Professional Documents
Culture Documents
Oleh :
Istiqlal Abadiyah Sukma Putri
081511833054
Dosen Pengajar :
Suliyanto
II. Ringkasan
Penelitian ini bertujuan untuk mengetahui pengaruh current ratio, return on assets,
debt to equity ratio dan size secara parsial terhadap return saham perusahaan
manufaktur yang terdaftar di Bursa Efek Indonesia periode 2008-2011. Selain itu
penelitian ini bertujuan untuk mengetahui pengaruh current ratio, return on assets,
debt to equity ratio dan size secara simultan terhadap return saham perusahaan
manufaktur yang terdaftar di Bursa Efek Indonesia periode 2008-2011.
Desain penelitian ini bersifat ex post facto. Populasi dalam penelitian ini adalah
perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia periode 2008-2011.
Teknik pengambilan sampel menggunakan metode purposive sampling yaitu data
dipilih berdasarkan kriteria-kriteria tertentu. Berdasarkan kriteria yang telah
ditetapkan diperoleh jumlah sampel 20 perusahaan. Jenis data yang digunakan adalah
data sekunder yang diperoleh dari Indonesian Capital Market Directory. Metode
analisis data yang digunakan adalah analisis regresi linier berganda.
Uji Normalitas
Asumsi normalitas pada regresi linear berganda adalah variabel residual harus berdistribusi
normal. Oleh karena itu variabel residual harus diuji kenormalannya.
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
α : 5 % (0,05)
Daerah kritisnya adalah 𝐇𝟎 ditolak jika 𝒑𝒗𝒂𝒍𝒖𝒆 < α (=0,05)
60
50
40
30
20
10
1
-1,0 -0,5 0,0 0,5
RESI1
I. Estimasi Data
1. Estimasi Model Regresi Linear Berganda
Berdasarkan data tersebut pada tahun 2008, bentuk model regresi linier berganda
adalah :
yi= β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 + εi
Mengestimasi model regresi linier berganda pada identik dengan mengestimasi
parameter β. Untuk mengestimasi parameter β digunakan metode kuadrat terkecil,
yaitu menentukan nilai parameter β yang meminimumkan fungsi Q = ε’ε sehingga
diperoleh estimator untuk β adalah :
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦
̂ = 𝑋𝛽̂
𝑦̂ = 𝐸(𝑦)
8,17937 −0,223054 −0,0115899 −0,0020192 −0,511186 −2,258
−0,022305 0,024286 0,0010309 0,0002625 0,009199 −3,964
𝛽̂ = −0,01159 0,001031 0,0010418 0,0000481 −0,000307 −5,329
−0,00202 0,000263 0,0000481 0,0000148 −0,000033 −487,716
[ −0,51119 0,009199 −0,0003071 −0,0000330 0,034654 ] [ −37,762 ]
2,76535
−0,07353
= 0,00466
−0,00273
[−0,17310]
Sehingga, estimasi model regresi linear berganda adalah :
𝒚̂𝒊 = 𝟐, 𝟕𝟔𝟓𝟑𝟓 − 𝟎, 𝟎𝟕𝟑𝟓𝟑 𝑿𝒊𝟏 + 𝟎, 𝟎𝟎𝟒𝟔𝟔 𝑿𝒊𝟐 − 𝟎, 𝟎𝟎𝟐𝟕𝟑 𝑿𝒊𝟑 − 𝟎, 𝟏𝟕𝟑𝟏𝟎 𝑿𝒊𝟒
Tafsiran :
̂1 = −0,07353 artinya jika variabel prediktor X1 naik sebesar 1 unit, maka
a. 𝛽
rata nilai Y turun sebesar 0,07353 unit dengan menganggap variabel prediktor
yang lain tetap
̂2 = 0,00466 artinya jika variabel prediktor X2 naik sebesar 1 unit, maka rata
b. 𝛽
nilai Y naik sebesar 0,00466 unit dengan menganggap variabel prediktor yang
lain tetap
̂3 = −0,00273 artinya jika variabel prediktor X3 naik sebesar 1 unit, maka
c. 𝛽
rata nilai Y turun sebesar 0,00273 unit dengan menganggap variabel prediktor
yang lain tetap
̂4 = −0,17310 artinya jika variabel prediktor X4 naik sebesar 1 unit, maka
d. 𝛽
rata nilai Y turun sebesar 0,17310 unit dengan menganggap variabel prediktor
yang lain tetap
Output minitab :
Variabel respon y adalah return saham tahun 2008, sedangkan variabel prediktor x1
adalah current ratio tahun 2008, x2 adalah return on assets tahun 2008, x3 adalah
debt to equity ratio tahun 2008, dan x4 adalah size tahun 2008.
Dari output software minitab, didapatkan persamaan model regresi sebagai berikut :
y = 2,77 - 0,0735 x1 + 0,0047 x2 - 0,00273 x3 - 0,173 x4
Dari hasil Minitab diatas, nilai R2 dapat diambil dari R-Sq yaitu sebesar 48,7% =
0,487. Artinya keragaman nilai variabel respon return saham (Y) yang dapat
dijelaskan oleh 4 variabel prediktor (X), yaitu x1 adalah current ratio, x2 adalah
return on assets, x3 adalah debt to equity ratio, dan x4 adalah size pada tahun 2008
adalah sebesar 48,7% = 0,487.
Analysis of Variance
Source DF SS MS F P
Regression 4 1,6349 0,4087 3,55 0,031
Residual Error 15 1,7255 0,1150
Total 19 3,3604
Source DF SS MS F P
Regression 1 0,0291 0,0291 0,16 0,696
Residual Error 18 3,3313 0,1851
Total 19 3,3604
Analysis of Variance
Source DF SS MS F P
Regression 1 0,1666 0,1666 0,94 0,345
Residual Error 18 3,1938 0,1774
Total 19 3,3604
Analysis of Variance
Source DF SS MS F P
Regression 1 0,7146 0,7146 4,86 0,041
Residual Error 18 2,6458 0,1470
Total 19 3,3604
Analysis of Variance
Source DF SS MS F P
Regression 1 0,8872 0,8872 6,46 0,020
Residual Error 18 2,4732 0,1374
Total 19 3,3604
Artinya bahwa pada tahun 2008 tidak ada data yang mempunyai amatan
berulang pada variabel prediktor x1 , x2 , x3 , dan x4 , sehingga data tersebut tidak
dapat dilakukan uji ketidaksesuaian model.
