multikolinieritas. Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilakukan dengan melihat toleransi variabel dan Variance Inflation Factor VIF.
Hasil pengujian multikolinieritas dapat dilihat pada Tabel 4.7 berikut ini:
Tabel 4.7 Hasil Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
3.818 .441
8.662 .000
LnROA -.220
.096 -.286 -2.284
.026 .983
1.017 LnUmur
-.209 .162
-.162 -1.290 .202
.983 1.017
a. Dependent Variable: LnUnderpricing
Sumber: Hasil Pengolahan SPSS 17 31 Mei 2010 Berdasarkan Tabel 4.7 di atas, terlihat bahwa semua variabel bebas
memiliki angka VIF 5 dan nilai tolerance 0.1. Dengan demikian dapat disimpulkan tidak terjadi multikolinieritas.
3. Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke
pengamatan lainnya. Jika varians dari satu residual satu pengamatan ke pengamatan lainnya tetap maka terjadi heteroskedastisitats. Model regresi yang
baik adalah model yang tidak mengalami heteroskedastisitas. Dalam penelitian ini gejala heteroskedastisitas dengan menggunakan grafik scatterplot dan uji glejser.
Hasil pengujian heteroskedastisitas dapat dilihat pada Gambar 4.2.
Universitas Sumatera Utara
Gambar 4.2 Hasil Uji Heteroskedastisitas
Sumber: Hasil Pengolahan SPSS 17 31 Mei 2010 Dari Gambar 4.2 terlihat bahwa titik-titik menyebar secara acak tidak
membentuk sebuah pola tertentu serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada
model regresi. Selain melalui scatterplot, uji heteroskedastisitas juga dapat dideteksi
dengan menggunakan uji Glejser. Tabel 4.8 berikut menampilkan hasil uji heteroskedastisitas dengan uji Glejser.
Universitas Sumatera Utara
Tabel 4.8 Hasil Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .583
.253 2.309
.025 LnROA
.046 .055
.111 .842
.403 LnUmur
.077 .093
.109 .829
.410 a. Dependent Variable: absut
Sumber: Hasil Pengolahan SPSS 17 31 Mei 2010 Pada Tabel 4.8 dapat dilihat bahwa tidak satupun variabel bebas yang
signifikan secara statistik mempengaruhi variabel dependen absolut Ut absut. Hal ini terlihat dari nilai signifikansi variabel ROA dan Umur, masing masing
lebih besar dari tingkat signifikasi α = 5. Dengan demikian, dapat disimpulkan bahwa tidak terjadi multikolinieritas pada model regresi.
4. Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya. Model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Dalam penelitian ini, autokorelasi dideteksi
dengan menggunakan angka Durbin-Watson dengan kriteria sebagai berikut:
Tabel 4.9 Kriteria Pengambilan Keputusan Uji Autokorelasi
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif Tolak
0 d dl Tidak ada autokorelasi positif
No Decision dl
≤ d ≤ du Tidak ada korelasi negatif
Tolak 4 – dl d 4
Tidak ada korelasi negatif No Decision
4 – du ≤ d ≤ 4 - dl
Tidak ada autokorelasi positif atau negatif Tidak ditolak
du d 4 - du Sumber: Situmorang dkk. 2008:86
Universitas Sumatera Utara
Pengujian autokorelasi dapat dilihat melalui angka Durbin-Watson pada Tabel 4.10 berikut ini:
Tabel 4.10 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .346
a
.120 .089
1.04821 2.190
a. Predictors: Constant, LnUmur, LnROA b. Dependent Variable: LnUnderpricing
Sumber: Hasil Pengolahan SPSS 17 31 Mei 2010 Berdasarkan Tabel 4.10 di atas, dapat dilihat bahwa angka Durbin
Watson sebesar +2,190. Nilai Durbin Watson akan dibandingkan dengan nilai dl dan du pada n = 60 dan k = jumlah variabel bebas = 2 dan tingkat signifikansi
α = 5. Maka diperoleh du = 1,65 dan dl = 1,51. Tabel 4.10 memperlihatkan bahwa nilai Durbin Watson sebesar 2,190
terletak di pada du d 4 – du yakni 1,65 2,190 2,35. Sesuai dengan Tabel 4.9 tentang kriteria pengambilan keputusan uji autokorelasi, apabila du d 4-du
maka dapat disimpulkan bahwa model regresi tidak terkena autokorelasi positif maupun negatif.
C. Uji Hipotesis 1. Uji Simultan Uji F