CAR dan NPL
23. Variabel Dummy DBUKU 3N4, variabel Dummy Bank Buku 3 dan 4, angka 1 bila bank masuk kelompok bank buku 3 dan 4 dengan total ekuitas di antara Rp5 triliun –
3.5. Model Penelitian
3.5.8. Uji Normalitas dan Gejala Klasik
Suatu model regresi OLS dikatakan BLUE dan dapat digunakan sebagai dasar analisis data dan uji hipotesis apabila residual model tersebut terdistribusi secara normal dan model estimasi tidak memiliki gejala klasik seperti gejala Multikolinearitas, Heteroskedastisitas dan Otokorelasi. Karena data observasi dalam penelitian ini 1.177 melebihi dari 30 oberservasi, maka berdasarkan central limit theorem, data yang melebih 30 diasumsikan terdistribusi normal (Wooldridge, 2005). Berdasarkan asumsi central limit theorem maka dalam penelitian ini tidak dilakukan uji normalitas atas data dan residual regresi. Uji gejala klasik dilakukan sebelum model estimasi tersebut digunakan sebagai uji hipotesis yang telah disusun dalam bab 2 dalam desertasi ini.
3.5.8.1. Uji Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi yang terbentuk terdapat korelasi yang tinggi atau sempurna diantara variabel bebas atau tidak (Suliyanto, 2011 dan Gujarati, 2003). Salah satu asumsi model regresi linear adalah tidak ada gejala korelasi yang tinggi antar variabel bebas (Gujarati, 2003). Dampak multikolinieritas adalah varian koefisien regresi menjadi besar, varian yang besar menyebabkan lebarnya interval kepercayaan dan akan mempengaruhi uji t dimana semakin besar varian maka standar error semakin tinggi (Nachrowi dan Usman, 2006), sehingga koefisien menjadi tidak signifikan. Hal ini menyebabkan koefisien variabel bebas banyak yang tidak signifikan namun koefisien determinasinya As tetap tinggi, dan uji F signifikan. Dampak lain dari multikolinieritas adalah angka estimasi koefisien regresi yang didapat mempunyai nilai yang tidak sesuai dengan substansi atau kondisi yang diduga atau
dirasakan akal sehat, sehingga apabila hal ini tidak diatasi maka akan menyesatkan interprestasi hasil.
Uji multikolinieritas dalam penelitian ini dilakukan dengan: a). Melihat nilai As dan hasil uji t koefisien estimasi variabel bebasnya, bila nila As tinggi dan uji t banyak yang tidak signifikan maka dideteksi terdapat gejala multikolinieritas. Dan b). Menggunakan korelasi parsial. Uji ini dengan membandingkan antara koefisiens determinan As keseluruhan dengan nilai koefisien parsial semua variabel bebasnya. Jika nilai koefisien determinannya lebih besar dari nilai koefisien korelasi parsial semua variabel bebasnya maka model tersebut tidak mengandung gejala multikolinieritas.
3.5.8.2. Uji Heteroskedastisitas
Asumsi penting model regresi liniear klasik adalah bahwa gangguan residual (• ) yang tercakup dalam fungsi regresi populasi bersifat homoskedastisitas (Gujarati, 2003). Hal ini artinya semua memiliki varian yang sama ( —s ). Apabila variannya tidak sama maka persamaan regresi tersebut menunjukkan varian dari observasi satu dengan yang lain berbeda sehingga menyebabkan terjadinya heteroskedastisitas.
Untuk menguji apakah dalam persamaan regresi tersebut terdapat heteroskedastisitas, dapat digunakan beberapa jenis pengujian ( Suliyanto, 2011) yaitu: 1) Analisis grafik dengan mengamati scatterplot, jika scatterplot menunjukkan pola tertentu berarti ada gejala heteroskedastisitas. 2). Pengujian heteroskedastisitas dengan menggunakan metode Glejser.
