Jasa Pembuatan Skripsi/Tesis Ekonomi Jakarta Bergaransi

Salam Agan dan Sista semua, Gimana kabarnya? semoga senantiasa dalam kedaan sehat, aman dan sentosa, Amin. Bagi agan dan sista yang tidak punya waktu atau kesulitan dalam mengerjakan tugas akhir yang berupa skripsi/tesis di bidang Ekonomi (Akuntansi, Manajemen, Ilmu Ekonomi dan Perbankan) baik dalam pengerjaan per bab nya ataupun dalam pengolahan datanya, kami menawarkan bantuan kepada agan dan sista untuk menyelesaikan masalah tersebut dengan biaya yang bersahabat.
Agan dan Sista dapat mengambil orderan perbab, pengolahan data saja ataupun satu paket skripsi/ tesis. Adapun biaya pengerjaan skripsi/tesis akan tergantung dari tingkat kesulitan yang dihadapi dalam pengerjaan skripsi/tesis agan/ sista.
Pengolahan data dapat dilakukan dengan alat bantu software SPSS, Eviews atau AMOS dengan pilihan metode analisis :
1. Metode Analisis Regresi Berganda
2. Metode Analisis Faktor
3. Metode Analisis Regresi data Panel
4. Metode Path Analysis
5. Metode ECM
6. Metode DEA
7. Metode SEM
Agan/Sista dapat memilih metode analisis yang hendak dipakai.
Fasilitas yang kami berikan meliputi:
1. Skripsi/Tesis yang dijamin Original/ tidak plagiat
2. Konsultasi yang cukup
3. Jaminan tepat waktu
4. Simulasi sidang (presentasi) apabila diperlukan
5. Revisi Skripsi
6. Rahasia Terjamin   
7. Garansi Jadi (Skripsi/Tesis tidak jadi maka tidak usah bayar)
Lama pengerjaan skripsi/Tesis akan tergantung dari tingkat kesulitan skripsi/tesis dan tingkat kerajinan agan/sista dalam melakukan bimbingan kepada Dosen Pembimbing. Kami akan membantu agan/sista dari mulai penentuan judul sampai revisi, dari awal pengerjaan sampai selesai sehingga agan/sista dapat segera LULUS dan diwisuda.


Untuk info lebih lanjut, atau sekedar untuk bertanya-tanya/konsultasi, agan dan sista dapat menghubungi kami di nomor 085718728701.

Analisis Regresi Data Panel Dengan EVIEWS

Analisis Regresi Data Panel Dengan EVIEWS

Salam semuanya, pada postingan sebelumnya, mimin telah mencoba untuk menguraikan tahap-tahap yang dilakukan dalam melakukan analisis regresi berganda untuk data primer dan data sekunder dengan alat bantu software SPSS disertai dengan penjelasan mengenai output SPSS yang ada. Dan kali ini mimin akan mencoba untuk menguraikan tahapan-tahapan yang dilakukan dalam melakukan analisis regresi data panel dengan alat bantu Eviews dan juga cara membaca output dari Eviews yang keluar.

Dan kali ini mimin akan mencoba untuk menjabarkan sebuah penelitian dengan judul Analisis Pengaruh Return On Equity (ROE), Dividend Pershare (DPS), Current Ratio (CR) Dan Book Value Pershare (BVPS) Terhadap Harga Saham (HS) Pada Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek Indonesia (BEI) Periode 2010-2014.

Dan berikut penjabaranya…….

Metode Analisis Data Panel

Sebelum melakukan pengujian regresi data panel, ada baiknya kita mengenal 3 pendekatan yang digunakan dalam metode analisis regresi data panel, ketiga model itu ialah common effect, fixed effect dan random effect dan berikut penjelalasan ringkas mengenai ketiga model tersebut:

Pooled Least Square (Common Effect)

Model Common Effect atau Pooled Least Square Model  adalah model estimasi yang menggabungkan data time series dan data cross section dengan menggunakan pendekatan OLS (Ordinary Least Square) untuk mengestimasi parameternya. Dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu sehingga perilaku data antar perusahaan diasumsikan sama dalam berbagai kurun waktu.  Pada dasarnya Model Common Effect sama seperti OLS dengan meminimumkan jumlah kuadrat, tetapi data yang digunakan bukan data time series atau data cross section saja melainkan data panel yang diterapkan dalam bentuk pooled. Bentuk untuk model Ordinary Least Square adalah:

Y_it  =  b₀ + b₁X_it + b₂X_it +ɛ_it  untuk i=1,2,…,n dan t=1,2,…,t

Fixed Effect Model

Teknik model Fixed Effect adalah teknik mengestimasi data panel dengan menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. Pengertian Fixed Effect ini didasarkan adanya perbedaan intersep antara perusahaan namun intersepnya sama antar waktu (time in variant). Disamping itu, model ini juga mengansumsikan bahwa  koefisien regresi (slope) tetap antar perusahaan dan antar waktu.

