METODOLOGI PENELITIAN
D. Metode Analisis Data
3. Analisis Regresi Data Panel
Untuk menguji pengaruh corporate governance terhadap YTM sukuk dilakukan dengan menggunakan analisis regresi panel yang merupakan gabungan antara data cross section dan time series. Menurut Widardjono (2013:353) ada beberapa keuntungan yang diperoleh dengan menggunakan data panel. Pertama, data panel yang merupakan gabungan dua data time series dan cross section mampu menyediakan data yang lebih banyak sehingga menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (omnited variable). Untuk membantu penelitian, digunakan software Microsoft Excel 2010 dan EViews 9 untuk pengolahan data penelitian.
Data panel terdiri dari beberapa macam, diantaranya sebagai berikut (Gujarati dan Porter, 2012:238 dan Widardjono, 2013:354):
a. Balanced panel, jika masing-masing subjek (perusahaan, individu, dan lain-lain) memiliki jumlah yang sama atau jika setiap unit cross section mempunyai data time series yang sama.
71 b. Unbalanced panel, jika masing-masing subjek memiliki jumlah observasi yang berbeda atau jika jumlah observasi time series dari unit cross section tidak sama.
Penelitian ini termasuk ke dalam data unbalanced panel karena memiliki tahun yang berbeda pada tiap sampel penelitian. Secara matematis, model yang digunakan dalam penelitian ini adalah sebagai berikut:
Keterangan:
YTM : yield to maturity : konstanta
BLOCK : jumlah blockholder
INSTOWN : persentase kepemilikan saham oleh institusi BRDSIZE : jumlah dewan direksi
KOMINDP : persentase komisaris independen
Ditinjau dari metode estimasi parameternya, model analisis regresi panel dikelompokan menjadi tiga pendekatan yaitu (Widardjono, 2013:355-360):
a. Common Effect Model (OLS)
Model common effect merupakan metode estimasi model regresi data
panel yang paling sederhana dengan asumsi intersep (α) dan
72 section. Dalam pendekatan ini tidak memperhatikan dimensi antar individu maupun waktu. Diasumsikan bahwa perilaku data antar perusahaan sama dalam berbagai kurun waktu. Pada dasarnya model common effect sama seperti OLS dengan meminimumkan jumlah kuadrat, tetapi data yang digunakan bukan data time series atau data cross section saja, melainkan data panel yang diterapkan dalam bentuk pooled.
b. Fixed Effect Model (LSDV)
Model fixed effect atau seringkali disebut dengan Least Square Dummy Variable (LSDV) merupakan metode estimasi yang memperhitungkan adanya perbedaan antara setiap individu yang diakomodasi melalui variabel dummy sehingga terdapat perbedaan
dalam intersep (α). Nilai intersep yang berbeda-beda ini diasumsikan berasal dari variabel yang tidak ikut masuk sebagai variabel bebas dalam persamaan regresi dan dikenal sebagai omitted variable.
Akibatnya model ini mempunyai koefisien regresi (slope β) yang
sama, namun dengan intersep yang berbeda untuk setiap individu. Model ini memiliki kelemahan yaitu berkurangnya derajat kebebasan (degree of freedom) yang akhirnya akan mengurangi efisiensi parameter.
c. Random Effect Model
Model random effect merupakan metode estimasi model regresi data panel dengan menggunakan asumsi slope konstan dan intersep
73 berbeda antar waktu dan antar individu. Model ini juga sering disebut model komponen error (error component model). Metode yang tepat digunakan untuk mengestimasi random effect adalah Generalized Least Square (GLS) sebagai estimatornya karena dapat meningkatkan efisiensi dari estimasi Least Square. dengan menggunakan model random effect, maka dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model common effect. Hal ini berimplikasi bahwa parameter yang merupakan hasil estimasi akan menjadi semakin efisien.
a. Pemilihan Teknik Estimasi Regresi Data Panel
Untuk mendapatkan analisis regresi data panel yang terbaik antara model common, fixed atau random effect, maka dilakukan teknik pemilihan model. Terdapat tiga uji yang digunakan untuk menentukan teknik yang paling tepat untuk mengestimasi regresi data panel, diantaranya adalah (Widardjono, 2013:362):
1) Uji Signifikansi Fixed Effect
Uji F atau sering disebut Uji Chow digunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effect lebih baik dari model regresi data panel tanpa variabel dummy (common effect). Hipotesis dalam Uji F atau Uji Chow adalah:
Ho : model common effect Ha : model fixed effect
74 Pada software EViews 9.0, Uji Chow dapat dilakukan dengan melihat nilai probability F pada hasil output. Dasar pengambilan keputusannya adalah jika nilai probability F ≥ 0.05, maka Ho
diterima, yang berarti model yang lebih tepat digunakan adalah common effect, tetapi jika nilai probability F < 0.05, maka Ho ditolak Ha diterima, yang berarti model yang lebih tepat digunakan adalah fixed effect.
