2. LANDASAN TEORI
2.4. Hubungan Struktur Perilaku Kinerja
2.4.1. Metode Regresi
Menurut jurnal yang dibuat oleh Ian Domowitz, dalam mengkuantifikasikan hubungan antara struktur dan kinerja dapat menggunakan analisis regresi antara variabel kinerja, dalam hal ini variabel tingkat keuntungan (PCM) dengan variabel pembentuk struktur, seperti konsentrasi pasar 4 perusahaan terbesar dan hambatan
masuk pasar. Metode Least Square merupakan metode yang sering digunakan dalam anlisis regresi. Pengolahan data dengan metode OLS (Ordinary Least Square) pada dasarnya harus memenuhi asumsi Best Linear Unbiased Estimator (BLUE). Oleh karena itu, agar model yang digunakan dalam penelitian ini menjadi model yang memenuhi kaidah BLUE maka harus memenuhi beberapa asumsi (Gujarati, 2003). Asumsi-asumsi yang perlu dipenuhi adalah variabel-variabel independen/bebas yang digunakan dalam model bukan stokastik dan tidak ada hubungan linear yang persis antara dua atau lebih variabel bebas. Hal ini berarti tidak ada multikolinearitas diantara variabel bebas. Artinya tidak ada pengaruh/hubungan linear antara variabel independennya. Sedangkan asumsi lain yang harus dipenuhi adalah bahwa erros-term observasi-observasi yang berbeda adalah independen dan karenanya tidak memiliki korelasi atau tidak adanya autokorelasi, mempunyai nilai harapan nol, mempunyai varians yang konstan untuk semua observasi atau disebut homoskedastis, dan terdistribusi normal.
2.4.1.1. Panel (Pooled Data)
Data panel merupakan sebuah set data yang berisi data sampel individu (rumah tangga, perusahaan, kabupaten, kota, dll) pada sebuah periode waktu tertentu. Oleh sebab itu data panel merupakan gabungan antara data lintas waktu (time series) dengan lintas individu (cross section). Data panel sangat bermanfaat, karena dapat mendalami efek ekonomi yang tidak dapat diperoleh dengan hanya menggunakan data lintas waktu atau lintas individu saja. Contohnya pada model tingkat laba perusahaan dalam sebuah industri.
Secara umum, penggunaan data panel mampu memberikan banyak keunggulan secara statistik maupun teori ekonomi, antara lain18:
1. Panel data mampu memperhitungkan heterogenitas individu secara eksplisit dengan mengizinkan variabel-spesifik individu
2. Kemampuan mengontrol heterogenistas individu ini pada gilirannya membuat data panel dapat digunakan untuk menguji dan membangun model perilaku yang lebih kompleks. Misal fenomena skala ekonomis
lebih baik dengan menggunakan data panel dibandiingkan dengan secara murni menggunakan time series atau cross section,
3. Jika efek spesifik adalah signifikan berkolerasi dengan variabel penjelas lainnya, maka penggunaan panel data dapat mengurangi masalah omitted variabel secara substantial.
4. Karena mendasarkan diri pada observasi cross section yang berulang-ulang, maka data panel sangat baik digunakan untuk study of dynamic adjustment seperti mobilitas tenaga kerja, tingkat keluar masuk pekerjaan, dan lain-lain.
2.4.1.2. Aturan Keputusan Pengujian Hipotesis
Yang pertama perlu dilakukan adalah menguji signifikansi variabel bebas terhadap variabel terikat. Hal ini dapat dilakukan dengan cara :
• Uji t–statistik, untuk menguji signifikansi dari pengaruh variabel bebas secara individual terhadap variabel tidak bebas dengan menganggap variabel bebas lainnya tetap. Dengan spesifikasi:
Dimana: Ho : β = 0 → variabel independen tidak mempengaruhi secara signifikan.
