TUGAS KELOMPOK MATA KULIAH EKONOMETRIKA (1)
TUGAS KELOMPOK
MATA KULIAH EKONOMETRIKA
SEMESTER GENAP 2013/2014
Agribisnis A
Kelompok 8
NO.
1.
2.
3.
4.
NAMA
NPM
Asep Sukma H
150610110006
Raden Tria
1506101100017
Arisha N P
150610110026
Faisal Khairul
150610110043
PROGRAM STUDI AGRIBISNIS
FAKULTAS PERTANIAN
UNIVERSITAS PADJADJARAN
2014
Tabel 6.2
PBV, NPM, ATO, dan EM 42 Perusahaan Industri Barang Konsumsi Tahun 2002
No
1.
2.
3.
4.
5.
6.
7.
8.
9.
10
.
11.
12
.
13
.
14
.
15
.
16
.
17
.
18
.
19
.
20
.
21
.
22
.
23
.
24
.
25
.
26
.
27
.
28
.
Nama Perusahaan
Ades Alfindo Putra Setia,tbk
Asia Inti Selera, tbk
Aqua Golden Missisipi
Cahaya Kalbar, tbk
Davomas Abadi
Delta Djakarta
Indofood Sukses Makmur, tbk
Multi Bintang Indonesia, tbk
Miwon Indonesia, tbk
Mayora Indah
PBV
0,66
-0,77
2,63
0,30
0,22
0,48
1,49
2,23
-2,83
0,40
NPM
0,04
-0,14
0,07
0,09
0,06
0,13
0,05
0,16
0,19
0,13
ATO
0,52
0,38
0,92
0,44
0,67
0,55
0,81
0,91
0,63
0,56
EM
2,47
-0,72
2,82
1,38
1,55
1,29
3,90
1,68
-10,93
1,87
Prashida Aneka Niaga
Sari Husada, tbk
-0,04
2,46
-1,02
0,14
0,40
0,85
-0,35
1,12
Sekar Laut, tbk
-0,21
1,27
0,98
-0,48
SMART Corporation, tbk
-0,09
0,18
0,56
-16,48
Siantar Top, tbk
1,23
0,08
1,10
1,53
Suba Indah
0,12
-0,04
0,09
1,62
Tunas Baru Lampung, tbk
0,47
0,10
0,48
2,07
Ultra Jaya Milk, tbk
2,18
0,08
0,30
1,92
BAT Indonesia
1,45
0,18
0,69
1,95
Gudang Garam, tbk
1,72
0,10
1,02
1,71
HM Sampoerna, tbk
3,25
0,14
1,03
1,98
Bentoel Sampoerna Inv, tbk
0,77
0,03
1,63
1,96
Bayer Indonesia (common Stock)
1,01
0,07
1,62
1,70
Bayer Indonesia (Preferred Stock)
0,15
0,07
1,62
1,70
Dankos Labolatories, tbk
1,35
0,10
1,12
2,63
Darya-Varia Labolatoria, tbk
1,24
0,10
1,13
1,99
Indofarma, tbk
1,38
0,20
0,45
1,81
Kimia Farma (persero), tbk
1,54
0,03
0,93
1,52
29
.
30
.
31
.
32
.
33
.
34
.
35
.
36
.
37
.
38
.
39
.
40
.
41
.
42
.
Kalbe Farma
2,47
0,12
0,87
4,77
Merek Indonesia, tbk
1,51
0,17
0,97
1,18
Pyridam Farma, tbk
2,36
0,10
0,27
1,18
Schering Plough Indonesia, tbk
3,23
0,05
1,34
7,11
Bristol-Myers Squibb Ind, tbk
0,30
0,08
0,94
1,94
Bristol-Myers Squibb Ind, tbk (PS)
0,13
0,08
0,94
1,94
Tempo Scan Pasific, tbk
1,36
0,18
0,84
1,30
Mustika Ratu, tbk
0,66
0,08
0,66
1,22
Procter And Gamble Ind.