Source DF SS MS F P
Regression 1 0,0291 0,0291 0,16 0,696
Residual Error 18 3,3313 0,1851
Total 19 3,3604
Source DF SS MS F P
Regression 1 0,1666 0,1666 0,94 0,345
Residual Error 18 3,1938 0,1774
Total 19 3,3604
Source DF SS MS F P
Regression 1 0,7146 0,7146 4,86 0,041
Residual Error 18 2,6458 0,1470
Total 19 3,3604
Source DF SS MS F P
Regression 1 0,8872 0,8872 6,46 0,020
Residual Error 18 2,4732 0,1374
Total 19 3,3604
Source DF SS MS F P
Regression 2 0,2049 0,1025 0,55 0,586
Residual Error 17 3,1555 0,1856
Total 19 3,3604
Source DF SS MS F P
Regression 2 0,7609 0,3805 2,49 0,113
Residual Error 17 2,5995 0,1529
Total 19 3,3604
Source DF SS MS F P
Regression 2 0,9272 0,4636 3,24 0,064
Residual Error 17 2,4332 0,1431
Total 19 3,3604
Source DF SS MS F P
Regression 2 0,7355 0,3677 2,38 0,123
Residual Error 17 2,6249 0,1544
Total 19 3,3604
Source DF SS MS F P
Regression 2 1,1007 0,5504 4,14 0,034
Residual Error 17 2,2597 0,1329
Total 19 3,3604
Source DF SS MS F P
Regression 2 1,3517 0,6759 5,72 0,013
Residual Error 17 2,0087 0,1182
Total 19 3,3604
variabel penduga parameter simpangan baku t p-value
X3 -0,002222 0,001121 -1,98 0,064
X4 -0,13981 0,06021 -2,32 0,033
Analysis of Variance
Source DF SS MS F P
Regression 3 0,7703 0,2568 1,59 0,232
Residual Error 16 2,5901 0,1619
Total 19 3,360
Analysis of Variance
Source DF SS MS F P
Regression 3 1,4123 0,4708 3,87 0,030
Residual Error 16 1,9481 0,1218
Total 19 3,3604
Analysis of Variance
Source DF SS MS F P
Regression 3 1,6141 0,5380 4,93 0,013
Residual Error 16 1,7463 0,1091
Total 19 3,360
Source DF SS MS F P
Regression 3 1,1332 0,3777 2,71 0,079
Residual Error 16 2,2272 0,1392
Total 19 3,3604
variabel penduga parameter simpangan baku t p-value
X1 -0,02525 0,05229 -0,48 0,636
X2 0,01351 0,01110 1,22 0,241
X4 -0,17917 0,06938 -2,58 0,020
Analysis of Variance
Source DF SS MS F P
Regression 4 1,6349 0,4087 3,55 0,031
Residual Error 15 1,7255 0,1150
Total 19 3,3604
Menguji apakah βk = 0
a. Menguji apakah current ratio tahun 2008 (X1) dapat dibuang dari model penuh.
H0 : β1 = 0
H1 : β1 ≠ 0
Daerah kritis : H0 ditolak jika F > F (0,05;1;15) atau F > 4,54
Statistik uji :
Kesimpulan : tidak benar bahwa β1, β3 dan β4 sama dengan nol, sehingga
β1X1, β3X3 dan β4X4 tidak dapat dibuang dari model regresi
yang di dalamnya sudah terdapat β2X2.
d. Menguji apakah β2X2, β3X3 dan β4X4 dapat dibuang dari model penuh
H0 : β2 = β3 = β4 = 0
H1 : tidak benar bahwa β2, β3 dan β4 sama dengan nol
Daerah kritis : H0 ditolak jika F > F (0,05;3;15) atau F > 3,29
Statistik uji :
Artinya, jika X1 dimasukkan ke dalam model regresi yang didalamnya sudah ada X2 ,
X3, dan X4 maka JKG (𝑋2 , 𝑋3 , 𝑋4 ) akan berkurang sebesar 11,43%.
Koefisien korelasi parsial antara y dan X2 jika sudah ada X1 , X3, dan X4
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 0,0208
r2y2.134 = = = 0,01191089733
𝐽𝐾𝐺 (𝑋1 ,𝑋3, 𝑋4 ) 1,7463
Artinya, jika X2 dimasukkan ke dalam model regresi yang didalamnya sudah ada X1 ,
X3, dan X4 maka JKG (𝑋1 , 𝑋3 , 𝑋4 ) akan berkurang sebesar 1,191%.
Koefisien korelasi parsial antara y dan X3 jika sudah ada X1 , X2, dan X4
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 0,5017
r2y3.124 = = = 0,2252604167
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋4 ) 2,2272
Artinya, jika X3 dimasukkan ke dalam model regresi yang didalamnya sudah ada X1 ,
X2, dan X4 maka JKG (𝑋1 , 𝑋2 , 𝑋4 ) akan berkurang sebesar 22,53%.
Koefisien korelasi parsial antara y dan X4 jika sudah ada X1 , X2, dan X3
𝐽𝐾𝑅 (𝑋4 |𝑋1 ,𝑋2 ,𝑋3 ) 0,8646
r2y4.123 = = = 0,3338095054
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋3 ) 2,5901
Artinya, jika X3 dimasukkan ke dalam model regresi yang didalamnya sudah ada X1 ,
X2, dan X4 maka JKG (𝑋1 , 𝑋2 , 𝑋4 ) akan berkurang sebesar 33,38%.
