Metode Analisis
Metode Analisis
a. Uji Asumsi Dasar dan Asumsi Klasik
1) Uji Normalitas
Menurut Winarno (2017), normalitas digunakan untuk mengetahui apakah data berdistribusi normal atau tidak. Uji normalitas dilakukan dengan menggunakan Jarque-Bera (J-B) dan probabilitas, bila nilai J-B < 2 atau nilai probabilitas > 0,05, maka data terdistribusi secara normal.
2) Uji Multikolinieritas
Menurut Wiyono (2011), uji multikolinieritas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinieritas, yaitu adanya hubungan linier antar variabel independen dalam model regresi. Persyaratan yang harus dipenuhi dalam model regresi yaitu tidak boleh ada hubungan korelasi antar variabel independen. Model pengujian yang bisa digunakan yaitu dengan melihat nilai inflation-factor (VIF) pada model regresi. Pada umumnya jika VIF lebih besar dari 10, maka variabel independen tersebut mempunyai korelasi dengan variabel independen lainnya (Ghozali, 2016).
3) Uji Autokorelasi
Autokorelasi adalah hubungan antara residual satu observasi dengan residual lainnya. Cara untuk memeriksa ada tidaknya autokorelasi adalah dengan uji Durbin-Watson (DW) atau uji Breusch-Godfrey (BG). Hasil uji BG dapat dilihat pada nilai Obs* R-squared dan nilai Probabilitas. Nilai probabilitas > 0,05 mengindikasikan bahwa data tidak mengandung masalah autokorelasi (Winarno, 2017).
4) Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Ghozali, 2016).
Adapun kriteria pengujian sebagai berikut (Winarno, 2017):
1. Jika probabilitas pada Obs*R-squared > 0,05 maka H0 diterima dan H1 ditolak.
2. Jika probabilitas pada Obs*R-squared < 0,05 maka H0 ditolak dan H1 diterima.
Pengujian ini dilakukan dengan hipotesis sebagai berikut:
H0 : Tidak ada gejala heterokedastisitas
H1 : Ada gejala heterokedastisitas
a. Pemilihan Model Estimasi
Dalam analisis data panel, dilakukan pemilihan model regresi yang tepat. Model regresi untuk analisis data panel tersebut adalah: Common Effect Model (CEM), Fixed Effect Model (FEM), atau Random Effect Model (REM). Untuk mengetahui model mana yang cocok untuk penelitian ini maka dilakukan uji Chow dan uji Hausman dengan menggunakan Software Eviews (Winarno, 2017).
1. Common Effect Model (CEM)
Model common effects merupakan pendekatan data panel yang paling sederhana (Winarno, 2017). Model ini tidak memperhatikan dimensi individu maupun waktu sehingga diasumsikan bahwa perilaku antar individu sama dalam berbagai kurun waktu. Model ini hanya mengkombinasikan data time series dan cross section dalam bentuk pool, mengestimasinya menggunakan pendekatan kuadrat terkecil atau pooled least square. Adapun persamaan regresi dalam model common effects dapat ditulis sebagai berikut:
Yit = α + Xitβ + Eit 18
Di mana i menunjukkan cross section (individu) dan t menunjukkan periode waktunya. Dengan asumsi komponen error dalam pengolahan kuadrat terkecil biasa, proses estimasi secara terpisah untuk setiap unit cross section dapat dilakukan.
2. Fixed Effect Model (FEM)
Model Fixed effect mengasumsikan bahwa terdapat efek yang berbeda antar individu (Winarno, 2017). Perbedaan itu dapat diakomodasi melalui perbedaan pada intersepnya. Oleh karena itu, dalam model fixed effects, parameter yang tidak diketahui dan akan diestimasi dengan menggunakan teknik variabel dummy yang dapat ditulis sebagai berikut:
Yit = α + iαi + Xitβ + Eit
Teknik seperti di atas dinamakan Least Square Dummy Variabel (LSDV). Selain diterapkan untuk efek tiap individu LSDV ini juga dapat mengakomodasi efek waktu yang besifat sistemik. Hal ini dapat dilakukan melalui penambahan variabel dummy waktu di dalam model.
3. Random Effect Model (REM)
Berbeda dengan fixed effects model, efek spesifik dari masing-masing individu diperlakukan sebagai bagian dari komponen error yang bersifat acak dan tidak berkorelasi dengan variabel penjelas yang teramati. Model seperti ini dinamakan random effects model (REM). Model ini sering disebut juga dengan error component model (ECM). Dengan demikian, persamaan model random effects dapat dituliskan sebagai berikut (Winarno, 2017).