0,90
-0,16
0,27
1,62
Mandom Indonesia, tbk
0,78
0,12
1,12
1,37
Unilever Indonesia, tbk
6,70
0,15
1,69
1,52
Kedaung Setia Industrial, tbk
0,32
0,04
0,91
2,95
Kedaung Indah Can, tbk
0,36
0,01
0,44
1,59
Langgeng Makmur Ind, tbk
0,25
-0,05
0,32
8,76
MULTIKOLINEARITAS DAN HETEROSKEDASTISITAS
(data Tabel 6.2 no 1-39)
1. Multikolinearitas
Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi
antara masing-masing variabel independen dalam model regresi. Multikolinearitas biasanya
terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model
regresi. Oleh karena itu masalahmultikolinearitas tidak terjadi pada regresi linier sederhana
yang hanya melibatkan satu variabel independen.
Indikasi terdapat masalah multikolinearitas dapat kita lihat dari:
1. Nilai R2 yang tinggi (signifikan), namun nilai standar error dan tingkat signifikansi
masing-masing variabel sangat rendah.
2. Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan pada
variabel yang diamati.
3. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang seharusnya
memiliki pengaruh positif (nilai koefisien positif), ditunjukkan dengan nilai negatif.
Memang
belum
ada
kriteria
yang
jelas
dalam
mendeteksi
masalah
multikolinearitas dalam model regresi linier. Selain itu hubungan korelasi yang tinggi belum
tentu berimplikasi terhadap masalah multikolinearitas. Tetapi kita dapat melihat indikasi
multikolinearitas dengan tolerance value (TOL), eigenvalue, dan yang paling umum
digunakan adalah varians inflation factor (VIF).
Hingga saat ini tidak ada kriteria formal untuk menentukan batas terendah dari nilai
toleransi atau VIF. Beberapa ahli berpendapat bahwa nilai toleransi kurang dari 1 atau VIF
lebih besar dari 10 menunjukkan multikolinearitas signifikan, sementara itu para ahli lainnya
menegaskan bahwa besarnya R2 model dianggap mengindikasikan adanya multikolinearitas.
Klein (1962) menunjukkan bahwa, jika VIF lebih besar dari 1/(1 – R 2) atau nilai toleransi
kurang dari (1 – R2), maka multikolinearitas dapat dianggap signifikan secara statistik.
Dalam kasus terdapat multikolinearitas yang serius, koefisien regresi tidak lagi
menunjukkan pengaruh murni dari variabel independen dalam model. Dengan demikian, bila
tujuan dari penelitian adalah mengukur arah dan besarnya pengaruh variabel independen
secara akurat, masalah multikoliniearitas penting untuk diperhitungkan. Pilihan metode
pengujian yang dapat dipergunakan antara lain adalah uji VIF (Variance Inflation Factor), uji
Park dan uji CI (Condition Index).
2. Heteroskedastisitas
Heteroskedastisitas adalah adanya ketidaksamaan varian dari residual untuk semua
pengamatan pada model regresi. Mengapa dilakukan uji heteroskedastitas? jawabannya
adalah untuk mengetahui adanya penyimpangan dari syarat-syarat asumsi klasik pada model
regresi, di mana dalam model regresi harus dipenuhi syarat tidak adanya heteroskedastisitas.
Uji tersebut dilakukan dengan beberapa cara, antara lain:
Uji Glejser
Uji Park
Uji Spearman
Melihat Grafik
3. HASIL ANALISIS DATA
Data set = no 1-39 pada Tabel 6.2 (buku paket halaman: 168)
Y =PBV
X 1=NPM
X 2= ATO
X 3=EM
Tabel 1. Tabel Matriks Hasil Analisis Model Regresi Linear Majemuk
Step
1.
Tujuan
Korelasi
Hipotesis
Hasil
R=0,553
Sig.
Korelasi antara
2
Koefisien
Kesimpulan
R =0,305
variabel bebas
Determinasi
dengan variabel
terikat tidak besar,
dan tidak lemah
2.
Penentuan
-
PBV = 0,101 –
-
pula.
Jika Net Profit
Persamaan
0,003 NPM +
Margin naik 1 unit,
Regresi
1,077 ATO +
maka Price to
0,16 EM
Book Value akan
turun sebesar
0,003.
Jika Asset Turn
Over naik 1 unit,
maka Price to
Book Value akan
naik sebesar 1,007.
Jika Equaty
Multiplier naik 1
unit, maka Price to
Book Value akan
3.
