BAB III METODE PENELITIAN
3.7 Teknik Analisis Data
Metode analisis yang digunakan dalam penelitian ini adalah analisis dengan menggunakan model regresi ekonometrika metode kuadrat terkecil atau Ordinary Least Square (OLS) regresi linear berganda dan data panel dengan menggunakan model Fixed Effect Model. Analisis regresi ini merupakan suatu metode yang digunakan dalam menganalisis hubungan antarvariabel. Dan hubungan antarvariabel ini dinyatakan dalam bentuk persamaan yang dinyatakan dalam bentuk persamaan yang menghubungkan variabel terikat ( Y) dengan beberapa variabel bebas ( X).
Untuk model multifaktor (APT) yang akan digunakan, penulis menggunakan dua model APT. Model APT tersebut adalah sebagai berikut :
Ri = β1 Rf+ β2INF + β3 VE + β4 RER + β5 JUB + €
Ri = Return portofolio saham pada sektor ke i Rf = Imbal hasil asset bebas risiko
β = Slope (kepekaan saham i terhadap faktor k) INF = Tingkat Inflasi di Indonesia
KURS = Perubahan Nilai Tukar Rupiah terhadap US VPS = Volume Perdagangan Saham
JUB = Jumlah Uang Beredar (M2) SBI = Suku bunga
= Error Term
Untuk pengujian model, langkah pertama yang dilakukan adalah meregresikan tiap saham dengan masing- masing variabel dalam model APT dengan menggunakan Ordinary Least Square (OLS). Model yang dihasilkan dinyatakan signifikan apabila P Value dari F Stat lebih kecil dari level significance 5% dan setelah itu dilihat apakah model regresi memenuhi syarat Best Unbiased Estimator (BLUE) untuk mengetahui apakah terdapat pelanggaran asumsi klasik di dalam model.
3.7.1 Uji Akar Unit
Uji akar unit ini bertujuan untuk melihat apakah suatu data sudah stasioner atau tidak. Data yang stasioner sangat penting untuk digunakan pada data yang berbentuk time series karena data yang tidak stasioner bila diregres akan memunculkan regresi lancung, yaitu keadaan apabila antara variabel dependen
dan variabel independen sebenarnya tidak memiliki hubungan/pengaruh. Pengujian untuk mengetahui ada tidaknya akar-akar unit ini dipergunakan Uji Augmented Dickey Fuller (ADF).
3.7.2 Uji Asumsi Klasik 3.7.2.1 Multikolinieritas
Pengujian asumsi klasik yang pertama adalah mengenai multikolinearitas. Sebuah model dikatakan mengalami multikolinieritas apabila terdapat hubungan linear yang sempurna diantara beberapa atau semua variabel bebas dari semua variabel bebas dari suatu model regresi. Masalah ini dalam model sebenarnya tidak dapat dihindari karena sulit untuk menemukan dua variabel bebas yang sama sekali tidak berkorelasi. Namun, yang perlu diperhatikan adalah apakah multikolinearitas tersebut signifikan atau tidak. Akibat dari multikolinearitas adalah walaupun keberadaanya multikolinearitas tetap mampu menghasilkan model dengan koefisien determinasi ( ) tinggi, namun sering kali variabel bebas sedikit atau bahkan tidak ada yang signifikan.
Pendeteksian mulitikolinearitas dapat dilakukan dengan cara :
1) Korelasi antarvariabel, artinya semakin tinggi nilai koefisien korelasi menunjukkan bahwa korelasi antarvariabel sangat erat, jika korelasi antar variabel bebas melebihi 0.8 atau – 0.8 maka dapat diduga bahwa terdapat multikolinearitas antar variabel dalam model.
2) Korelasi Parsial, yaitu dengan estimasi regresi terhadap model awal dan kemudian dibandingkan dengan i untuk variabel lain dengan mengubah variabel dependennya dan kemudian membandingkan nilainya nya.
Metode paling sederhana dalam mengatasi multikolinearitas adalah dengan mengeluarkan salah satu variabel yang berkorelasi kuat. Hal ini disebkan kolinieritas merupkan hubungan linear antara variabel bebas denagn variabel lainnya, sehingga dengan mengeluarkan salah satu variabel tentu akan mengatasi multikolinearitas.
3.6.2.2 Uji Autokorelasi
Digunakan untuk melihat apakah ada hubungan variabel-variabel dari serangkaian observasi yang diurutkan menurut waktu (data
time series). Autokorelasi dapat terjadi bila nilai variabel masa lalu memiliki pengaruh terhadap nilai variabel masa kini atau masa datang.
Untuk menguji apakah hasil estimasi tidak mengandung autokorelasi, maka digunakan Digunakan untuk melihat apakah ada hubungan variabel-variabel dari serangkaian observasi yang diurutkan menurut waktu (data time series). Autokorelasi dapat terjadi bila nilai variabel masa lalu memiliki pengaruh terhadap nilai variabel masa kini atau masa datang.
Untuk menguji apakah hasil estimasi tidak mengandung autokorelasi, maka digunakan Uji Durbin-Watson (DW), dimana ditentukan terlebih dahulu besarnya nilai kritis dari dan berdasarkan jumlah pengamatan dari variabel independennya.
d =
Dimana:
Σei = jumlah kuadrat sisa
Dengan kriteria sebagai berikut:
1. Jika d < dl, berarti terdapat autokorelasi positif 2. Jika d > (4 – dl), berarti terdapat autokorelasi negatif 3. Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi 4. Jika dl < d < du atau (4 – du), berarti tidak dapat disimpulkan
Uji DW secara umum sangat mudah untuk dilakukan, tetapi banyak peneliti yang lupa asumsi yang ada pada uji DW tersebut. Asumsi dari penggunaan uji DW dalam menguji autokorelasi adalah: variabel independen adalah nonstokastik, variabel error berdistribusi normal dan model regresi tidak termasuk variabel lag. Untuk mengatasi hal-hal tersebut sehingga muncullah test Breusch Godfrey test atau juga dikenal dengan LM test. Sehingga pengujian autokorelasi dalam penelitian ini menggunakan Serial Correlation LM test dimana terlebih dahulu digunakan estimasi regresi kemudian dibandingkan nilai probabilitasnya dengan tingkat signifikansi biasanya 5%.
