Regresi Linier Berganda

TUGAS MATA KULIAH REGRESI TERAPAN
ANALISIS PENGARUH CURRENT RATIO, RETURN ON ASSETS, DEBT TO

EQUITY RATIO, DAN SIZE TERHADAP RETURN SAHAM PADA PERUSAHAAN
MANUFAKTUR YANG TERDAFTAR DI BURSA EFEK INDONESIA PERIODE
2008-2010
Oleh :
Istiqlal Abadiyah Sukma Putri
081511833054
Dosen Pengajar :
Suliyanto
PROGRAM STUDI S-1 STATISTIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
SURABAYA
2016
PENDAHULUAN
I. Sumber Data
Dalam penelitian ini digunakan data dari tugas akhir oleh Eling Monika Sari sebagai
persyaratan guna memperoleh gelar sarjana dalam program studi Manajemen-Jurusan
Manajemen Fakultas Ekonomi Universitas Negeri Yogyakarta 2013 yang berjudul
“Analisis Pengaruh Current Ratio, Return On Assets, Debt To Equity Ratio, Dan
Size Terhadap Return Saham Pada Perusahaan Manufaktur Yang Terdaftar Di
Bursa Efek Indonesia Periode 2008-2011”
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.
III. Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah :
a. Variabel respon (Y) : Return Saham pada perusahaan manufaktur yang terdaftar
di bursa efek Indoesia periode 2008-2010
b. Variabel prediktor (X) :
 X1 : Current Ratio periode 2008 - 2010
 X2 : Return On Assets (ROA) periode 2008 - 2010
 X3 : Debt to Equity Ratio (DER) periode 2008 - 2010
 X4 : Size atau ukuran perusahaan periode 2008 - 2010
ANALISIS DATA
I. Daftar Sampel Nama Perusahaan Manufaktur periode 2008 – 2011

Tabel 1. TAHUN 2008
TAHUN 2008
CURRENT RETURN ON DEBT TO EQUITY RETURN
NO KODE SIZE
RATIO (X) ASSETS (%) RATIO (%) SAHAM
1 AUTO 2,133 14,288 44,888 15,192 0,052
2 BUDI 2,382 19,414 169,776 14,345 -0,58
3 CTBN 1,492 10,29 105,651 14,552 0,033
4 DLTA 3,789 12,15 33,537 13,443 0,25
5 FASW 2,084 0,983 184,323 15,128 -0,146
6 HMSP 1,444 24,143 100,443 16,596 -0,433
7 INTP 1,785 15,465 32,528 16,239 -0,439
8 KAEF 2,113 3,831 52,534 14,184 -0,75
9 KBLI 2,246 4,387 191,749 13,316 -0,444
10 KBLM 1,041 0,868 105,585 13,037 0
11 LION 5,686 14,948 25,811 12,441 0,464
12 LMSH 2,754 14,901 63,565 11,034 0,714
13 SIPD 2,283 1,967 34,044 14,141 -0,253
14 SMCB 1,651 3,437 202,411 15,92 -0,64
15 SMSM 1,817 9,838 62,65 13,742 0,511
16 TCID 8,097 0,012 11,593 13,722 -0,345
17 ULTJ 0,18 17,667 53,2 14,357 0,23
18 UNIC 1,696 0,013 128,516 14,949 -0,008
19 UNVR 1,003 0,37 109,599 15,688 0,155
20 VOKS 1,087 0,004 269,708 13,968 -0,629
Tabel 2. TAHUN 2009
TAHUN 2009
NO KODE SIZE
1 AUTO 2,173 16,539 39,338 15,351 0,642
2 BUDI 2,98 9,157 109,698 14,284 0,692
3 CTBN 1,665 7,123 85,053 14,438 -0,9
4 DLTA 4,531 16,635 27,245 13,541 2,1
5 FASW 2,307 7,537 131,683 15,116 0,052
6 HMSP 1,88 28,715 69,305 16,69 0,283
7 INTP 3,001 20,688 24,083 16,401 1,978
8 KAEF 1,998 3,991 57,32 14,263 0,671
9 KBLI 3,136 4,219 113,697 13,103 0,12
10 KBLM 1,025 0,477 58,712 12,779 -0,041
11 LION 8,001 12,386 19,125 12,511 -0,317
12 LMSH 2,125 3,296 83,347 11,195 -0,333
13 SIPD 2,02 2,267 39,235 14,31 0
14 SMCB 1,269 12,329 119,134 15,798 1,46
15 SMSM 1,586 14,108 79,999 13,755 0,153
16 TCID 7,263 12,528 12,922 13,81 0,472
17 ULTJ 2,116 3,529 45,163 14,365 -0,275
18 UNIC 2,077 1,745 81,159 14,623 -0,135
19 UNVR 1,003 40,669 101,987 15,828 0,474
20 VOKS 1,138 4,326 229,64 14,028 0,366
Tabel 3. TAHUN 2010
TAHUN 2010
NO KODE SIZE
1 AUTO 1,757 20,429 38,403 15,535 1,426
2 BUDI 2,354 2,344 152,826 14,492 0
3 CTBN 1,38 6,711 143,393 14,715 -0,193
4 DLTA 6,33 19,696 19,946 13,471 0,935
5 FASW 0,84 6,295 148,261 15,318 0,796
6 HMSP 1,612 31,285 100,932 16,837 1,706
7 INTP 5,553 21,014 17,171 16,546 0,164
8 KAEF 2,425 8,37 48,765 14,32 0,251
9 KBLI 2,634 8,126 104,547 13,295 0,428
10 KBLM 1,017 0,972 77,302 12,907 -0,043
11 LION 9,44 12,711 16,916 12,624 1,285
12 LMSH 2,444 9,4 67,147 11,267 1
13 SIPD 1,916 2,974 66,735 14,536 0,42
14 SMCB 1,661 7,937 52,93 16,16 0,451
15 SMSM 2,174 14,096 96,158 13,88 0,426
16 TCID 10,684 12,551 10,412 13,861 -0,111
17 ULTJ 2 5,338 54,352 14,511 1,086
18 UNIC 1,868 0,014 85,484 14,639 -0,237
19 UNVR 0,851 0,389 115,004 15,978 0,434
20 VOKS 1,239 0,008 192,066 13,934 0,097
ANALISIS TAHUN 2008
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)
Selanjutnya, dilakukan dengan software minitab dan disajikan sebagai berikut :

Normality test
Probability Plot of RESI1

Normal
99
Mean -6,27276E-16
StDev 0,3014
95 N 20
KS 0,111
90
P-Value >0,150
80
70
Percent
60
50
40
30
20
10
1
-1,0 -0,5 0,0 0,5
RESI1
Keputusan : H0 diterima karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 > α

Kesimpulan : Data berdistribusi normal
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
c. 𝛽
yang lain tetap
d. 𝛽
yang lain tetap
Output minitab :
The regression equation is

y = 2,77 - 0,0735 X1 + 0,0047 X2 - 0,00273 X3 - 0,173 X4
Predictor Coef SE Coef T P

Constant 2,7653 0,9700 2,85 0,012
X1 -0,07353 0,05285 -1,39 0,184
X2 0,00466 0,01095 0,43 0,677
X3 -0,002728 0,001306 -2,09 0,054
X4 -0,17310 0,06314 -2,74 0,015
S = 0,339161 R-Sq = 48,7% R-Sq(adj) = 35,0%
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
2. Koefisien Determinasi Ganda (R2)
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.
II. Inferensi Parameter Regresi Linier Berganda
1. Uji Serempak Pada Model Regresi Linear Berganda

Dari data yang telah disajikan, ingin menyelidiki apakah ada hubungan regresi antara
variabel respon y dengan variabel prediktor x1 , x2 , x3 , dan x4 , maka harus diuji :
Hipotesis :
H0 : Tidak ada pengaruh secara bersama antara current ratio, return on assets, debt
to equity ratio, dan size terhadap return saham pada perusahaan manufaktur
yang terdaftar di bursa efek indonesia tahun 2008
H1 : Ada pengaruh secara bersama antara current ratio, return on assets, debt to
equity ratio, dan size terhadap return saham pada perusahaan manufaktur yang
terdaftar di bursa efek indonesia tahun 2008
α : 5 % (0,05)
Selanjutnya, hasil perhitungan dilakukan dengan software minitab dan disajikan
dalam tabel analisis varians sebagai berikut :
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
Keputusan : H0 ditolak karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0,031 memenuhi daerah kritis

Kesimpulan : Ada pengaruh secara bersama antara current ratio, return on assets,
debt to equity ratio, dan size terhadap return saham pada perusahaan
manufaktur yang terdaftar di bursa efek indonesia tahun 2008
2. Uji Individu Pada Model Regresi Linear Berganda

a. Menguji apakah current ratio (β1) berpengaruh terhadap return saham
(Y) pada perusahaan manufaktur yang terdaftar di bursa efek indonesia
tahun 2008
Hipotesis :
H0 : Tidak ada pengaruh current ratio terhadap return saham pada perusahaan
manufaktur yang terdaftar di bursa efek indonesia tahun 2008. (β1=0)
H1 : Ada pengaruh current ratio terhadap return saham pada perusahaan
manufaktur yang terdaftar di bursa efek indonesia tahun 2008. (β1 ≠ 0)
α : 5 % (0,05)
Daerah kritisnya adalah H0 ditolak jika 𝑝𝑣𝑎𝑙𝑢𝑒 < α (=0,05)
hasil sebagai berikut :
SAHAM2008 = - 0,165 + 0,0221 X1

Constant -0,1646 0,1621 -1,02 0,323
X1 0,02211 0,05578 0,40 0,696
S = 0,430202 R-Sq = 0,9% R-Sq(adj) = 0,0%

Source DF SS MS F P
Regression 1 0,0291 0,0291 0,16 0,696
Total 19 3,3604
Keputusan : H0 diterima karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0,696 di luar daerah kritis

Kesimpulan : Tidak ada pengaruh current ratio terhadap return saham pada
perusahaan manufaktur yang terdaftar di bursa efek indonesia
tahun 2008.
b. Menguji apakah return on assets (β2) berpengaruh terhadap return saham
tahun 2008
Hipotesis :
H0 : Tidak ada pengaruh return on assets terhadap return saham pada perusahaan
H1 : Ada pengaruh return on assets terhadap return saham pada perusahaan
α : 5 % (0,05)
SAHAM2008 = - 0,215 + 0,0121 X2

Constant -0,2153 0,1415 -1,52 0,146
X2 0,01212 0,01250 0,97 0,345
S = 0,421231 R-Sq = 5,0% R-Sq(adj) = 0,0%
Source DF SS MS F P
Regression 1 0,1666 0,1666 0,94 0,345
Total 19 3,3604