Multikolinieritas
VIF mendekati 1
TOL mendekati 1
Eigenvalue yang
tidak mendekati
nol (0)
naik sebesar 0,16.
Tidak mengandung
multikolinieritas
CI yang tidak
4.
Menentukan
besar
Nilai mutlak
outlier
Residual Standar
Tidak ada outlier
(Standardized
Residual) tidak ada
yang melebihi angka
5.
2
Rata-rata residual
Uji Normalitas
Residual telah
telah sama dengan
mengikuti distribusi
nol, dan varian
normal.
mendekati 1.
Gambar hampir
menyerupai
distribusi normal.
Titik-titik pada
diagram plot
relatif tidak jauh
6.
dari garis.
Plot tidak
Heteroskedasitas
Tidak heteroskedastis
membentuk suatu
atau dapat dikatakan
pola
sebagai
homodkedastis.
1.1 Mendeteksi Multikolinearitas
Pada buku tertera bahwa model yang ditawarkan adalah:
PBV = b0 + b1 NPM + b2 ATO + b3 EM.
Disini terlihat bahwa seharusnya NPM, ATO dan EM akan memiliki hubungan yang positif
terhadap PBV. Kemudian model tersebut yang kita lihat untuk mendeteksi adanya
multikolinearitas pada data.
Penyelesaian:
Sebelum mengecek adanya multikolinearitas dan heteroskedastisitas, terlebih dahulu
kita input data kedalam SPSS
Dari data tabel diatas, gunakakan data nomor 1 sampai 39 untuk pengolahan
selanjutnya
Kemudian olah data seperti biasa, menggunakan Analyze Regression Linear
Kemudian akan didapatkan hasil / output seperti dibawah ini
Hasil / Output
Model Summaryb
Model
R
.553a
1
Adjusted R
Square
R Square
.305
Std. Error of the
Estimate
.246
1.27494
a. Predictors: (Constant), EM, NPM, ATO
b. Dependent Variable: PBV
ANOVAb
Model
1
Sum of Squares
df
Mean Square
Regression
25.007
3
8.336
Residual
56.892
35
1.625
Total
81.899
38
F
Sig.
5.128
.005a
a. Predictors: (Constant), EM, NPM, ATO
b. Dependent Variable: PBV
Dari data hasil output tersebut belum terlihat belum terlihat tanda-tanda adanya
multikolinearitas pada data tersebut seperti yang di sebutkan pada penjelasan sebelumnya. R
square bernilai kecil yaitu 30,5% dan uji-F terlihat signifikan. Namun, dapat kita lihat
selanjutnya pada output coefficients.
Coefficientsa
Standar
Unstandardiz dized
ed
Coeffici
Coefficients
ents
Std.
Error
t
Sig.
Lower
Bound
Upper
Bound
Collinearity
Statistics
Correlations
Zeroorder
Partial
Part
Tolera
nce
Model
B
1
.101
.476
.213
.833
-.866
1.068
NPM
-.003
.780
.000 -.004
.997
-1.586
1.580
.031
.000
.000
.940 1.064
ATO
1.077
.544
.294 1.979
.056
-.028
2.183
.382
.317
.279
.901 1.110
EM
.160
.057
.409 2.810
.008
.044
.275
.472
.429
.396
.938 1.066
(Constant)
Beta
95% Confidence
Interval for B
a. Dependent
Variable: PBV
Dari hasil output coefficient, maka persamaan yang terbentuk akan seperti berikut:
PBV = 0,101 – 0,003 NPM + 1,077 ATO + 0,16 EM
VIF
Persamaan yang terbentuk tidak sesuai dengan model awal yang diperkirakan. Hal ini sesuai
dengan penjelasan diatas bahwa Nilai koefisien variabel tidak sesuai dengan hipotesis,
misalnya variabel yang seharusnya memiliki pengaruh positif (nilai koefisien positif),
ditunjukkan dengan nilai negatif. Dari sini kita mulai dapat menerka/menduga adanya gejala
multikolinearitas. Untuk memastikannya kita lihat pada tabel collinearity.
Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue
Klik OK, pada output anda lihat tabel coefficients pada kolom collinearity statistics,
hasil yang di dapat sebagai berikut:
Collinearity Diagnosticsa
Variance Proportions
Model
Dimensi
on
1
1
2.247
1.000
.03
.05
.03
.04
2
.983
1.512
.00
.36
.00
.51
3
.678
1.820
.04
.56
.02
.41
4
.092
4.933
.93
.03
.95
.04
Eigenvalue
Condition Index
(Constant)
NPM
ATO
EM
a. Dependent Variable: PBV
Dari output terlihat bahwa nilai VIF dan TOL mendeekati 1. Hal ini mengidentifikasi bahwa
antar variabel bebas tidak ada yang mempunyai korelasi, atau persamaan tidak mengandung
multikolinearitas.
2.1 Mendeteksi Heteroskedastisitas
Pada hasil sumary, anova dan coefficients diatas terlihat bahwa nilai R square
tergolong rendah yaitu, 30,5% dan uji-t tidak signifikan. Sedangkan nilai sum of square
(SSR) adalah sebesar 25,007. Dengan demikian dapat dihitung:
1
1
ɵ= SSR= ( 25,007 )=12,5035
2
2
PENYELESAIAN
Menguji dengan grafik
Klik analyze regrssion linear. Masukkan variabel dependen dan independent.
Pilih plot, masukkak sresid ke Y dan zpred ke X, continue
Klik OK
Dilihat dari gambar tidak ada ppola yang jelas, serta titik titik menyebar dibawah angka 0
pada sumbu Y, maka tidak terjadi heterokedastisitas.
LAMPIRAN
Output
Casewise Diagnosticsa
Case
Number
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
Std. Residual
-.311
-.915
.853
-.389
-.667
-.329
-.084
.690
-1.462
-.473
-.407
.992
-1.009
1.442
-.236
-.264
-.376
1.136
.231
.194
1.351
-1.099
-.869
-1.544
-.296
-.311
.396
.152
.525
.138
1.396
.431
-.881
-1.015
.115
-.272
.195
-.586
3.557
a. Dependent Variable: PBV
PBV
.66
-.77
2.63
.30
.22
.48
1.49
2.23
-2.83
.40
-.04
2.46
-.21
-.09
1.23
.12
.47
2.18
1.45
1.72
3.25
.77
1.01
.15
1.35
1.24
1.38
1.54
2.47
1.51
2.36
3.23
.30
.13
1.36
.66
.90
.78
6.70
Predicted Value
1.0561
.3961
1.5429
.7956
1.0706
.8996
1.5969
1.3497
-.9666
1.0030
.4794
1.1957
1.0768
-1.9286
1.5307
.4572
.9489
.7310
1.1557
1.4732
1.5270
2.1706
2.1182
2.1182
1.7279
1.6365
.8747
1.3461
1.8004
1.3345
.5804
2.6808
1.4238
1.4238
1.2135
1.0071
.6515
1.5266
2.1646
Residual
-.39605
-1.16612
1.08713
-.49558
-.85064
-.41960
-.10694
.88029
-1.86343
-.60304
-.51936
1.26434
-1.28681
1.83859
-.30070
-.33718
-.47888
1.44897
.29426
.24680
1.72301
-1.40060
-1.10817
-1.96817
-.37792
-.39645
.50528
.19392
.66963
.17555
1.77957
.54919
-1.12380
-1.29380
.14648
-.34709
.24852
-.74657
4.53539
Residuals Statisticsa
Minimum
Predicted Value
Std. Predicted Value
Standard Error of Predicted
Value
Adjusted Predicted Value
Residual
Std. Residual
Stud. Residual
Deleted Residual
Stud. Deleted Residual
Mahal. Distance
Cook's Distance
Centered Leverage Value
a. Dependent Variable: PBV
Maximum
Mean
Std. Deviation
N
-1.9286
-3.806
2.6808
1.876
1.1587
.000
.81122
1.000
39
39
.208
.989
.358
.199
39
-4.7005
-1.96817
-1.544
-1.739
-2.69183
-1.793
.033
.000
.001
2.6059
4.53539
3.557
3.865
5.35513
5.033
21.872
1.966
.576
1.1479
.00000
.000
.002
.01078
.034
2.923
.102
.077
1.13517
1.22358
.960
1.076
1.60140
1.209
5.201
.339
.137
39
39
39
39
39
39
39
39
39
MATA KULIAH EKONOMETRIKA
SEMESTER GENAP 2013/2014
Agribisnis A
Kelompok 8
NO.
