Simulasi Analisis Regresi Linear Berganda dengan SPSS

Simulasi Analisis Regresi Linear Berganda dengan SPSS

A.  Deskripsi Objek Penelitian

Penelitian menggunakan periode 2007 sampai dengan 2009 sehingga perusahaan yang digunakan adalah perusahaan perbankan yang telah aktif diperdagangkan dalam periode tersebut. Terdapat 28 perusahaan perbankan yang terdaftar di Bursa Efek Indonesia pada tahun 2009, akan tetapi terdapat 3 perusahaan yang baru listing pada tahun 2007, yaitu PT Bank Agroniaga Tbk., PT Bank Capital Indonesia Tbk., dan PT Bank Windu Kentjana International Tbk. Demikian juga terdapat 2 buah perusahaan yang baru listing di BEI tahun 2008 yaitu PT Bank Ekonomi Raharja Tbk., dan PT Bank Tabungan Pensiunan Nasional Tbk., sehingga hanya terdapat 23 perusahaan perbankan yang berturut-turut memperdagangkan sahamnya dari tahun 2007 sampai dengan tahun 2009. Dari 23 perusahaan yang memperdagangkan sahamnya berturut-turut antara tahun 2007 sampai dengan 2009 terdapat 8 perusahaan yang tidak mencantumkan data variabel penelitian secara lengkap yaitu data piutang perusahaan yang dipergunakan untuk menghitung discretionary accrual. Dengan demikian sampel penelitian adalah sebanyak 15 perusahaan.

B. Analisis Data
1. Uji Asumsi Klasik

Analisis regresi linear berganda memerlukan beberapa asumsi agar model tersebut layak dipergunakan. Asumsi yang dipergunakan dalam penelitian ini adalah uji normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi.

a.  Uji Normalitas

Uji normalitas data dipergunakan untuk menentukan apakah data terdistribusi secara normal atau tidak. Uji normalitas yang dipergunakan adalah plot grafik di mana asumsi normalitas terpenuhi jika titik-titik pada grafik mendekati sumbu diagonalnya.

Gambar 1
Uji Normalitas

Gambar menunjukkan bahwa titik-titik pada grafik telah mendekati atau hampir berhimpit dengan sumbu diagonal atau membentuk sudut 45 derajad dengan garis mendatar. Interpretasinya adalah bahwa nilai residual pada model penelitian telah terdistribusi secara normal. Untuk memperkuat hasil pengujian tersebut dipergunakan uji Kolmogorov-Smirnov yaitu sebagai berikut:

Tabel 1
Uji Normalitas dengan Kolmogorov-Smirnov

Tampak bahwa nilai signifikansi adalah sebesar 0,868 > 0,05 yang menunjukkan bahwa nilai residual telah terdistribusi secara normal. Hasil analisis awal menunjukkan adanya data outliers yaitu data yang menyimpang terlalu jauh dari data yang lain sehingga harus dikeluarkan dari model penelitian. Berikut adalah identifikasi data outlier pada model dalam penelitian ini:

Tabel 2
Identifikasi Data Outliers

Tampak bahwa terdapat 1 buah data outliers yaitu data ke-8 sehingga data tersebut dikeluarkan dari model penelitian dan jumlah data penelitian menjadi 44 buah. Dengan mengeluarkan satu buah data tersebut, masih terdapat 1 buah lagi data outliers yaitu sebagai berikut:

Tabel 3
Identifikasi Data Outliers 2

Data ke-23 menjadi outliers setelah data ke-8 dikeluarkan, dengan demikian, data ke-23 juga dikeluarkan dari model sehingga tidak ada lagi data outliers. Dengan mengeluarkan dua buah data outliers maka diperoleh grafik P Plot sebagai berikut:

Gambar 2
Uji Normalitas Tanpa Data Outliers

Gambar menunjukkan bahwa titik-titik pada grafik telah mendekati atau hampir berhimpit dengan sumbu diagonal atau membentuk sudut 45 derajad dengan garis mendatar. Interpretasinya adalah bahwa nilai residual pada model penelitian telah terdistribusi secara normal. Untuk memperkuat hasil pengujian tersebut dipergunakan uji Kolmogorov-Smirnov yaitu sebagai berikut:

Tabel 4
Uji Normalitas dengan Kolmogorov-Smirnov Tanpa Outliers

Tampak bahwa dengan 43 data maka nilai signifikansi adalah sebesar 0,884 > 0,05 yang menunjukkan bahwa nilai residual telah terdistribusi secara normal.

b. Uji Multikolinearitas

Uji multikolinearitas dilakukan dengan menggunakan nilai variance inflation factor (VIF). Model dinyatakan terbebas dari gangguan multikolinearitas jika mempunyai nilai VIF di bawah 10 atau tolerance di atas 0,1. Berikut adalah uji Multikolinearitas dalam penelitian ini:

Tabel 5
Uji Multikolinearitas

Tabel di atas memberikan semua nilai VIF di bawah 10 atau nilai tolerance di atas 0,1. Berarti tidak terdapat gejala multikolinearitas pada model dalam penelitian ini.

c. Uji Heteroskedastisitas

Uji Heteroskedastisitas dilakukan dengan memplotkan grafik antara SRESID dengan ZPRED di mana gangguan heteroskedastisitas akan tampak dengan adanya pola tertentu pada grafik. Berikut adalah uji heteroskedastisitas pada keempat model dalam penelitian ini:

Gambar 3
Uji Heteroskedastisitas

Tampak pada diagram di atas bahwa model penelitian tidak mempunyai gangguan heteroskedastisitas karena tidak ada pola tertentu pada grafik. Titik-titik pada grafik relatif menyebar baik di atas sumbu nol maupun di bawah sumbu nol.

d. Uji Autokorelasi

Berikut adalah nilai Durbin-Watson pada model dalam penelitian ini:

Tabel 6
Uji Autokorelasi

Adapun nilai dU untuk 5 buah variabel dengan 43 data pada taraf 5% adalah sebesar 1,780. Tampak bahwa 0 < dW < dU yang masuk pada kategori no decision. Untuk memperkuat hasil tersebut digunakan uji Run, di mana gangguan autokorelasi terjadi jika signifikansi di bawah 0,05. Berikut adalah uji autokorelasi dengan Run test:

Tabel 7
Uji Autokorelasi dengan Run Test

Tampak bahwa signifikansi adalah sebesar 0,760 > 0,05 yang menunjukkan bahwa tidak terjadi gangguan autokorelasi pada model penelitian.

C. Uji Goodness of Fit

Uji goodness of fit adalah untuk melihat kesesuaian model, atau seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel terikatnya. Berikut adalah hasil perhitungan nilai R dan koefisien determinasi dalam penelitian ini:

Tabel 8
Uji Goodness of Fit

Tabel tersebut memberikan nilai R sebesar 0,689 pada model penelitian dan koefisien determinasi sebesar 0,404. Tampak bahwa kemampuan variabel bebas dalam menjelaskan varians variabel terikat adalah sebesar 40,4%. Masih terdapat 59,6% varians variabel terikat yang belum mampu dijelaskan oleh variabel bebas dalam model penelitian ini.

D. Uji F

Uji F (uji simultan) adalah untuk melihat pengaruh variabel bebas yaitu terhadap variabel terikatnya yaitu DA secara serempak. Berikut adalah nilai F hitung dalam penelitian ini:

Tabel 9
Uji F

Tampak bahwa nilai F hitung pada model penelitian adalah sebesar 6,686 dengan taraf signifikansi sebesar 0,000. Nilai signifikansi adalah di bawah 0,05 yang menunjukkan bahwa variabel bebas secara serempak mempunyai pengaruh yang signifikan terhadap manajemen laba pada signifikansi 5%.