Kesimpulan : Tidak ada pengaruh return on assets terhadap return saham pada
tahun 2008.
c. Menguji apakah debt to equity ratio (β3) berpengaruh terhadap return
saham (Y) pada perusahaan manufaktur yang terdaftar di bursa efek
indonesia tahun 2008
Hipotesis :
H0 : Tidak ada pengaruh debt to equity ratio terhadap return saham pada
perusahaan manufaktur yang terdaftar di bursa efek indonesia tahun 2008.
(β3=0)
H1 : Ada pengaruh debt to equity ratio terhadap return saham pada perusahaan
α : 5 % (0,05)
SAHAM2008 = 0,155 - 0,00271 X3

Constant 0,1554 0,1489 1,04 0,310
X3 -0,002708 0,001228 -2,20 0,041
S = 0,383390 R-Sq = 21,3% R-Sq(adj) = 16,9%
Source DF SS MS F P
Regression 1 0,7146 0,7146 4,86 0,041
Total 19 3,3604

Kesimpulan : Ada pengaruh debt to equity ratio terhadap return saham pada
tahun 2008.
d. Menguji apakah size (β4) berpengaruh terhadap return saham (Y) pada
perusahaan manufaktur yang terdaftar di bursa efek indonesia tahun 2008
Hipotesis :
H0 : Tidak ada pengaruh size terhadap return saham pada perusahaan
H1 : Ada pengaruh size terhadap return saham pada perusahaan manufaktur yang
terdaftar di bursa efek indonesia tahun 2008. (β4 ≠ 0)
α : 5 % (0,05)

SAHAM2008 = 2,20 - 0,162 X4

Constant 2,2050 0,9159 2,41 0,027
X4 -0,16209 0,06379 -2,54 0,020
S = 0,370673 R-Sq = 26,4% R-Sq(adj) = 22,3%
Source DF SS MS F P
Regression 1 0,8872 0,8872 6,46 0,020
Total 19 3,3604

Kesimpulan : Ada pengaruh size terhadap return saham pada perusahaan
manufaktur yang terdaftar di bursa efek indonesia tahun 2008.
3. Interval Kepercayaan 95% bagi Parameter βk

Interval kepercayaan bagi tiap parameter βk dirumuskan sebagai berikut.
𝛽̂𝑘 ± 𝑡α/2(n-p) s(𝛽̂𝑘 )
𝛽̂𝑘 − 𝑡α/2(n-p) s(𝛽̂𝑘 ) < 𝛽̂𝑘 < 𝛽̂𝑘 + 𝑡α/2(n-p) s(𝛽̂𝑘 )
Interval kepercayaan 95% bagi parameter β1

𝛽̂1 − 𝑡0,05/2(20-5) s(𝛽̂1) < 𝛽 1 < 𝛽̂1 + 𝑡0,05/2(20-5) s(𝛽̂1 )
−0,07353 – 1,753 . 0,05285 < 𝛽 1 < -0,07353 + 1,753 . 0,05285
-0,16617605 < 𝛽 1 < 0,01911605
𝛽̂2 − 𝑡0,05/2(20-5) s(𝛽̂2) < 𝛽 2 < 𝛽̂2 + 𝑡0,05/2(20-5) s(𝛽̂2 )
0,00466 – 1,753 . 0,01095 < 𝛽 2 < 0,00466 + 1,753 . 0,01095
-0,01453535 < 𝛽 2 < 0,02385535
𝛽̂3 − 𝑡0,05/2(20-5) s(𝛽̂3) < 𝛽 3 < 𝛽̂3 + 𝑡0,05/2(20-5) s(𝛽̂3 )
−0,00273 – 1,753 . 0,001306 < 𝛽 3 < −0,00273 + 1,753 . 0,001306
-0,005019418 < 𝛽 3 < -0,000440582
𝛽̂4 − 𝑡0,05/2(20-5) s(𝛽̂4 ) < 𝛽 4 < 𝛽̂4 + 𝑡0,05/2(20-5) s(𝛽̂4 )
−0,17310 – 1,753 . 0,06314 < 𝛽 4 < −0,17310+ 1,753 . 0,06314
-0,28378442 < 𝛽 4 < -0,6241558
III. Inferensi bagi Rataan Respon
1. Uji Ketidaksesuaian Model

Uji Ketidaksesuaian Model digunakan untuk menyelidiki apakah fungsi respon
regresi linear berganda merupakan permukaan respon yang sesuai bagi segugus
data yang mempunyai amatan berulang, sehingga :
Hipotesis :
H0 : E(yi) = β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 (Model regresi linear berganda
sesuai)
H1 : E(yi) ≠ β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 (Model regresi linear berganda tidak
sesuai)
α : 5 % (0,05)
There are no replicates.
Minitab cannot do the lack of fit test based on pure error.
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.
IV. Jumlah Kuadrat Ekstra

Jumlah kuadrat ekstra dilakukan untuk mengukur JKG akibat dimasukkanya satu atau
lebih variabel prediktor ke dalam model regresi jika diketahui bahwa variabel lain
telah ada di dalam model.
a. Regresi y terhadap X1 : ŷ = -0,165 + 0,0221 X1
Source DF SS MS F P
Regression 1 0,0291 0,0291 0,16 0,696
Total 19 3,3604
variabel penduga parameter simpangan baku t p-value

X1 0,02211 0,05578 0,40 0,696
b. Regresi y terhadap X2 : ŷ = -0,215 + 0,0121 X2

Source DF SS MS F P
Regression 1 0,1666 0,1666 0,94 0,345
Total 19 3,3604

X2 0,01212 0,01250 0,97 0,345
c. Regresi y terhadap X3 : ŷ = 0,155 - 0,00271 X3

Source DF SS MS F P
Regression 1 0,7146 0,7146 4,86 0,041
Total 19 3,3604

X3 -0,002708 0,001228 -2,20 0,041
d. Regresi y terhadap X4: ŷ = 2,20 - 0,162 X4

Source DF SS MS F P
Regression 1 0,8872 0,8872 6,46 0,020
Total 19 3,3604

X4 -0,16209 0,06379 -2,54 0,020
e. Regresi y terhadap X1 dan X2 : ŷ = - 0,278 + 0,0254 X1 + 0,0125 X2

Source DF SS MS F P
Regression 2 0,2049 0,1025 0,55 0,586
Total 19 3,3604

X1 0,02544 0,05596 0,45 0,655
X2 0,01247 0,01281 0,97 0,344
f. Regresi y terhadap X1 dan X3 : ŷ = 0,260 - 0,0309 X1 - 0,00304 X3
Source DF SS MS F P
Regression 2 0,7609 0,3805 2,49 0,113
Total 19 3,3604

X1 -0,03092 0,05620 -0,55 0,589
X3 -0,003037 0,001388 -2,19 0,043
g. Regresi y terhadap X1 dan X4 : ŷ = 2,47 - 0,0280 X1 - 0,176 X4
Source DF SS MS F P
Regression 2 0,9272 0,4636 3,24 0,064
Total 19 3,3604

X1 -0,02798 0,05297 -0,53 0,604
X4 -0,17611 0,07031 -2,50 0,023
h. Regresi y terhadap X2 dan X3 : ŷ = 0,102 + 0,0045 X2 - 0,00255 X3

Source DF SS MS F P
Regression 2 0,7355 0,3677 2,38 0,123
Total 19 3,3604

X2 0,00453 0,01232 0,37 0,718
X3 -0,002551 0,001329 -1,92 0,072
i. Regresi y terhadap X2 dan X4 : ŷ = 2,15 + 0,0137 X2 - 0,167 X4

Source DF SS MS F P
Regression 2 1,1007 0,5504 4,14 0,034
Total 19 3,3604

X2 0,01374 0,01084 1,27 0,222
X4 -0,16659 0,06284 -2,65 0,017
j. Regresi y terhadap X3 dan X4 : ŷ = 2,11 - 0,00222 X3 - 0,140 X4

Source DF SS MS F P
Regression 2 1,3517 0,6759 5,72 0,013
Total 19 3,3604
X3 -0,002222 0,001121 -1,98 0,064
X4 -0,13981 0,06021 -2,32 0,033
k. Regresi y terhadap X1, X2, dan X3 : ŷ = 0,212 - 0,0276 X1 + 0,0031 X2 - 0,00289

X3
Source DF SS MS F P
Regression 3 0,7703 0,2568 1,59 0,232
Total 19 3,360

X1 -0,02758 0,05947 -0,46 0,649
X2 0,00312 0,01297 0,24 0,813
X3 -0,002893 0,001548 -1,87 0,08
l. Regresi y terhadap X2, X3, dan X4 : ŷ = 2,09 + 0,0078 X2 - 0,00193 X3 - 0,145

X4
Source DF SS MS F P
Regression 3 1,4123 0,4708 3,87 0,030
Total 19 3,3604

X2 0,00778 0,01102 0,71 0,491
X3 -0,001934 0,001209 -1,60 0,129
X4 -0,14525 0,06160 -2,36 0,031
m. Regresi y terhadap X1, X3, dan X4 : ŷ = 2,82 - 0,0781 X1 - 0,00294 X3 - 0,172 X4
Source DF SS MS F P
Regression 3 1,6141 0,5380 4,93 0,013
Total 19 3,360

X1 -0,07813 0,05039 -1,55 0,141
X3 -0,002944 0,001173 -2,51 0,023
X4 -0,17173 0,06142 -2,80 0,013
n. Regresi y terhadap X1, X2, dan X4 : ŷ = 2,39 - 0,0252 X1 + 0,0135 x2 - 0,179 x4

Source DF SS MS F P
Regression 3 1,1332 0,3777 2,71 0,079
Total 19 3,3604
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
o. Regresi y terhadap X1, X2, X3, dan X4 : ŷ = 2,77 - 0,0735 X1 + 0,0047 X2 -

0,00273 X3 - 0,173 X4
Source DF SS MS F P
Regression 4 1,6349 0,4087 3,55 0,031
Total 19 3,3604

X1 -0,07353 0,05285 -1,39 0,184
X2 0,00466 0,01095 0,43 0,677
X3 -0,002728 0,001306 -2,09 0,054
X4 -0,17310 0,06314 -2,74 0,015
Berdasarkan hasil yang regresi yang di peroleh di atas, maka:

JKG (X1) = 3,3313 JKR (X1) = 0,0291
JKG (X2) = 3,1938 JKR (X2) = 0,1666
JKG (X3) = 2,6458 JKR (X3) = 0,7146
JKG (X4) = 2,4732 JKR (X4) = 0,8872
JKG (X1, X2) = 3,1555 JKR (X1, X2) = 0,2049
JKG (X1, X3) = 2,5995 JKR (X1, X3) = 0,7609
JKG (X1, X4) = 2,4332 JKR (X1, X4) = 0,9272
JKG (X2, X3) = 2,6249 JKR (X2, X3) = 0,7355
JKG (X2, X4) = 2,2597 JKR (X2, X4) = 1,1007
JKG (X3, X4) = 2,0087 JKR (X3, X4) = 1,3517
JKG (X1, X2, X3) = 2,5901 JKR (X1, X2, X3) = 0,7703
JKG (X2, X3, X4) =1,9481 JKR (X2, X3, X4) = 1,4123
JKG (X1, X3, X4) = 1,7463 JKR (X1, X3, X4) = 1,6141
JKG (X1, X2, X4) = 2,2272 JKR (X1, X2, X4) = 1,1332
JKG (X1, X2, X3, X4) = 1,7255 JKR (X1, X2, X3, X4) = 1,6349
JKR (X3, X4|X1, X2) = JKR (X1, X2, X3, X4) - JKR (X1, X2) = 1,6349 – 0,2049 = 1,43
JKR (X1, X3, X4 | X2) = JKR (X1, X2, X3, X4) - JKR (X2) = 1,6349 – 0,1666 = 1,4683
JKR (X1| X2, X3, X4) = JKR (X1, X2, X3, X4) - JKR (X2, X3, X4) = 1,6349 – 1,4123 =
0,2226
JKR (X2 | X1, X3, X4) = JKR (X1, X2, X3, X4) - JKR (X1, X3, X4) = 1,6349 – 1,6141 =
0,0208
0,5017
JKR (X4 | X1, X2, X3) = JKR (X1, X2, X3, X4) - JKR (X1, X2,X3) = 1,6349 – 0,7703 =
0,8646
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 :
JKG(R)− JKG (F) JKG (F)

F = :
𝑑𝑏𝑅−𝑑𝑏𝐹 𝑑𝑏𝐹
𝐽𝐾𝑅 (𝑋1 |𝑋2 ,𝑋3 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,2226 1,7255
= :
1 15
= 1,935091278
Keputusan : H0 diterima karena F = 1,935091278 di luar daerah kritis

Kesimpulan : β1 = 0, berarti bahwa X1 dapat dibuang dari model regresi
yang didalamnya terdapat X2, X3, dan X4.
b. Menguji apakah return on assets tahun 2008 (X2) dapat dibuang dari model
penuh.
H0 : β 2 = 0
H1 : β 2 ≠ 0
Statistik uji :
F = :
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,0208 1,7255
= :
1 15
= 0,1808171544

c. Menguji apakah debt to equity ratio tahun 2008 (X3) dapat dibuang dari model
penuh.
H0 : β3 = 0
H1 : β3 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,5017 1,7255
= :
1 15
= 4,361344538

d. Menguji apakah size tahun 2008 (X4) dapat dibuang dari model penuh.
H0 : β4 = 0
H1 : β4 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,8646 1,7255
= :
1 15
= 7,516082295
Keputusan : H0 ditolak karena F = 7,516082295 memenuhi daerah

kritis
Kesimpulan : β4 ≠ 0, berarti bahwa X4 harus dipertahankan dalam model
regresi yang didalamnya terdapat X1, X2, dan X3.
Menguji apakah beberapa βk = 0

a. Menguji apakah β3X3 dan β4X4 dapat dibuang dari model penuh
H0 : β3 = β4 = 0
H1 : tidak benar bahwa β3 dan β4 sama dengan nol
Statistik uji :

F= :
𝐽𝐾𝑅 (𝑋3 ,𝑋4 |𝑋1 ,𝑋2 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−3)−(𝑛−5)
:
(𝑛−5)
1,43 1,7255
= :
2 15
= 6,215589684
Keputusan : H0 ditolak karena F = 6,215589684 memenuhi daerah

kritis
Kesimpulan : tidak benar bahwa β3 dan β4 sama dengan nol, sehingga β3X3
dan β4X4 tidak dapat dibuang dari model regresi yang di
dalamnya sudah terdapat β1X1 dan β2X2.
b. Menguji apakah β2X2 dan β3X3 dapat dibuang dari model penuh
H0 : β2 = β3 = 0
Statistik uji :

F= :
𝐽𝐾𝑅 (𝑋2 ,𝑋3 |𝑋1 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−3)−(𝑛−5)
:
(𝑛−5)
0,7077 1,7255
= :
2 15
= 3,076064909

Kesimpulan : β2 dan β3 sama dengan nol, sehingga β2X2 dan β3X3 dapat
dibuang dari model regresi yang di dalamnya sudah terdapat
β1X1 dan β4X4.
c. Menguji apakah β1X1, β3X3 dan β4X4 dapat dibuang dari model penuh
H0 : β1=β3 = β4 = 0
H1 : tidak benar bahwa β1, β3 dan β4 sama dengan nol
Statistik uji :

F= :
𝐽𝐾𝑅 (𝑋1 ,𝑋3 ,𝑋4 |𝑋2 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−2)−(𝑛−5)
:
(𝑛−5)
1,4683 1,7255
= :
3 15
= 4,25470878
Keputusan : H0 ditolak karena F = 4,25470878 memenuhi daerah kritis
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
Statistik uji :

F= :
𝐽𝐾𝑅 (𝑋2 ,𝑋3 ,𝑋4 |𝑋1 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−2)−(𝑛−5)
:
(𝑛−5)
1,6058 1,7255
= :
3 15
= 4,653144016
Kesimpulan : tidak benar bahwa β2, β3 dan β4 sama dengan nol, sehingga β2X2, β3X3
dan β4X4 tidak dapat dibuang dari model regresi yang di dalamnya
sudah terdapat β1X1.
Menguji apakah semua βk= 0

Uji ini dinamakan Uji Serempak yang sudah dikerjakan sebelumnya.
V. Koefisien Determinasi Parsial (r2)

Koefisien determinasi parsial digunakan untuk mengukur sumbangan marginal satu
variabel X bila semua variabel predictor lain telah ada di dalam model.
Koefisien korelasi parsial antara y dan X1 jika sudah ada X2 , X3, dan X4
𝐽𝐾𝑅 (𝑋1 |𝑋2 ,𝑋3 ,𝑋4 ) 0,2226
r2y1.234 = = = 0,1142651815
𝐽𝐾𝐺 (𝑋2 ,𝑋3, 𝑋4 ) 1,9481
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%.
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 0,0208
r2y2.134 = = = 0,01191089733
𝐽𝐾𝐺 (𝑋1 ,𝑋3, 𝑋4 ) 1,7463
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 0,5017
r2y3.124 = = = 0,2252604167
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋4 ) 2,2272
𝐽𝐾𝑅 (𝑋4 |𝑋1 ,𝑋2 ,𝑋3 ) 0,8646
r2y4.123 = = = 0,3338095054
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋3 ) 2,5901
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
Scatterplot of ei(Y | X2, X3, X4) vs ei(X1| X2, X3, 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)
Gambar plot regresi parsial

Dalam plot ini digambarkan garis kuadrat terkecil melalui titik asal dengan slope
𝛽̂1 = -0,0735. 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) = - 0,0735 ei(X1| X2, X3, X4)
Y - 𝑌̂ = - 0,0735 (X1 - 𝑋̂1 )
Y – (2,09 + 0,0078 X2 - 0,00193 X3 - 0,145 X4) = -0,0735 (X1 - (9,18 - 0,0424 X2 - 0,0108 X3 - 0,379 X4)))
Y = 2,76473 – 0,0735 X1 + 0,00466 X2 – 0,0027238 X3 – 0,1728565 X4
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.
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

0,50
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)
𝛽̂2 = 0,0047. Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
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 )
c. X3 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
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)
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
parsial :
ei(Y | X1, X2, X4) = -0,00273 ei(X3 | X1, X2, X4)
Y - 𝑌̂ = -0,00273 (X3 - 𝑋̂3 )
d. X4 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
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)
parsial :
ei(Y | X1, X2, X3) = -0,173 ei(X4 | X1, X2, X3)
Y - 𝑌̂ = -0,173 (X4 - 𝑋̂4 )
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.
Tabel 4. Diagnostik Pencilan variabel X dan Y data tahun 2008

Xi1 Xi2 Xi3 Xi4 Yi ei ri hii ti
2,133 14,288 44,888 15,192 0,052 0,129147 0,4076 0,127269 0,39598
2,382 19,414 169,776 14,345 -0,58 -0,314282 -1,12887 0,326208 -1,14012
1,492 10,29 105,651 14,552 0,033 0,136643 0,41653 0,064479 0,40476
3,789 12,15 33,537 13,443 0,25 0,125141 0,39282 0,117751 0,38147
2,084 0,983 184,323 15,128 -0,146 0,358876 1,15984 0,167727 1,17443
1,444 24,143 100,443 16,596 -0,433 -0,057799 -0,22398 0,421115 -0,21675
1,785 15,465 32,528 16,239 -0,439 -0,24541 -0,8364 0,251606 -0,82758
2,113 3,831 52,534 14,184 -0,75 -0,779244 -2,46923 0,134236 -3,09649
2,246 4,387 191,749 13,316 -0,444 -0,236462 -0,77636 0,193565 -0,76559
1,041 0,868 105,585 13,037 0 -0,148061 -0,50159 0,242536 -0,4887
5,686 14,948 25,811 12,441 0,464 0,271061 0,969 0,319752 0,9669
2,754 14,901 63,565 11,034 0,714 0,165161 0,65183 0,441889 0,63885
2,283 1,967 34,044 14,141 -0,253 -0,318955 -1,05114 0,199583 -1,05511
1,651 3,437 202,411 15,92 -0,64 0,008058 0,02708 0,230409 0,02616
1,817 9,838 62,65 13,742 0,511 0,383106 1,1888 0,097193 1,20676
8,097 0,012 11,593 13,722 -0,345 -0,108157 -0,57602 0,693518 -0,56276
0,18 17,667 53,2 14,357 0,23 0,025954 0,08841 0,250863 0,08544
1,696 0,013 128,516 14,949 -0,008 0,289614 0,91727 0,133399 0,91213
1,003 0,37 109,599 15,688 0,155 0,476304 1,57827 0,208262 1,66971
1,087 0,004 269,708 13,968 -0,629 -0,160696 -0,60106 0,378641 -0,58781
𝑝 5
Nilai leverage hii dianggap besar jika memenuhi hii > 2 𝑛 = 2 20 = 0,5. Dari tabel diatas
diperoleh pencilan terhadap nilai-nilai X pada pengamatan 16 dengan hii = 0,693518.