Yit = α + Xitβ + Wit
4. Uji Chow
Uji Chow merupakan pengujian untuk menentukan model Fixed Effet atau Common Effect yang lebih tepat digunakan dalam mengestimasi data panel (Winarno, 2017). Hipotesis dalam uji chow adalah:
H0 : Common Effect Model
H1: Fixed Effect Model
Kriteria uji hipotesis di atas adalah dengan membandingkan probabilitas Cross-section F dengan α = 0,05 (5%). Apabila probabilitas Cross-section F lebih besar dari 0,05, H0 diterima atau H1 ditolak yang berarti model yang lebih tepat digunakan adalah Common Effect Model. Sebaliknya, apabila probabilitas Cross-section F lebih kecil dari 0,05, maka H0 ditolak atau H1 diterima yang berarti model yang lebih tepat digunakan adalah Fixed Effect Model.
5. Uji Hausman
Uji Hausman adalah pengujian statistik untuk memilih apakah model Fixed Effect atau Random Effect yang lebih tepat digunakan dalam regresi data panel (Winarno, 2017). Uji ini dikembangkan oleh Hausman dengan didasarkan pada ide bahwa LSDV di dalam model Fixed Effect dan GLS adalah efesien sedangkan model OLS adalah tidak efesien. Di lain pihak alternatif metode OLS efesien dan GLS tidak efesien. Karena itu H0 adalah hasil estimasi keduanya tidak berbeda sehingga Uji Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut. Pengujian dilakukan dengan hipotesis berikut:
H0 : Random Effect Model
H1 : Fixed Effect Model
Kriteria pengujian adalah dengan membandingkan probabilitas dan α 5%. Jika probabiltas > 5% maka H0 diterima dan H1 ditolak. Sebaliknya jika probabilitas < 5% maka H0 ditolak dan H1 diterima, yang berarti model estimasi yang paling tepat digunakan adalah Fixed Effect Model.
6. Uji Langrange Multriplier (LM)
Menurut Winarno (2017), untuk mengetahui apakah random effect model lebih baik dari pada common effect model maka digunakan uji Langrange-Multiplier (LM) yang dikembangkan oleh Breusch-Pagan. Pengujian ini didasarkan pada nilai residual dari common effect model. Hipotesis yang diajukan adalah intersep bukan merupakan variabel random atau stokastik. Pengujian ini dilakukan dengan hipotesis sebagai berikut:
H0 = Random effect model
H1 = Common effect model
Uji LM ini didasarkan dengan melihat nilai probabilitas Breusch-Pagan. Apabila nilai probabilitas Breusch-Pagan lebih besar dari α 0,05 (5%) maka H0 diterima. Namun apabila nilai probabilitas Breusch-Pagan lebih kecil dari α 0,05 maka H1 diterima.
b. Menilai Goodness of Fit
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of Fit. Untuk menilai Goodness of Fit dilakukan Uji F. Uji F dimaksudkan untuk melihat kecocokan model hubungan antara variabel independen terhadap variabel dependen. Pengujian ini dilakukan dengan membandingkan nilai probabilitas Fhitung dengan tingkat signifikansi 5%. Dikatakan cocok apabila nilai Probabilitas F hitung lebih kecil dari 0,05 (Winarno, 2017).
c. Uji Hipotesis
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variabel dependen (Ghozali, 2016).
Cara melakukan uji t bisa dengan membandingkan nilai statistik t dan titik kritis menurut tabel. Apabila nilai statistik thitung lebih tinggi dibanding nilai ttabel maka hipotesis H1, H2, dan H3 diterima, yang berarti suatu variabel bebas secara parsial mempengaruhi variabel terikat. Uji t juga dapat dilakukan dengan membandingkan nilai probabilitas signifikansi dengan tingkat signifikansi yaitu α = 0,05. Ketentuan kreteria pengujian ini adalah:
1) Jika nilai signifikan < 0,05 maka H1, H2, dan H3 diterima, artinya variabel ukuran perusahaan, leverage, dan likuiditas secara parsial berpengaruh terhadap nilai perusahaan.
2) Jika nilai signifikan > 0,05 maka H1, H2, dan H3 ditolak, artinya variabel ukuran perusahaan, leverage, dan likuiditas secara parsial tidak berpengaruh terhadap nilai perusahaan.
d. Uji Koefisien Determinasi (adjusted R²)
Menurut Ghozali (2016), koefisien determinasi (adjusted R²) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai adjusted R² yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel indpenden memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
Komentar
Posting Komentar