E.  Uji t

Uji t (parsial) adalah untuk melihat pengaruh variabel-variabel bebas secara parsial terhadap variabel terikatnya. Berikut adalah hasil perhitungan nilai t hitung dan taraf signifikansinya dalam penelitian ini:

Tabel 10
Uji t

Berdasarkan hasil pada tabel tersebut, dapat disusun persamaan regresi linear berganda sebagai berikut:
Y = 3,385 – 0,108 X1 – 0,016 X2 + 0,11 X3 + 0,178 X4 - 0,161 X5 + e
Keterangan:
Y      = Discretionary Accrual
X1    = Ukuran dewan komisaris
X2    = Komite audit
X3    = Kepemilikan institusional
X4    = Kepemilikan manajerial
X5    = Ukuran perusahaan
Interpretasi terhadap persamaan tersebut beserta uji hipotesis akan diberikan sebagai berikut:
1. Pengujian Hipotesis 1

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel ukuran dewan komisaris adalah sebesar -3,011. Nilai tersebut di atas nilai t tabel untuk N = 43 yaitu sebesar + 2,011 sehingga diinterpretasikan bahwa variabel ukuran dewan komisaris mempunyai pengaruh yang signifikan terhadap discretionary accrual. Dengan demikian hipotesis H1 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara ukuran dewan komisaris terhadap manajemen laba diterima. Berarti ukuran dewan komisaris mempunyai pengaruh signifikan terhadap manajemen laba.

2.  Pengujian Hipotesis 2

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel ukuran komite audit adalah sebesar -0,392. Nilai tersebut di bawah nilai t tabel + 2,011 sehingga diinterpretasikan bahwa variabel ukuran komite audit tidak mempunyai pengaruh yang signifikan terhadap discretionary accrual. Dengan demikian hipotesis H2 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara komite audit terhadap manajemen laba ditolak. Berarti ukuran komite audit tidak mempunyai pengaruh signifikan terhadap manajemen laba.

3.   Pengujian Hipotesis 3

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel ukuran kepemilikan institusional adalah sebesar 3,093. Nilai tersebut di atas nilai t tabel + 2,011 sehingga diinterpretasikan bahwa variabel kepemilikan institusional mempunyai pengaruh yang signifikan terhadap discretionary accrual. Dengan demikian hipotesis H3 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara kepemilikan intitusional terhadap manajemen laba diterima. Berarti kepemilikan institusional mempunyai pengaruh signifikan terhadap manajemen laba.

4.  Pengujian Hipotesis 4

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel kepemilikan manajerial adalah sebesar 1,083. Nilai tersebut di bawah nilai t tabel + 2,011 sehingga diinterpretasikan bahwa variabel kepemilikan manajerial tidak mempunyai pengaruh yang signifikan terhadap discretionary accrual. Dengan demikian hipotesis H4 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara kepemilikan manajerial terhadap manajemen laba ditolak.

5.    Pengujian Hipotesis 5

Berdasarkan analisis data di atas, maka tampak bahwa nilai t hitung untuk variabel ukuran perusahaan adalah sebesar -3,663. Nilai tersebut di atas nilai t tabel + 2,011 sehingga diinterpretasikan bahwa variabel ukuran perusahaan mempunyai pengaruh yang signifikan terhadap discretionary accrual.. Dengan demikian hipotesis H4 dalam penelitian ini yang berbunyi: Terdapat pengaruh yang signifikan antara ukuran perusahaan terhadap manajemen laba diterima. Berarti terdapat pengaruh yang signifikan antara ukuran perusahaan terhadap manajemen laba.

anova ( statistik )

Category Archives: ANOVA

Feb 7 2011

TWO WAYS ANOVA (ANALYSIS OF VARIANCE)

A PENDAHULUAN

Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara membandingkan variansinya. Analisis varian termasuk dalam kategori statistik parametric. Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus ANOVA harus terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas dan random sampling (Ghozali, 2009).

Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat dengan cara membandingkannya pada kelompok2 sampel independen yang diamati. Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen.

Continue reading →

By hendry • Posted in ANOVA, TUTORIAL STATISTIK • Tagged anova dua jalur, tutorial anova spss, two ways anova

68

Feb 6 2011

ONE WAY ANOVA (ANALYSIS OF VARIANCE)

A PENDAHULUAN

Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara membandingkan variansinya. Analisis varian termasuk dalam kategori statistik parametric. Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus ANOVA harus terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas dan random sampling (Ghozali, 2009).

Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat dengan cara membandingkannya pada kelompok2 sampel independen yang diamati. Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen.

One-way anova dilakukan untuk menguji perbedaan tiga kelompok atau lebih berdasarkan satu variabel independen.

