E. Analisa dan Pembahasan 1.Statistika Deskriptif
2. Pemilihan Model Regresi Data Panel
Regresi yang menggunakan data panel disebut dengan regresi data panel. Data panel memiliki gabungan karakteristik yaitu data yang terdiri atas beberapa objek dan runtutan waktu4. Data semacam ini memiliki keunggulan terutama karena bersifat
robust (kuat) terhadap beberapa tipe pelanggaran yakni heterokedastisitas dan
normalitas. Disamping itu, dengan perlakuan tertentu struktur data seperti ini dapat diharapkan untuk memberikan informasi yang lebih banyak (high informational
content)5.
4
Wing Wahyu Winarno, Analisis Ekonomertika dan Statistika dengan Eviews (Yogyakarta: UPP STIM YKPN, 2011). Hal. 91.
5
Moch. Doddy Ariefianto, Ekonometrika Esensi dan Aplikasi dengan Menggunakan EVEIWS
Regresi data panel dapat dilakukan dengan tiga model analisis yaitu dengan
common, fixed, dan random effect. Masing-masing model memiliki kelebihan dan
kekurangannya masing-masing. Pemilihan model tergantung pada asumsi yang dipakai peneliti dan pemenuhan syarat-syarat pengolahan data statistik yang benar, sehingga dapat dipertanggungjawabkan secara statistik. Oleh karena itu pertama-tama yang harus dilakukan adalah memilih model yang tepat dari ketiga model yang ada. Data panel dalam penelitian yang telah dikumpulkan, diolah menggunakan model
Tabel 4.4
Hasil Regresi Data Panel Model Common Effect Dependent Variable: DA
Method: Panel Least Squares
Date: 09/10/15 Time: 22:42
Sample: 2011 2014
Periods included: 4
Cross-sections included: 17
Total panel (balanced) observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
C 0.402007 1.209254 0.332442 0.7407
DAR -2.791292 1.039758 -2.684559 0.0093
KI -1.104186 1.254402 -0.880249 0.3821
ROE 2.338085 1.437937 1.725999 0.0189
SIZE -1.057782 0.043246 -3.336125 0.0363
R-squared 0.744460 Mean dependent var 0.228716
Adjusted R-squared 0.490140 S.D. dependent var 1.295773
S.E. of regression 1.235993 Akaike info criterion 3.332313
Sum squared resid 96.24383 Schwarz criterion 3.495512
Log likelihood -108.2986 Hannan-Quinn criter. 3.396977
F-statistic 2.659421 Durbin-Watson stat 2.777793
Prob(F-statistic) 0.040729
Tabel 4.5
Hasil Regresi Data Panel Model Fixed Effect Dependent Variable: DA
Method: Panel Least Squares
Date: 09/10/15 Time: 23:12
Sample: 2011 2014
Periods included: 4
Cross-sections included: 17
Total panel (balanced) observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
C -6.172890 5.759749 -2.807916 0.0072 DAR -2.764517 2.689784 -3.027784 0.0363 KI 1.587720 2.150994 0.273232 0.7859 ROE 0.054823 3.165621 0.717318 0.9863 SIZE -1.661578 0.197723 -3.345981 0.0016 Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.873387 Mean dependent var 0.228716
Adjusted R-squared 0.749297 S.D. dependent var 1.295773
S.E. of regression 1.122698 Akaike info criterion 3.317634
Sum squared resid 59.24119 Schwarz criterion 4.003070
Log likelihood 91.79954 Hannan-Quinn criter. 3.589224
F-statistic 3.112482 Durbin-Watson stat 3.323050
Sumber : Data Diolah
Setelah hasil regresi dengan menggunakan model common effect dan fixed
effect didapat maka langkah selanjutnya adalah melakukan uji untuk menentukan
model estimasi mana yang lebih tepat antara model commen effect atau fixed effect.
Dalam menentukan diantara kedua model tersebut maka digunakanlah uji Chow sebagai uji pemilihan model regresi data panel.