Pendekatan dengan variabel dummy ini dikenal dengan sebutan Fixed Effect Model atau Least Square Dummy Variabel (LSDV) atau disebut juga Covariance Model. Persamaan pada estimasi dengan menggunakan Fixed Effect Model dapat ditulis dalam bentuk sebagai berikut:

Y_it  =  b₀ + b₁X_it + b₂X_it + b₃D_1i + b₄D_2i  +……+ ɛ_it  

Dimana:           i = 1,2,...,n       t = 1,2,…,t                   D = dummy

Random Effect Model

Random Effect Model adalah model estimasi regresi panel dengan asumsi koefesien slope kontan dan intersep berbeda antara individu dan antar waktu (Random Effect). Dimasukannya variabel dummy di dalam Fixed Effect Model bertujuan untuk mewakili ketidaktahuan tentang model yang sebenarnya. Namun, ini juga membawa konsekwensi berkurangnya derajat kebebasan (degree of freedom) yang pada akhirnya mengurangi efesiensi parameter. Masalah ini bisa diatasi dengan menggunakan variabel gangguan (error terms) yang dikenal dengan metode Random Effect. Model ini akan mengestimasi data panel dimana variabel gangguan  mungkin saling berhubungan antar waktu dan antar individu.

Model yang tepat digunakan untuk mengestimasi Random Effect adalah Generalized Least Square (GLS) sebagai estimatornya, karena dapat meningkatkan efesiensi dari least square. Bentuk umum untuk Random Effect adalah:

Y_it  =  α₁ + b_jX^j_it + ɛ_it  dengan ɛ_it  = u_i + v_t + w_it

Dimana :

u_i ~ N ( 0, δu2) = komponen cross section error

v_t ~ N ( 0, δv2 ) = komponen time series error

w_it ~ N ( 0, δw2 ) = komponen eror kombinasi

Pemilihan Model Estimasi

Seperti telah dijelaskan sebelumnya bahwa di dalam analisis regresi data panel terdapat 3 macam pendekatan, maka kita perlu memilih pendekatan mana yang terbaik dari ketiga pendekatan itu yang akan kita gunakan untuk memprediksi model regresi dari penelitian yang dilakukan. Dan berikut beberapa uji yang dilakukan untuk mendapatkan pendekatan terbaik dalam analisis regresi data panel:

Uji F Restricted (Chow Test)

Uji Chow ialah pengujian untuk menentukan model Fixed Effet atau Common Effect yang lebih tepat digunakan dalam mengestimasi data panel.  Hipotesis dalam uji chow adalah:

H₀                    : Common Effect Model

H₁                    : Fixed Effect Model

Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan perhitungan F statistik dengan F tabel. Perbandingan dipakai apabila hasil F hitung lebih besar (>) dari F tabel, maka H₀ ditolak yang berarti model yang lebih tepat digunakan adalah Fixed Effect Model. Begitupun sebaliknya, jika F hitung lebih kecil (<) dari F tabel, maka H₀ diterima dan model yang lebih tepat digunakan adalah Common Effect Model.

Perhitungan F statistik untuk Uji Chow dapat dilakukan dengan rumus:

F n-1,nt,n,k = (SSE1 – SSE2) / (n-1)                             SSE2 / (nt-n-k)

Dimana:

SSE1         : Sum Square Error dari model Common Effect

SSE2         : Sum Square Error dari model Fixed Effect

n    : Jumlah individual (cross section)

t     : Jumlah series waktu (time series)

k    : Jumlah variabel independen

Sedangkan F tabel didapat dari:

F-tabel = | α : df (n-1, nt – n –k) |

Uji Hausman

Hausman test adalah pengujian statistik untuk memilih apakah model Fixed Effect atau Random Effect yang lebih tepat digunakan dalam regresi data panel. 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 alternatifnya metode OLS efesien dan GLS tidak efesien. Karena itu uji hipotesis nulnya 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

Uji Hausman akan mengikuti distribusi Chi-Squares sebagai berikut:

Dimana:

Var (

Statistik Uji Hausman ini mengikuti distribusi statistik Chi-Squares dengan degree of freedom sebanyak k, dimana k adalah jumlah variabel independen. Jika nilai statistik Hausman lebih besar dari nilai kritisnya maka H₀ ditolak dan model yang tepat adalah model Fixed Effect sedangkan sebaliknya bila nilai statistik Hausman lebih kecil dari nilai kritisnya maka model yang tepat adalah model Random Effect.

Uji Lagrange Multiplier (LM)

Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model random effect atau model common effect yang lebih tepat digunakan. Uji signifikasi random effect ini dikembangkan oleh Breusch Pagan. Metode Breusch Pagan untuk nilai random effect didasarkan pada nilai residual dari metode OLS. Adapun nilai statistik LM dihitung berdasarkan formula sebagai berikut:

Dimana :

n = Jumlah Individu

T = Jumlah Periode Waktu

e = residual metode common effect (OLS)

Hipotesis yang digunakan adalah :

H0 : Model mengikuti common effect

H1 : Model mengikuti random effect

Jika hasil dari LM hitung > Chi-Square tabel, maka H0 diterima.

Jika hasil dari LM hitung < Chi-Square tabel, maka H1 diterima.

Atau dapat dilakukan dengan melihat nilai Cross-section random. Apabila nilainya berada di atas 0,05 atau tidak signifikan, maka H0 diterima dan jika berada dibawah 0,05 atau signifikan maka H0 ditolak dan H1 diterima.

Setelah melakukan uji-uji dalam mencari pendekatan terbaik dalam regresi data panel diantara common effect, fixed effect dan random effect dan telah kita ketahui pendekatan mana yang terbaik, maka langkah selanjutnya adalah melakukan uji asumsi klasik dan berikut penjelasanya:

Uji Asumsi Klasik

Uji Normalitas

Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah terstandarisasi pada model regresi berdistribusi normal atau tidak. Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Tidak terpenuhinya mormalitas pada umumnya disebabkan karena distribusi data tidak normal, karena terdapat nilai ekstrem pada data yang diambil.