2) Uji Signifikansi Random Effect
Untuk mengetahui apakah model random effect lebih baik dari model common effect (OLS Pooled) digunakan uji Langrange Multiplier (LM). Uji signifikansi random effect ini dikembangkan oleh Breusch-Pagan. Hipotesis Uji LM adalah: Ho : model common effect
Ha : model random effect
Dasar pengambilan keputusan dapat dilihat dari nilai chi-square Breusch-Pagan, jika nilai chi-square Breusch-Pagan > 0.05, maka terima Ho atau model yang digunakan adalah common effect. Namun, jika nilai chi-square Breusch-Pagan < 0.05, maka terima Ha atau model yang digunakan adalah fixed effect, lalu dapat dilanjutkan dengan Uji Hausman untuk memilih model terbaik antara fixed effect dan random effect.
75 3) Uji Signifikansi Fixed Effect atau Random Effect
Uji ini secara formal dikembangkan oleh Hausman. Hausman telah mengembangkan suatu statistik untuk memilih apakah menggunakan model fixed effect atau random effect. Hipotesis Uji Hausman adalah:
Ho : model random effect Ha : model fixed effect
Dasar pengambilan keputusannya adalah dengan membandingkan nilai statistik chi-square dan chi-square tabel atau melihat p-value, jika nilai statistik chi-square > chi square tabel atau p-value > 0.05, maka Ho diterima, yang berarti model yang lebih tepat digunakan adalah random effect, tetapi jika nilai statistik chi-square < chi-square tabel atau p-value < 0.05, maka Ho ditolak, yang berarti model yang lebih tepat digunakan adalah fixed effect.
b. Uji Asumsi Klasik 1) Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan variabel independen maupun keduanya berdistribusi normal atau tidak. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal.Pada software EViews, pengujian normalitas sebuah data dilakukan dengan Jarque-Bera test. Untuk menguji
76 normalitas suatu model, dibangun sebuah desain hipotesis sebagai berikut:
Ho : data berdistribusi normal Ha : data tidak berdistribusi normal
Dasar pengambilan keputusannya adalah, jika nilai probability > 0.05, maka Ho diterima dan Ha ditolak yang berarti data berdistribusi normal, sebaliknya jika nilai probability < 0.05, maka Ho ditolak dan Ha diterima yang berarti data tidak berdistribusi normal.
2) Multikolinearitas
Uji Multikolinearitas dilakukan untuk melihat hubungan linier antara variabel independen dalam suatu regresi. Untuk mendeteksi masalah multikolinearitas dalam model regresi salah satunya dengan menguji koefisien korelasi antar variabel independen. Jika koefisien korelasi di atas 0.85, maka diduga ada multikolinearitas dalam model (Widardjono, 2013:104). 3) Autokorelasi
Autokorelasi adalah adanya korelasi antar variabel gangguan satu observasi dengan observasi lain yang berlainan waktu. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan uji Durbin-Watson (D-W). Tabel D-W terdiri atas dua nilai yaitu batas bawah (dL) dan batas atas (dU). Nilai dL dandU didapatkan dengan menentukan n (jumlah observasi) dan k (jumlah variabel
77 independen tidak termasuk konstanta) di tabel statistik Durbin-Watson. Untuk menguji ada atau tidaknya autokorelasi, dibangun sebuah desain hipotesis sebagai berikut:
Ho : ρ = 0 : tidak ada autokorelasi
Ha : ρ ≠ 0 : terdapat autokorelasi Tabel 3.3
Statistik Durbin-Watson d
Nilai Statistik d Hasil
0 < d < Menolak hipotesis nol; ada autokorelasi positif
< d < Daerah keragu-raguan; tidak ada keputusan < d < 4 - Gagal menolak hipotesis nol; tidak ada
autokorelasi positif/negatif
4 - < d < 4 - Daerah keragu-raguan; tidak ada keputusan 4 - < d < 4 Menolak hipotesis nol; ada autokorelasi
negatif Sumber: Widardjono (2013:141) 4) Heteroskedastisitas
Heteroskedastisitas merupakan penyimpangan terhadap asumsi homoskedastisitas, yaitu ketika variabel gangguan (error terms) mempunyai varian yang tidak konstan. Jika variabel gangguan tidak mempunyai rata-rata nol, maka tidak mempengaruhi slope, hanya akan mempengaruhi intersep. Dampak adanya hal tersebut adalah tidak efisiennya proses estimasi, sementara hasil estimasinya sendiri tetap konsisten dan tidak bias serta akan mengakibatkan hasil uji t dan uji F menjadi tidak berguna. Menurut Widardjono (2013:125), permasalahan
78 heteroskedastisitas dapat dideteksi dengan metode White. Hal White mengembangkan sebuah metode yang tidak memerlukan asumsi tentang adanya normalitas pada variabel gangguan. Untuk menguji ada atau tidaknya gejala heteroskedastisitas dalam suatu model, dibangun sebuah desain hipotesis sebagai berikut:
Ho : tidak terjadi heteroskedastisitas Ha : terjadi heteroskedastisitas
Dasar pengambilan keputusannya adalah, jika nilai probabilitas > 0.05, maka Ho diterima yang berarti tidak terjadi heteroskedastisitas, sedangkan jika nilai probabilitas < 0.05, maka Ha diterima yang berarti terjadi heteroskedastisitas.