Uji chow adalah pengujian untuk menentukan antara model fixed effect atau
common effect yang lebih tepat digunakan dalam mengestimasi data panel. Hipotesis
dalam uji chow dalam penelitian ini adalah :
Ho : Common Effect
H1 : Fixed Effect
Dasar penolakan terhadap hipotesis diatas adalah dengan membandingkan perhitungan F hitung dengan F tabel. Perbandingan yang dipakai apabila hasil F hitung lebih besar dari F tabel, maka Ho ditolak yang berarti model yang lebih tepat digunakan adalah fixed effect model.begitupun sebaliknya, jika F hitung lebih kecil dari F tabel, maka Ho diterima dan model yang lebih tepat digunakan dalam penelitian adalah common effect. Langkah pertama yang dilakukan sebelum
melakukan uji chow adalah melakukan regresi dengan menggunakan model common
Setelah hasil dari model common effect dan fixed effect diperoleh maka
selanjutnya dilakukan uji chow dengan melakukan uji likelihood ratio menggunakan
Eviews. Hasil dari uji likelihood ratio atau uji chow dapat dilihat pada tabel dibawah ini :
Tabel 4.6 Hasil Uji Chow
Redundant Fixed Effects Tests
Equation: Untitled
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
Cross-section F 1.834791 (16,47) 0.0544
Cross-section Chi-square 32.998204 16 0.0074
Sumber : Data diolah
Hasil dari uji chow pada tabel diatas menunjukan bahwa probabilitas cross
section adalah sebesar 0.544 dengan kata lain nilai probabilitas pada tabel diatas
berada diatas nilai 0.05 sehingga dengan tingkat keyakinan sebesar 95% maka dapat disimpulkan Ho diterima dengan kata lain model yang lebih sesuai digunakan dalam penelitian ini adalah model common effect, maka selesai sampai disini dan tidak perlu
3. Uji Asumsi Klasik a. Uji Normalitas data
Uji normalitas bertujuan untuk menguji apakah model regresi variabel dependen dan variabel independen maupun keduanya berdistribusi normal atau tidak. Model yang baik adalah model yang memiliki distribusi data yang normal. Untuk menguji normalitas data menggunakan Eviews menggunakan dua cara, yaitu dengan menggunakan histogram dan uji Bera. Jarque-Bera adalah uji statistik untuk mengetahui apakah data berdistribusi normal atau tidak. Berikut ini adalah output histogram dan nilai Jarque-berra.
Gambar 4.1 Uji Normalitas Data
0 2 4 6 8 10 12 14 -1 0 1 2
Series: Standardized Residuals Sample 2011 2014 Observations 68 Mean 3.59e-17 Median -0.114479 Maximum 8.994946 Minimum -1.571088 Std. Dev. 1.198530 Skewness 0.619327 Kurtosis 3.467950 Jarque-Bera 1.967512 Probability 0.083429
Berdasarkan output hasil jarque berra diatas dapat dilihat pada nilai Jarque-Bera dan probabilitasnya. Dengan hipotesis yang digunakan adalah sebagai berikut :
Ho : Reisudal dari model berdistribusi normal H1 : Residual dari model tidak berdistribusi normal
Berdasarkan hasil uji normalitas diatas dapat diketahui nilai Jarque Bera sebesar 1.967512 atau lebih kecil dari 2, dan nilai probabilitasnya sebesar 0.083429 yaitu lebih besar dari tingkat signifikansi 5% (0.05). sehingga dapat disimpulkan bahwa Ho diterima dan H1 ditolak, atau dengan kata lain data yang dipakai dalam penelitian ini berdistribusi normal.