VI. Plot Regresi Parsial
Plot regresi parsial adalah plot galat yang telah mengalami perubahan sehingga
dapat menunjukkan hubungan yang tepat bagi suatu variabel prediktor di dalam
model regresi. Dalam plot regresi parsial, baik variabel respon Y maupun variabel
prediktor Xk yang sedang dipertimbangkan untuk diregresikan terhadap variabel
prediktor lain yang ada dalam model regresi dan untuk setiap regresi ini diperoleh
galat.
a. X1 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X2, X3, X4) dengan ei(X1| X2, X3, X4).
Regresi Y terhadap X2, X3, X4 dan regresi X1 terhadap X2, X3, X4 masing-masing
adalah :
𝑦̂ = 2,09 + 0,0078 X2 - 0,00193 X3 - 0,145 X4
dan
𝑋̂1 = 9,18 - 0,0424 X2 - 0,0108 X3 - 0,379 X4
0,50
0,25
ei(Y | X2, X3, X4)
0,00
-0,25
-0,50
-0,75
-3 -2 -1 0 1 2 3 4 5
ei(X1| X2, X3, X4)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
b. X2 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X1, X3, X4) dengan ei(X2| X1, X3, X4)
Regresi Y terhadap X1, X3, X4 dan regresi X2 terhadap X1, X3, X4 masing-masing
adalah :
𝑦̂ = 2,82 - 0,0781 X1 - 0,00294 X3- 0,172 X4
dan
𝑋̂2 = 11,1 - 0,99 X1 - 0,0462 X3 + 0,29 X4
0,25
ei(Y | X1, X3, X4)
0,00
-0,25
-0,50
-0,75
-10 -5 0 5 10 15
ei(X2| X1, X3, X4)
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂2 = 0,0047. Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
dengan X2 bila X1, X3, X4 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X2 mungkin bermanfaat karena linier positif.
Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi parsial :
ei(Y | X1, X3, X4) = 0,0047 ei(X2| X1, X3, X4)
Y - 𝑌̂ = 0,0047 (X2 - 𝑋̂2 )
Y = 2,74 – 0,0735 X1 + 0,0047 X2 – 0,00273 X3 – 0,173 X4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
c. X3 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X1, X2, X4) dengan ei(X3| X1, X2, X4)
0,50
0,25
ei(Y | X1, X2, X4)
0,00
-0,25
-0,50
-0,75
-100 -50 0 50 100 150
ei(X3| X1, X2, X4)
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂3 = -0,00273. Plot regresi parsial ini menunjukkan sifat hubungan linier antara
Y dengan X3 bila X1, X2, X4 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X3 mungkin tidak terlalu bermanfaat karena linier
negatif. Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi
parsial :
ei(Y | X1, X2, X4) = -0,00273 ei(X3 | X1, X2, X4)
Y - 𝑌̂ = -0,00273 (X3 - 𝑋̂3 )
Y = 2,74 – 0,0735 X1 + 0,00466 X2 – 0,00273 X3 – 0,173 X4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
d. X4 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X1, X2, X3) dengan ei(X4| X1, X2, X3)
Scatterplot of ei(Y | X1, X2, X3) vs ei(X4| X1, X2, X3)
0,8
0,6
0,4
ei(Y | X1, X2, X3)
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-3 -2 -1 0 1 2
ei(X4| X1, X2, X3)
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂4 = -0,173. Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
dengan X4 bila X1, X2, X3 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X4 mungkin tidak terlalu bermanfaat karena linier
negatif. Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi
parsial :
ei(Y | X1, X2, X3) = -0,173 ei(X4 | X1, X2, X3)
Y - 𝑌̂ = -0,173 (X4 - 𝑋̂4 )
Y = 2,74 – 0,0735 X1 + 0,00466 X2 – 0,00273 X3 – 0,173 X4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
VII. Identifikasi Pencilan Variabel Prediktor
Data yang mengandung pencilan dalam penerapan regresi, artinya adalah bahwa
pengamatan bagi kasus tersebut terpisah jelas dari gugus data lainnya. Kasus pencilan
digunakan untuk menyelidiki apakah kasus tersebut harus dibuang atau masih dapat
dipertahankan, jika dipertahankan apakah pengaruhnya harus dikurangi di dalam
proses estimasi modelnya dan atau model regresi harus direvisi.
Dalam hal ini digunakan unsur diagonal hii (diagonal ke i dari matriks H) yang
dinamakan leverage pengamatan ke i yang menunjukkan apakah nilai-nilai X pada
pengamatan ke i merupakan pencilan atau bukan.
𝑝 5
Nilai leverage hii dianggap besar jika memenuhi hii > 2 𝑛 = 2 20 = 0,5. Dari tabel diatas
a. Model liniear
Seperti dijelaskan pada estimasi model linear berganda sebelumnya.
b. Model logarithmatic
The regression equation is
y = 6,93 - 0,155 ln X1 + 0,0286 ln X2 - 0,144 ln X3 – 2,39 ln X4
Analysis of Variance
Source DF SS MS F P
Regression 4 1,4351 0,3588 2,80 0,064
Residual Error 15 1,9253 0,1284
Total 19 3,3604
c. Model Invers
The regression equation is
y = - 2,53 + 0,0764 1/X1 - 0,00214 1/X2 + 0,55 1/X3 + 33,9 1/X4
Analysis of Variance
Source DF SS MS F P
Regression 4 1,4459 0,3615 2,83 0,062
Residual Error 15 1,9145 0,1276
Total 19 3,3604
d. Model Quadratic
The regression equation is
y = 8,74 - 0,169 X1 + 0,0444 X2 + 0,00337 X3 - 1,09 X4 + 0,0166 X12 -
0,00211 X22 - 0,000021 X32 + 0,0334 X42
Analysis of Variance
Source DF SS MS F P
Regression 8 1,9285 0,2411 1,85 0,170
Residual Error 11 1,4319 0,1302
Total 19 3,3604
e. Model Cubic
Analysis of Variance
Source DF SS MS F P
Regression 12 2,5122 0,2093 1,73 0,239
Residual Error 7 0,8483 0,1212
Total 19 3,3604
f. Pada data yang disajikan pada tahun 2008 tidak dapat digunakan untuk
mengestimasi kurva dengan menggunakan model compound, power, S, growth,
exponential, dan logistic. Hal ini dikarenakan pada variabel respon Y yaitu return
saham 2008 terdapat data yang bernilai negatif (-) sedangkan ln(y) harus memenuhi
syarat y > 0.