Untuk mendeteksi normalitas data dapat dilakukan dengan melihat koefisien Jarque-Bera dan probabilitasnya. Kedua angka ini saling mendukung. Ketentuanya adalah sebagai berikut:

1)      Bila nilai J-B tidak signifikan (lebih kecil dari 2), maka data berdistribusi normal.

2)      Bila probabilitas lebih besar dari tingkat signifikasi atau α, maka data berdistribusi normal (hipotesis nolnya adalah data berdistribusi normal).

Uji Multikolinieritas

Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tinggi atau sempurna di antara variabel bebas. Multikolinieritas adalah hubungan liniear antar variabel independen di dalam regresi berganda. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Metode untuk mendeteksi ada tidaknya masalah multikolinieritas dapat dilakukan dengan metode korelasi parsial antar variabel independen. Sebagai aturan yang kasar (rule of thumb), jika koefesien korelasi cukup tinggi di atas 0,85 maka kita duga ada multikolinieritas dalam model. Sebaliknya jika koefisien korelasi kurang dari 0,85 maka kita duga model tidak mengandung unsur multikolinieritas. Akan tetapi perlu kehati-hatian terutama pada data time series seringkali menunjukan korelasi antara variabel independen yang cukup tinggi. Korelasi tinggi ini terjadi karena data time series seringkali menunjukan unsur tren, yaitu data bergerak naik dan turun secara bersamaan.

Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi yang terbentuk terjadi ketidaksamaan varian dari residual model regresi. Data yang baik adalah data yang homoskedastisitas. Homoskedastisitas terjadi jika varian variabel pada model regresi memiliki nilai yang sama atau konstan Heteroskesdastisitas berarti varian variabel gangguan yang tidak konstan. Masalah heteroskedastisitas dengan demikian lebih sering muncul pada cross section dari pada data time series. Jika varian dari residual suatu pengamatan ke pengamatan lainnya tetap, maka disebut heteroskedastisitas.

ada beberapa akibat apabila residualnya bersifat heteroskedastisitas:

1)      Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum (tidak lagi best), sehingga hanya memenuhi karakteristik LUE (linear unbiased estimator). Meskipun demikian, estimator metode kuadrat terkecil masih bersifat linier dan tidak bias.

2)      Perhitungan standar eror tidak dapat lagi dipercaya kebenarannya, karena varian tidak minimum. Varian yang tidak minimum mengakibatkan estimasi regresi yang tidak efisien.

3)      Uji hipotesis yang didasarkan pada uji t dan uji F tidak dapat lagi dipercaya karena standar error-nya tidak dapat dipercaya.

Metode yang digunakan untuk mendeteksi ada tidaknya masalah  heteroskedastisitas dapat dilakukan dengan uji Park. Uji Park dilakukan dengan melakukan regresi fungsi-fungsi residual. Jika variabel independen tidak signifikan secara statistik, maka dapat disimpulkan bahwa model yang terbentuk dalam persamaan regresi tidak mengandung masalah heteroskedastisitas.

Uji Autokorelasi

Uji Autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diurutkan menurut waktu atau ruang. Autokorelasi merupakan korelasi antar variabel gangguan satu observasi dengan variabel gangguan observasi lain. Autokorelasi sering muncul pada data time series. Autokorelasi muncul karena observasi yang beruntung sepanjang waktu berkaitan satu sama lain. Autokorelasi dapat diditeksi melalui metode Durbin-Waston (DW) dengan mengansumsikan bahwa variabel gangguannya hanya berhubungan dengan variabel gangguan periode sebelumnya (lag pertama) yang dikenal dengan model autoregresif tingkat pertama dan variabel independen tidak mengandung variabel independen yang merupakan kelambanan dari variabel dependen.

Dasar pengambilan keputusannya adalah sebagai berikut :

Nilai Statistik d (Durbin-Watson)	Hasil
0 < d < dl	Menolak hipotesis nol : ada autokorelasi positif
dl < d < du	Daerah keragu-raguan : tidak ada keputusan
du < d < 4 – du	Menerima hipotesis nol : tidak ada autokorelasi positif / negatif
4 - du < d < 4 – dl	Daerah keragu-raguan : tidak ada keputusan
4 – dl < d < 4	Menolak hipotesis nol : ada autokorelasi negatif

    Analisis Korelasi

Analisis korelasi parsial (Partial Correlation) digunakan untuk mengetahui hubungan antara dua variabel di mana variabel lainnya yang dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol). Koefisien korelasi tersebut dapat diperoleh dari :    

        Rx₁y  =               n∑x₁y – (∑x₁) (∑y)

                         √{n∑x₂ ² – (∑x₁)²} {n∑y² – (∑y)²}

        Rx₂y  =               n∑x₂y – (∑x₂) (∑y)

                         √{n∑x₂ ² – (∑x₂)²} {n∑y² – (∑y)²}

          Rx₃y  =               n∑x₃y – (∑x₃) (∑y)

                         √{n∑x₃ ² – (∑x₃)²} {n∑y² – (∑y)²}

Rx₄y  =               n∑x₄y – (∑x₄) (∑y)

                         √{n∑x₄ ² – (∑x₄)²} {n∑y² – (∑y)²}

Keterangan :