b.Uji Multikolinearitas
Uji multikolinearitas adalah uji yang dilakukan untuk mengetahui korelasi yang terjadi diantara variabel-variabel independen.Untuk mengetahui ada atau tidaknya multikolinearitas digunakan uji correlation dengan
menggunakan matriks korelasi. Jika hasil koefisien korelasi pada output menunjukan hasil diatas 0.8 maka diduga terjadi multikolinearitas. Sebaliknya jika koefisien korelasi rendah dibawah 0.8 maka diduga model tidak mengandung multikolinearitas. Berdasarkan hasil uji multikolinearitas yang dilakukan dengan Eviews diperoleh hasil sebagai berikut :
Tabel 4.7 Uji Multikolinearitas
DAR KI ROE Firm Size
DAR 1 0.061462 0.13818 0.146872 KI 0.061462 1 -0.36357 0.315146 ROE 0.13818 -0.36357 1 -0.25819 Firm Size 0.146872 0.315146 -0.25819 1 Sumber : Data Diolah
Keterangan :
DAR :Debt to Equity Ratio
KI : Komisaris Independen ROE : Return on equity
Firm Size : Ukuran Perusahaan
Berdasarkan hasil pengujian multikolinearitas pada tabel diatas, dapat dilihat bahwa tidak ada variabel yang memiliki nilai korelasi diatas 0.8. dengan demikian dapat disimpulkan bahwa model regresi yang dipakai tidak terdapat masalah multikolinearitas dengan kata lain dalam penelitian ini tidak terdapat korelasi diantara variabel bebasnya.
c. Uji Heterokedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Prasyaratan yang harus terpenuhi dalam suatu model regresi adalah ada atau tidaknya gejala heteroskedastisitas.
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari satu residual satu pengamatan ke pengamatan lain. Jika variansi dari residual satu dari satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas. model regresi yang baik adalah yang homokedastisitas atau yang tidak terjadi heteroskedastisitas.
Untuk menguji masalah heteroskedastisitas, peneliti menggunakan uji park, yaitu dengan membuat persamaan regresi dengan cara mengganti variabel dependen dengan residual kuadratnya. Apabila probabilitas yang ada bernilai diatas 0.05 yang berarti tidak signifikan, maka model regresi diasumsikan terbebas dari masalah heteroskedastisitas atau model regresi bersifat homokedastisitas. Berikut ini adalah hasil uji park yang dilakukan pada model regresi dalam penelitian ini :
Tabel 4.8
Hasil Uji Heteroskedastisitas dengan Uji Park
Dependent Variable: LOG(RES2)
Method: Panel Least Squares
Date: 09/09/15 Time: 22:56
Sample: 2011 2014
Periods included: 4
Cross-sections included: 17
Total panel (balanced) observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
C -5.366320 2.301269 -2.331896 0.0229
DAR -3.285847 1.978710 -1.660601 0.1018
KI 0.811119 2.387189 0.339780 0.7352
ROE -2.832904 2.736465 -1.035242 0.3045
FIRM SIZE 0.151356 0.082299 1.839091 0.0706
Berdasarkan hasil uji park diatas dapat dilihat bahwa semua variabel bebas yang digunakan dalam penelitian ini berada pada tingkat probabilitas diatas 0.05. dengan rincian variabel debt to asset ratio memiliki probabilitas
sebesar 0.1018, probabilitas Komisaris Independen sebesar 0.7352, probabilitas return on equity sebesar 0.3045 dan probabilitas ukuran
bahwa model regresi data panel dalam penelitian ini terbebas dari masalah heteroskedastisitas.
d.Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t-1). Dengan kata lain model regresi yang baik adalah yang tidak terdapat korelasi antara observasi dengan data observasi sebelumnya. Hal ini disebebkan karena error pada individu
cenderung mempengaruhi individu yang sama pada periode berikutnya. Untuk mendetesi ada atau tidaknya autokorelasi yang terdapat dalam penelitian ini dilakukan dengan membandingkan nilai Durbin-Watson statistik dengan batas bawah (d1) dan batas atas (du) pada tabel Durbin Watson.
Berdasarkan hasil uji regresi diperoleh nilai Durbin-Watson sebesar 2.777793. sedangkan pada tabel Durbin Watson pada a=5%, n=68 dan k=5, maka diperoleh nilai dl = 1.4537 dan nilai du = 1.7678. Dengan nilai d > dl atau (4-d) < dl, maka dapat disimpulkan bahwa model regresi yang digunakan tidak terdapat masalah autokorelasi.