BAB XI
EVIEWS
Data Time Series
Suatu penelitian dilakukan mengenai pengaruh pertumbuhan perusahaan (growth) dan
kebijakan dividen terhadap struktur modal. Berikut adalah data yang dikumpulkan:
Tahun Growth DPR DER
2000 0.52 0.75 0.64
2001 0.55 0.4 0.36
2002 0.6 0.3 0.36
2003 0.32 0.15 0.45
2004 0.65 0.22 0.55
2005 0.63 0.35 0.7
2006 0.21 0.65 0.7
2007 0.55 0.75 0.23
2008 0.36 0.7 0.55
2009 0.36 0.2 0.63
2010 0.52 0.66 0.85
Berdasarkan data tersebut, dilakukan pengolahan data dengan software eviews.
Berikut adalah langkah-langkah pengolahannya:
Input data:
1. Ketik data ke excel sesuai dengan data pada soal dan save dengan format excel.
2. Buka software eviews, kemudian klik: File New Workfile.
3. Ketik start date dengan 2000 dan end date dengan 2010 sesuai data pada soal.
4. Lakukan import data dengan cara:
122
123
a. Klik file
b. Import
c. Import from file
d. Pilih data excel yang telah dibuat sebelumnya
e. Open
f. Pada kotak upper left data cell isikan dengan kolom dimana angka
pertama berada. Pada contoh ini angka pertama pada excel berada pada
kolom B2.
g. Pada kotak name for series, ketik jumlah variabel yang digunakan pada
data. Pada soal ini, terdapat tiga variabel yang digunakan yaitu growth,
DPR, dan DER, sehingga kita ketik dengan 3.
h. Finish
5. Lakukan pengolahan data dengan langkah-langkah:
a. Block variabel yang akan diolah dengan mem-block terlebih dahulu
variabel dependen, dan diikuti dengan variabel independennya.
b. Klik kanan, Open, dan klik as equation
124
c. Pada tampilan Equation estimation akan terlihat nama variabel yang akan
diolah, kemudian tekan Ok.
d. Setelah itu akan muncul output regresi sebagai berikut:
e. Dari output tersebut, dapat dibuat persamaan sebagai berikut:
DER = 0,626866 + 0,084307 DPR – 0,248201 GROWTH
6. Melakukan Uji Asumsi Klasik
Sebelum menganalisis pengaruh masing-masing variabel independen terhadap
variabel dependennya, terlebih dahulu dilakukan pengujian asumsi klasik,
yaitu:
a. Uji Multikolinearitas
Langkah-langkah:
1) Multikolinearitas adalah pengujian untuk mengetahui apakah terdapat
korelasi yang erat antara variabel independen. Oleh karena itu, block
variabel independen yang akan diuji, kemudian klik Quick Group
Statistic Correlation
125
2) Setelah itu akan muncul hasil correlation antar variabel independen.
Kriteria uji multikolinearitas adalah jika nilai correlation berada di
bawah 0,80, maka dapat disimpulkan tidak terdapat multikolienaritas.
DPR GROWTH
DPR 1 -0.11742610
GROWTH -0.11742610 1
b. Uji Autokorelasi
Untuk pengujian autokorelasi dapat menggunakan nilai Durbin Watson
yang ditampilkan pada output sebelumnya. Kriterianya adalah: tidak ada
autokorelasi jika nilai Durbin Watson berada di antara du dan 4-du.
c. Uji Heteroskedastisitas
Pengujian heteroskedastisitas dapat menggunakan uji White dengan
prosedur:
1) Pada hasil estimasi, klik View Residual Diagnostic Heteroskedasticity
Test.
126
2) Setelah itu, pilih White pada kotak Specification, dan Ok
3) Kriteria pengujian:
Uji White menggunakan hipotesis:
H0: tidak ada heteroskedastisitas
Ha: terdapat heteroskedastisitas
Jika nilai prob pada baris “Obs*R-squared” ≤ α, maka H0 ditolak.