B.  Contoh Kasus

Pak Ali seorang manajer ingin mengetahui perbedaan gaji berdasarkan jenis perusahaan yaitu farmasi, jasa dan manufaktur. Survey dilakukan terhadap 45 sampel dari tiga jenis perusahaan yaitu farmasi, jasa dan manufaktur.

Data ambil di sini data dan output oneway anova

C. Langkah Uji

Klik Analyze > Compare Mean > One Way Anova

Masukkan variabel gaji ke kotak dependen list, dan masukkan variabel jenis perusahaan ke dalam kotak Factor

Klik icon Post Hoc, pilih LSD dan Duncan. lalu continue

Klik Options, dan pilih Descriptive

Klik OK

D. HASIL

E. INTERPRETASI

Berdasarkan output Deskriptif diperoleh rata-rata gaji untuk pekerja sector farmasi adalah 3.5 juta, jasa 3.18 juta dan sector manufaktur 2.23 juta rupiah. Gaji minimal sector farmasi adalah 2.5 juta dan maksimal 4.1 juta. Sedangkan gaji minimal pekerja di sector jasa adalah sebesar 2.4 juta dan maksimal 4.2 juta. Gaji minimal pekerja di sector manufaktur adalah sebesar 1.8 juta dan tertinggi sebesar 3.5 juta.

Standar deviasi terendah adalah di sector farmasi, sementara yang tertinggi adalah di sector jasa. Nilai ini menunjukkan keseragaman data, sehingga semakin besar nilai standar deviasi menunjukkan semakin besarnya ketidakseragaman data. Dengan demikian, dapat disimpulkan bahwa sector manufaktur menunjukkan ketidakseragaman (variatif) dalam hal gaji.

Output Anova menunjukkan bahwa nilai F hitung adalah sebesar 35.367 dengan sig 0.000. dengan demikian dapat disimpulkan bahwa Ho ditolak, atau terdapat perbedaan yang signifikan antara gaji kelompok sector farmasi, jasa dan manufaktur.

Selanjutnya, melalui Uji Post Hoc LSD diketahui perbedaan antar kelompok yang dirangkum sbb :

Farmasi – Jasa : signifikan

Farmasi – Manufaktur : signifikan

Jasa – Manufaktur : signifikan

dengan demikian dapat dikatakan bahwa antar kelompok tersebut memiliki perbedaan yang signifikan

Lalu pada bagian uji Post Hoc Duncan. Perbedaan tiap kelompok dapat dilihat dari nilai harmonic mean yang dihasilkan tiap kelompok berada dalam kolom subset yang sama atau berbeda. Pada hasil uji menunjukkan ketiga kelompok sampel berada pada kolom subset yang berbeda. Kelompok manufaktur masuk ke dalam kolom 1, jasa masuk ke kolom 2 dan sector farmasi di kolom 3.  Ini mengindikasikan bahwa ketika sector ini memiliki perbedaan yang signifikan

…..

G. Uji Asumsi

Seperti yang dijelaskan di atas, ANOVA membutuhkan uji asumsi normalitas dan homogenitas. Saya di sini langsung menampilkan hasil ujinya sbb :

Normalitas

Output di atas menunjukkan bahwa data berdistribusi normal. hal ini dapat dilihat dari nilai asymp.sig (2-tailed) sebesar 0.289 > 0.05, sehingga dinyatakan normal

selanjutnya hasil uji homogenitas

Hasil uji di atas menggunakan uji Levene. nilai Levene F hitung adalah sebesar 1.424 dengan signifikansi 0.252. Karena nilai sig > 0.05 maka dapat disimpulkan bahwa tidak ada perbedaan varian antar kelompok sampel yang diteliti atau varian antar kelompok sampel adalah sama.

anova ( statistik )

Category Archives: ANOVA

Feb 7 2011

TWO WAYS ANOVA (ANALYSIS OF VARIANCE)

A PENDAHULUAN

Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara membandingkan variansinya. Analisis varian termasuk dalam kategori statistik parametric. Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus ANOVA harus terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas dan random sampling (Ghozali, 2009).

Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat dengan cara membandingkannya pada kelompok2 sampel independen yang diamati. Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen.