H1 : β ≠ 0 → variabel independen mempengaruhi secara signifikan. Tolak Ho jika probabilita t-stat < 0.05 dengan tingkat kepercayaan 95% dan α = 5%. Berarti variabel independen mempengaruhi secara signifikan terhadap variabel dependennya/variabel terikat.
• Uji F–statistik, untuk menguji signifikansi hubungan variabel bebas secara keseluruhan dapat berpengaruh terhadap variabel tidak bebas.
Dimana: Ho : β = 0 → variabel independen tidak mempengaruhi secara signifikan.
H1 : β ≠ 0 → variabel independen mempengaruhi secara signifikan. Tolak Ho jika probabilita t-stat < 0.05 dengan tingkat kepercayaan 95% dan α = 5%. Berarti variabel independen mempengaruhi secara signifikan terhadap variabel dependennya.
• Uji Goodness of Fit yang dapat dideteksi dengan melihat koefisien
yang menggambarkan kemampuan model dalam menjelaskan perubahan pada variabel dependen. Pada model time series yang baik memiliki R2 diatas 0.90, sedangkan untuk data cross section sebaiknya memiliki R2 diatas 0.30.
2.4.1.3. Pengujian Asumsi OLS
Dalam regresi majemuk perlu dihindari adanya penyimpangan asumsi klasik (Gujarati, 2003). Oleh karena itu dalam penelitian ini akan diuji tiga asumsi klasik yang dianggap sangat penting, yaitu: multikolineritas, heteroskedastis dan auto korelasi.
• Multikolinearitas, adanya hubungan linier antara variabel-variabel bebas untuk mendeteksinya dapat dilihat dari:
a. F-stat yang signifikan, tetapi t-sta individu tidak signifikan serta menunjukkan arah koefisien yang tidak sesuai dengan teori.
b. Nilai koefisien korelasi masing-masing variabel bebas lebih besar dari 0.8 c. Nilai korelasi parsial dari variabel bebas (variabel bebas sebagai variabel
kontrol) lebih besar dari 0.8
Untuk mengatasi permasalahan ini maka dapat dilakukan dengan a. menghilangkan variabel bebas yang menyebabkan multikolinearitas b. menambah atau mengurangi jumlah observasi
c. mengubah bentuk data variabel bebas atau d. mengubah spesifikasi model
e. atau bahkan tidak melakukan apapun seperti yang dikemukakan oleh Blancard
• Autokorelasi, adanya korelasi antar residual variabel independen. Pelanggaran ini biasa terjadi dalam data time series yang dapat diujikan dengan menggunakan statistik Durbin-Watson. Apabila DW>2 atau DW<2 maka menunjukkan adanya autokorelasi. Sedangkan bila DW mendekati 2 maka dapat dikatakan model tersebut tidak berautokorelasi. Namun, untuk lebih spesifik dapat digunakan (Breusch-Godfrey Langrange Multiplier) LM-test dengan hipotesa nol tidak terdapat autokorelasi. Jika probabilitas obs* R2 < α maka cukup bukti untuk mengatakan bahwa ada masalah autokorelasi di dalam model tersebut. Selain itu, ada cara lain untuk menguji autokorelasi
44
yaitu dengan menggunakan corelogram-Q-statistics, dengan memperhatikan nilai autokorelasi dan partial correlation, bila melebihi 0.5 atau nilai probabilita < 0.1 menunjukkan adanya masalah autokorelasi. Penanganan masalah ini adapat dilakukan dengan menggunakan metode autoregressive (AR), moving average (MA) serta dependent lag.
• Heteroskedastis adalah varians residuan dari variabel independen tidak konstan atau tidak homoskedastis. Pengujiannya dilakukan dengan menggunakan white heteroscedaticity test (no-cross term) dengan hipotesa nol adalah homoskedastisitas.
Kriteria penolakan adalah jika probabilitas obs* R2 < α, yaitu cukup bukti untuk mengatakan bahwa model mengalami heteroskedastisitas. Penanganannya dapat dilakukan dengan metode Weighted Least Square Generalized Least Square atau mengubah model ke dalam bentuk log.