1,687, 1,561, 1,662, 1,019, 1,464 dan nilai Tolerance 0,1 yakni 0,593, 0,641, 0,602, 0,982, 0,683.
Tabel 4.12 Hasil Pengujian Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 4.977
7.278 .684
.498 LnCP
.112 .105
.182 1.069
.292 .593
1.687 LnDER
.122 .104
.193 1.179
.246 .641
1.561 LnROA
.562 .139
.682 4.033
.000 .602
1.662 LnGP
.003 .106
.004 .029
.977 .982
1.019 LnSIZE
-.748 2.172
-.055 -.345
.732 .683
1.464 a. Dependent Variable: LnDPR
Sumber : Hasil Penelitian, 2011 data diolah
3. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk mengetahui dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilihat dengan
menggunakan grafik plot.
Universitas Sumatera Utara
Gambar 4.6 : Scatterplot
Sumber : Hasil Penelitian, 2011 data diolah
Pada gambar Scatterplot di atas, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas
maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai
untuk memprediksi dividend payout ratio, berdasarkan masukan variabel independennya. Untuk lebih memperoleh tingkat keakuratan hasil, maka
dilakukan uji statistik Glejser untuk mendeteksi ada tidaknya heteroskedastisitas yang dapat dilihat pada Tabel 4.13 berikut ini:
Universitas Sumatera Utara
Tabel 4.13 Hasil Pengujian Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 4.173
4.628 .902
.373 LnCP
-.008 .067
-.026 -.127
.900 LnDER
.074 .066
.220 1.129
.266 LnROA
.069 .089
.157 .779
.441 LnGP
-.039 .067
-.091 -.580
.565 LnSIZE
-1.143 1.381
-.156 -.828
.413 a. Dependent Variable: absut
Sumber : Hasil Penelitian, 2011 data diolah
Pada Tabel 4.13 di atas terlihat bahwa nilai signifikansi variabel LnCP, LnDER, LnROA, LnGP, dan LnSIZE masing-masing menunjukkan nilai di atas
tingkat kepercayaan 5 yakni 0,900, 0,266, 0,441, 0,565, dan 0,413 maka dapat disimpulkan tidak terjadi heteroskedastisitas.
4. Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya. Dalam penelitian ini, gejala autokorelasi dideteksi dengan menggunakan The Runs Test. Kaidah keputusan dari metode ini
adalah tidak menolak hipotesis nol jika taksiran The Runs Test berada pada jarak interval dan menolak hipotesis nol jika taksiran The Runs Test diluar batas
interval.
Universitas Sumatera Utara
Tabel 4.14 Hasil Pengujian Autokorelasi
Runs Test
Unstandardized Residual
Test Value
a
.10846 Cases Test Value
22 Cases = Test Value
22 Total Cases
44 Number of Runs
28 Z
1.373 Asymp. Sig. 2-tailed
.170 a. Median
Sumber : Hasil Penelitian, 2011 data diolah
Pada Tabel 4.14 dapat dilihat bahwa nilai test adalah 0,10846 dengan nilai Asymp. Sig. 2-tailed 0,170 yang artinya nilai signifikan di atas 0,05 yang berarti
hipotesis nol diterima, sehingga dapat disimpulkan bahwa residual random atau tidak terjadi autokorelasi antar residual.
C. Analisis Regresi Linear Berganda