VIII. Identifikasi Pencilan Pengamatan Respon
Untuk mengidentifikasi pencilan Y dicari nilai ti yang mempunyai nilai mutlak besar,
yaitu │ti│> tα(n-p-1). Pada kasus ini sesuai dengan tabel diatas, tidak ditemukan │ti│>
t0,05 (14) = │ti│> 1,761, sehingga pada tahun 2008 tidak terdapat pengamatan yang
merupakan pencilan terhadap Y.
IX. Identifikasi Pengamatan Berpengaruh

Suatu pengamatan dianggap berpengaruh jika ketidakikutsertaan pengamatan ini
menyebabkan perubahan besar pada fungsi regresi dugaannya, tetapi tidak semua
pengamatan pencilan berpengaruh.
Tabel 5. Diagnostik Pengamatan Berpengaruh

pengam DBETAS
DFITS Di
atan 𝛽̂ 0 𝛽̂ 1 𝛽̂ 2 𝛽̂ 3 𝛽̂ 4
1 0.01883 -0.04714 -0.00074 0.00044 -0.00009 0.00430 0.00485
2 -0.15216 0.11788 -0.01462 -0.00693 -0.00074 0.00174 0.12340
3 0.00942 0.01099 -0.00213 0.00019 -0.00001 0.00003 0.00239
4 0.01670 0.03600 0.00198 0.00035 -0.00005 -0.00217 0.00412
5 0.07232 -0.17346 0.00695 -0.00181 0.00035 0.01115 0.05422
6 -0.04205 0.11073 -0.00159 -0.00148 -0.00005 -0.00664 0.00730
7 -0.08251 0.25080 0.00192 -0.00096 0.00028 -0.02038 0.04704
8 -0.12082 -0.27625 0.02117 0.00652 0.00087 0.00281 0.18907
9 -0.05676 -0.12709 -0.00259 -0.00013 -0.00035 0.01077 0.02894
10 -0.04741 -0.20712 0.00962 0.00167 0.00011 0.01047 0.01611
11 0.12741 0.12993 0.02059 0.00290 0.00007 -0.01323 0.08827
12 0.13077 0.48047 -0.00669 0.00191 0.00000 -0.03260 0.06728
13 -0.07953 -0.13944 0.01058 0.00394 0.00051 0.00075 0.05510
14 0.00241 -0.00812 0.00021 -0.00002 0.00001 0.00050 0.00004
15 0.04124 0.21593 -0.01100 -0.00029 -0.00025 -0.00991 0.03043
16 -0.24474 0.23458 -0.03630 0.00243 0.00006 -0.01356 0.15017
17 0.00869 0.01691 -0.00189 0.00018 -0.00003 -0.00066 0.00052
18 0.04458 -0.03352 -0.00354 -0.00275 -0.00005 0.00609 0.02590
19 0.12529 -0.17412 -0.01518 -0.00584 -0.00038 0.02284 0.13105
20 -0.09792 -0.06518 -0.00068 0.00046 -0.00047 0.00673 0.04403
a. Pengaruh terhadap nilai dugaan – DFITS

Pada kasus ini sesuai dengan tabel diatas, tidak ditemukan │DFITSi│> 1 sehingga
pada tahun 2008 tidak terdapat DFITS atau pengaruh yang disebabkan oleh
pengamatan ke i pada nilai dugaan 𝒚̂𝒊
b. Pengaruh terhadap koefisien regresi
 DBETAS
Pada kasus ini sesuai dengan tabel diatas, tidak ditemukan │(DBETAS)k(i)│> 1
sehingga pada tahun 2008 tidak terdapat DBETAS atau tidak mengindikasikan
pengaruh yang disebabkan oleh pengamatan ke i terhadap masing-masing koefisien
regresi βk
 Cook Destance
Karena kasus ini tidak ditemukan │(DBETAS)k(i)│> 1 sehingga pada tahun 2008
tidak terdapat cook destance.
X. Penerapan Estimasi Kurva
a. Model liniear
Seperti dijelaskan pada estimasi model linear berganda sebelumnya.
b. Model logarithmatic
y = 6,93 - 0,155 ln X1 + 0,0286 ln X2 - 0,144 ln X3 – 2,39 ln X4

Constant 6,928 2,437 2,84 0,012
ln X1 -0,1549 0,1252 -1,24 0,235
ln X2 0,02858 0,03149 0,91 0,378
ln X3 -0,1439 0,1128 -1,28 0,221
ln X4 -2,3902 0,9060 -2,64 0,019
S = 0,358267 R-Sq = 42,7% R-Sq(adj) = 27,4%
Source DF SS MS F P
Regression 4 1,4351 0,3588 2,80 0,064
Total 19 3,3604
c. Model Invers
y = - 2,53 + 0,0764 1/X1 - 0,00214 1/X2 + 0,55 1/X3 + 33,9 1/X4

Constant -2,5292 0,8414 -3,01 0,009
1/X1 0,07636 0,07239 1,05 0,308
1/X2 -0,002141 0,001385 -1,55 0,143
1/X3 0,550 4,449 0,12 0,903
1/X4 33,88 11,91 2,84 0,012
S = 0,357263 R-Sq = 43,0% R-Sq(adj) = 27,8%
Source DF SS MS F P
Regression 4 1,4459 0,3615 2,83 0,062
Total 19 3,3604
d. Model Quadratic
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

Constant 8,745 7,677 1,14 0,279
X1 -0,1692 0,2019 -0,84 0,420
X2 0,04440 0,04911 0,90 0,385
X3 0,003368 0,005461 0,62 0,550
X4 -1,092 1,092 -1,00 0,339
X12 0,01660 0,02454 0,68 0,513
X22 -0,002108 0,002322 -0,91 0,383
X32 -0,00002069 0,00001908 -1,08 0,302
X42 0,03337 0,03914 0,85 0,412
S = 0,360796 R-Sq = 57,4% R-Sq(adj) = 26,4%
Source DF SS MS F P
Regression 8 1,9285 0,2411 1,85 0,170
Total 19 3,3604
e. Model Cubic

SAHAM2008 = 27,0 - 0,517 X1 - 0,028 X2 + 0,0318 X3 –5,5 X4 + 0,200 X12 +
0,0061 X22 - 0,000234 X32 + 0,36 X42 – 0,0165 X13 - 0,000253 X23 +
0,000000 X33 - 0,0078 X43

Constant 27,00 86,51 0,31 0,764
X1 -0,5172 0,4531 -1,14 0,291
X2 -0,0277 0,1178 -0,24 0,821
X3 0,03175 0,02183 1,45 0,189
X4 -5,51 19,12 -0,29 0,782
X12 0,1996 0,1467 1,36 0,216
X22 0,00614 0,01290 0,48 0,649
X32 -0,0002345 0,0001665 -1,41 0,202
X42 0,361 1,399 0,26 0,804
X13 -0,01648 0,01231 -1,34 0,222
X23 -0,0002534 0,0003737 -0,68 0,520
X33 0,00000046 0,00000037 1,25 0,251
X43 -0,00785 0,03382 -0,23 0,823
S = 0,348108 R-Sq = 74,8% R-Sq(adj) = 31,5%
Source DF SS MS F P
Regression 12 2,5122 0,2093 1,73 0,239
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
α : 5 % (0,05)

Normal
99
Mean 3,441691E-16
StDev 0,6642
95 N 20
KS 0,127
90
P-Value >0,150
80
70
Percent
60
50
40
30
20
10 Normality test
5
1
-2 -1 0 1 2
RESI2

I. Estimasi Data
adalah :
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 ]

𝒚̂𝒊 = −𝟐, 𝟕𝟒𝟎𝟖𝟑 + 𝟎, 𝟎𝟔𝟓𝟗𝟐 𝑿𝒊𝟏 + 𝟎, 𝟎𝟏𝟐𝟕𝟔 𝑿𝒊𝟐 − 𝟎, 𝟎𝟎𝟎𝟔𝟕 𝑿𝒊𝟑 + 𝟎, 𝟏𝟗𝟗𝟎𝟐 𝑿𝒊𝟒
Tafsiran :
a. 𝛽
lain tetap
b. 𝛽
lain tetap
c. 𝛽
yang lain tetap
d. 𝛽
lain tetap
Output minitab :
Y = - 2,74 + 0,066 X1 + 0,0128 X2 - 0,00067 X3 + 0,199 X4

Constant -2,741 2,536 -1,08 0,297
X1 0,0659 0,1154 0,57 0,576
X2 0,01276 0,02188 0,58 0,568
X3 -0,000673 0,004017 -0,17 0,869
X4 0,1990 0,1729 1,15 0,268
S = 0,747491 R-Sq = 22,6% R-Sq(adj) = 2,0%

Variabel respon y adalah return saham tahun 2009, sedangkan variabel prediktor x1
y = -2,74 + 0,066 x1 + 0,0128 x2 - 0,00067 x3 + 0,199 x4

Hipotesis :
α : 5 % (0,05)
Source DF SS MS F P
Regression 4 2,4491 0,6123 1,10 0,394
Total 19 10,8302

Kesimpulan : Tidak ada pengaruh secara bersama antara current ratio, return on
assets, debt to equity ratio, dan size terhadap return saham pada
perusahaan manufaktur yang terdaftar di bursa efek indonesia tahun
2009
a. Menguji apakah current ratio (β1) berpengaruh terhadap return saham
tahun 2009
Hipotesis :
α : 5 % (0,05)
y = 0,289 + 0,0317 X1

Constant 0,2886 0,3035 0,95 0,354
X1 0,03169 0,09362 0,34 0,739
S = 0,773221 R-Sq = 0,6% R-Sq(adj) = 0,0%
Source DF SS MS F P
Regression 1 0,0685 0,0685 0,11 0,739
Total 19 10,8302

tahun 2009
b. Menguji apakah return on assets (β2) berpengaruh terhadap return
Hipotesis :
H0 : Tidak ada pengaruh return on assets terhadap return saham pada perusahaan
α : 5 % (0,05)
y = 0,050 + 0,0290 X2

Constant 0,0504 0,2417 0,21 0,837
X2 0,02904 0,01631 1,78 0,092
S = 0,715243 R-Sq = 15,0% R-Sq(adj) = 10,3%
Source DF SS MS F P
Regression 1 1,6219 1,6219 3,17 0,092
Total 19 10,8302

Kesimpulan : Tidak ada pengaruh return on assets terhadap return saham pada
tahun 2009.
Hipotesis :
(β3=0)
α : 5 % (0,05)
hasil sebagai berikut
y = 0,525 - 0,00199 X3

Constant 0,5255 0,3170 1,66 0,115
X3 -0,001995 0,003487 -0,57 0,574
S = 0,768723 R-Sq = 1,8% R-Sq(adj) = 0,0%
Source DF SS MS F P
Regression 1 0,1934 0,1934 0,33 0,574
Total 19 10,8302

Kesimpulan : Tidak ada pengaruh debt to equity ratio terhadap return saham
pada perusahaan manufaktur yang terdaftar di bursa efek indonesia
tahun 2009.
Hipotesis :
α : 5 % (0,05)
y = - 2,82 + 0,223 X4

Constant -2,824 1,744 -1,62 0,123
X4 0,2234 0,1214 1,84 0,082
S = 0,711586 R-Sq = 15,8% R-Sq(adj) = 11,2%

Source DF SS MS F P
Regression 1 1,7158 1,7158 3,39 0,082
Total 19 10,8302

Kesimpulan : Tidak ada pengaruh size terhadap return saham pada perusahaan

𝛽̂𝑘 ± 𝑡α/2(n-p) s(𝛽̂𝑘 )