Untuk menentukan estimasi kurva terbaik digunakan kriteria MSE terkecil dan R²
besar. Secara ringkas hasilnya disajikan pada tabel berikut :
Jenis kurva MSE R²
Linier 0,1150 0,487
Logarithmic 0,1284 0,427
Invers 0,1276 0,43
Quadratic 0,1302 0,574
Cubic 0,1212 0,748
Berdasarkan tabel tersebut diperoleh estimasi kurva terbaik adalah dengan
menggunakan model cubic.
ANALISIS TAHUN 2009
Uji Normalitas
Asumsi normalitas pada regresi linear berganda adalah variabel residual harus berdistribusi
normal. Oleh karena itu variabel residual harus diuji kenormalannya.
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
α : 5 % (0,05)
Daerah kritisnya adalah 𝐇𝟎 ditolak jika 𝒑𝒗𝒂𝒍𝒖𝒆 < α (=0,05)
60
50
40
30
20
10 Normality test
5
1
-2 -1 0 1 2
RESI2
I. Estimasi Data
1. Estimasi Model Regresi Linear Berganda
Berdasarkan data tersebut pada tahun 2009, bentuk model regresi linier berganda
adalah :
yi= β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 + εi
Mengestimasi model regresi linier berganda pada identik dengan mengestimasi
parameter β. Untuk mengestimasi parameter β digunakan metode kuadrat terkecil,
yaitu menentukan nilai parameter β yang meminimumkan fungsi Q = ε’ε
sehingga diperoleh estimator untuk β adalah :
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦
̂ = 𝑋𝛽̂
𝑦̂ = 𝐸(𝑦)
11,5100 −0,285900 0,0520775 −0,0046968 −0,762997 7,462
−0,2859 0,023826 −0,0009434 0,0004197 0,014035 22,046
𝛽̂ = 0,0521 −0,000943 0,0008566 0,0000097 −0,004181 138,74
−0,0047 0,000420 0,0000097 0,0000289 0,000088 473,099
[ −0,7630 0,014035 −0,0041805 0,0000884 0,053482 ] [114,457]
−2,74083
0,06592
= 0,01276
−0,00067
[ 0,19902 ]
Output minitab :
The regression equation is
Y = - 2,74 + 0,066 X1 + 0,0128 X2 - 0,00067 X3 + 0,199 X4
Dari hasil Minitab diatas, nilai R2 dapat diambil dari R-Sq yaitu sebesar 22,6% =
0,226. Artinya keragaman nilai variabel respon return saham (Y) yang dapat
dijelaskan oleh 4 variabel prediktor (X), yaitu x1 adalah current ratio, x2 adalah
return on assets, x3 adalah debt to equity ratio, dan x4 adalah size pada tahun 2009
adalah sebesar 22,6% = 0,226.
Analysis of Variance
Source DF SS MS F P
Regression 4 2,4491 0,6123 1,10 0,394
Residual Error 15 8,3811 0,5587
Total 19 10,8302
Analysis of Variance
Source DF SS MS F P
Regression 1 0,0685 0,0685 0,11 0,739
Residual Error 18 10,7617 0,5979
Total 19 10,8302
Analysis of Variance
Source DF SS MS F P
Regression 1 1,6219 1,6219 3,17 0,092
Residual Error 18 9,2083 0,5116
Total 19 10,8302
Analysis of Variance
Source DF SS MS F P
Regression 1 0,1934 0,1934 0,33 0,574
Residual Error 18 10,6368 0,5909
Total 19 10,8302
Source DF SS MS F P
Regression 1 1,7158 1,7158 3,39 0,082
Residual Error 18 9,1144 0,5064
Total 19 10,8302
Artinya bahwa pada tahun 2009 tidak ada data yang mempunyai amatan
berulang pada variabel prediktor x1 , x2 , x3 , dan x4 , sehingga data tersebut tidak
dapat dilakukan uji ketidaksesuaian model.
Source DF SS MS F P
Regression 1 0,0685 0,0685 0,11 0,739
Residual Error 18 10,7617 0,5979
Total 19 10,8302
Source DF SS MS F P
Regression 1 1,6219 1,6219 3,17 0,092
Residual Error 18 9,2083 0,5116
Total 19 10,8302
Source DF SS MS F P
Regression 1 0,1934 0,1934 0,33 0,574
Residual Error 18 10,6368 0,5909
Total 19 10,8302
Source DF SS MS F P
Regression 1 1,7158 1,7158 3,39 0,082
Residual Error 18 9,1144 0,5064
Total 19 10,8302
Source DF SS MS F P
Regression 2 1,6735 0,8368 1,55 0,240
Residual Error 17 9,1567 0,5386
Total 19 10,8302
Source DF SS MS F P
Regression 2 0,1949 0,0974 0,16 0,857
Residual Error 17 10,6353 0,6256
Total 19 10,8302
Source DF SS MS F P
Regression 2 2,2358 1,1179 2,21 0,140
Residual Error 17 8,5945 0,5056
Total 19 10,830
variabel penduga parameter simpangan baku t p-value
X1 0,09220 0,09091 1,01 0,325
X4 0,2651 0,1281 2,07 0,054
Source DF SS MS F P
Regression 2 1,6992 0,8496 1,58 0,234
Residual Error 17 9,1310 0,5371
Total 19 10,8302
Source DF SS MS F P
Regression 2 2,1101 1,0550 2,06 0,159
Residual Error 17 8,7201 0,5129
Total 19 10,830
Source DF SS MS F P
Regression 2 1,9782 0,9891 1,90 0,180
Residual Error 17 8,8520 0,5207
Total 19 10,8302
Analysis of Variance
Source DF SS MS F P
Regression 3 1,7085 0,5695 1,00 0,419
Residual Error 16 9,1217 0,5701
Total 19 10,8302
Source DF SS MS F P
Regression 3 2,2667 0,7556 1,41 0,276
Residual Error 16 8,5636 0,5352
Total 19 10,8302
Analysis of Variance
Source DF SS MS F P
Regression 3 2,2589 0,7530 1,41 0,278
Residual Error 16 8,5713 0,5357
Total 19 10,8302
Source DF SS MS F P
Regression 3 2,4334 0,8111 1,55 0,241
Residual Error 16 8,3968 0,5248
Total 19 10,8302
Source DF SS MS F P
Regression 4 2,4491 0,6123 1,10 0,394
Residual Error 15 8,3811 0,5587
Total 19 10,8302
a. Menguji apakah current ratio tahun 2009 (X1) dapat dibuang dari model penuh.