Dari hasil uji White didapatkan output sebagai berikut:
Heteroskedasticity Test: White
F-statistic 1.844261 Prob. F(5,5) 0.2590
Obs*R-squared 7.132563 Prob. Chi-Square(5) 0.2110
Scaled explained SS 2.635291 Prob. Chi-Square(5) 0.7560
127
Berdasarkan hasil tersebut, diketahui nilai Prob. Chi-Square pada baris
Obs*R-squared bernilai 0,2110. Nilai ini lebih besar daripada 0,05
sehingga dapat disimpulkan bahwa tidak terdapat heteroskedastisitas
pada data.
d. Uji Normalitas
Uji normalitas menggunakan uji Jarque Berra. Hipotesis dalam pengujian
ini adalah:
H0: Data residual terdistribusi normal
Ha: Data residual tidak terdistribusi normal.
Langkah-langkah dalam melakukan uji normalitas:
1) Pada hasil estimasi, klik View Residual Diagnostic Histogram–
Normality Test
2) Kemudian akan muncul output sebagai berikut:
128
Dari hasil pengolahan didapatkan nilai Probability sebesar 0,905595.
Nilai ini lebih besar dari 0,05, berarti dapat disimpulkan bahwa data
residual terdistribusi normal.
7. Pengujian Hipotesis
Untuk melakukan pengujian hipotesis, kita membutuhkan output hasil
pengolahan data sebelumnya:
Dari output tersebut, kita dapat melakukan pengujian secara bersamaan dan secara
parsial.
a. Model Fit (Uji F)
H0: β1 = β2 = 0
Ha: βk ≠ 0
Nilai Prob (F-statistic) adalah 0,797397. Nilai ini lebih besar daripada 0,05
sehingga dapat disimpulkan Ho tidak ditolak, yang berarti tidak ada pengaruh
yang signifikan dari seluruh variabel X terhadap DER.
b. Pengujian secara parsial
Pengujian secara parsial dilakukan untuk mengetahui apakah terdapat
pengaruh masing-masing variabel X terhadap DER. Variabel X yang
digunakan dalam penelitian ini berjumlah dua variabel, sehingga dilakukan
dua kali pengujian parsial, yaitu:
129
1) Pengujian β1
H0: β1 = 0 (tidak ada pengaruh yang signifikan variabel DPR terhadap
DER)
Ha: β1 ≠ 0 (terdapat pengaruh yang signifikan variabel DPR terhadap
DER)
Nilai Prob. pada variabel X pertama (DPR) adalah 0,7597. Nilai ini lebih
besar daripada 0,05 sehingga dapat disimpulkan bahwa tidak terdapat
pengaruh yang signifikan dari variabel DPR terhadap DER.
2) Pengujian β2
H0: β2 = 0 (tidak ada pengaruh yang signifikan variabel growth terhadap
DER)
Ha: β2 ≠ 0 (terdapat pengaruh yang signifikan variabel growth terhadap
DER)
Nilai Prob. pada variabel X kedua (growth) adalah 0,5886. Nilai ini lebih
besar daripada 0,05 sehingga dapat disimpulkan bahwa tidak terdapat
pengaruh yang signifikan dari variabel growth terhadap DER.
3) Koefisien Determinasi Ganda
Untuk mengetahui seberapa besar variasi Y yang dapat dijelaskan oleh
variabel X-nya, digunakan nilai Adjusted R Square. Nilai Adjusted R
Square pada penelitian ini adalah sebesar -0,181214 atau -18,12%. Nilai
minus dapat diartikan bahwa tidak ada kontribusi berarti dari seluruh
variabel X terhadap variabel dependen.
