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.
Jumat, 27 November 2015
Minggu, 22 November 2015
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:
Yit = b0 + b1Xit + b2Xit +ɛit 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:
Yit = b0 + b1Xit + b2Xit + b3D1i + b4D2i +……+ ɛit
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:
Yit = α1
+ bjXjit
+ ɛit dengan ɛit = ui + vt + wit
Dimana :
ui ~ N ( 0, δu2) = komponen cross section error
vt ~ N ( 0, δv2 ) = komponen time series error
wit ~ 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 Ho
ditolak, yang berarti variabel independen bersama-sama mempengaruhi variabel
dependen. Jika signifikansi > 0,05 atau 5% maka Ho 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 (X1,X2,X3,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.
Langganan:
Postingan (Atom)