c. Uji Signifikansi
1) Uji Koefisien Determinasi (R2)
Koefisien determinasi (R2) digunakan untuk menjelaskan seberapa besar proporsi variasi variabel dependen yang dijelaskan oleh variasi variabel independen. Koefisien determinasi ini nilainya tidak pernah menurun jika kita terus menambah variabel independen, artinya koefisien determinasi akan semakin besar jika kita terus menambah variabel independen dalam model (Widardjono, 2015:276). Salah satu persoalan besar penggunaan koefisien R2 dengan demikian adalah nilai R2selalu naik ketika menambah variabel independen
79 dalam model, walaupun penambahan variabel independen belum tentu mempunyai justifikasi dari teori ekonomi ataupun logika ekonomi. Para ahli ekonometrika telah mengembangkan alternative lain yaitu digunakan R2 yang disesuaikan (Widardjono, 2015:70). Nilai koefisien determinasi terletak antara 0 dan 1. Semakin angkanya mendekati 1 maka semakin baik garis regresi karena mampu menjelaskan data aktualnya. Semakin mendekati angka 0 maka mempunyai garis regresi yang kurang baik.
2) Uji Signifikansi Simultan (Uji Statistik F)
Uji F adalah uji pengaruh semua variabel independen secara serempak terhadap variabel dependen. Uji F digunakan untuk signifikansi model. Uji F dapat dilakukan dengan membandingkan F hitung dan F tabel. F tabel didapat dari
besarnya α dan df. Besar df ditentukan oleh numerator (k - 1) dan df untuk denominator (n – k), dimana n adalah jumlah observasi dan k adalah jumlah variabel termasuk intersep. Dasar pengambilan keputusannya adalah jika nilai F hitung > F tabel, maka Ho ditolak dan Ha diterima, yang berarti bahwa variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen, tetapi jika nilai F hitung < F tabel, maka Ho diterima dan Ha ditolak, yang berarti bahwa variabel independen
80 secara simultan tidak berpengaruh signifikan terhadap variabel dependen.
3) Uji Statistik Parsial (Uji Satistik t)
Uji statistik t digunakan untuk mengetahui apakah variabel independen mempengaruhi variabel dependen secara individual. Dalam melakukan uji hipotesis ini, hal yang penting dalam hipotesis penelitian yang menggunakan data sampel dengan menggunakan uji t adalah masalah pemilihan apakah menggunakan dua sisi (two-tailed test) atau satu sisi (one-tailed test). Uji hipotesis dua sisi dipilih jika tidak mempunyai dugaan kuat atau dasar teori yang kuat dalam penelitian, sebaliknya uji hipotesis satu sisi dipilih jika peneliti memiliki landasan teori atau dugaan yang kuat. Uji t dapat dilakukan dengan
membandingkan nilai t hitung dan t tabel pada α dan df sebesar
n-k, dimana n adalah jumlah observasi dan k adalah jumlah variabel termasuk intersep. Jika nilai t hitung > nilai t tabel, maka Ho ditolak yang berarti secara statistik variabel independen signifikan mempengaruhi variabel dependen dan sebaliknya, jika nilai t hitung < nilai t tabel, maka Ho diterima yang berarti secara statistik variabel independen tidak signifikan mempengaruhi variabel dependen (Widardjono, 2015:282).
81 E. Operasional Variabel Penelitian