Rx₁y             =    korelasi antara X₁ dengan variabel Y

Rx₂y          =    korelasi antara X₂ dengan variabel Y

Rx₃y          =    korelasi antara X₃ dengan variabel Y

Rx₄y          =    korelasi antara X₄ dengan variabel Y

n                =    banyaknya sampel

X₁                  =    Return On Equity (ROE)

X₂                  =    Dividend Pershare (DPR)

X₃                  =    Current Ratio (CR)

X₄                  =    Book Value Pershare (BVPS)

y                =  Harga Saham (HS)

Secara umum nilai koefisien korelasi terletak antara -1 dan 1 atau -1 ≤ r ≤ 1. Koefisien korelasi mempunyai nilai paling kecil -1 dan paling besar 1, dengan kriteria sebagai berikut :

Jika r=1, korelasi antara X dan Y adalah sempurna positif yang berarti kenaikan atau penurunan X sangat mempengaruhi kenaikan atau penurunan Y.

Jika r = -1, korelasi antara X dan Y sempurna negatif yang berarti kenaikan atau penurunan X tidak mempengaruhi kenaikan atau penurunan Y.

Jika r = 0, korelasi antara X dan Y lemah sekali (tidak ada hubungan)         

Pedoman Untuk Memberikan Interprestasi Koefisien Korelasi

Interval koefisien	Tingkat hubungan
0,00-0,19	Sangat lemah
0,21-0,39	Lemah
0,40-0,59	Sedang
0,60-0,79	Kuat
0,80-1,00	Sangat kuat

             

Uji Hipotesis

Persamaan Regresi Data Panel

Model analisis ini merupakan analisis yang bersifat kuantitatif yang digunakan untuk mengetahui sejauh mana besarnya pengaruh antara variabel bebas dengan variabel terikat. Di dalam penelitian ini peneliti menggunakan uji regresi liner berganda yaitu pengujian yang dilakukan untuk melihat pengaruh dari dua variabel bebas terhadap variabel terikatnya namun masih menunjukkan hubungan yang linear. Model regresi data panel secara umum adalah sebagai berikut :

 

      Ŷ  = a + b₁X₁ + b₂X₂ + b₃X₃ + b₄X₄ + ε

Dari persamaan regresi data panel tersebut, maka model persamaan regresi data panel yang digunakan pada penelitian ini adalah :

 

       HS = a + b₁ROE + b₂DPS + b₃CR+ b₃BVPS + ε

Keterangan :

Ŷ   = variabel dependen (HS)

X₁  = variabel independen pertama (ROE)

X₂  = variabel independen kedua (DPS)

X₃  = variabel independen ketiga (CR)

X₄  = variabel independen keempat (BVPS)

a    =  koefisien konstanta

b₁   =  koefisien regresi

ε    = Error term

Uji Koefisien Regresi Secara Parsial (Uji t)

Uji t digunakan untuk melihat signifikasi dari pengaruh independen secara individu terhadap variabel dependen dengan menganggap variabel lain bersifat konstan. Untuk mengetahui apakah variabel independen berpengaruh signifikan terhadap variabel dependen dalam penelitian ini dilakukan dengan melihat nilai signifikasi (probabilitas) masing-masing variabel independen dengan pengambilan keputusan sebagai berikut :

1)      Jika nilai signifikasi pada variabel bebas > 0.05, maka Ho diterima, artinya secara individual variabel bebas tidak mempengaruhi variabel terikat.

2)      Jika nilai signifikasi pada variabel bebas < 0.05, maka Ho ditolak, artinya secara individual variabel bebas mempengaruhi variabel bebas.

Uji Koefisien Regresi Bersama-sama (Uji F)

Uji F ini adalah pengujian yang bertujuan  untuk mengetahui seberapa besar pengaruh koefisien regresi secara bersama-sama terhadap dependen variabel.

Pengujian dilakukan dengan membandingkan nilai signifikansi dengan nilai α yang ditetapkan (0,05) atau 5%. Jika signifikansi < 0,05 maka H_o ditolak, yang berarti variabel independen bersama-sama mempengaruhi variabel dependen. Jika signifikansi > 0,05 atau 5% maka H_o diterima yang berarti variabel independen bersama-sama tidak mempengaruhi variabel dependen.

Koefisien Determinasi (R²)

Digunakan untuk mengetahui berapa besarnya konstribusi yang diberikan variabel X (ROE, DPS, CR dan BVPS) dalam menjelaskan variabel Y (Harga Saham). Rumus koefisien penentu (KD) dalam penelitian ini sebagai berikut :

 

                   KD  =  R² x 100%

 

Keterangan  :

KD  :    Nilai koefisien determinasi

R²    :    Nilai koefisien korelasi

Pembahasan dan Hasil Analisa Metode Analisis Data Panel

Pemilihan Model Estimasi

Uji F Restricted (Chow Test)

Uji Chow ialah pengujian untuk menentukan model Fixed Effet atau Common  Effect yang lebih tepat digunakan dalam mengestimasi data panel.  Hipotesis dalam uji chow dalam penelitian ini adalah:

H₀              : Common Effect Model

H₁              : Fixed Effect Model

Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan perhitungan F-statistik dengan F-tabel. Perbandingan dipakai apabila hasil F hitung lebih besar (>) dari F tabel, maka H₀ ditolak yang berarti model yang lebih tepat digunakan adalah Fixed Effect Model. Begitupun sebaliknya, jika F hitung lebih kecil (<) dari F tabel, maka H₀ diterima dan model yang digunakan adalah Common Effect Model. Berikut adalah hasil uji Chow yang dilakukan dalam penelitian ini:

Model Common Effect

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15   Time: 22:07
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.654796	0.095605	6.848960	0.0000
ROE	0.050070	0.088559	0.565386	0.5746
DPS	-0.316205	0.371269	-0.851686	0.3989
CR	0.285687	0.120020	2.380339	0.0216
BVPS	-0.003171	0.002525	-1.255531	0.2158
R-squared	0.201137	Mean dependent var		0.706406
Adjusted R-squared	0.130127	S.D. dependent var		0.147065
S.E. of regression	0.137164	Akaike info criterion		-1.040647
Sum squared resid	0.846622	Schwarz criterion		-0.849444
Log likelihood	31.01617	Hannan-Quinn criter.		-0.967836
F-statistic	2.832518	Durbin-Watson stat		0.737393
Prob(F-statistic)	0.035319

Model Fixed Effect

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15   Time: 22:08
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.730833	0.104663	6.982748	0.0000
ROE	-0.162207	0.106762	-1.519338	0.1374
DPS	0.017234	0.302604	0.056952	0.9549
CR	0.249144	0.115163	2.163404	0.0372
BVPS	0.000649	0.002392	0.271361	0.7877
	Effects Specification
Cross-section fixed (dummy variables)
R-squared	0.748014	Mean dependent var		0.706406
Adjusted R-squared	0.657020	S.D. dependent var		0.147065
S.E. of regression	0.086128	Akaike info criterion		-1.834464
Sum squared resid	0.267050	Schwarz criterion		-1.299098
Log likelihood	59.86160	Hannan-Quinn criter.		-1.630594
F-statistic	8.220410	Durbin-Watson stat		2.079381
Prob(F-statistic)	0.000000

Hasil dari penghitungan dari Uji Chow dalam penelitian ini adalah sebagai berikut :

                       F = (0,846622 – 0,26705) / (10-1)    = 11,09268

                               0,26705 / ((10.5)-(10-4))

Hasil dari F hitung adalah sebesar 11,09268 sedangkan nilai F tabel untuk numerator 9 dan denumenator 36 adalah 2,150 yang berarti lebih kecil dari nilai F hitung. Dengan demikian maka H₀ ditolak dan H₁ diterima yang artinya model regresi yang lebih baik adalah model dengan Fixed Effect.

Uji Hausman

Uji Hausman adalah pengujian statistik untuk memilih apakah model Fixed Effect atau Random Effect yang lebih tepat digunakan. Pengujian uji Hausman dalam penelitian ini dilakukan dengan hipotesis berikut:

H₀              : Random Effect Model

H₁              : Fixed Effect Model

Statistik Uji Hausman ini mengikuti distribusi statistik Chi-Squares dengan degree of freedom sebanyak k, dimana k adalah jumlah variabel independen. Jika nilai statistik Hausman lebih besar dari nilai kritisnya, maka H₀ ditolak dan model yang lebih tepat adalah model Fixed Effect sedangkan sebaliknya bila nilai statistik Hausman lebih kecil dari nilai kritisnya, maka model yang lebih tepat adalah model Random Effect.

Untuk melakukan uji Hausman digunakan alat bantu software Eviews. Hasil dari perhitungan statistik uji Hausman adalah sebagai berikut :

Uji Hausman

Correlated Random Effects - Hausman Test
Equation: Untitled
Test cross-section random effects
Test Summary		Chi-Sq. Statistic	Chi-Sq. d.f.	Prob.
Cross-section random		21.125635	4	0.7127
Cross-section random effects test comparisons:
Variable	Fixed	Random	Var(Diff.)	Prob.
ROE	-0.162207	-0.085671	0.003011	0.1631
DPS	0.017234	-0.039296	0.005938	0.4632
CR	0.249144	0.259756	0.001923	0.8088
SBVPS	0.000649	-0.000671	0.000001	0.1818
Cross-section random effects test equation:
Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15   Time: 22:18
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.730833	0.104663	6.982748	0.0000
ROE	-0.162207	0.106762	-1.519338	0.1374
DPS	0.017234	0.302604	0.056952	0.9549
CR	0.249144	0.115163	2.163404	0.0372
BVPS	0.000649	0.002392	0.271361	0.7877
	Effects Specification
Cross-section fixed (dummy variables)
R-squared	0.748014	Mean dependent var		0.706406
Adjusted R-squared	0.657020	S.D. dependent var		0.147065
S.E. of regression	0.086128	Akaike info criterion		-1.834464
Sum squared resid	0.267050	Schwarz criterion		-1.299098
Log likelihood	59.86160	Hannan-Quinn criter.		-1.630594
F-statistic	8.220410	Durbin-Watson stat		2.079381
Prob(F-statistic)	0.000000

Hasil dari penghitungan statistik Hausman adalah sebesar 21,1256, sedangkan nilai kritis Chi-Squares dengan df sebesar 4 pada α = 0,05 adalah sebesar 9,488 yang berarti bahwa nilai nilai statistik Hausman lebih besar dari nilai kritis Chi-Squares. Dengan demikian maka dapat disimpulkan bahwa H₁ diterima dan H₀ ditolak yang berarti model yang lebih tepat digunakan dalam penelitian ini adalah model Fixed Effect.

