TUGAS KELOMPOK
MATA KULIAH EKONOMETRIKA
SEMESTER GENAP 2013/2014
Agribisnis A
Kelompok 8
PROGRAM STUDI AGRIBISNIS
FAKULTAS PERTANIAN
UNIVERSITAS PADJADJARAN
2014
Tabel 6.2
NO. NAMA NPM
1.
Asep Sukma H 150610110006
2. Raden Tria 1506101100017
3.
Arisha N P 150610110026
4.
PBV, NPM, ATO, dan EM 42 Perusahaan Industri Barang Konsumsi Tahun 2002
No Nama Perusahaan PBV NPM ATO EM
1. Ades Alfindo Putra Setia,tbk 0,66 0,04 0,52 2,47
2. Asia Inti Selera, tbk -0,77 -0,14 0,38 -0,72
3. Aqua Golden Missisipi 2,63 0,07 0,92 2,82
4. Cahaya Kalbar, tbk 0,30 0,09 0,44 1,38
5. Davomas Abadi 0,22 0,06 0,67 1,55
6. Delta Djakarta 0,48 0,13 0,55 1,29
7. Indofood Sukses Makmur, tbk 1,49 0,05 0,81 3,90
8. Multi Bintang Indonesia, tbk 2,23 0,16 0,91 1,68
9. Miwon Indonesia, tbk -2,83 0,19 0,63 -10,93
10 .
Mayora Indah 0,40 0,13 0,56 1,87
11. Prashida Aneka Niaga -0,04 -1,02 0,40 -0,35
12 .
Sari Husada, tbk 2,46 0,14 0,85 1,12
13
. Sekar Laut, tbk -0,21 1,27 0,98 -0,48
14
. SMART Corporation, tbk -0,09 0,18 0,56 -16,48
15 .
Siantar Top, tbk 1,23 0,08 1,10 1,53
16 .
Suba Indah 0,12 -0,04 0,09 1,62
17 .
Tunas Baru Lampung, tbk 0,47 0,10 0,48 2,07
18 .
Ultra Jaya Milk, tbk 2,18 0,08 0,30 1,92
19
. BAT Indonesia 1,45 0,18 0,69 1,95
20
. Gudang Garam, tbk 1,72 0,10 1,02 1,71
21 .
HM Sampoerna, tbk 3,25 0,14 1,03 1,98
22 .
Bentoel Sampoerna Inv, tbk 0,77 0,03 1,63 1,96
23 .
Bayer Indonesia (common Stock) 1,01 0,07 1,62 1,70
24 .
Bayer Indonesia (Preferred Stock) 0,15 0,07 1,62 1,70
25 .
Dankos Labolatories, tbk 1,35 0,10 1,12 2,63
26
. Darya-Varia Labolatoria, tbk 1,24 0,10 1,13 1,99
27
. Indofarma, tbk 1,38 0,20 0,45 1,81
28 .
29
. Kalbe Farma 2,47 0,12 0,87 4,77
30
. Merek Indonesia, tbk 1,51 0,17 0,97 1,18
31 .
Pyridam Farma, tbk 2,36 0,10 0,27 1,18
32 .
Schering Plough Indonesia, tbk 3,23 0,05 1,34 7,11
33 .
Bristol-Myers Squibb Ind, tbk 0,30 0,08 0,94 1,94
34 .
Bristol-Myers Squibb Ind, tbk (PS) 0,13 0,08 0,94 1,94
35 .
Tempo Scan Pasific, tbk 1,36 0,18 0,84 1,30
36
. Mustika Ratu, tbk 0,66 0,08 0,66 1,22
37
. Procter And Gamble Ind. 0,90 -0,16 0,27 1,62
38 .
Mandom Indonesia, tbk 0,78 0,12 1,12 1,37
39 .
Unilever Indonesia, tbk 6,70 0,15 1,69 1,52
40 .
Kedaung Setia Industrial, tbk 0,32 0,04 0,91 2,95
41 .
Kedaung Indah Can, tbk 0,36 0,01 0,44 1,59
42 .