H0 : β1 = 0
H1 : β1 ≠ 0
Daerah kritis : H0 ditolak jika F > F (0,05;1;15) atau F > 4,54
Statistik uji :
b. Menguji apakah return on assets tahun 2009 (X2) dapat dibuang dari model
penuh.
H0 : β2 = 0
H1 : β2 ≠ 0
Daerah kritis : H0 ditolak jika F > F (0,05;1;15) atau F > 4,54
Statistik uji :
Artinya, jika X1 dimasukkan ke dalam model regresi yang didalamnya sudah ada
X2 , X3, dan X4 maka JKG (𝑋2 , 𝑋3 , 𝑋4 ) akan berkurang sebesar 2,13%.
Koefisien korelasi parsial antara y dan X2 jika sudah ada X1 , X3, dan X4
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 0,1902
r2y2.134 = = = 0,02219033285
𝐽𝐾𝐺 (𝑋1 ,𝑋3, 𝑋4 ) 8,5713
Artinya, jika X2 dimasukkan ke dalam model regresi yang didalamnya sudah ada
X1 , X3, dan X4 maka JKG (𝑋1 , 𝑋3 , 𝑋4 ) akan berkurang sebesar 2,22%.
Koefisien korelasi parsial antara y dan X3 jika sudah ada X1 , X2, dan X4
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 0,0157
r2y3.124 = = = 0,00186976
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋4 ) 8,3968
Artinya, jika X3 dimasukkan ke dalam model regresi yang didalamnya sudah ada
X1 , X2, dan X4 maka JKG (𝑋1 , 𝑋2 , 𝑋4 ) akan berkurang sebesar 0,19%.
Koefisien korelasi parsial antara y dan X4 jika sudah ada X1 , X2, dan X3
𝐽𝐾𝑅 (𝑋4 |𝑋1 ,𝑋2 ,𝑋3 ) 0,7406
r2y4.123 = = = 0,08119100606
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋3 ) 9,1217
Artinya, jika X3 dimasukkan ke dalam model regresi yang didalamnya sudah ada
X1 , X2, dan X4 maka JKG (𝑋1 , 𝑋2 , 𝑋4 ) akan berkurang sebesar 8,12%.
1,5
1,0
0,5
RESI7
0,0
-0,5
-1,0
-3 -2 -1 0 1 2 3 4
RESI8
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂1 = 0,066. Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
dengan X1 bila X2, X3, X4 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X1 mungkin bermanfaat karena linier positif.
Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi parsial :
ei(Y | X2, X3, X4) = 0,066 ei(X1 | X2, X3, X4)
Y - 𝑌̂ = 0,066 (X1 - 𝑋̂1 )
Y = - 2,74 + 0,066 X1 + 0,0128 X2 – 0,00067 X3 + 0,199 X4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
b. X2 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X1, X3, X4) dengan ei(X2| X1, X3, X4)
Scatterplot of RESI9 vs RESI10
2,0
1,5
1,0
0,5
RESI9
0,0
-0,5
-1,0
-10 -5 0 5 10 15 20 25
RESI10
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂2 = 0,0128. Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
dengan X2 bila X1, X3, X4 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X2 mungkin bermanfaat karena linier positif.
Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi parsial :
ei(Y | X1, X3, X4) = 0,066 ei(X2 | X1, X3, X4)
Y - 𝑌̂ = 0,066 (X2 - 𝑋̂2 )
Y = - 2,74 + 0,066 X1 + 0,0128 X2 – 0,00067 X3 + 0,199 X4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
c. X3 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X1, X2, X4) dengan ei(X3| X1, X2, X4)
1,5
1,0
RESI11
0,5
0,0
-0,5
-1,0
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂3 = -0,00067. Plot regresi parsial ini menunjukkan sifat hubungan linier antara
Y dengan X3 bila X1, X2, X4 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X3 mungkin tidak terlalu bermanfaat karena linier
negatif. Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi
parsial :
ei(Y | X1, X2, X4) = -0,00067 ei(X3 | X1, X2, X4)
Y - 𝑌̂ = -0,00067 (X3 - 𝑋̂3 )
Y = - 2,74 + 0,066 X1 + 0,0128 X2 – 0,00067 X3 + 0,199 X4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
d. X4 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X1, X2, X3) dengan ei(X4| X1, X2, X3)
Scatterplot of RESI13 vs RESI14
1,5
1,0
RESI13 0,5
0,0
-0,5
-1,0
-3 -2 -1 0 1
RESI14
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂4 = 0,199. Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
dengan X4 bila X1, X2, X3 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X4 mungkin bermanfaat karena linier positif.
Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi parsial :
ei(Y | X1, X2, X3) = 0,199 ei(X4 | X1, X2, X3)
Y - 𝑌̂ = 0,199 (X4 - 𝑋̂4 )
Y = - 2,74 + 0,066 X1 + 0,0128 X2 – 0,00067 X3 + 0,199 X4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
diperoleh pencilan terhadap nilai-nilai X pada pengamatan 19 dengan hii = 0,638649 dan
pengamatan 20 dengan hii = 0,579769
1,65327² 0,160651
= [ ]
5 (0,55874) (1−0,160651)²
= 0,2231033447
Untuk mengevaluasi pengaruh pengamatan 4 dengan nilai D4 = 0.22310 digunakan
distribusi F padanannya, yaitu dengan bantuan minitab F(n,n-p) = F(5,15)
MTB > cdf 0,22310 k6;
SUBC> f 5 15.