Continue reading →

By hendry • Posted in ANOVA, TUTORIAL STATISTIK • Tagged anova dua jalur, tutorial anova spss, two ways anova

68

Feb 6 2011

ONE WAY ANOVA (ANALYSIS OF VARIANCE)

A PENDAHULUAN

Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara membandingkan variansinya. Analisis varian termasuk dalam kategori statistik parametric. Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus ANOVA harus terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas dan random sampling (Ghozali, 2009).

Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat dengan cara membandingkannya pada kelompok2 sampel independen yang diamati. Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen.

One-way anova dilakukan untuk menguji perbedaan tiga kelompok atau lebih berdasarkan satu variabel independen.

B.  Contoh Kasus

Pak Ali seorang manajer ingin mengetahui perbedaan gaji berdasarkan jenis perusahaan yaitu farmasi, jasa dan manufaktur. Survey dilakukan terhadap 45 sampel dari tiga jenis perusahaan yaitu farmasi, jasa dan manufaktur.

Data ambil di sini data dan output oneway anova

C. Langkah Uji

Klik Analyze > Compare Mean > One Way Anova

Masukkan variabel gaji ke kotak dependen list, dan masukkan variabel jenis perusahaan ke dalam kotak Factor

Klik icon Post Hoc, pilih LSD dan Duncan. lalu continue

Klik Options, dan pilih Descriptive

Klik OK

D. HASIL

E. INTERPRETASI

Berdasarkan output Deskriptif diperoleh rata-rata gaji untuk pekerja sector farmasi adalah 3.5 juta, jasa 3.18 juta dan sector manufaktur 2.23 juta rupiah. Gaji minimal sector farmasi adalah 2.5 juta dan maksimal 4.1 juta. Sedangkan gaji minimal pekerja di sector jasa adalah sebesar 2.4 juta dan maksimal 4.2 juta. Gaji minimal pekerja di sector manufaktur adalah sebesar 1.8 juta dan tertinggi sebesar 3.5 juta.

Standar deviasi terendah adalah di sector farmasi, sementara yang tertinggi adalah di sector jasa. Nilai ini menunjukkan keseragaman data, sehingga semakin besar nilai standar deviasi menunjukkan semakin besarnya ketidakseragaman data. Dengan demikian, dapat disimpulkan bahwa sector manufaktur menunjukkan ketidakseragaman (variatif) dalam hal gaji.

Output Anova menunjukkan bahwa nilai F hitung adalah sebesar 35.367 dengan sig 0.000. dengan demikian dapat disimpulkan bahwa Ho ditolak, atau terdapat perbedaan yang signifikan antara gaji kelompok sector farmasi, jasa dan manufaktur.

Selanjutnya, melalui Uji Post Hoc LSD diketahui perbedaan antar kelompok yang dirangkum sbb :

Farmasi – Jasa : signifikan

Farmasi – Manufaktur : signifikan

Jasa – Manufaktur : signifikan

dengan demikian dapat dikatakan bahwa antar kelompok tersebut memiliki perbedaan yang signifikan

Lalu pada bagian uji Post Hoc Duncan. Perbedaan tiap kelompok dapat dilihat dari nilai harmonic mean yang dihasilkan tiap kelompok berada dalam kolom subset yang sama atau berbeda. Pada hasil uji menunjukkan ketiga kelompok sampel berada pada kolom subset yang berbeda. Kelompok manufaktur masuk ke dalam kolom 1, jasa masuk ke kolom 2 dan sector farmasi di kolom 3.  Ini mengindikasikan bahwa ketika sector ini memiliki perbedaan yang signifikan

…..

G. Uji Asumsi

Seperti yang dijelaskan di atas, ANOVA membutuhkan uji asumsi normalitas dan homogenitas. Saya di sini langsung menampilkan hasil ujinya sbb :

Normalitas

Output di atas menunjukkan bahwa data berdistribusi normal. hal ini dapat dilihat dari nilai asymp.sig (2-tailed) sebesar 0.289 > 0.05, sehingga dinyatakan normal

selanjutnya hasil uji homogenitas

Hasil uji di atas menggunakan uji Levene. nilai Levene F hitung adalah sebesar 1.424 dengan signifikansi 0.252. Karena nilai sig > 0.05 maka dapat disimpulkan bahwa tidak ada perbedaan varian antar kelompok sampel yang diteliti atau varian antar kelompok sampel adalah sama.