130
DATA PANEL
Contoh:
Suatu penelitian dilakukan mengenai pengaruh kebijakan dividen (DPR) dan
pertumbuhan perusahaan (growth) terhadap volatilitas harga saham (PV). Berikut
adalah data sampel dari tahun 2013 – 2015 dari beberapa perusahaan manufaktur di
BEI:
TAHUN Perusahaan PV DPR GRO
2013 AMFG 0.36 0.10 0.14
2014 AMFG 0.34 0.07 0.11
2015 AMFG 0.57 0.15 0.35
2013 ARNA 1.32 0.40 0.55
2014 ARNA 0.35 0.30 0.35
2015 ARNA 0.88 0.55 0.55
2013 CPIN 0.74 0.30 0.27
2014 CPIN 0.32 0.22 0.17
2015 CPIN 1.00 0.44 0.22
2013 DPNS 0.59 0.23 0.16
2014 DPNS 0.42 0.20 0.05
2015 DPNS 0.38 0.18 0.02
2013 EKAD 0.40 0.20 0.25
2014 EKAD 0.33 0.17 0.20
2015 EKAD 0.57 0.25 0.30
2013 INAI 0.45 0.10 0.25
2014 INAI 0.96 0.35 0.48
2015 INAI 0.34 0.10 0.35
2013 INTP 0.50 0.17 0.65
2014 INTP 0.32 0.10 0.09
2015 INTP 0.46 0.22 -0.04
Berdasarkan data tersebut, dilakukan pengolahan data dengan software eviews.
Berikut adalah langkah-langkah pengolahannya:
1. Setelah kita berada pada window eviews, maka terlebih dahulu kita harus
membuat workfile. Prosedur membuat workfile adalah sebagai berikut:
131
a. Klik file dan new, yang dilanjutkan dengan memilih opsi workfile.
b. Kemudian pilih balanced panel.
c. Pada kotak start date, isikan dengan tahun awal, yaitu 2013 pada contoh ini.
d. Pada kotak end date, isikan dengan tahun akhir, yaitu 2015 pada contoh ini.
e. Pada number of cross section, isikan jumlah perusahaan per tahun. Pada
contoh ini berarti diisi dengan 7.
2. Lakukan import data dengan cara:
a. Klik file
b. Import
c. Import from file
d. Read
e. Pilih data excel yang telah dibuat sebelumnya.
f. Open
g. Pada kotak upper left data cell isikan dengan kolom dimana angka pertama
berada. Pada contoh ini angka pertama pada excel berada pada kolom C2.
h. Pada kotak name for series, ketik jumlah variabel yang digunakan pada data.
Pada soal ini, terdapat tiga variabel yang digunakan yaitu growth, DPR, dan
DER, sehingga kita ketik dengan “3”.
i. Finish
3. Lakukan pengolahan data dengan langkah-langkah:
a. Block variabel yang akan diolah dengan mem-block terlebih dahulu variabel
dependen, dan diikuti dengan variabel independennya.
b. Klik kanan, Open, dan klik as equation
c. Pada tampilan Equation estimation akan terlihat nama variabel yang akan
diolah, kemudian tekan Ok.
d. Pada panel option, pilih random pada pilihan cross-section
132
4. Setelah itu akan muncul output regresi sebagai berikut:
Dependent Variable: PV
Method: Panel EGLS (Cross-section random effects)
Date: 12/07/16 Time: 01:31
Sample: 2013 2015
Periods included: 3
Cross-sections included: 7
Total panel (balanced) observations: 21
Swamy and Arora estimator of component variances
133
Variable Coefficient Std. Error t-Statistic Prob.