Uji Lagrange Multiplier (LM)

Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model random effect atau model common effect yang lebih tepat digunakan. Berikut adalah hasil uji LM yang dilakukan dalam penelitian ini :

Uji LM

Lagrange multiplier (LM) test for panel data
Date: 08/28/15   Time: 05:08
Sample: 2009 2013
Total panel observations: 50
Probability in ()
Null (no rand. effect)	Cross-section	Period	Both
Alternative	One-sided	One-sided
Breusch-Pagan	30.15161	2.418038	32.56965
	(0.0000)	(0.1199)	(0.0000)
Honda	5.491048	-1.555004	2.783203
	(0.0000)	(0.9400)	(0.0027)
King-Wu	5.491048	-1.555004	1.752044
	(0.0000)	(0.9400)	(0.0399)
GHM	--	--	30.15161
	--	--	(0.0000)

Dari hasil output diatas dapat dilihat bahwa nilai probabilitas Breusch-Pagan sebesar 0,000 < 0,05 yang berarti bahwa H0 ditolak. Dengan demikian, model yang lebih baik diantara common effect dan random effect adalah model random effect.

Dalam uji chow dan uji hausman yang telah dilakukan sebelumnya telah menunjukan bahwa model fixed effect lebih tepat digunakan dalam memprediksi bentuk regresi dalam penelitian ini dibandingkan dengan model common effect maupun random effect sehingga model fixed effect adalah model yang paling tepat digunakan dalam penelitian ini.

Uji Asumsi Klasik

Uji Normalitas

Untuk mendeteksi normalitas data dapat dilakukan dengan melihat koefisien Jarque-Bera dan probabilitasnya. Berikut adalah hasil dari uji normalitas data yang digunakan dalam penelitian ini:

Dengan melihat nilai probabilitas Jarque-Bera sebesar 0,9392 yang lebih tinggi dari tingkat signifikasi yang digunakan dalam penelitian ini yaitu 5% atau 0,05, maka dapat disimpulkan bahwa model regresi yang digunakan dalam penelitian ini mempunyai data yang berdistribusi dengan normal.

Uji Multikolinieritas

Berikut ini adalah hasil uji multikolinieritas dengan metode korelasi parsial :                                            

	ROE	DPS	CR	BVPS
ROE	1.000000	0.522513	0.507001	-0.269555
DPS	0.522513	1.000000	0.583563	-0.104513
CR	0.507001	0.583563	1.000000	0.247479
BVPS	-0.269555	-0.104513	0.247479	1.000000

Dari tabel di atas dapat dilihat bahwa nilai koefisien korelasi antar sesama variabel independen dalam penelitian ini berada pada kisaran angka dibawah 0,85 sehingga dapat disimpulkan bahwa data yang digunakan dalam penelitian ini terbebas dari masalah multikolinieritas.

Uji Heteroskedastisitas

Berikut ini adalah hasil uji Park yang dilakukan terhadap data yang digunakan dalam penelitian ini :                      

Dependent Variable: RES2
Method: Panel Least Squares
Date: 08/25/15   Time: 22:28
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.005893	0.002517	2.341626	0.0249
ROE	-0.001690	0.002567	-0.658347	0.6145
DPS	-0.009099	0.007277	-1.250466	0.3192
CR	-0.004583	0.002769	-1.655001	0.1266
BVPS	2.29E-05	5.75E-05	0.398915	0.7923
	Effects Specification
Cross-section fixed (dummy variables)
R-squared	0.427675	Mean dependent var		0.000947
Adjusted R-squared	0.221002	S.D. dependent var		0.002347
S.E. of regression	0.002071	Akaike info criterion		-9.289991
Sum squared resid	0.000154	Schwarz criterion		-8.754625
Log likelihood	246.2498	Hannan-Quinn criter.		-9.086121
F-statistic	2.069330	Durbin-Watson stat		1.404102
Prob(F-statistic)	0.042599

Dari tampilan tabel di atas, dapat dilihat bahwa nilai probabilitas untuk semua variabel independen berada di atas 0,05 dengan rincian probabilitas ROE sebesar 0,6145, probabilitas DPS  sebesar 0,3192, probabilitas CR sebesar 0,1266 dan probabilitas BVPS sebesar 0,7923. Dengan demikian maka dapat disimpulkan bahwa tidak ditemukan adanya masalah heteroskedastisitas.       

Uji Autokorelasi

Uji Autokorelasi dalam penelitian ini dilakukan dengan metode Durbin-Waston (DW).

Dari model terbaik dalam regresi yang terbentuk yaitu model fixed effect, dapat dilihat bahwa nilai DW dari persamaan regresi yang terbentuk adalah sebesar 2,079381. Sedangkan nilai tabel Durbin-Watson dengan n=50 dan k=4, maka diperoleh nilai dL= 1,378 dan dU=1,721 sehingga nilai 4-dU = 4-1,721 = 2,279, maka nilai DW dari model regresi yang terbentuk pada penelitian ini berada pada area bebas autokorelasi seperti tabel berikut :

      Uji Autokorelasi

Ada autokorelasi positif

Tidak dapat diputuskan

Tidak ada autokorelasi DW=2,079

Tidak dapat diputuskan

Ada autokorelasi negatif

      0            dL=1,378                    dU=1,721            4-dU=2,279    4-dL=2,622               4