1.
2.
3.
4.
NAMA
NPM
Asep Sukma H
150610110006
Raden Tria
1506101100017
Arisha N P
150610110026
Faisal Khairul
150610110043
PROGRAM STUDI AGRIBISNIS
FAKULTAS PERTANIAN
UNIVERSITAS PADJADJARAN
2014
Tabel 6.2
PBV, NPM, ATO, dan EM 42 Perusahaan Industri Barang Konsumsi Tahun 2002
No
1.
2.
3.
4.
5.
6.
7.
8.
9.
10
.
11.
12
.
13
.
14
.
15
.
16
.
17
.
18
.
19
.
20
.
21
.
22
.
23
.
24
.
25
.
26
.
27
.
28
.
Nama Perusahaan
Ades Alfindo Putra Setia,tbk
Asia Inti Selera, tbk
Aqua Golden Missisipi
Cahaya Kalbar, tbk
Davomas Abadi
Delta Djakarta
Indofood Sukses Makmur, tbk
Multi Bintang Indonesia, tbk
Miwon Indonesia, tbk
Mayora Indah
PBV
0,66
-0,77
2,63
0,30
0,22
0,48
1,49
2,23
-2,83
0,40
NPM
0,04
-0,14
0,07
0,09
0,06
0,13
0,05
0,16
0,19
0,13
ATO
0,52
0,38
0,92
0,44
0,67
0,55
0,81
0,91
0,63
0,56
EM
2,47
-0,72
2,82
1,38
1,55
1,29
3,90
1,68
-10,93
1,87
Prashida Aneka Niaga
Sari Husada, tbk
-0,04
2,46
-1,02
0,14
0,40
0,85
-0,35
1,12
Sekar Laut, tbk
-0,21
1,27
0,98
-0,48
SMART Corporation, tbk
-0,09
0,18
0,56
-16,48
Siantar Top, tbk
1,23
0,08
1,10
1,53
Suba Indah
0,12
-0,04
0,09
1,62
Tunas Baru Lampung, tbk
0,47
0,10
0,48
2,07
Ultra Jaya Milk, tbk
2,18
0,08
0,30
1,92
BAT Indonesia
1,45
0,18
0,69
1,95
Gudang Garam, tbk
1,72
0,10
1,02
1,71
HM Sampoerna, tbk
3,25
0,14
1,03
1,98
Bentoel Sampoerna Inv, tbk
0,77
0,03
1,63
1,96
Bayer Indonesia (common Stock)
1,01
0,07
1,62
1,70
Bayer Indonesia (Preferred Stock)
0,15
0,07
1,62
1,70
Dankos Labolatories, tbk
1,35
0,10
1,12
2,63
Darya-Varia Labolatoria, tbk
1,24
0,10
1,13
1,99
Indofarma, tbk
1,38
0,20
0,45
1,81
Kimia Farma (persero), tbk
1,54
0,03
0,93
1,52
29
.
30
.
31
.
32
.
33
.
34
.
35
.
36
.
37
.
38
.
39
.
40
.
41
.
42
.
Kalbe Farma
2,47
0,12
0,87
4,77
Merek Indonesia, tbk
1,51
0,17
0,97
1,18
Pyridam Farma, tbk
2,36
0,10
0,27
1,18
Schering Plough Indonesia, tbk
3,23
0,05
1,34
7,11
Bristol-Myers Squibb Ind, tbk
0,30
0,08
0,94
1,94
Bristol-Myers Squibb Ind, tbk (PS)
0,13
0,08
0,94
1,94
Tempo Scan Pasific, tbk
1,36
0,18
0,84
1,30
Mustika Ratu, tbk
0,66
0,08
0,66
1,22
Procter And Gamble Ind.
