 Sample: 2010Q2 2014Q4
Periods included: 19 Cross-sections included: 8
Total panel balanced observations: 152 Variable
Coefficient Std. Error
t-Statistic Prob.
ROA -0.238170
0.272885 -0.872788
0.3843 NOM
0.585868
0.370933
1.579445 0.1165
FDR 0.039205
0.069546 0.563721
0.5739 NPF
-0.281473 0.200477
-1.404012 0.1625
VAP 0.019469
0.076367 0.254943
0.7991 C
83.46946
7.113991
11.73314 0.0000
Effects Specification Cross-section fixed dummy variables
R-squared 0.528627 Mean dependent var
87.14987
Adjusted R-squared 0.487933 S.D. dependent var
2.581492 S.E. of regression
1.847285 Akaike info criterion 4.146957
Sum squared resid 474.3323 Schwarz criterion
4.405579 Log likelihood
-302.1687 Hannan-Quinn criter. 4.252018
F-statistic 12.99030 Durbin-Watson stat
1.344517 ProbF-statistic
0.000000
Sumber: Data Sekunder Diolah Output Eviews 8.1
Terlihat bahwa standard error mempunyai nilai yang cukup tinggi dengan adjusted R-square yang rendah. Hal ini diperbaiki
dengan penyesuaian
cross-section SUR
pada regresi
untuk menghilangkan autokorelasi.
Tabel 13. Hasil Regresi dengan Cross Section SUR
Dependent Variable: CAR Method: Panel EGLS Cross-section SUR
Date: 080615 Time: 20:15 Sample: 2010Q2 2014Q4
Periods included: 19 Cross-sections included: 8
Total panel balanced observations: 152 Linear estimation after one-step weighting matrix
Variable Coefficient
Std. Error t-Statistic
Prob. ROA
-0.247695
0.117799
-2.102703 0.0373
NOM 0.426070
0.141725 3.006309
0.0031 FDR
0.081950 0.028005
2.926239 0.0040
NPF -0.317403
0.066382 -4.781466
0.0000 VAP
0.036363
0.033711
1.078666 0.2826
C 79.31193
2.889979 27.44377
0.0000 Weighted Statistics
R-squared 0.691584 Mean dependent var
66.82652
Adjusted R-squared 0.664959 S.D. dependent var
93.98597 S.E. of regression
1.030487 Sum squared resid 147.6047
F-statistic 25.97422 Durbin-Watson stat
1.673166 ProbF-statistic
0.000000 Unweighted Statistics
R-squared 0.525619 Mean dependent var
87.14987 Sum squared resid
477.3600 Durbin-Watson stat 1.338319
Sumber: Data Sekunder Diolah Output Eviews 8.1
Dibandingkan dengan hasil regresi tanpa penyesuaian Cross- Section SUR, hasilnya menunjukkan penurunan pada standard error
dan kenaikan pada adjusted R-Square. Sehingga dapat diasumsikan
bahwa masalah autokorelasi telah disesuaikan sehingga dampaknya sudah tidak mengganggu hasil regresi lagi.
4. Hasil Uji Hipotesis