MTB > print k6
Data Display
K6 0,0531343
Data Display
K7 0,0259800
Analysis of Variance
Source DF SS MS F P
Regression 4 2,9701 0,7425 1,42 0,276
Residual Error 15 7,8601 0,5240
Total 19 10,8302
c. Model Invers
Analysis of Variance
Source DF SS MS F P
Regression 4 2,4740 0,6185 1,11 0,388
Residual Error 15 8,3562 0,5571
Total 19 10,8302
d. Model Quadratic
The regression equation is
y = - 2,7 + 0,670 X1 + 0,0909 X2 - 0,0155 X3 + 0,29 X4 - 0,0864 X12 -
0,00157 X22 + 0,000068 X32 - 0,0092 X42
Analysis of Variance
Source DF SS MS F P
Regression 8 5,7011 0,7126 1,53 0,252
Residual Error 11 5,1291 0,4663
Total 19 10,8302
e. Model Cubic
The regression equation is
y = - 95 - 1,77 X1 + 0,210 X2 - 0,0510 X3 + 22,5 X4 + 0,609 X12 -
0,0127 X22 + 0,000416 X32 - 1,71 X42 - 0,0556 X13 + 0,000193 X23 -
0,000001 X33 + 0,0430 X43
Analysis of Variance
Source DF SS MS F P
Regression 12 7,7539 0,6462 1,47 0,313
Residual Error 7 3,0763 0,4395
Total 19 10,8302
f. Pada data yang disajikan pada tahun 2009 tidak dapat digunakan untuk
mengestimasi kurva dengan menggunakan model compound, power, S, growth,
exponential, dan logistic. Hal ini dikarenakan pada variabel respon Y yaitu return
saham 2009 terdapat data yang bernilai negatif (-) sedangkan ln(y) harus memenuhi
syarat y > 0.
Untuk menentukan estimasi kurva terbaik digunakan kriteria MSE terkecil dan R²
besar. Secara ringkas hasilnya disajikan pada tabel berikut :
Jenis kurva MSE R²
Linier 0,5587 0,226
Logarithmic 0,5240 0,274
Invers 0,5571 0,228
Quadratic 0,4663 0,526
Cubic 0,4395 0,716
Berdasarkan tabel tersebut diperoleh estimasi kurva terbaik adalah dengan
menggunakan model cubic.
ANALISIS TAHUN 2010
Uji Normalitas
Asumsi normalitas pada regresi linear berganda adalah variabel residual harus berdistribusi
normal. Oleh karena itu variabel residual harus diuji kenormalannya.
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
α : 5 % (0,05)
Daerah kritisnya adalah 𝐇𝟎 ditolak jika 𝒑𝒗𝒂𝒍𝒖𝒆 < α (=0,05)
60
50
40
30
20
10
1
-1,0 -0,5 0,0 0,5 1,0
RESI3
I. Estimasi Data
1. Estimasi Model Regresi Linear Berganda
Berdasarkan data tersebut pada tahun 2010, bentuk model regresi linier berganda
adalah :
yi= β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 + εi
Mengestimasi model regresi linier berganda pada identik dengan mengestimasi
parameter β. Untuk mengestimasi parameter β digunakan metode kuadrat terkecil,
yaitu menentukan nilai parameter β yang meminimumkan fungsi Q = ε’ε sehingga
diperoleh estimator untuk β adalah :
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦
̂ = 𝑋𝛽̂
𝑦̂ = 𝐸(𝑦)
8,23334 −0,173317 0,0253741 −0,0045206 −0,522121 10,321
−0,17332 0,013391 −0,0007932 0,0003960 0,007529 32,267
𝛽̂ = 0,02537 −0,000793 0,0011520 0,0000657 −0,002718 154,756
−0,00452 0,000396 0,0000657 0,0000391 −0,000031 680,322
[−0,52212 0,007529 −0,0027179 −0,0000307 0,036551 ] 150,100]
[
−1,86471
−0,07993
= 0,05127
−0,00171
[−0,10104]
Sehingga, estimasi model regresi linear berganda adalah :
𝒚̂𝒊 = −𝟏, 𝟖𝟔𝟒𝟕𝟏 − 𝟎, 𝟎𝟕𝟗𝟗𝟑 𝑿𝒊𝟏 + 𝟎, 𝟎𝟓𝟏𝟐𝟕 𝑿𝒊𝟐 − 𝟎, 𝟎𝟎𝟏𝟕𝟏 𝑿𝒊𝟑 − 𝟎, 𝟏𝟎𝟏𝟎𝟒 𝑿𝒊𝟒
Tafsiran :
̂1 = −0,07993 artinya jika variabel prediktor X1 naik sebesar 1 unit, maka
a. 𝛽
rata nilai Y turun sebesar 0,07993 unit dengan menganggap variabel prediktor
yang lain tetap
̂2 = 0,05127 artinya jika variabel prediktor X2 naik sebesar 1 unit, maka rata
b. 𝛽
nilai Y naik sebesar 0,05127 unit dengan menganggap variabel prediktor yang
lain tetap
̂3 = −0,00171 artinya jika variabel prediktor X3 naik sebesar 1 unit, maka
c. 𝛽
rata nilai Y turun sebesar 0,00171 unit dengan menganggap variabel prediktor
yang lain tetap
̂4 = −0,10104 artinya jika variabel prediktor X4 naik sebesar 1 unit, maka
d. 𝛽
rata nilai Y turun sebesar 0,10104 unit dengan menganggap variabel prediktor
yang lain tetap
Output minitab :
Analysis of Variance
Source DF SS MS F P
Regression 4 2,9438 0,7360 3,50 0,033
Residual Error 15 3,1521 0,2101
Total 19 6,0959
Analysis of Variance
Source DF SS MS F P
Regression 1 0,0099 0,0099 0,03 0,866
Residual Error 18 6,0860 0,3381
Total 19 6,0959
Analysis of Variance
Source DF SS MS F P
Regression 1 2,3676 2,3676 11,43 0,003
Residual Error 18 3,7283 0,2071
Total 19 6,0959
Analysis of Variance
Source DF SS MS F P
Regression 1 0,4500 0,4500 1,43 0,247
Residual Error 18 5,6459 0,3137
Total 19 6,0959
Source DF SS MS F P
Regression 1 0,0303 0,0303 0,09 0,768
Residual Error 18 6,0656 0,3370
Total 19 6,0959
Artinya bahwa pada tahun 2010 tidak ada data yang mempunyai amatan
berulang pada variabel prediktor x1 , x2 , x3 , dan x4 , sehingga data tersebut tidak
dapat dilakukan uji ketidaksesuaian model.