0,90
-0,16
0,27
1,62
Mandom Indonesia, tbk
0,78
0,12
1,12
1,37
Unilever Indonesia, tbk
6,70
0,15
1,69
1,52
Kedaung Setia Industrial, tbk
0,32
0,04
0,91
2,95
Kedaung Indah Can, tbk
0,36
0,01
0,44
1,59
Langgeng Makmur Ind, tbk
0,25
-0,05
0,32
8,76
MULTIKOLINEARITAS DAN HETEROSKEDASTISITAS
(data Tabel 6.2 no 1-39)
1. Multikolinearitas
Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi
antara masing-masing variabel independen dalam model regresi. Multikolinearitas biasanya
terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model
regresi. Oleh karena itu masalahmultikolinearitas tidak terjadi pada regresi linier sederhana
yang hanya melibatkan satu variabel independen.
Indikasi terdapat masalah multikolinearitas dapat kita lihat dari:
1. Nilai R2 yang tinggi (signifikan), namun nilai standar error dan tingkat signifikansi
masing-masing variabel sangat rendah.
2. Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan pada
variabel yang diamati.
3. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang seharusnya
memiliki pengaruh positif (nilai koefisien positif), ditunjukkan dengan nilai negatif.
Memang
belum
ada
kriteria
yang
jelas
dalam
mendeteksi
masalah
multikolinearitas dalam model regresi linier. Selain itu hubungan korelasi yang tinggi belum
tentu berimplikasi terhadap masalah multikolinearitas. Tetapi kita dapat melihat indikasi
multikolinearitas dengan tolerance value (TOL), eigenvalue, dan yang paling umum
digunakan adalah varians inflation factor (VIF).
Hingga saat ini tidak ada kriteria formal untuk menentukan batas terendah dari nilai
toleransi atau VIF. Beberapa ahli berpendapat bahwa nilai toleransi kurang dari 1 atau VIF
lebih besar dari 10 menunjukkan multikolinearitas signifikan, sementara itu para ahli lainnya
menegaskan bahwa besarnya R2 model dianggap mengindikasikan adanya multikolinearitas.
Klein (1962) menunjukkan bahwa, jika VIF lebih besar dari 1/(1 – R 2) atau nilai toleransi
kurang dari (1 – R2), maka multikolinearitas dapat dianggap signifikan secara statistik.
Dalam kasus terdapat multikolinearitas yang serius, koefisien regresi tidak lagi
menunjukkan pengaruh murni dari variabel independen dalam model. Dengan demikian, bila
tujuan dari penelitian adalah mengukur arah dan besarnya pengaruh variabel independen
secara akurat, masalah multikoliniearitas penting untuk diperhitungkan. Pilihan metode
pengujian yang dapat dipergunakan antara lain adalah uji VIF (Variance Inflation Factor), uji
Park dan uji CI (Condition Index).
2. Heteroskedastisitas
Heteroskedastisitas adalah adanya ketidaksamaan varian dari residual untuk semua
pengamatan pada model regresi. Mengapa dilakukan uji heteroskedastitas? jawabannya
adalah untuk mengetahui adanya penyimpangan dari syarat-syarat asumsi klasik pada model
regresi, di mana dalam model regresi harus dipenuhi syarat tidak adanya heteroskedastisitas.
Uji tersebut dilakukan dengan beberapa cara, antara lain:
Uji Glejser
Uji Park
Uji Spearman
Melihat Grafik
3. HASIL ANALISIS DATA
Data set = no 1-39 pada Tabel 6.2 (buku paket halaman: 168)
Y =PBV
X 1=NPM
X 2= ATO
X 3=EM
Tabel 1. Tabel Matriks Hasil Analisis Model Regresi Linear Majemuk
Step
1.
Tujuan
Korelasi
Hipotesis
Hasil
R=0,553
Sig.
Korelasi antara
2
Koefisien
Kesimpulan
R =0,305
variabel bebas
Determinasi
dengan variabel
terikat tidak besar,
dan tidak lemah
2.
Penentuan
-
PBV = 0,101 –
-
pula.
Jika Net Profit
Persamaan
0,003 NPM +
Margin naik 1 unit,
Regresi
1,077 ATO +
maka Price to
0,16 EM
Book Value akan
turun sebesar
0,003.
Jika Asset Turn
Over naik 1 unit,
maka Price to
Book Value akan
naik sebesar 1,007.
Jika Equaty
Multiplier naik 1
unit, maka Price to
Book Value akan
3.