GRO 0.345152 0.252808 1.365273 0.1890
DPR 1.513630 0.374822 4.038267 0.0008
C 0.115213 0.089598 1.285882 0.2148
Effects Specification
S.D. Rho
Cross-section random 0.000000 0.0000
Idiosyncratic random 0.184146 1.0000
Weighted Statistics
R-squared 0.667506 Mean dependent var 0.551503
Adjusted R-squared 0.630562 S.D. dependent var 0.275346
S.E. of regression 0.167359 Sum squared resid 0.504163
F-statistic 18.06816 Durbin-Watson stat 2.287761
Prob(F-statistic) 0.000050
Unweighted Statistics
R-squared 0.667506 Mean dependent var 0.551503
Sum squared resid 0.504163 Durbin-Watson stat 2.287761
Output tersebut adalah hasil pengolahan dengan model efek acak (random effect
model). Sebelum kita menganalisis, kita harus memilih model yang baik untuk
data yang kita miliki.
Estimasi Model
Analisis model data panel memiliki model pendekatan efek tetap (fixed effect
model), dan pendekatan efek acak (random effect model).
Kita dapat memilih pendekatan lain yang dapat digunakan pada model data panel.
Dengan prosedur yang sama seperti sebelumnya. Perbedaannya yaitu pada
penggunaan Panel Option dari box Equation Estimation.
134
Kita dapat memilih Fixed untuk pendekatan fixed effect model, dan Random
untuk pendekatan random effect model.
Dengan menggunakan Eviews kita dapat langsung memilih pendekatan terbaik
yang dapat digunakan, prosedurnya adalah sebagai berikut: Pastikan kita berada
pada window hasil estimasi dengan pendekatan Random Effect, kemudian klik
View, pilih Fixed/Random Effect Testing, Correlated Random Effect-Hausman
Test, lalu klik.
Hausman Test digunakan untuk memilih yang terbaik antara Fixed Effect Model
(FEM) dengan Random Effect Model (REM).
Ho: Model Random
Ha: Model Fixed
135
Setelah diklik akan muncul output sebagai berikut:
Correlated Random Effects - Hausman Test
Equation: Untitled
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Cross-section random 1.534996 2 0.4642
** WARNING: estimated cross-section random effects variance is
zero.
Jika nilai Prob < 0,05 berarti Ho ditolak. Dari output di atas diketahui nilai Prob
adalah 0,4642 yang lebih besar daripada 0,05 sehingga disimpulkan Ho tidak ditolak.
Dengan demikian, model yang cocok adalah random effect model.
Setelah itu kita kembali melakukan pengolahan dengan panel option pada random.
Berikut adalah outputnya:
136
Dependent Variable: PV
Method: Panel EGLS (Cross-section random effects)
Date: 12/07/16 Time: 01:32
Sample: 2013 2015
Periods included: 3
Cross-sections included: 7
Total panel (balanced) observations: 21
Swamy and Arora estimator of component variances
Variable Coefficient Std. Error t-Statistic Prob.
GRO 0.345152 0.252808 1.365273 0.1890
DPR 1.513630 0.374822 4.038267 0.0008
C 0.115213 0.089598 1.285882 0.2148
Effects Specification
S.D. Rho
Cross-section random 0.000000 0.0000
Idiosyncratic random 0.184146 1.0000
Weighted Statistics
R-squared 0.667506 Mean dependent var 0.551503
Adjusted R-squared 0.630562 S.D. dependent var 0.275346
S.E. of regression 0.167359 Sum squared resid 0.504163
F-statistic 18.06816 Durbin-Watson stat 2.287761
Prob(F-statistic) 0.000050
Unweighted Statistics
R-squared 0.667506 Mean dependent var 0.551503
Sum squared resid 0.504163 Durbin-Watson stat 2.287761
Dari output tersebut, dapat dibuat persamaan sebagai berikut:
PV = 0,115213 + 0,345152 GRO + 1,513630 DPR
Setelah itu, kita dapat melakukan pengujian secara bersamaan dan secara parsial.