𝛽̂1 − 𝑡0,05/2(20-5) s(𝛽̂1) < 𝛽 1 < 𝛽̂1 + 𝑡0,05/2(20-5) s(𝛽̂1 )
0,06592 – 1,753 . 0,1154< 𝛽 1 < 0,06592 + 1,753 . 0,1154
-0,1363762 < 𝛽 1 < 0,2682162
𝛽̂2 − 𝑡0,05/2(20-5) s(𝛽̂2) < 𝛽 2 < 𝛽̂2 + 𝑡0,05/2(20-5) s(𝛽̂2 )
0,01276 – 1,753 . 0,02188 < 𝛽 2 < 0,01276 + 1,753 . 0,02188
-0,02559564 < 𝛽 2 < 0,05111654
𝛽̂3 − 𝑡0,05/2(20-5) s(𝛽̂3) < 𝛽 3 < 𝛽̂3 + 𝑡0,05/2(20-5) s(𝛽̂3 )
−0,00067– 1,753 . 0,004017 < 𝛽 3 < −0,00067+ 1,753 . 0,004017
-0,007711801 < 𝛽 3 < 0,006371801
𝛽̂4 − 𝑡0,05/2(20-5) s(𝛽̂4 ) < 𝛽 4 < 𝛽̂4 + 𝑡0,05/2(20-5) s(𝛽̂4 )
0,19902 – 1,753 . 0,1729< 𝛽 4 < 0,19902 + 1,753 . 0,01729
-0,01040737 < 𝛽 4 < 0,5021137

Uji Ketidaksesuaian Model digunakan untuk menyelidiki apakah fungsi respon regresi
linear berganda merupakan permukaan respon yang sesuai bagi segugus data yang
mempunyai amatan berulang, sehingga :
Hipotesis :
sesuai)
H1 : E(yi) ≠ β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 (Model regresi linear berganda tidak
sesuai)
α : 5 % (0,05)

Jumlah kuadrat ekstra dilakukan untuk mengukur JKG akibat dimasukkanya satu atau
lebih variabel prediktor ke dalam model regresi jika diketahui bahwa variabel lain
telah ada di dalam model.
a. Regresi y terhadap X1 : ŷ = 0,289 + 0,0317 X1
Source DF SS MS F P
Regression 1 0,0685 0,0685 0,11 0,739
Total 19 10,8302

X1 0,03169 0,09362 0,34 0,739
b. Regresi y terhadap X2 : ŷ = 0,050 + 0,0290 X2

Source DF SS MS F P
Regression 1 1,6219 1,6219 3,17 0,092
Total 19 10,8302

X2 0,02904 0,01631 1,78 0,09
c. Regresi y terhadap X3 : ŷ = 0,525 - 0,00199 X3
Source DF SS MS F P
Regression 1 0,1934 0,1934 0,33 0,574
Total 19 10,8302

X3 -0,001995 0,003487 -0,57 0,57
d. Regresi y terhadap X4: ŷ = -2,82 + 0,223 X4

Source DF SS MS F P
Regression 1 1,7158 1,7158 3,39 0,082
Total 19 10,8302

X4 0,2234 0,1214 1,84 0,08
e. Regresi y terhadap X1 dan X2 : ŷ = - 0,021 + 0,0275 X1 + 0,0289 X2

Source DF SS MS F P
Regression 2 1,6735 0,8368 1,55 0,240
Total 19 10,8302

X1 0,02752 0,08889 0,31 0,761
X2 0,02890 0,01674 1,73 0,102
f. Regresi y terhadap X1 dan X3 : ŷ = 0,503 + 0,0055 X1 - 0,00189 X3

Source DF SS MS F P
Regression 2 0,1949 0,0974 0,16 0,857
Total 19 10,8302

X1 0,0055 0,1121 0,05 0,962
X3 -0,001888 0,004201 -0,45 0,659
g. Regresi y terhadap X1 dan X4 : ŷ = -3,67 + 0,0922 X1 + 0,265 X4

Source DF SS MS F P
Regression 2 2,2358 1,1179 2,21 0,140
Total 19 10,830
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
Total 19 10,8302

X2 0,02821 0,01685 1,67 0,112
X3 -0,001271 0,003352 -0,38 0,709
i. Regresi y terhadap X2 dan X4 : ŷ = -1,92 + 0,0176 X2 + 0,147 X4

Source DF SS MS F P
Regression 2 2,1101 1,0550 2,06 0,159
Total 19 10,830

X2 0,01762 0,02009 0,88 0,39
X4 0,1466 0,1503 0,98 0,343
j. Regresi y terhadap X3 dan X4 : ŷ = -2,71 - 0,00233 X3 + 0,228 X4

Source DF SS MS F P
Regression 2 1,9782 0,9891 1,90 0,180
Total 19 10,8302

X3 -0,002327 0,003278 -0,71 0,487
X4 0,2282 0,1233 1,85 0,082
k. Regresi y terhadap X1, X2, dan X3 : ŷ = 0,098 + 0,014 X1 + 0,0283 X2 - 0,001X3
Source DF SS MS F P
Regression 3 1,7085 0,5695 1,00 0,419
Total 19 10,8302

X1 0,0137 0,1072 0,13 0,900
X2 0,02832 0,01738 1,63 0,123
X3 -0,001002 0,004047 -0,25 0,808
l. Regresi y terhadap X2, X3, dan X4 : ŷ = -1,95 + 0,0154 X2 - 0,00183 X3 + 0,160
X4
Source DF SS MS F P
Regression 3 2,2667 0,7556 1,41 0,276
Total 19 10,8302

X2 0,01537 0,02094 0,73 0,474
X3 -0,001834 0,003391 -0,54 0,596
X4 0,1602 0,1556 1,03 0,318
m. Regresi y terhadap X1, X3, dan X4 : ŷ = -3,52 + 0,08 X1 - 0,00082 X3 + 0,261 X4
Source DF SS MS F P
Regression 3 2,2589 0,7530 1,41 0,278
Total 19 10,8302

X1 0,0800 0,1105 0,72 0,480
X3 -0,000817 0,003926 -0,21 0,838
X4 0,2613 0,1331 1,96 0,067
n. Regresi y terhadap X1, X2, dan X4 : ŷ = -2,85 + 0,0757 X1 + 0,130 x2 + 0,201 x4

Source DF SS MS F P
Regression 3 2,4334 0,8111 1,55 0,241
Total 19 10,8302

X1 0,07570 0,09645 0,78 0,444
X2 0,01299 0,02116 0,61 0,548
X4 0,2011 0,1671 1,20 0,246
o. Regresi y terhadap X1, X2, X3, dan X4 : ŷ = -2,74 + 0,066 X1 + 0,0128 X2 -

0,00067 X3 + 0,199 X4
Source DF SS MS F P
Regression 4 2,4491 0,6123 1,10 0,394
Total 19 10,8302

X1 0,0659 0,1154 0,57 0,576
X2 0,01276 0,02188 0,58 0,568
X3 -0,000673 0,004017 -0,17 0,869
X4 0,1990 0,1729 1,15 0,268
JKG (X1) =10,7617 JKR (X1) = 0,685
JKG (X2) =9,2083 JKR (X2) = 1,6219
JKG (X3) = 10,6368 JKR (X3) = 0,1934
JKG (X4) = 9,1144 JKR (X4) = 1,7158
JKG (X1, X2) = 9,1567 JKR (X1, X2) = 1,6735
JKG (X1, X3) = 10,6353 JKR (X1, X3) = 0,1949
JKG (X1, X4) = 8,5945 JKR (X1, X4) = 2,2358
JKG (X2, X3) = 9,1310 JKR (X2, X3) = 1,6992
JKG (X2, X4) = 8,7201 JKR (X2, X4) = 2,1101
JKG (X3, X4) = 8,8520 JKR (X3, X4) = 1,9782
JKG (X1, X2, X3) = 9,1217 JKR (X1, X2, X3) = 1,7085
JKG (X2, X3, X4) =8,5636 JKR (X2, X3, X4) = 2,2667
JKG (X1, X3, X4) = 8,5713 JKR (X1, X3, X4) = 2,2589
JKG (X1, X2, X4) = 8,3968 JKR (X1, X2, X4) = 2,4334
JKG (X1, X2, X3, X4) = 8,3811 JKR (X1, X2, X3, X4) = 2,4491
JKR (X2, X3|X1, X4) = JKR (X1, X2, X3, X4) - JKR (X1, X4) = 2,4491 – 2,2358 =
0,2133
0,1824
JKR (X2 | X1, X3, X4) = JKR (X1, X2, X3, X4) - JKR (X1, X3, X4) = 2,4491 – 2,2589 =
0,1902
0,0157
0,7406
H0 : β1 = 0
H1 : β1 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋1 |𝑋2 ,𝑋3 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,1824 8,3811
= :
1 15
= 0,3264487955
penuh.
H0 : β2 = 0
H1 : β2 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,1902 8,3811
= :
1 15
= 0,3404087769

penuh.
H0 : β3 = 0
H1 : β3 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,0157 8,3811
= :
1 15
= 0,02809893689

H0 : β4 = 0
H1 : β4 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,7406 8,3811
= :
1 15
= 1,325482335
Keputusan : H0 dterima karena F = 1,325482335 di luar daerah kritis

H0 : β2 = β3 = 0
Statistik uji :

F= :
𝐽𝐾𝑅 (𝑋2 ,𝑋3 |𝑋1 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−3)−(𝑛−5)
:
(𝑛−5)
0,2133 8,3811
= :
2 15
= 0,1908758993

Kesimpulan : β2 dan β3 sama dengan nol, sehingga β2X2 dan β3X3 dapat
dibuang dari model regresi yang di dalamnya sudah terdapat
β1X1 dan β4X4
b. Menguji apakah β2X2, β3X3 dan β4X4 dapat dibuang dari model penuh
H0 : β2 = β3 = β4 = 0
Statistik uji :

F= :
𝐽𝐾𝑅 (𝑋2 ,𝑋3 ,𝑋4 |𝑋1 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−2)−(𝑛−5)
:
(𝑛−5)
1,7641 8,3811
= :
3 15
= 1,052427486
Kesimpulan : β2, β3 dan β4 sama dengan nol, sehingga β2X2, β3X3 dan β4X4 dapat
dibuang dari model regresi yang di dalamnya sudah terdapat β1X1.