Multikolinieritas
VIF mendekati 1
TOL mendekati 1
Eigenvalue yang
tidak mendekati
nol (0)
naik sebesar 0,16.
Tidak mengandung
multikolinieritas
CI yang tidak
4.
Menentukan
besar
Nilai mutlak
outlier
Residual Standar
Tidak ada outlier
(Standardized
Residual) tidak ada
yang melebihi angka
5.
2
Rata-rata residual
Uji Normalitas
Residual telah
telah sama dengan
mengikuti distribusi
nol, dan varian
normal.
mendekati 1.
Gambar hampir
menyerupai
distribusi normal.
Titik-titik pada
diagram plot
relatif tidak jauh
6.
dari garis.
Plot tidak
Heteroskedasitas
Tidak heteroskedastis
membentuk suatu
atau dapat dikatakan
pola
sebagai
homodkedastis.
1.1 Mendeteksi Multikolinearitas
Pada buku tertera bahwa model yang ditawarkan adalah:
PBV = b0 + b1 NPM + b2 ATO + b3 EM.
Disini terlihat bahwa seharusnya NPM, ATO dan EM akan memiliki hubungan yang positif
terhadap PBV. Kemudian model tersebut yang kita lihat untuk mendeteksi adanya
multikolinearitas pada data.
Penyelesaian:
Sebelum mengecek adanya multikolinearitas dan heteroskedastisitas, terlebih dahulu
kita input data kedalam SPSS
Dari data tabel diatas, gunakakan data nomor 1 sampai 39 untuk pengolahan
selanjutnya
Kemudian olah data seperti biasa, menggunakan Analyze Regression Linear
Kemudian akan didapatkan hasil / output seperti dibawah ini
Hasil / Output
Model Summaryb
Model
R
.553a
1
Adjusted R
Square
R Square
.305
Std. Error of the
Estimate
.246
1.27494
a. Predictors: (Constant), EM, NPM, ATO
b. Dependent Variable: PBV
ANOVAb
Model
1
Sum of Squares
df
Mean Square
Regression
25.007
3
8.336
Residual
56.892
35
1.625
Total
81.899
38
F
Sig.
5.128
.005a
a. Predictors: (Constant), EM, NPM, ATO
b. Dependent Variable: PBV
Dari data hasil output tersebut belum terlihat belum terlihat tanda-tanda adanya
multikolinearitas pada data tersebut seperti yang di sebutkan pada penjelasan sebelumnya. R
square bernilai kecil yaitu 30,5% dan uji-F terlihat signifikan. Namun, dapat kita lihat
selanjutnya pada output coefficients.
Coefficientsa
Standar
Unstandardiz dized
ed
Coeffici
Coefficients
ents
Std.
Error
t
Sig.
Lower
Bound
Upper
Bound
Collinearity
Statistics
Correlations
Zeroorder
Partial
Part
Tolera
nce
Model
B
1
.101
.476
.213
.833
-.866
1.068
NPM
-.003
.780
.000 -.004
.997
-1.586
1.580
.031
.000
.000
.940 1.064
ATO
1.077
.544
.294 1.979
.056
-.028
2.183
.382
.317
.279
.901 1.110
EM
.160
.057
.409 2.810
.008
.044
.275
.472
.429
.396
.938 1.066
(Constant)
Beta
95% Confidence
Interval for B
a. Dependent
Variable: PBV
Dari hasil output coefficient, maka persamaan yang terbentuk akan seperti berikut:
PBV = 0,101 – 0,003 NPM + 1,077 ATO + 0,16 EM
VIF
Persamaan yang terbentuk tidak sesuai dengan model awal yang diperkirakan. Hal ini sesuai
dengan penjelasan diatas bahwa Nilai koefisien variabel tidak sesuai dengan hipotesis,
misalnya variabel yang seharusnya memiliki pengaruh positif (nilai koefisien positif),
ditunjukkan dengan nilai negatif. Dari sini kita mulai dapat menerka/menduga adanya gejala
multikolinearitas. Untuk memastikannya kita lihat pada tabel collinearity.
Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue
Klik OK, pada output anda lihat tabel coefficients pada kolom collinearity statistics,
hasil yang di dapat sebagai berikut:
Collinearity Diagnosticsa
Variance Proportions
Model
Dimensi
on
1
1
2.247
1.000
.03
.05
.03
.04
2
.983
1.512
.00
.36
.00
.51
3
.678
1.820
.04
.56
.02
.41
4
.092
4.933
.93
.03
.95
.04
Eigenvalue
Condition Index
(Constant)
NPM
ATO
EM
a. Dependent Variable: PBV
Dari output terlihat bahwa nilai VIF dan TOL mendeekati 1. Hal ini mengidentifikasi bahwa
antar variabel bebas tidak ada yang mempunyai korelasi, atau persamaan tidak mengandung
multikolinearitas.
2.1 Mendeteksi Heteroskedastisitas
Pada hasil sumary, anova dan coefficients diatas terlihat bahwa nilai R square
tergolong rendah yaitu, 30,5% dan uji-t tidak signifikan. Sedangkan nilai sum of square
(SSR) adalah sebesar 25,007. Dengan demikian dapat dihitung:
1
1
ɵ= SSR= ( 25,007 )=12,5035
2
2
PENYELESAIAN
Menguji dengan grafik
Klik analyze regrssion linear. Masukkan variabel dependen dan independent.
Pilih plot, masukkak sresid ke Y dan zpred ke X, continue
Klik OK
Dilihat dari gambar tidak ada ppola yang jelas, serta titik titik menyebar dibawah angka 0
pada sumbu Y, maka tidak terjadi heterokedastisitas.
LAMPIRAN
Output
Casewise Diagnosticsa
Case
Number
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
Std. Residual
-.311
-.915
.853
-.389
-.667
-.329
-.084
.690
-1.462
-.473
-.407
.992
-1.009
1.442
-.236
-.264
-.376
1.136
.231
.194
1.351
-1.099
-.869
-1.544
-.296
-.311
.396
.152
.525
.138
1.396
.431
-.881
-1.015
.115
-.272
.195
-.586
3.557
a. Dependent Variable: PBV
PBV
.66
-.77
2.63
.30
.22
.48
1.49
2.23
-2.83
.40
-.04
2.46
-.21
-.09
1.23
.12
.47
2.18
1.45
1.72
3.25
.77
1.01
.15
1.35
1.24
1.38
1.54
2.47
1.51
2.36
3.23
.30
.13
1.36
.66
.90
.78
6.70
Predicted Value
1.0561
.3961
1.5429
.7956
1.0706
.8996
1.5969
1.3497
-.9666
1.0030
.4794
1.1957
1.0768
-1.9286
1.5307
.4572
.9489
.7310
1.1557
1.4732
1.5270
2.1706
2.1182
2.1182
1.7279
1.6365
.8747
1.3461
1.8004
1.3345
.5804
2.6808
1.4238
1.4238
1.2135
1.0071
.6515
1.5266
2.1646
Residual
-.39605
-1.16612
1.08713
-.49558
-.85064
-.41960
-.10694
.88029
-1.86343
-.60304
-.51936
1.26434
-1.28681
1.83859
-.30070
-.33718
-.47888
1.44897
.29426
.24680
1.72301
-1.40060
-1.10817
-1.96817
-.37792
-.39645
.50528
.19392
.66963
.17555
1.77957
.54919
-1.12380
-1.29380
.14648
-.34709
.24852
-.74657
4.53539
Residuals Statisticsa
Minimum
Predicted Value
Std. Predicted Value
Standard Error of Predicted
Value
Adjusted Predicted Value
Residual
Std. Residual
Stud. Residual
Deleted Residual
Stud. Deleted Residual
Mahal. Distance
Cook's Distance
Centered Leverage Value
a. Dependent Variable: PBV
Maximum
Mean
Std. Deviation
N
-1.9286
-3.806
2.6808
1.876
1.1587
.000
.81122
1.000
39
39
.208
.989
.358
.199
39
-4.7005
-1.96817
-1.544
-1.739
-2.69183
-1.793
.033
.000
.001
2.6059
4.53539
3.557
3.865
5.35513
5.033
21.872
1.966
.576
1.1479
.00000
.000
.002
.01078
.034
2.923
.102
.077
1.13517
1.22358
.960
1.076
1.60140
1.209
5.201
.339
.137
39
39
39
39
39
39
39
39
39