yang mempunyai Mahalanobis Distance lebih besar dari χ
2
df=9;p=0,05 = 16,919 adalah outlier multivariate.
Dari hasil pengujian, diketahui bahwa terdapat kasus dengan nilai Mahalanobis Distance lebih dari 16,919. Artinya asumsi outlier terhadap data atau observasi penelitian
tidak terpenuhi. Langkah selanjutnya adalah menghilangkan data yang terlihat sangat berbeda jauh dari observasi-observasi lainnya. Setelah data yang terlihat ekstrim tinggi
atau rendah dihilangkan dari observasi berdasarkan Mahalanobis-nya, maka tidak ditemukan lagi permasalahan outlier.
B. Pengujian Normalitas
Suatu distribusi data dapat dikatakan normal apabila nilai C.R. skewnes maupun kurtosis lebih kecil dari nilai kritik tabel + 1,96, tingkat signifikansi 0.05 p-value 5.
Tabel 1. Hasil Pengujian Normalitas Variabel
Skewnes C.R.
Kurtosis C.R.
Leverage 1.497
6.320 2.112
4.460 Reputasi Auditor
-0.245 -1.034
-1.940 -4.096
Size -0.243
-1.024 0.037
0.079 Opini Audit
1.198 5.061
-0.564 -1.190
Earning Persistensi 0.333
1.405 0.594
1.254 Earning Growth
0.549 2.319
-0.710 -1.499
Disclosure 0.738
3.118 0.119
0.251 Timeliness
0.135 0.570
1.509 3.187
ERC -0.010
-0.043 0.299
0.632 Multivariate
-3.861 -1.419
Pada tabel diatas, dengan analisis secara univariate, diketahui bahwa variabel Reputasi Auditor, SIZE, Opini, Persistensi Laba, Growth, Disclosure, Timeliness dan
ERC berdistribusi normal karena nilai C.R. skewnes atau C.R. kurtosis kurang dari nilai kritik tabel + 1,96. Namun untuk variabel Leverage nilai C.R. skewnes atau C.R. kurtosis
lebih besar dari nilai kritik tabel + 1,96 sehingga distribusi data dinyatakan tidak normal. Jika pengujian dianalisis secara multivariate, diketahui bahwa C.R. kurtosis sebesar
-1,419 kurang dari nilai kritik tabel + 1,96. Maka dapat dinyatakan bahwa distribusi data adalah normal secara multivariate.
Dengan demikian maka dapat disimpulkan bahwa data dalam penelitian ini terdistribusi normal untuk sebagian variabel secara univariate dan terdistribusi normal
secara multivariate. Oleh karena itu asumsi normalitas dapat terpenuhi. Hair edisi 5, hal
18
71 menyebutkan jika sebuah variabel adalah normal secara multivariate, maka akan normal juga secara univariat. Tetapi tidak berlaku sebaliknya.
C. Pengujian Multicolinearity dan Singularity
Untuk melihat apakah terdapat multicolinearitas dan singularity dalam sebuah kombinasi variabel, peneliti perlu mengamati determinant matrix covariance. Determinan
yang benar-benar kecil mengindikasikan adanya multikolinearitas. Pada model penelitian yang digunakan, nilai determinan matrik kovarians yang diperoleh dari hasil perhitungan
AMOS adalah 6,601. Nilai tersebut dapat dinyatakan menjauh dari nilai nol. Namun pengujian multicolinearitas dan singularity dapat diuraikan secara rinci melalui Sampel
Covariance Matrix.
Tabel 2. Sampel Covariance Matrix
OA EG
EP SIZE
RA LEV
TIME DISC
ERC OA
0.184 -0.010 0.037
0.043 -0.033 -0.065 -0.175 -0.004 -0.010 EG
-0.010 0.328 -0.031
0.296 0.130 -0.111 -0.154
0.009 0.111
EP 0.037 -0.031
0.330 0.214
0.003 0.004
0.035 0.003 -0.045
SIZE 0.043
0.296 0.214
2.322 0.206
0.270 -0.115 0.028 -0.057
RA -0.033
0.130 0.003
0.206 0.246 -0.088 -0.130
0.005 0.067
LEV -0.065 -0.111
0.004 0.270 -0.088
1.177 0.330 -0.001 -0.132
TIME -0.175 -0.154 0.035 -0.115 -0.130
0.330 2.379 -0.001
0.032 DISC
-0.004 0.009
0.003 0.028
0.005 -0.001 -0.001 0.003
0.006 ERC
-0.010 0.111 -0.045 -0.057
0.067 -0.132 0.032
0.006 0.213
Pada tabel diatas, nilai kovarian antar variabel masih dapat dikategorikan besar, walaupun terdapat beberapa nilai kovarian cenderung mendekati nilai nol. Dengan
demikian maka asumsi multikolinearitas terpenuhi karena tidak terdapat multikolinearitas dalam data penelitian.
D. Pengujian Kesesuaian Model