𝐽𝐾𝑅 (𝑋1 |𝑋2 ,𝑋3 ,𝑋4 ) 0,1824
r2y1.234 = = = 0,0212994535
𝐽𝐾𝐺 (𝑋2 ,𝑋3, 𝑋4 ) 8,5636
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%.
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 0,1902
r2y2.134 = = = 0,02219033285
𝐽𝐾𝐺 (𝑋1 ,𝑋3, 𝑋4 ) 8,5713
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 0,0157
r2y3.124 = = = 0,00186976
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋4 ) 8,3968
𝐽𝐾𝑅 (𝑋4 |𝑋1 ,𝑋2 ,𝑋3 ) 0,7406
r2y4.123 = = = 0,08119100606
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋3 ) 9,1217

galat.
Scatterplot of RESI7 vs RESI8
2,0
1,5
1,0
0,5
RESI7
0,0
-0,5
-1,0
-3 -2 -1 0 1 2 3 4
RESI8
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)
b. X2 dipertimbangkan untuk dimasukkan ke dalam model sehingga meregresikan
2,0
1,5
1,0
0,5
RESI9
0,0
-0,5
-1,0
-10 -5 0 5 10 15 20 25
RESI10
ei(Y | X1, X3, X4) = 0,066 ei(X2 | X1, X3, X4)
Y - 𝑌̂ = 0,066 (X2 - 𝑋̂2 )

2,0
1,5
1,0
RESI11
0,5
0,0
-0,5
-1,0
-50 0 50 100 150

RESI12
parsial :
ei(Y | X1, X2, X4) = -0,00067 ei(X3 | X1, X2, X4)
Y - 𝑌̂ = -0,00067 (X3 - 𝑋̂3 )
1,5
1,0
RESI13 0,5
0,0
-0,5
-1,0
-3 -2 -1 0 1
RESI14
ei(Y | X1, X2, X3) = 0,199 ei(X4 | X1, X2, X3)
Y - 𝑌̂ = 0,199 (X4 - 𝑋̂4 )

Xi1 Xi2 Xi3 Xi4 Yi ei ri hii ti

2,173 16,539 39,338 15,351 0,642 -0,00014 -0,00020 0,126633 -0,00020
2,980 9,157 109,698 14,284 0,692 0,35055 0,49315 0,095639 0,48033
1,665 7,123 85,053 14,438 -0,9 -1,17603 -1,63666 0,075916 -1,74459
4,531 16,635 27,245 13,541 2,1 1,65327 2,41417 0,160651 2,98265

2,307 7,537 131,683 15,116 0,052 -0,37520 -0,55708 0,188134 -0,54384
1,880 28,715 69,305 16,69 0,283 -0,74153 -1,15099 0,257144 -1,16457
3,001 20,688 24,083 16,401 1,978 1,00909 1,55533 0,246628 1,64069
1,998 3,991 57,32 14,263 0,671 0,42915 0,61107 0,117259 0,59783
3,136 4,219 113,697 13,103 0,12 0,06901 0,09935 0,136488 0,09602
1,025 0,477 58,712 12,779 -0,041 0,12242 0,19293 0,279446 0,18662
8,001 12,386 19,125 12,511 -0,317 -0,73874 -1,39040 0,494766 -1,43919
2,125 3,296 83,347 11,195 -0,333 0,05375 0,09758 0,457077 0,09430
2,020 2,267 39,235 14,31 0 -0,24282 -0,35929 0,182529 -0,34861
1,269 12,329 119,134 15,798 1,46 0,89590 1,30840 0,160868 1,34299
1,586 14,108 79,999 13,755 0,153 -0,07443 -0,10710 0,135579 -0,10351
7,263 12,528 12,922 13,81 0,472 -0,16560 -0,27983 0,373219 -0,27105
2,116 3,529 45,163 14,365 -0,275 -0,54721 -0,79322 0,148240 -0,78291
2,077 1,745 81,159 14,623 -0,135 -0,40900 -0,59188 0,145368 -0,57860
1,003 40,669 101,987 15,828 0,474 -0,45172 -1,00530 0,638649 -1,00568
1,138 4,326 229,64 14,028 0,366 0,33928 0,70018 0,579769 0,68777
𝑝 5
Nilai leverage hii dianggap besar jika memenuhi hii > 2 𝑛 = 2 20 = 0,5. Dari tabel diatas
diperoleh pencilan terhadap nilai-nilai X pada pengamatan 19 dengan hii = 0,638649 dan
pengamatan 20 dengan hii = 0,579769

yaitu │ti│> tα(n-p-1). Pada kasus tahun 2009 sesuai dengan tabel diatas, pencilan dari
nilai Y ada pada pengamatan 4 karena│2,98265│> t0,05 (14) = │2,98265│> 1,761

pengam DBETAS
DFITS Di
atan 𝛽̂ 0 𝛽̂ 1 𝛽̂ 2 𝛽̂ 3 𝛽̂ 4
1 -0.00002 0.00002 0.00000 0.00000 0.00000 0.00000 0.00000
2 0.03707 -0.10816 0.00891 -0.00060 0.00042 0.00550 0.00514
3 -0.09661 0.01368 0.01860 0.00373 0.00025 -0.01310 0.04401
4 0.31643 122.348 0.01545 0.01124 -0.00128 -0.08339 0.22310
5 -0.08695 0.42012 -0.01358 0.00257 -0.00069 -0.02678 0.01438
6 -0.25668 0.59100 0.00486 -0.00579 0.00015 -0.04202 0.09171
7 0.33034 -120.238 0.00855 -0.00183 -0.00146 0.09634 0.15838
8 0.05701 -0.00257 -0.00866 -0.00266 -0.00044 0.00790 0.00992
9 0.01091 0.02410 0.00132 -0.00008 0.00009 -0.00206 0.00031
10 0.04748 0.20653 -0.00984 -0.00023 -0.00024 -0.01053 0.00289
11 -0.72343 -0.33897 -0.11210 -0.00442 -0.00064 0.04631 0.37863
12 0.04525 0.21193 -0.00458 0.00068 -0.00004 -0.01394 0.00160
13 -0.05422 0.01553 0.00671 0.00218 0.00042 -0.00733 0.00576
14 0.17175 -0.87992 0.00473 -0.00369 0.00085 0.06269 0.06564
15 -0.01167 -0.07926 0.00300 -0.00051 0.00003 0.00491 0.00036
16 -0.09860 0.13521 -0.01970 0.00044 -0.00002 -0.00695 0.00933
17 -0.09524 0.05384 0.01172 0.00418 0.00077 -0.01556 0.02190
18 -0.06957 0.25435 -0.00059 0.00418 0.00008 -0.02302 0.01192
19 -0.79836 -0.98182 0.04428 -0.02598 -0.00058 0.07926 0.35724
20 0.46808 -0.30034 0.02454 -0.00139 0.00298 0.00440 0.13527


 DBETAS
Pada kasus ini sesuai dengan tabel diatas, t ditemukan │(DBETAS)k(i)│> 1 yaitu
pada pengamatan 4 untuk 𝛽̂ 0 dengan │(DBETAS)0(4)│= │122,348│> 1 dan pada
pengamatan 7 untuk 𝛽̂ 0 dengan │(DBETAS)0(7)│=│120,238│> 1. Jadi, pengamatan

4 dan 7 sangat berpengaruh karena nilai DBETAS sangat besar .
 Cook destance
Dari tabel 6 diperoleh galat e4 = 1,65327 dan h44 = 0,160651, dan KTG = 0,55874,
sehingga diperoleh :
𝑒4 ² ℎ44
Di = [ ]
𝑝 .𝐾𝑇𝐺 (1−ℎ44 )²
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
Oleh karena D4 berada di sekitar persentil ke-5 maka pengamatan 4

berpengaruh pada kesesuaian regresi tetapi besarnya sangat kecil sehingga tidak perlu
dilakukan tindakan remedial.
Ukuran cook distance selanjutnya adalah pengamatan 7 dengan nilai D7 =
0.15838 digunakan distribusi F padanannya, yaitu dengan bantuan minitab F(n,n-p) =
F(5,15)
MTB > cdf 0,15838 k7;
SUBC> f 5 15.
MTB > print k7
Data Display
K7 0,0259800
Oleh karena D4 berada di sekitar persentil ke-3 maka pengamatan 7

berpengaruh pada kesesuaian regresi tetapi besarnya sangat kecil sehingga tidak perlu
dilakukan tindakan remedial.

a. Model liniear
y = - 4,87 + 0,010 ln X1 + 0,193 ln X2 - 0,204 ln X3 + 2,14 ln X4

Constant -4,869 6,644 -0,73 0,475
ln X1 0,0097 0,4849 0,02 0,984
ln X2 0,1934 0,2075 0,93 0,366
ln X3 -0,2039 0,3363 -0,61 0,553
ln X4 2,142 2,347 0,91 0,376
S = 0,723884 R-Sq = 27,4% R-Sq(adj) = 8,1%
Source DF SS MS F P
Regression 4 2,9701 0,7425 1,42 0,276
Total 19 10,8302
c. Model Invers

y = 3,21 - 0,06 1/X1 - 0,143 1/X2 + 9,9 1/X3 – 42,2 1/X4

Constant 3,208 2,313 1,39 0,186
1/X1 -0,060 1,080 -0,06 0,956
1/X2 -0,1432 0,4859 -0,29 0,772
1/X3 9,93 12,53 0,79 0,441
1/X4 -42,24 28,70 -1,47 0,162
S = 0,746377 R-Sq = 22,8% R-Sq(adj) = 2,3%
Source DF SS MS F P
Regression 4 2,4740 0,6185 1,11 0,388
Total 19 10,8302
d. Model Quadratic
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

Constant -2,73 14,11 -0,19 0,850
X1 0,6703 0,4686 1,43 0,180
X2 0,09089 0,06676 1,36 0,201
X3 -0,01554 0,01179 -1,32 0,214
X4 0,286 2,042 0,14 0,891
X12 -0,08636 0,04979 -1,73 0,111
X22 -0,001569 0,001566 -1,00 0,338
X32 0,00006789 0,00004745 1,43 0,180
X42 -0,00921 0,07418 -0,12 0,903
S = 0,682849 R-Sq = 52,6% R-Sq(adj) = 18,2%
Source DF SS MS F P
Regression 8 5,7011 0,7126 1,53 0,252
Total 19 10,8302
e. Model Cubic
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

Constant -95,1 215,1 -0,44 0,672
X1 -1,770 1,707 -1,04 0,334
X2 0,2100 0,3052 0,69 0,514
X3 -0,05104 0,08814 -0,58 0,581
X4 22,48 47,95 0,47 0,653
X12 0,6088 0,5413 1,12 0,298
X22 -0,01273 0,02438 -0,52 0,618
X32 0,0004158 0,0009045 0,46 0,660
X42 -1,710 3,548 -0,48 0,645
X13 -0,05561 0,04353 -1,28 0,242
X23 0,0001932 0,0004234 0,46 0,662
X33 -0,00000098 0,00000247 -0,40 0,705
X43 0,04302 0,08694 0,49 0,636
S = 0,662923 R-Sq = 71,6% R-Sq(adj) = 22,9%
Source DF SS MS F P
Regression 12 7,7539 0,6462 1,47 0,313
Total 19 10,8302
syarat y > 0.
Jenis kurva MSE R²
Linier 0,5587 0,226
Invers 0,5571 0,228
Cubic 0,4395 0,716
ANALISIS TAHUN 2010
Uji Normalitas
α : 5 % (0,05)

Normal
99
Mean -5,00988E-16
StDev 0,4073
95 N 20
KS 0,133
90
P-Value >0,150
80
70
Percent
60
50
40
30
20
10
1
-1,0 -0,5 0,0 0,5 1,0
RESI3