Langgeng Makmur Ind, tbk 0,25 -0,05 0,32 8,76
MULTIKOLINEARITAS DAN HETEROSKEDASTISITAS (data Tabel 6.2 no 1-39)
1. Multikolinearitas
Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi. Oleh karena itu masalahmultikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel independen.
Indikasi terdapat masalah multikolinearitas dapat kita lihat dari:
1. Nilai R2 yang tinggi (signifikan), namun nilai standar error dan tingkat signifikansi
2. Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan pada variabel yang diamati.
3. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang seharusnya memiliki pengaruh positif (nilai koefisien positif), ditunjukkan dengan nilai negatif.
Memang belum ada kriteria yang jelas dalam mendeteksi masalah multikolinearitas dalam model regresi linier. Selain itu hubungan korelasi yang tinggi belum tentu berimplikasi terhadap masalah multikolinearitas. Tetapi kita dapat melihat indikasi multikolinearitas dengan tolerance value (TOL), eigenvalue, dan yang paling umum digunakan adalah varians inflation factor (VIF).
Hingga saat ini tidak ada kriteria formal untuk menentukan batas terendah dari nilai toleransi atau VIF. Beberapa ahli berpendapat bahwa nilai toleransi kurang dari 1 atau VIF lebih besar dari 10 menunjukkan multikolinearitas signifikan, sementara itu para ahli lainnya menegaskan bahwa besarnya R2 model dianggap mengindikasikan adanya multikolinearitas.
Klein (1962) menunjukkan bahwa, jika VIF lebih besar dari 1/(1 – R2) atau nilai toleransi
kurang dari (1 – R2), maka multikolinearitas dapat dianggap signifikan secara statistik.
Dalam kasus terdapat multikolinearitas yang serius, koefisien regresi tidak lagi menunjukkan pengaruh murni dari variabel independen dalam model. Dengan demikian, bila tujuan dari penelitian adalah mengukur arah dan besarnya pengaruh variabel independen secara akurat, masalah multikoliniearitas penting untuk diperhitungkan. Pilihan metode pengujian yang dapat dipergunakan antara lain adalah uji VIF (Variance Inflation Factor), uji Park dan uji CI (Condition Index).
2. Heteroskedastisitas
Heteroskedastisitas adalah adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Mengapa dilakukan uji heteroskedastitas? jawabannya adalah untuk mengetahui adanya penyimpangan dari syarat-syarat asumsi klasik pada model regresi, di mana dalam model regresi harus dipenuhi syarat tidak adanya heteroskedastisitas.
Uji tersebut dilakukan dengan beberapa cara, antara lain: Uji Glejser
Uji Park Uji Spearman Melihat Grafik
Data set = no 1-39 pada Tabel 6.2 (buku paket halaman: 168)
Y=PBV
X1=NPM
X2=ATO
X3=EM
Tabel 1. Tabel Matriks Hasil Analisis Model Regresi Linear Majemuk
Step Tujuan Hipotesis Hasil Sig. Kesimpulan
1. Korelasi Koefisien Determinasi
R=0,553 R2=0,305
Korelasi antara variabel bebas dengan variabel terikat tidak besar, dan tidak lemah pula.
2. Penentuan Persamaan Margin naik 1 unit, maka Price to Book Value akan turun sebesar 0,003.
Jika Asset Turn Over naik 1 unit, maka Price to Book Value akan naik sebesar 1,007. Jika Equaty
Multiplier naik 1 unit, maka Price to Book Value akan naik sebesar 0,16. 3. Multikolinieritas VIF mendekati 1
TOL mendekati 1 Eigenvalue yang tidak mendekati nol (0)
CI yang tidak besar
4. Menentukan
outlier
Nilai mutlak Residual Standar (Standardized Residual) tidak ada yang melebihi angka 2
Tidak ada outlier
5. Uji Normalitas Rata-rata residual telah sama dengan nol, dan varian mendekati 1. Gambar hampir
menyerupai distribusi normal. Titik-titik pada
diagram plot relatif tidak jauh dari garis.
Residual telah mengikuti distribusi normal.
6. Heteroskedasitas Plot tidak
membentuk suatu pola
Tidak heteroskedastis atau dapat dikatakan sebagai
homodkedastis.
