BAB V HASIL PENELITIAN DAN PEMBAHASAN
5.2 Pemilihan Model Estimasi
Terdapat tiga metode yang dapat digunakan untuk data panel dalam penelitian yaitu model regresi Common Effect (CE), Fixed Effect (FE) dan Random Effect (RE). Untuk menentukan model estimasi yang terbaik dalam penelitian ini maka dilakukan Uji Chow, Uji Hausman dan Uji Lagrange Multiplier.
5.2.1. Uji Chow
Untuk menentukan model fixed effect atau common effect yang paling tepat digunakan dalam mengestimasi data panel, maka dilakukan Uji Chow. Uji ini bertujuan untuk menentukan manakah model yang paling baik di antara keduanya yaitu fixed effect (FE) atau common effect (CE). Hipotesis yang digunakan dalam uji Chow adalah sebagai berikut:
1. H0: maka model estimasi yang terbaik digunakan adalah common effect.
2. H1: maka model estimasi yang terbaik digunakan adalah fixed effect
Ketentuannya, apabila nilai probabilitas ≥ 0,05 maka H0 diterima, artinya model common effect yang akan digunakan, tetapi jika nilai probabilitas < 0,05 maka H1 diterima, berarti menggunakan pendekatan fixed effect. Berikut hasil pengujian untuk memilih apakah estimasi yang terbaik adalah fixed effect (FE) atau common effect (CE) dengan uji Chow yang disajikan pada tabel 5.2 sebagai berikut :
Tabel 5.2 Hasil Uji Chow
Effect Test Prob.
F (7,76) 12.34
Prob. > F 0.0000
Sumber: Lampiran 9 hasil output software STATA, 2020
Berdasarkan tabel 5.2 hasil Uji Chow diketahui nilai probability tabel sebesar 0.0000 yang lebih kecil dari < 0,05. Berdasarkan hasil tersebut maka H1 diterima. Maka Uji Chow menyatakan bahwa model estimasi yang lebih baik adalah fixed effect (FE) daripada common effect (CE).
5.2.2. Uji Hausman
Setelah melakukan Uji Chow dan menentukan estimasi yang terbaik adalah Fixed Effect (FE) daripada Common Effect (RE)., maka langkah selanjutnya yaitu melakukan uji Hausman untuk menguji kembali model yang lebih baik antara fixed effect atau random effect. Hipotesis yang digunakan dalam Uji Hausman adalah sebagai berikut :
1. H0: model estimasi yang terbaik untuk digunakan adalah random effect 2. H1: model estimasi yang terbaik untuk digunakan adalah fixed effect.
Ketentuannya, apabila nilai probabilitas ≥ 0,05 maka H0 diterima, artinya model random effect yang akan digunakan. Tetapi jika nilai probabilitas < 0,05, maka H1 diterima, berarti menggunakan pendekatan fixed effect. Berikut hasil pengujian untuk memilih apakah model estimasi yang terbaik adalah random effect atau fixed effect dengan uji Hausman yang disajikan pada tabel sebagai berikut :
Tabel 5.3 Hasil Uji Hausman
Effect Test Prob.
Chi-square (4) 50.34
Prob>Chi2 0.0000
Sumber: Lampiran 10 hasil output software STATA, 2020
Berdasarkan Tabel 5.3 hasil Uji Hausman diketahui bahwa nilai Prob.
Chi2 lebih kecil dari 0.05 yaitu 0.0000 (0.000<0.05). Maka H1 diterima yang berarti model terbaik yang harus digunakan adalah fixed effect daripada random effect. Berdasarkan hasil Uji Chow dapat diketahui bahwa model yang lebih baik adalah fixed effect daripada common effect. Adapun dari hasil Uji Hausman
menunjukkan bahwa fixed effect juga lebih baik daripada random effect. Maka tidak perlu dilakukan uji lanjutan yaitu Uji Lagrange Multiplier karena fixed effect terbukti lebih baik daripada random effect maupun common effect.
5.3. Uji Asumsi Klasik
Dilakukannya pengujian asumsi klasik untuk memperoleh hasil regresi Best Linier Unbiaxed Estimator atau biasa yang disebut dengan BLUE. Model yang baik maka harus memenuhi asumsi klasik, yaitu data residual harus berdistribusi normal, dengan tidak adanya gejala multikolinearitas dan heteroskedasitas dalam model penelitian.