I. Estimasi Data
adalah :
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]
𝒚̂𝒊 = −𝟏, 𝟖𝟔𝟒𝟕𝟏 − 𝟎, 𝟎𝟕𝟗𝟗𝟑 𝑿𝒊𝟏 + 𝟎, 𝟎𝟓𝟏𝟐𝟕 𝑿𝒊𝟐 − 𝟎, 𝟎𝟎𝟏𝟕𝟏 𝑿𝒊𝟑 − 𝟎, 𝟏𝟎𝟏𝟎𝟒 𝑿𝒊𝟒
Tafsiran :
a. 𝛽
yang lain tetap
b. 𝛽
lain tetap
c. 𝛽
yang lain tetap
d. 𝛽
yang lain tetap
Output minitab :

y = 1,86 - 0,0799 X1 + 0,0513 X2 - 0,00171 X3 - 0,101 X4

Constant 1,865 1,315 1,42 0,177
CR2010 -0,07993 0,05305 -1,51 0,153
ROA2010 0,05127 0,01556 3,30 0,005
DER2010 -0,001713 0,002867 -0,60 0,559
SIZE2010 -0,10104 0,08764 -1,15 0,267
S = 0,458411 R-Sq = 48,3% R-Sq(adj) = 34,5%

variabel respon y adalah return saham tahun 2010, sedangkan variabel prediktor x1
y = 1,86 - 0,0799 x1 + 0,0513 x2 - 0,00171 x3 - 0,101 x4


Hipotesis :
α : 5 % (0,05)
Source DF SS MS F P
Regression 4 2,9438 0,7360 3,50 0,033
Total 19 6,0959

Kesimpulan : Ada pengaruh secara bersama antara current ratio, return on
assets, debt to equity ratio, dan size terhadap return saham pada
2010
a. Menguji apakah current ratio (β1) berpengaruh terhadap return
Hipotesis :
α : 5 % (0,05)
y = 0,491 + 0,0082 X1

Constant 0,4914 0,1940 2,53 0,021
X1 0,00820 0,04785 0,17 0,866
S = 0,581473 R-Sq = 0,2% R-Sq(adj) = 0,0%
Source DF SS MS F P
Regression 1 0,0099 0,0099 0,03 0,866
Total 19 6,0959

tahun 2010
b. Menguji apakah return on assets (β2) berpengaruh terhadap return
Hipotesis :
H0 : Tidak ada pengaruh return on assets terhadap return saham pada
(β2=0)
α : 5 % (0,05)
y = 0,116 + 0,0420 X2

Constant 0,1156 0,1562 0,74 0,469
X2 0,04200 0,01242 3,38 0,003
S = 0,455112 R-Sq = 38,8% R-Sq(adj) = 35,4%
Source DF SS MS F P
Regression 1 2,3676 2,3676 11,43 0,003
Total 19 6,0959

Kesimpulan : Ada pengaruh return on assets terhadap return saham pada
tahun 2010
Hipotesis :
2010. (β3=0)
α : 5 % (0,05)
hasil sebagai berikut
y = 0,758 - 0,00300 X3

Constant 0,7576 0,2374 3,19 0,005
X3 -0,003003 0,002507 -1,20 0,247
S = 0,560056 R-Sq = 7,4% R-Sq(adj) = 2,2%
Source DF SS MS F P
Regression 1 0,4500 0,4500 1,43 0,247
Total 19 6,0959

Kesimpulan : Tidak ada pengaruh debt to equity ratio terhadap return saham
pada perusahaan manufaktur yang terdaftar di bursa efek indonesia
tahun 2010.
Hipotesis :
α : 5 % (0,05)
y = 0,10 + 0,0288 X4

Constant 0,100 1,394 0,07 0,944
X4 0,02882 0,09610 0,30 0,768
S = 0,580499 R-Sq = 0,5% R-Sq(adj) = 0,0%

Source DF SS MS F P
Regression 1 0,0303 0,0303 0,09 0,768
Total 19 6,0959

Kesimpulan : Tidak ada pengaruh size terhadap return saham pada perusahaan

𝛽̂𝑘 ± 𝑡α/2(n-p) s(𝛽̂𝑘 )

𝛽̂1 − 𝑡0,05/2(20-5) s(𝛽̂1) < 𝛽 1 < 𝛽̂1 + 𝑡0,05/2(20-5) s(𝛽̂1 )
−0,07993 – 1,753 . 0,05305 < 𝛽 1 < −0,07993 + 1,753 . 0,05305
-0,17292665 < 𝛽 1 < 0,01306665
𝛽̂2 − 𝑡0,05/2(20-5) s(𝛽̂2) < 𝛽 2 < 𝛽̂2 + 𝑡0,05/2(20-5) s(𝛽̂2 )
0,05127 – 1,753 . 0,01556 < 𝛽 2 < 0,05127 + 1,753 . 0,01556
0,02399332 < 𝛽 2 < 0,07854668
𝛽̂3 − 𝑡0,05/2(20-5) s(𝛽̂3) < 𝛽 3 < 𝛽̂3 + 𝑡0,05/2(20-5) s(𝛽̂3 )
−0,00171 – 1,753 . 0,002867 < 𝛽 3 < −0,00171 + 1,753 . 0,002867
-0,006735851 < 𝛽 3 < 0,003315851
𝛽̂4 − 𝑡0,05/2(20-5) s(𝛽̂4 ) < 𝛽 4 < 𝛽̂4 + 𝑡0,05/2(20-5) s(𝛽̂4 )
−0,10104 – 1,753 . 0,08764 < 𝛽 4 < −0,10104 + 1,753 . 0,08764
-0,25467292 < 𝛽 4 < 0,05259292

Uji Ketidaksesuaian Model digunakan untuk menyelidiki apakah fungsi respon
regresi linear berganda merupakan permukaan respon yang sesuai bagi segugus
data yang mempunyai amatan berulang, sehingga :
Hipotesis :
sesuai)
H1 : E(yi) ≠ β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 (Model regresi linear berganda
tidak sesuai)
α : 5 % (0,05)

Jumlah kuadrat ekstra dilakukan untuk mengukur JKG akibat dimasukkanya satu
atau lebih variabel prediktor ke dalam model regresi jika diketahui bahwa
variabel lain telah ada di dalam model.
a. Regresi y terhadap X1 : ŷ = 0,491 + 0,0082 X1
Source DF SS MS F P
Regression 1 0,0099 0,0099 0,03 0,866
Total 19 6,0959

X1 0,00820 0,04785 0,17 0,866
b. Regresi y terhadap X2 : ŷ = 0,116 + 0,042 X2
Source DF SS MS F P
Regression 1 2,3676 2,3676 11,43 0,003
Total 19 6,095

X2 0,04200 0,01242 3,38 0,003
c. Regresi y terhadap X3 : ŷ = 0,758 – 0,00300 X3

Source DF SS MS F P
Regression 1 0,4500 0,4500 1,43 0,247
Total 19 6,0959

X3 -0,003003 0,002507 -1,20 0,24
d. Regresi y terhadap X4: ŷ = 0,10 + 0,0288 X4

Source DF SS MS F P
Regression 1 0,0303 0,0303 0,09 0,768
Total 19 6,0959

X4 0,02882 0,09610 0,30 0,768
e. Regresi y terhadap X1 dan X2 : ŷ = 0,193 - 0,0406 X1 + 0,0467 X2
Source DF SS MS F P
Regression 2 2,5818 1,2909 6,24 0,009
Total 19 6,095

X1 -0,04060 0,03989 -1,02 0,32
X2 0,04668 0,01323 3,53 0,003
f. Regresi y terhadap X1 dan X3 : ŷ = 1,04 - 0,0484 X1 - 0,00472 X3

Source DF SS MS F P
Regression 2 0,6485 0,3242 1,01 0,384
Total 19 6,0959

X1 -0,04836 0,06145 -0,79 0,442
X3 -0,004718 0,003342 -1,41 0,176
g. Regresi y terhadap X1 dan X4 : ŷ = -0,05 + 0,0132 X1 + 0,036 X4
Source DF SS MS F P
Regression 2 0,0541 0,0270 0,08 0,927
Total 19 6,0959

X1 0,01321 0,05108 0,26 0,799
X4 0,0362 0,1027 0,35 0,729

Source DF SS MS F P
Regression 2 2,3694 1,1847 5,40 0,015
Total 19 6,0959

X2 0,04260 0,01439 2,96 0,009
X3 0,000210 0,002360 0,09 0,930
i. Regresi y terhadap X2 dan X4 : ŷ = 0,82 + 0,0444 X2 - 0,0501 X4

Source DF SS MS F P
Regression 2 2,4513 1,2257 5,72 0,013
Total 19 6,0959

X2 0,04442 0,01322 3,36 0,004
X4 -0,05009 0,08016 -0,62 0,540
j. Regresi y terhadap X3 dan X4 : ŷ = 0,19 - 0,0031 X3 + 0,0396 X4

Source DF SS MS F P
Regression 2 0,5067 0,2533 0,77 0,478
Total 19 6,0959

X3 -0,003103 0,002578 -1,20 0,245
X4 0,03959 0,09534 0,42 0,683
k. Regresi y terhadap X1, X2, dan X3 : ŷ = 0,421 - 0,0591 X1 + 0,0438 X2 - 0,0018
X3
Source DF SS MS F P
Regression 3 2,6645 0,8882 4,14 0,024
Total 19 6,0959

X1 -0,05911 0,05039 -1,17 0,258
X2 0,04376 0,01427 3,07 0,007
X3 -0,001798 0,002895 -0,62 0,543
l. Regresi y terhadap X2, X3, dan X4 : ŷ = 0,83 + 0,0465 X2 - 0,00065 X3 - 0,0561

X4
Source DF SS MS F P
Regression 3 2,4668 0,8223 3,63 0,036
Total 19 6,0959

X2 0,04654 0,01583 2,94 0,010
X3 0,000650 0,002493 0,26 0,798
X4 -0,05610 0,08562 -0,66 0,522
m. Regresi y terhadap X1, X3, dan X4 : ŷ = 0,74 - 0,0446 X1 - 0,00464 X3 - 0,020 X4
Source DF SS MS F P
Regression 3 0,6617 0,2206 0,65 0,595
Total 19 6,095

X1 -0,04462 0,06605 -0,68 0,509
X3 -0,004636 0,003466 -1,34 0,200
X4 0,0199 0,1012 0,20 0,846
n. Regresi y terhadap X1, X2, dan X4 : ŷ = 1,67 – 0,0626 X1 + 0,0542 X2 - 0,102 X4

Source DF SS MS F P
Regression 3 2,8687 0,9562 4,74 0,015
Total 19 6,0959

X1 -0,06258 0,04350 -1,44 0,170
X2 0,05415 0,01450 3,74 0,002
X4 -0,10238 0,08583 -1,19 0,250
o. Regresi y terhadap X1, X2, X3, dan X4 : ŷ = 1,86 - 0,0799 X1 + 0,0513 X2 -
0,00171 X3 - 0,101 X4
Source DF SS MS F P
Regression 4 2,9438 0,7360 3,50 0,033
Total 19 6,0959