Dari tabel di atas, dapat dilihat bahwa nilai DW dari model regresi yang terbentuk dari penelitian ini berada pada daerah bebas autokorelasi sehingga dapat disimpulkan bahwa data yang digunakan dalam penelitian ini terbebas dari masalah autokorelasi

Analisis Korelasi

Koefisien Korelasi Ganda (X_1,X₂,X_3,X₄ – Y)

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15   Time: 22:08
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.730833	0.104663	6.982748	0.0000
ROE	-0.162207	0.106762	-1.519338	0.1374
DPS	0.017234	0.302604	0.056952	0.9549
CR	0.249144	0.115163	2.163404	0.0372
BVPS	0.000649	0.002392	0.271361	0.7877
	Effects Specification
Cross-section fixed (dummy variables)
R-squared	0.748014	Mean dependent var		0.706406
Adjusted R-squared	0.657020	S.D. dependent var		0.147065
S.E. of regression	0.086128	Akaike info criterion		-1.834464
Sum squared resid	0.267050	Schwarz criterion		-1.299098
Log likelihood	59.86160	Hannan-Quinn criter.		-1.630594
F-statistic	8.220410	Durbin-Watson stat		2.079381
Prob(F-statistic)	0.000000

                        

Dari model fixed effect diatas didapat koefisien determinasi R² (R-square) antara ROE, DPS, CR dan BVPS  dengan Harga Saham adalah sebesar  0,748014. Maka nilai R adalah √0,748014 = 0,864878. Angka 0,864878 menunjukan bahwa terjadi hubungan yang sangat kuat antara keempat variabel independen dengan variabel dependen.

Uji Hipotesis

Persamaan Regresi Data Panel

Analisis regresi linier berganda dimaksudkan untuk menguji sejauh mana dan arah pengaruh variabel-variabel independen terhadap variabel independen terhadap variabel dependen. Variabel independen dalam penelitian ini adalah ROE (X₁), DPS (X₂), CR (X₃), dan BVPS (X₄). Sedangkan variabel dependennya adalah HS (Y).

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15   Time: 22:08
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.730833	0.104663	6.982748	0.0000
ROE	-0.162207	0.106762	-1.519338	0.1374
DPS	0.017234	0.302604	0.056952	0.9549
CR	0.249144	0.115163	2.163404	0.0372
BVPS	0.000649	0.002392	0.271361	0.7877
	Effects Specification
Cross-section fixed (dummy variables)
R-squared	0.748014	Mean dependent var		0.706406
Adjusted R-squared	0.657020	S.D. dependent var		0.147065
S.E. of regression	0.086128	Akaike info criterion		-1.834464
Sum squared resid	0.267050	Schwarz criterion		-1.299098
Log likelihood	59.86160	Hannan-Quinn criter.		-1.630594
F-statistic	8.220410	Durbin-Watson stat		2.079381
Prob(F-statistic)	0.000000

                                   

Berdasarkan hasil riset perhitungan yang dilakukan dengan menggunakan statistik tabel di atas maka didapat persamaan regresi linier berganda model regresi sebagai berikut :

          Y = 0,731 – 0,162 X₁ + 0,017 X₂ + 0,249 X₃ + 0,001 X₄

                           Keterangan :

       Y  =   HS                   X₂  =   DPS                 X₄  = BVPS

       X₁ =   ROE                X₃ =   CR

Berdasarkan persamaan regresi tersebut dapat dianalisis pengaruh masing-masing variabel independen terhadap variabel dependen, yaitu:

Konstanta a sebesar 0,731 menyatakan bahwa jika nilai dari ROE, DPS, CR dan BVPS adalah konstan (0) maka nilai variabel HS adalah sebesar 0,731.

Nilai koefisien regresi X₁ memiliki hubungan negatif -0,162 untuk variabel ROE, artinya setiap perubahan 1% rasio keuangan profitabilitas ROE, maka HS akan mengalami penurunan sebesar 0,432 satuan. Dalam hal ini faktor lain dianggap tetap.

Nilai koefisien regresi X₂ memiliki hubungan positif 0,017 untuk variabel hutang DPS yang artinya setiap kenaikan 1 % DPS, maka HS akan mengalami kenaikan sebesar 0,017 satuan. Dalam hal ini faktor lain dianggap tetap.     

Nilai koefisien regresi X₃ memiliki hubungan positif 0,249 untuk variabel CR artinya setiap kenaikan 1% CR, maka HS akan mengalami kenaikan sebesar 0,249 satuan. Dalam hal ini faktor lain dianggap tetap.

Nilai koefisien regresi X₄ memiliki hubungan positif 0,001 untuk variabel BVPS, artinya setiap kenaikan 1% BVPS, maka HS akan mengalami kenaikan sebesar 0,001 satuan. Dalam hal ini faktor lain dianggap tetap.

Uji Koefisien Regresi Parsial (Uji t)

Uji t yaitu pengujian yang digunakan untuk mengetahui apakah variabel independen secara parsial mempengaruhi variabel dependen. Berikut adalah hasil uji t yang dilakukan dalam penelitian ini.