Uji ini dilakukan dengan cara meregresikan semua variabel bebas terhadap nilai mutlak residualnya. Jika terdapat pengaruh variabel bebas yang signifikan terhadap nilai residual regresi maka dalam model regresi terdapat masalah heteroskedastisitas. 3). Pengujian dengan Metode Park. Uji ini dilakukan dengan meregres semua variabel bebas terhadap nilai Ln residual kuadrat (ln <s ). Jika variabel bebas berhubungan dengan ln residual, maka persamaan regresinya terdapat gejala heteroskedastisitas. 4). Pengujian heteroskedastisitas
dengan Metode Rank Spearman. Metode ini menguji gejala heteroskedastisitas dengan cara mengkorelasikan semua variabel bebasnya dengan nilai residualnya. Jika terdapat korelasi signifikan hubungan variabel bebas dengan residual regresi maka dalam persamaan regresi terdapat gejala heteroskedastisitas. 5). Uji heteroskedastisitas dengan metode Bresch-Pagan- Godfrey (BPG). Metode ini meregres semua variabel bebas terhadap nilai bS . Nilai bS
diperoleh dari ˜šz™™, sedangkan nila bs diperoleh dari ∑ ˜z™ , dimana T adalah jumlah data. Jika nilai ›s hitung lebih besar dari ›s tabel dengan df=α, maka dalam tabel terdapat masalah heteroskedastisitas.
Apabila hasil regresi menggunakan data panel memiliki gejala heteroskedastisitas, maka regresi dapat di estimasi menggunakan berbagai cara yang tergantung pada model yang digunakan dalam data panel. Bila model yang digunakan common effect model, maka estimasi dalam model ini dapat menggunakan (Gujarati, 2003):
1. GLS (Generalized Least Square) jika varian heterogen dan tidak ada cross sectional correlation.
2. FGLS (Feasible Generalized Least Squares)/ SUR(Seemingly Uncorrelated Regression)/ MLE (Maximum Likelihood Estimator) jika varian heterogen dan ada korelasi cross sectional.
3. FGLS dengan proses autoregressive pada error termnya, jika varians heterogen dan ada serial korelasi antar error.
Bila model yang digunakan Fixed effect model dan terdapat gejala Heteroskedastisitas, maka model ini dapat digunakan estimasi sebagai berikut:
1. WLS/ Weighted Least Square, jika varian heterogen dan tidak ada cross sectinal correlation.
2. SUR/ Seemingly Uncorrelated Regression, jika varians heterogen dan ada cross sectional correlation.
Bila model yang digunakan Random Effect Model dan terdapat gejala heteroskedastisitas, maka model ini dapat diestimasi dengan menggunakan metode White.
3.5.8.3. Uji Otokorelasi
Uji otokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan menurut waktu (time series) atau ruang (cross section). Dalam penelitian ini untuk mendeteksi gejala otokorelasi menggunakan (Gujarati, 2003 dan Suliyanto, 2011) metode Durbin Watson (Durbin Watson Test). Uji Durbin- Watson merupakan uji yang banyak digunakan untuk melihat ada atau tidaknya masalah otokorelasi dari model yang diestimasi. Uji ini dikenalkan oleh J. Durbin dan GS Watson tahun 1951 (Suliyanto, 2011). Uji ini dilandasi oleh model error yang mempunyai korelasi yaitu • = b• 4S+ ?S. Dimana • adalah error pada waktu ke t, • 4S adalah error pada waktu ke t-1 dan b adalah koefisien lag satu serta ?S adalah error yang independen dan berdistribusi normal dengan nilai tengah =0 dan variance —s . Jika b = 0 maka tidak ada serial korelasi dalam residual regresi (Nachrowi dan Usman, 2006).
3.5.8.4.Uji Endogenitas
Uji endogenitas diperlukan dalam penelitian ini karena persamaan satu dan persamaan dua memiliki hubungan satu arah yaitu persamaan dua mempunyai variabel independen NPL yang merupakan variabel dependen pada persamaan satu. Apabila hasil uji endogenitas pada persamaan dua menunjukkan bahwa variabel NPL berhubungan dengan residual persamaannya, maka muncul masalah endogenitas sehingga persamaan tersebut harus menggunakan STLS (Hausman dalam Wooldrige, 2005). Tetapi apabila tidak ada masalah endogenitas dari independen variabelnya, maka persamaan regresi kedua tersebut dapat digunakan OLS saja.