3.7.3 Uji Kesesuaian 3.7.3.1 Uji F Statistik
Uji F dilakukan untuk mengetahui pengaruh variabel independen secara keseluruhan atau bersama-sama terhadap variabel dependen.
Rumus untuk menghitung
Keterangan: : : = Koefisien determinasi
k = Jumlah variabel independen N = Jumlah Sampel
Pengujian ini menggunakan hipotesis :
: = = ... = 0 ( tidak ada pengaruh)
: ... i = 1 (Ada pengaruh)
Kriteria Pengambilan Keputusan adalah : 1) : = =
diterima jika < artinya variabel independen secara bersama- sama tidak berpengaruhnyata terhadap variabel dependen.
2) :
diterima jika < artinya variabel independen secara bersama - sama berpengaruh nyata terhadap variabel dependen.
3.7.4 Analisis Data Panel
Setelah menggunakan analisis model regresi ekonometrika metode kuadrat terkecil atau Ordinary Least Square (OLS) regresi linear berganda penelitian ini juga menggunakan analisis data panel. Data panel merupakan gabungan data cross section dan time series (Panel pooled data). Regresi dengan menggunakan data panel disebut model regresi data panel. Beberapa keuntungan yang diperoleh dengan menggunakan data panel yaitu: Data panel merupakan gabungan dua data yakni data time series dan cross section yang mampu menyediakan data yang
lebih banyak sehingga akan menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari kedua gabungan data tersebut dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (ommited variabel).
Time series dalam penelitian ini berbentuk data bulanan mulai dari tahun 2007 sampai tahun 2011. Sehingga total pengamatan dari data time series adalah sebanyak 60 pengamatan. Data Cross section dalam penelitian ini berjumlah 8 emiten perusahaan dimana merupakan jumlah emiten tersebut merupakan sampel yang telah dipilih dari 26 rusahaan dengan kriteria yang sudah ditetapkan sebelumnya. Sebagai model penelitian data panel ini adalah sebagai berikut : Rit = α0 + β1 INFt + β2 KURSt + β3 VPSt + β4 JUBt + β5 SBIt
Banyaknya unit waktuyang ada dalam setiap unit emiten ini akan mencirikan data panel tersebut seimbang atau tidak. Jika setiap emiten dalam
+ €
R = Return portofolio saham untuk unit emiten ke-i dan waktu ke-t INF = Tingkat inflasi untuk unit waktu ke-t
KURS = Perubahan nilai tukar rupiah untuk unit waktu ke-t VPS = Volume perdagangan saham untuk unit waktu ke-t JUB = Jumlah uang beredar (M2) untuk unit waktu ke-t SBI = Suku bunga SBI untuk unit waktu ke-t
α = Koefisien Intersep
β = Koefisien Slope (kepekaan saham i terhadap faktor k) € = Error term
i = Emiten saham t = Waktu pengamatan
setiap observasi mempunyai data dengan waktu yang sama maka data panel dikatakan seimbang (balanced panel data), dan sebaliknya.
3.7.4.1 Model Data Panel
Dalam mengestimasi parameter dari persamaan dengan data panel, ada tiga model persamaan yang dapat diambil, diantaranya adalah Model Efek Tetap dan Model Efek Random.
1) Model Efek Tetap ( Fixed Effect Model)
Model ini dikembangkan oleh Breusch Pagan (Agus Widarjono, 2006:260). Pada dasarnya setiap individu yang diobservasi memiliki karakteristik yang berbeda-beda (cross section). Salah satu cara mengetahui adanya perbedaan adalah dengan mengasumsikan bahwa intersepnya berbeda antar setiap perusahaan sedangkan slope koefisien dari regresi tidak berbeda pada setiap individu dan waktu.
2) Model Efek Random ( Random Effect Model)
Pada model ini, bukan dicerminkan oleh perbedaan intercept atau konstanta, tetapi perbedaan antar individu terdapat di error term dari persamaan. Metode FEM mempunyai keunggulan yaitu metode ini dapat membedakan efek individual dan efek waktu dan metode ini tidak perlu mengasumsikan bahwa komponen error tidak berkorelasi dengan variabel bebas.
Pakar ekonometrika menyimpulkan beberapa hal setelah membuat pembuktian dalam menentukan metode yang paling sesuai digunakan dalam data panel, yaitu :
1) Dalam data panel, jika jumlah runtun waktu lebih besar dibandingkan jumlah individu, maka disarankan untuk menggunakan metode FEM.
2) Dalam data panel, jumlah runtun waktu lebih sedikit dibandingkan jumlah individu, maka lebih disarankan untuk menggunakan metode REM.
3) Dalam penelitian ini jumlah waktu (time series) lebih besar daripada jumlah individu ( cross section) yaitu jumlah waktu sebanyak 60 lebih besar daripada jumlah individu 8, sehingga dapat disimpulkan bahwa model yang digunakan dalam penelitian ini adalah Model Efek Tetap ( Fixed Effect Model).