Source DF SS MS F P
Regression 1 0,0099 0,0099 0,03 0,866
Residual Error 18 6,0860 0,3381
Total 19 6,0959
Source DF SS MS F P
Regression 1 2,3676 2,3676 11,43 0,003
Residual Error 18 3,7283 0,2071
Total 19 6,095
Source DF SS MS F P
Regression 1 0,4500 0,4500 1,43 0,247
Residual Error 18 5,6459 0,3137
Total 19 6,0959
Source DF SS MS F P
Regression 1 0,0303 0,0303 0,09 0,768
Residual Error 18 6,0656 0,3370
Total 19 6,0959
Analysis of Variance
Source DF SS MS F P
Regression 2 2,5818 1,2909 6,24 0,009
Residual Error 17 3,5142 0,2067
Total 19 6,095
Source DF SS MS F P
Regression 2 0,6485 0,3242 1,01 0,384
Residual Error 17 5,4474 0,3204
Total 19 6,0959
Source DF SS MS F P
Regression 2 0,0541 0,0270 0,08 0,927
Residual Error 17 6,0418 0,3554
Total 19 6,0959
Source DF SS MS F P
Regression 2 2,3694 1,1847 5,40 0,015
Residual Error 17 3,7265 0,2192
Total 19 6,0959
Source DF SS MS F P
Regression 2 2,4513 1,2257 5,72 0,013
Residual Error 17 3,6446 0,2144
Total 19 6,0959
Source DF SS MS F P
Regression 2 0,5067 0,2533 0,77 0,478
Residual Error 17 5,5892 0,3288
Total 19 6,0959
Analysis of Variance
Source DF SS MS F P
Regression 3 2,6645 0,8882 4,14 0,024
Residual Error 16 3,4314 0,2145
Total 19 6,0959
Analysis of Variance
Source DF SS MS F P
Regression 3 2,4668 0,8223 3,63 0,036
Residual Error 16 3,6292 0,2268
Total 19 6,0959
Analysis of Variance
Source DF SS MS F P
Regression 3 0,6617 0,2206 0,65 0,595
Residual Error 16 5,4343 0,3396
Total 19 6,095
Source DF SS MS F P
Regression 3 2,8687 0,9562 4,74 0,015
Residual Error 16 3,2272 0,2017
Total 19 6,0959
Analysis of Variance
Source DF SS MS F P
Regression 4 2,9438 0,7360 3,50 0,033
Residual Error 15 3,1521 0,2101
Total 19 6,0959
Menguji apakah βk = 0
a. Menguji apakah current ratio tahun 2010 (X1) dapat dibuang dari model penuh.
H0 : β1 = 0
H1 : β1 ≠ 0
Daerah kritis : H0 ditolak jika F > F (0,05;1;15) atau F > 4,54
Statistik uji :
Artinya, jika X1 dimasukkan ke dalam model regresi yang didalamnya sudah ada X2 ,
X3, dan X4 maka JKG (𝑋2 , 𝑋3 , 𝑋4 ) akan berkurang sebesar 13,14%.
Koefisien korelasi parsial antara y dan X2 jika sudah ada X1 , X3, dan X4
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 2,2821
r2y2.134 = = = 0,419943691
𝐽𝐾𝐺 (𝑋1 ,𝑋3, 𝑋4 ) 5,4343
Artinya, jika X2 dimasukkan ke dalam model regresi yang didalamnya sudah ada X1 ,
X3, dan X4 maka JKG (𝑋1 , 𝑋3 , 𝑋4 ) akan berkurang sebesar 41,994%.
Koefisien korelasi parsial antara y dan X3 jika sudah ada X1 , X2, dan X4
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 0,0751
r2y3.124 = = = 0,02327094695
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋4 ) 3,2272
Artinya, jika X3 dimasukkan ke dalam model regresi yang didalamnya sudah ada X1 ,
X2, dan X4 maka JKG (𝑋1 , 𝑋2 , 𝑋4 ) akan berkurang sebesar 2,33%.
Koefisien korelasi parsial antara y dan X4 jika sudah ada X1 , X2, dan X3
𝐽𝐾𝑅 (𝑋4 |𝑋1 ,𝑋2 ,𝑋3 ) 0,2793
r2y4.123 = = = 0,08139534884
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋3 ) 3,4314
Artinya, jika X3 dimasukkan ke dalam model regresi yang didalamnya sudah ada X1 ,
X2, dan X4 maka JKG (𝑋1 , 𝑋2 , 𝑋4 ) akan berkurang sebesar 8,14%.