                                Uji Regresi Parsial (Uji t)

Dependent Variable: HS
Method: Panel Least Squares
Date: 08/25/15   Time: 22:08
Sample: 2009 2013
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.730833	0.104663	6.982748	0.0000
ROE	-0.162207	0.106762	-1.519338	0.1374
DPS	0.017234	0.302604	0.056952	0.9549
CR	0.249144	0.115163	2.163404	0.0372
BVPS	0.000649	0.002392	0.271361	0.7877
	Effects Specification
Cross-section fixed (dummy variables)
R-squared	0.748014	Mean dependent var		0.706406
Adjusted R-squared	0.657020	S.D. dependent var		0.147065
S.E. of regression	0.086128	Akaike info criterion		-1.834464
Sum squared resid	0.267050	Schwarz criterion		-1.299098
Log likelihood	59.86160	Hannan-Quinn criter.		-1.630594
F-statistic	8.220410	Durbin-Watson stat		2.079381
Prob(F-statistic)	0.000000

 

Berdasarkan hasil pada tabel diatas  uji regresi parsial (Uji t) menunjukkan bahwa nilai koefisien regresi variabel ROE  sebesar -0,162 dengan t sebesar -1,519 dan signifikansi 0,137 > 0,05, hal ini menunjukkan pengaruh ROE terhadap HS negatif dan tidak signifikan.

Berdasarkan hasil pada tabel diatas nilai koefsien regresi variabel DPS sebesar 0,017 dengan t sebesar 0,057 dan signifikansi sebesar 0,955 > 0,05, hal ini menunjukan bahwa pengaruh DPS terhadap HS adalah positif tidak signifikan.

Berdasarkan hasil riset pada tabel diatas nilai koefsien regresi variabel CR sebesar 0,249 dengan t sebesar 2,163 dan signifikansi 0,03 < 0,05 menunjukkan bahwa pengaruh variabel CR terhadap HS adalah positif dan signifikan.

Berdasarkan hasil pada tabel diatas, nilai koefsien regresi variabel BVPS sebesar 0,001 dengan t sebesar 0,271 dan signifikansi 0,788 > 0,05 menunjukkan bahwa pengaruh variabel BVPS terhadap HS adalah negatif tidak signifikan.

Uji Koefisien Regresi Bersama-sama (Uji F)

Untuk menguji signifikansi parameter regresi secara simultan digunakan uji statistik F. Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersamaan terhadap variabel terikat atau dependen.                     

Berdasarkan  hasil uji statistik F tabel output model fixed effect di atas, output regresi menunjukkan nilai signifikansi 0,000 < 0,05 (5%), sehingga dapat disimpulkan bahwa secara bersama-sama variabel ROE, DPS, CR dan BVPS berpengaruh secara signifikan terhadap variabel Harga Saham.

Koefisien Determinasi

Analisis koefisien determinasi digunakan untuk mengetahui persentase ROE, DPS, CR, dan BVPS terhadap HS. Dan berdasarkan tabel output model fixed effect di atas dapat diketahui bahwa nilai R-square sebesar 0,7480 artinya secara bersama-sama variabel ROE, DPS, CR, dan BVPS mempunyai kontribusi menjelaskan HS sebesar 74,8%, sedangkan sisanya sebesar 25,2% (100%- 74,8%) dijelaskan oleh variabel lain yang tidak diteliti atau tidak dimasukkan dalam model penelitian ini.

Sekian dulu untuk pembahasan mengenai analisis regresi data panel dengan Eviews. Next time, mimin akan mencoba untuk memposting tulisan lain tentang analisis data dengan judul yang berbeda dan metode analisis yang berbeda serta dengan software yang berbeda.

Terima Kasih………………

DAFTAR PUSTAKA

Ghozali, Imam. “Aplikasi Analisis Multivariat dengan Program IBM SPSS”. Edisi 5 Cetakan V, Badan Penerbit Universitas Diponegoro, Semarang, 2011.

Indriantoro, Nur & Bambang Supomo. “Metodologi Penelitian Bisnis untuk Akuntansi dan Manajemen”. BPFE Yogyakarta, 2002.

Irawati, Susan. “Manajemen Keuangan, Cetakan Pertama”. PT Pustaka, Bandung, 2006

Kasmir. “Analisa Laporan Keuangan”. Kharisma Putra Utama, Jakarta, 2008.

Kasmir. “Pengantar Manajemen Keuangan”. Kencana, Jakarta, 2010.

Siamat, Dahlan. “Manajemen Lembaga Keuangan”. LPFE UI, Jakarta, 2005.

Sugiyono. “Metode Penelitian Bisnis”. CV. Alfabeta, Bandung, 2003.

Suharyadi dan Purwanto, “Statistika untuk Ekonomi dan Keuangan Modern”. Penerbit Salemba 4, Jakarta, 2008.

Sulaiman, Wahid. “Analisis Regresi Menggunakan SPSS Contoh dan Pemecahanya”. Penerbit Andi, Yogyakarta, 2004.

Suliyanto, “Ekonometrika Terapan, Teori dan Aplikasi dengan SPSS”, Penerbit Andi,  Yogyakarta, 2011.

Syahrial, Dermawan. “Manajemen Keuangan”. Mitra Wacana Media, Jakarta, 2007.

Werner, R. Murhadi. “Analisis Saham Pendekatan Fundamental”. Penerbit Indeks, Jakarta, 2009.

Widarjono, Agus. “Analisis Multivariat Terapan”. Unit Penerbit dan Percetakan STIM YKPN, 2010.

Widarjono, Agus. “Ekonometrika Pengantar dan Aplikasinya”. Ekonisia FE UII, Yogyakarta, 2009.