5.3.1. Uji Normalitas
Uji normalitas merupakan uji yang dilakukan sebagai prasyarat untuk melakukan analisis data. Uji normalitas dilakukan sebelum data diolah berdasarkan model-model penelitian yang diajukan. Pengujian normalitas dalam penelitian ini dilakukan dengan Skewness/Kurtosis test. Hasil uji normalitas disajikan pada tabel sebagai berikut :
Tabel 5.4 Hasil Uji Normalitas
Variable Pr(Skewness) Pr(Kurtosis) Adj. Chi(2) Prob>Chi2
X1 0.1179 0.0815 5.34 0.0694
X2 0.0288 0.2842 5.68 0.0583
X3 0.5083 0.0248 5.33 0.0694
X4 0.6389 0.4130 0.91 0.6344
Y 0.1474 0.1548 4.26 0.1190
Sumber: Lampiran 11 hasil output software STATA, 2020
Berdasarkan tabel 5.4 maka dapat diketahui bahwa semua variabel yang digunakan dalam penelitian ini telah memiliki data yang normal karena masing-masing nilai Prob>Chi2 yang lebih besar dari 0,05. Sehingga dapat disimpulkan
bahwa ukuran perusahaan, leverage, profitabilitas, likuiditas dan nilai perusahaan telah memenuhi asumsi normalitas.
5.3.2. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk melihat apakah terdapat hubungan yang kuat/sempurna antara variabel-variabel bebas yang digunakan dalam penelitian ini. Model penelitian dianggap baik jika memiliki multikolinearitas yang rendah, sebab jika multikolinearitas tinggi maka model tidak bisa memisahkan efek parsial dari satu variabel bebas terhadap variabel bebas lainnya.
Untuk melihat adanya multikolinearitas dalam penelitian yang menggunakan STATA dapat dilihat melalui pengujian VIF (Variance Inflatian Factor). Berikut disajikan tabel hasil pengujian multikolinearitas berdasarkan VIF (Variance Inflatian Factor) sebagai berikut :
Tabel 5.5 Hasil Uji Multikolinearitas (VIF)
Variable VIF 1/VIF
X1 1.20 0.836561
X2 1.70 0.587749
X3 1.44 0.696143
X4 1.36 0.735924
Mean VIF 1.42
Sumber: Lampiran 12 hasil output software STATA, 2020
Berdasarkan tabel 5.5 diketahui nilai VIF nilai mean VIF sebesar 1,42.
Sehingga hasil pengujian multikolinearitas pada tabel 5.5. di atas menunjukkan bahwa data yang digunakan dalam model penelitian ini sudah terbebas dari gejala multikolinearitas karena memiliki nilai mean VIF yang tidak lebih besar dari 10.
5.3.3. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah ada gejala heteroskedastisitas di dalam model penelitian ini. Jika terdapat gejala heteroskedastisitas maka hal tersebut menunjukkan bahwa adanya ketidakseragaman di dalam variasi model dan menyebabkan error menjadi tidak konsisten. Pengujian heteroskedastisitas dapat dilakukan dengan BrueschPagan/Cook-Weisberg test. Pengujian BrueschPagan/CookWeisberg dapat disimpulkan ada tidaknya permasalahan heteroskedastisitas dengan melihat Prob. Chi2. Adapun dengan ketentuan Jika Prob Chi2< α (atau Chi2 stat > Chi2 tabel) maka dapat disimpulkan terdapat masalah heteroskedastisitas. Berikut hasil pengujian heteroskedastisitas dengan BrueschPagan/Cook-Weisberg test yang disajikan pada tabel sebagai berikut :
Tabel 5.6 Hasil Uji Heteroskedastisitas Bruesch Pagan/
Cook-Weisberg test Prob.
Chi-square (1) 1.58
Prob>Chi2 0.2092
Sumber: Lampiran 13 hasil output software STATA, 2020
Berdasarkan tabel 5.6 bahwa hasil uji heteroskedastisitas dengan BrueschPagan/Cook-Weisberg test memiliki nilai probabilitas Chi2adalah sebesar 0,2092 yang lebih besar dari taraf siginifikansi 5% atau 0,05 (0,2092 > 0,05).
Sehingga dapat disimpulkan bahwa model penelitian ini telah terbebas dari gejala heteroskedastisitas.