0,5
RESI31
0,0
-0,5
-3 -2 -1 0 1 2 3 4 5 6
RESI32
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂1 = -0,0799. Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
dengan X1 bila X2, X3, X4 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X1 mungkin tidak terlalu bermanfaat karena linier
negatif. Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi
parsial :
ei(Y | X2, X3, X4) = -0,00067 ei(X1 | X2, X3, X4)
Y - 𝑌̂ = -0,00067 (X1 - 𝑋̂1 )
Y = 1,86 - 0,0799 x1 + 0,0513 x2 - 0,00171 x3 - 0,101 x4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
b. X2 dipertimbangkan untuk dimasukkan ke dalam model sehingga
meregresikan ei(Y | X1, X3, X4) dengan ei(X2| X1, X3, X4)
Scatterplot of RESI33 vs RESI34
1,0
0,5
RESI33
0,0
-0,5
-1,0
-10 -5 0 5 10 15
RESI34
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂2 = 0,0531 Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
dengan X2 bila X1, X3, X4 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X2 mungkin bermanfaat karena linier positif.
Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi parsial :
ei(Y | X1, X3, X4) = 0,0531 ei(X2 | X1, X3, X4)
Y - 𝑌̂ = 0,0531 (X2 - 𝑋̂2 )
Y = 1,86 - 0,0799 x1 + 0,0513 x2 - 0,00171 x3 - 0,101 x4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
c. X3 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X1, X2, X4) dengan ei(X3| X1, X2, X4)
Scatterplot of RESI35 vs RESI36
1,00
0,75
0,50
0,25
RESI35
0,00
-0,25
-0,50
-50 -25 0 25 50 75
RESI36
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂3 = -0,00171. Plot regresi parsial ini menunjukkan sifat hubungan linier antara
Y dengan X3 bila X1, X2, X4 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X3 mungkin tidak terlalu bermanfaat karena linier
negatif. Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi
parsial :
ei(Y | X1, X2, X4) = -0,00171 ei(X3 | X1, X2, X4)
Y - 𝑌̂ = -0,00171 (X3 - 𝑋̂3 )
Y = 1,86 - 0,0799 x1 + 0,0513 x2 - 0,00171 x3 - 0,101 x4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
d. X4 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
ei(Y | X1, X2, X3) dengan ei(X4| X1, X2, X3
Scatterplot of RESI37 vs RESI38
1,0
0,5
RESI37
0,0
-0,5
-1,0
-4 -3 -2 -1 0 1 2
RESI38
Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂4 = -0,101. Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
dengan X4 bila X1, X2, X3 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel X4 mungkin tidak terlalu bermanfaat karena linier
negatif. Estimasi fungsi regresi ganda dapat diperoleh dari serangkain regresi
parsial :
ei(Y | X1, X2, X3) = -0,101 ei(X4 | X1, X2, X3)
Y - 𝑌̂ = -0,101 (X4 - 𝑋̂4 )
Y = 1,86 - 0,0799 x1 + 0,0513 x2 - 0,00171 x3 - 0,101 x4 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi 𝑌̂ jika X1, X2, X3, X4 dimasukkan
dalam model regresi.
diperoleh pencilan terhadap nilai-nilai X pada pengamatan 6 dengan hii = 0,5947977 dan
pengamatan 16 dengan hii = 0,5031847
Analysis of Variance
Source DF SS MS F P
Regression 4 1,7444 0,4361 1,50 0,251
Residual Error 15 4,3516 0,2901
Total 19 6,0959
c. Model Invers
The regression equation is
Y = 0,93 - 0,244 1/X1 - 0,00585 1/X2 - 3,49 1/X3 - 2,1 1/X4
Analysis of Variance
Source DF SS MS F P
Regression 4 0,6877 0,1719 0,48 0,752
Residual Error 15 5,4082 0,3605
Total 19 6,0959
d. Model Quadratic
Analysis of Variance
Source DF SS MS F P
Regression 8 3,2449 0,4056 1,56 0,241
Residual Error 11 2,8510 0,2592
Total 19 6,0959
e. Model Cubic
The regression equation is
y = 227 - 1,35 X1 + 0,159 X2 + 0,0937 X3 - 50,1 X4 + 0,345 X12 - 0,00983
X22 - 0,000962 X32 + 3,63 X42 - 0,0207 X13 + 0,000245 X23 + 0,000003 X33 -
0,0870 X43
Analysis of Variance
Source DF SS MS F P
Regression 12 4,5916 0,3826 1,78 0,227
Residual Error 7 1,5043 0,2149
Total 19 6,0959
f. Pada data yang disajikan pada tahun 2010 tidak dapat digunakan untuk
mengestimasi kurva dengan menggunakan model compound, power, S, growth,
exponential, dan logistic. Hal ini dikarenakan pada variabel respon Y yaitu return
saham 2010 terdapat data yang bernilai negatif (-) sedangkan ln(y) harus memenuhi
syarat y > 0.
Untuk menentukan estimasi kurva terbaik digunakan kriteria MSE terkecil dan R²
besar. Secara ringkas hasilnya disajikan pada tabel berikut :
Jenis kurva MSE R²
Linier 0,2101 0,483
Logarithmic 0,2901 0,286
Invers 0,3605 0,113
Quadratic 0,2592 0,532
Cubic 0,2149 0,753
Berdasarkan tabel tersebut diperoleh estimasi kurva terbaik adalah dengan
menggunakan model cubic.
KESIMPULAN
1. Faktor yang mempengaruhi return saham pada perusahaan manufaktur yang terdaftar
di bursa efek Indonesia periode 2008 adalah debt to equity ratio dan size (ukuran
perusahaan).
2. Pada periode 2009, keempat faktor tidak berpengaruh secara bersama terhadap return
saham pada perusahaan manufaktur yang terdaftar di bursa efek Indonesia, sehingga
tidak ada faktor yang terlalu berpengaruh di dalamnya. Namun pada plot regresi
parsial, penambahan faktor current ratio, return on assets, dan size mengindikasikan
hubungan linier positif yang berarti bahwa penambahan variabel prediktor tersebut
mungkin bermanfaat.
3. Faktor yang paling mempengaruhi return saham pada perusahaan manufaktur yang
terdaftar di bursa efek Indonesia periode 2010 adalah return on assets.
4. Pada tiap periode, faktor yang mempengaruhi return saham pada perusahaan
manufaktur yang terdaftar di bursa efek Indonesia berbeda-beda.
DAFTAR PUSTAKA