1.1 Mendeteksi Multikolinearitas
Pada buku tertera bahwa model yang ditawarkan adalah:
PBV = b0 + b1 NPM + b2 ATO + b3 EM.
Disini terlihat bahwa seharusnya NPM, ATO dan EM akan memiliki hubungan yang positif terhadap PBV. Kemudian model tersebut yang kita lihat untuk mendeteksi adanya multikolinearitas pada data.
Penyelesaian:
Dari data tabel diatas, gunakakan data nomor 1 sampai 39 untuk pengolahan selanjutnya
Kemudian olah data seperti biasa, menggunakan Analyze Regression Linear Kemudian akan didapatkan hasil / output seperti dibawah ini
Hasil / Output
Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of the Estimate 1 .553a .305 .246 1.27494
a. Predictors: (Constant), EM, NPM, ATO
b. Dependent Variable: PBV
ANOVAb
Model Sum of Squares df Mean Square F Sig. 1 Regression 25.007 3 8.336 5.128 .005a
Residual 56.892 35 1.625
Total 81.899 38
a. Predictors: (Constant), EM, NPM, ATO
b. Dependent Variable: PBV
Dari data hasil output tersebut belum terlihat belum terlihat tanda-tanda adanya multikolinearitas pada data tersebut seperti yang di sebutkan pada penjelasan sebelumnya. R square bernilai kecil yaitu 30,5% dan uji-F terlihat signifikan. Namun, dapat kita lihat selanjutnya pada output coefficients.
Coefficientsa
Interval for B Correlations
Collinearity
order Partial Part Tolera
nce VIF 1 (Constant) .101 .476 .213 .833 -.866 1.068
NPM -.003 .780 .000 -.004 .997 -1.586 1.580 .031 .000 .000 .940 1.064 ATO 1.077 .544 .294 1.979 .056 -.028 2.183 .382 .317 .279 .901 1.110 EM .160 .057 .409 2.810 .008 .044 .275 .472 .429 .396 .938 1.066 a. Dependent
Variable: PBV
Dari hasil output coefficient, maka persamaan yang terbentuk akan seperti berikut:
Persamaan yang terbentuk tidak sesuai dengan model awal yang diperkirakan. Hal ini sesuai dengan penjelasan diatas bahwa Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang seharusnya memiliki pengaruh positif (nilai koefisien positif), ditunjukkan dengan nilai negatif. Dari sini kita mulai dapat menerka/menduga adanya gejala multikolinearitas. Untuk memastikannya kita lihat pada tabel collinearity.
Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue
Klik OK, pada output anda lihat tabel coefficients pada kolom collinearity statistics, hasil yang di dapat sebagai berikut:
Collinearity Diagnosticsa
Model
Dimensi
on Eigenvalue Condition Index
Variance Proportions
(Constant) NPM ATO EM 1 1 2.247 1.000 .03 .05 .03 .04
2 .983 1.512 .00 .36 .00 .51 3 .678 1.820 .04 .56 .02 .41 4 .092 4.933 .93 .03 .95 .04 a. Dependent Variable: PBV
Dari output terlihat bahwa nilai VIF dan TOL mendeekati 1. Hal ini mengidentifikasi bahwa antar variabel bebas tidak ada yang mempunyai korelasi, atau persamaan tidak mengandung multikolinearitas.
2.1 Mendeteksi Heteroskedastisitas
Pada hasil sumary, anova dan coefficients diatas terlihat bahwa nilai R square tergolong rendah yaitu, 30,5% dan uji-t tidak signifikan. Sedangkan nilai sum of square (SSR) adalah sebesar 25,007. Dengan demikian dapat dihitung:
ɵ=1 2SSR=
1
2(25,007)=12,5035
PENYELESAIAN Menguji dengan grafik
Klik analyze regrssion linear. Masukkan variabel dependen dan independent. Pilih plot, masukkak sresid ke Y dan zpred ke X, continue
Dilihat dari gambar tidak ada ppola yang jelas, serta titik titik menyebar dibawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
LAMPIRAN
Casewise Diagnosticsa Case
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N Predicted Value -1.9286 2.6808 1.1587 .81122 39 Std. Predicted Value -3.806 1.876 .000 1.000 39 Standard Error of Predicted