137
a. Model Fit (Uji F)
H0: β1 = β2 = 0
Ha: βk ≠ 0
Nilai Prob (F-statistic) adalah 0,00005. Nilai ini lebih kecil daripada 0,05
sehingga dapat disimpulkan Ho ditolak, yang berarti minimal ada satu variabel
independen yang mempengaruhi PV.
b. Pengujian secara parsial
Pengujian secara parsial dilakukan untuk mengetahui apakah terdapat
pengaruh masing-masing variabel X terhadap PV. Variabel X yang digunakan
dalam penelitian ini berjumlah dua variabel, sehingga dilakukan dua kali
pengujian parsial, yaitu:
1) Pengujian β1
H0: β1 = 0 (tidak ada pengaruh yang signifikan variabel growth terhadap
PV)
Ha: β1 ≠ 0 (terdapat pengaruh yang signifikan variabel growth terhadap
PV)
Nilai Prob. pada variabel X pertama (growth) adalah 0,1890. Nilai ini lebih
besar daripada 0,05 sehingga dapat disimpulkan bahwa tidak terdapat
pengaruh yang signifikan dari variabel growth terhadap PV.
2) Pengujian β2
H0: β2 = 0 (tidak ada pengaruh yang signifikan variabel DPR terhadap PV)
Ha: β2 ≠ 0 (terdapat pengaruh yang signifikan variabel DPR terhadap PV)
Nilai Prob. pada variabel X kedua (DPR) adalah 0,0008. Nilai ini lebih
kecil daripada 0,05 sehingga dapat disimpulkan bahwa terdapat pengaruh
yang signifikan dari variabel DPR terhadap PV.
3) Koefisien Determinasi Ganda
Untuk mengetahui seberapa besar variasi Y yang dapat dijelaskan oleh
variabel X-nya, digunakan nilai adjusted R square. Nilai adjusted R
square pada penelitian ini adalah sebesar 0,6305 atau 63,05%. Hal ini
berarti variabel-variabel independen dapat menjelaskan variasi variabel
PV sebesar 63,05%, dan sisanya dijelaskan oleh variabel lain yang tidak
dimasukkan ke dalam model.
138
Melakukan Uji Asumsi Klasik
Sebelum menganalisis pengaruh masing-masing variabel independen terhadap
variabel dependennya, terlebih dahulu dilakukan pengujian asumsi klasik, yaitu:
a. Uji Multikolinearitas
Langkah-langkah:
1) Multikolinearitas adalah pengujian untuk mengetahui apakah terdapat
korelasi yang erat antara variabel independen. Oleh karena itu, block
variabel independen yang akan diuji, kemudian klik Quick Group Statistic
Correlation
2) Setelah itu akan muncul hasil correlation antar variabel independen.
Kriteria uji multikolinearitas adalah jika nilai correlation berada di bawah
0,80, maka dapat disimpulkan tidak terdapat multikolienaritas.
GRO DPR
GRO 1.000000 0.467455
DPR 0.467455 1.000000
Dari hasil pengujian, diketahui bahwa nilai correlation berada di bawah
0,80 sehingga disimpulkan tidak ada masalah multikolinearitas pada
variabel independen.
b. Uji Autokorelasi
Untuk pengujian autokorelasi dapat menggunakan nilai Durbin Watson yang
ditampilkan pada output sebelumnya. Kriterianya adalah: tidak ada autokorelasi
jika nilai Durbin Watson berada di antara du dan 4-du. Nilai durbin watson dapat
dilihat pada output sebelumnya, yaitu 2,2877.
c. Uji Normalitas
Uji normalitas menggunakan uji Jarque Berra. Hipotesis dalam pengujian ini
adalah:
H0: Data residual terdistribusi normal
Ha: Data residual tidak terdistribusi normal.
Langkah-langkah dalam melakukan uji normalitas:
1) Pada hasil estimasi, klik View Residual Diagnostic Histogram –
Normality Test
2) Output yang muncul adalah sebagai berikut:
139
Dari hasil pengolahan data diketahui nilai probability adalah 0,6338. Nilai ini
lebih besar daripada 0,05 sehingga dapat disimpulkan bahwa data residual
terdistribusi secara normal.