X1 -0,07993 0,05305 -1,51 0,153
X2 0,05127 0,01556 3,30 0,005
X3 -0,001713 0,002867 -0,60 0,559
X4 -0,10104 0,08764 -1,15 0,267

JKG (X1) = 6,0860 JKR (X1) = 0,0099
JKG (X2) = 3,7283 JKR (X2) = 2,3676
JKG (X3) = 5,6459 JKR (X3) = 0,45
JKG (X4) = 6,0656 JKR (X4) = 0,0303
JKG (X1, X2) = 3,5142 JKR (X1, X2) = 2,5818
JKG (X1, X3) = 5,4474 JKR (X1, X3) = 0,6485
JKG (X1, X4) = 6,0418 JKR (X1, X4) = 0,0541
JKG (X2, X3) = 3,7265 JKR (X2, X3) = 2,3694
JKG (X2, X4) = 3,6446 JKR (X2, X4) = 2,4513
JKG (X3, X4) = 5,5892 JKR (X3, X4) = 0,5067
JKG (X1, X2, X3) = 3,4314 JKR (X1, X2, X3) = 2,6645
JKG (X2, X3, X4) =3,6292 JKR (X2, X3, X4) = 2,4668
JKG (X1, X3, X4) = 5,4343 JKR (X1, X3, X4) = 0,6617
JKG (X1, X2, X4) = 3,2272 JKR (X1, X2, X4) = 2,8687
JKG (X1, X2, X3, X4) = 3,1521 JKR (X1, X2, X3, X4) = 2,9438
0,477
JKR (X2 | X1, X3, X4) = JKR (X1, X2, X3, X4) - JKR (X1, X3, X4) = 2,9438 – 0,6617
=2,2821
0,0751
0,2793
H0 : β1 = 0
H1 : β1 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋1 |𝑋2 ,𝑋3 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,477 3,1521
= :
1 15
= 2,269915295

penuh.
H0 : β2 = 0
H1 : β2 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
2,2821 3,1521
= :
1 15
= 10,85990292

Kesimpulan : β2 ≠ 0, berarti bahwa X2 harus dipertahankan dalam model
regresi yang didalamnya terdapat X1, X3, dan X4.
penuh.
H0 : β3 = 0
H1 : β3 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,0751 3,1521
= :
1 15
= 0,3573807938

H0 : β4 = 0
H1 : β4 ≠ 0
Statistik uji :

F = :
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−4)−(𝑛−5)
:
(𝑛−5)
0,2793 3,1521
= :
1 15
= 1,329113924
Kesimpulan : β4 = 0, berarti bahwa X4 dapat dibuang dari model regresi yang
didalamnya terdapat X1, X2, dan X3.

H0 : β2 = β3 = 0
Statistik uji :

F= :
𝐽𝐾𝑅 (𝑋2 ,𝑋3 |𝑋1 ,𝑋4 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−3)−(𝑛−5)
:
(𝑛−5)
2,8897 3,1521
= :
2 15
= 6,875654326

Kesimpulan : β2 dan β3 tidak sama dengan nol, sehingga β2X2 dan β3X3 harus
dipertahankan dalam model regresi yang di dalamnya sudah
terdapat β1X1 dan β4X4.
b. Menguji apakah β2X2, β3X3 dan β4X4 dapat dibuang dari model penuh
H0 : β2 = β3 = β4 = 0
Statistik uji :

F= :
𝐽𝐾𝑅 (𝑋2 ,𝑋3 ,𝑋4 |𝑋1 ) 𝐽𝐾𝐺 (𝑋1 ,𝑋2 ,𝑋3, 𝑋4 )
=
(𝑛−2)−(𝑛−5)
:
(𝑛−5)
2,9339 3,1521
= :
3 15
= 4,653881539
Kesimpulan : tidak benar bahwa β2, β3 dan β4 sama dengan nol, sehingga β2X2, β3X3
dan β4X4 tidak dapat dibuang dari model regresi yang di dalamnya
sudah terdapat β1X1.


𝐽𝐾𝑅 (𝑋1 |𝑋2 ,𝑋3 ,𝑋4 ) 0,477
r2y1.234 = = = 0,1314339248
𝐽𝐾𝐺 (𝑋2 ,𝑋3, 𝑋4 ) 3,6292
𝐽𝐾𝑅 (𝑋2 |𝑋1 ,𝑋3 ,𝑋4 ) 2,2821
r2y2.134 = = = 0,419943691
𝐽𝐾𝐺 (𝑋1 ,𝑋3, 𝑋4 ) 5,4343
𝐽𝐾𝑅 (𝑋3 |𝑋1 ,𝑋2 ,𝑋4 ) 0,0751
r2y3.124 = = = 0,02327094695
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋4 ) 3,2272
𝐽𝐾𝑅 (𝑋4 |𝑋1 ,𝑋2 ,𝑋3 ) 0,2793
r2y4.123 = = = 0,08139534884
𝐽𝐾𝐺 (𝑋1 ,𝑋2, 𝑋3 ) 3,4314

galat.
1,0
0,5
RESI31
0,0
-0,5
-3 -2 -1 0 1 2 3 4 5 6
RESI32
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)
b. X2 dipertimbangkan untuk dimasukkan ke dalam model sehingga
meregresikan ei(Y | X1, X3, X4) dengan ei(X2| X1, X3, X4)
1,0
0,5
RESI33
0,0
-0,5
-1,0
-10 -5 0 5 10 15
RESI34
𝛽̂2 = 0,0531 Plot regresi parsial ini menunjukkan sifat hubungan linier antara Y
ei(Y | X1, X3, X4) = 0,0531 ei(X2 | X1, X3, X4)
Y - 𝑌̂ = 0,0531 (X2 - 𝑋̂2 )
1,00
0,75
0,50
0,25
RESI35
0,00
-0,25
-0,50
-50 -25 0 25 50 75
RESI36
parsial :
ei(Y | X1, X2, X4) = -0,00171 ei(X3 | X1, X2, X4)
Y - 𝑌̂ = -0,00171 (X3 - 𝑋̂3 )
ei(Y | X1, X2, X3) dengan ei(X4| X1, X2, X3
1,0
0,5
RESI37
0,0
-0,5
-1,0
-4 -3 -2 -1 0 1 2
RESI38
parsial :
ei(Y | X1, X2, X3) = -0,101 ei(X4 | X1, X2, X3)
Y - 𝑌̂ = -0,101 (X4 - 𝑋̂4 )

x1 x2 x3 x4 Y ei ri hi ti
1,757 20,429 38,403 15,535 1,426 0,2896878 0,725451 0,2411865 0,713479
2,354 2,344 152,826 14,492 0 -0,0706309 -0,173156 0,2082173 -0,167451
1,38 6,711 143,393 14,715 -0,193 -0,5590231 -1,312741 0,1370357 -1,348021
6,33 19,696 19,946 13,471 0,935 -0,0383966 -0,093782 0,2022964 -0,090628
0,84 6,295 148,261 15,318 0,796 0,4774143 1,136141 0,1597331 1,148126
1,612 31,285 100,932 16,837 1,706 0,2401649 0,823037 0,5947977 0,813713
5,553 21,014 17,171 16,546 0,164 -0,6331391 -1,645196 0,2952189 -1,755681
2,425 8,37 48,765 14,32 0,251 -0,3186177 -0,738565 0,1143677 -0,726859
2,634 8,126 104,547 13,295 0,428 -0,1203853 -0,278664 0,1118731 -0,269914
1,017 0,972 77,302 12,907 -0,043 -0,4396997 -1,092904 0,2297362 -1,100571
9,44 12,711 16,916 12,624 1,285 0,8275491 2,256273 0,3598296 2,681847
2,444 9,4 67,147 11,267 1 0,1021153 0,302488 0,4576782 0,293126
1,916 2,974 66,735 14,536 0,42 0,1389891 0,326456 0,1374138 0,316513
1,661 7,937 52,93 16,16 0,451 0,0355682 0,088392 0,2294708 0,085417
2,174 14,096 96,158 13,88 0,426 -0,4205227 -0,984119 0,1310899 -0,983011
10,684 12,551 10,412 13,861 -0,111 -0,346979 -1,073869 0,5031847 -1,07979
2 5,338 54,352 14,511 1,086 0,6667476 1,568254 0,1398363 1,656993
1,868 0,014 85,484 14,639 -0,237 -0,3275438 -0,776339 0,1529137 -0,76555
0,851 0,389 115,004 15,978 0,434 0,4288166 1,068136 0,2330242 1,07355
1,239 0,008 192,066 13,934 0,097 0,0678849 0,185268 0,361096 0,179191
𝑝 5
Nilai leverage hii dianggap besar jika memenuhi hii > 2 =2 = 0,5. Dari tabel diatas
𝑛 20
diperoleh pencilan terhadap nilai-nilai X pada pengamatan 6 dengan hii = 0,5947977 dan
pengamatan 16 dengan hii = 0,5031847

yaitu │ti│> tα(n-p-1). Pada kasus tahun 2010 sesuai dengan tabel diatas, pencilan dari
nilai Y ada pada pengamatan 11 karena│2,681847│> t0,05 (14) = │2,98265│>
1,761.

pengam DBETAS
DFITS Di
atan 𝛽̂ 0 𝛽̂ 1 𝛽̂ 2 𝛽̂ 3 𝛽̂ 4
1 0.09208 0.06201 -0.01291 0.00298 -0.00056 0.00085 0.03346
2 -0.01857 0.03324 -0.00232 0.00028 -0.00019 -0.00127 0.00158
3 -0.08877 0.10804 -0.00480 -0.00093 -0.00105 -0.00225 0.05473
4 -0.00974 -0.02466 -0.00025 -0.00037 0.00002 0.00174 0.00045
5 0.09076 -0.23897 0.00397 0.00003 0.00088 0.01275 0.04908
6 0.35254 -0.29602 -0.00581 0.01245 0.00095 0.01025 0.19887
7 -0.26521 0.81975 -0.01415 -0.00120 0.00070 -0.06003 0.22675
8 -0.04115 -0.11808 0.00732 0.00094 0.00055 0.00169 0.01409
9 -0.01516 -0.07710 0.00040 -0.00046 -0.00010 0.00564 0.00196
10 -0.13114 -0.56700 0.01865 0.00246 0.00081 0.02724 0.07125
11 0.46515 0.32581 0.05786 -0.00087 0.00042 -0.03192 0.57229
12 0.08618 0.35060 -0.00690 0.00152 -0.00012 -0.02250 0.01544
13 0.02214 0.01378 -0.00228 -0.00126 -0.00023 0.00217 0.00340
14 0.01059 -0.02446 -0.00068 -0.00033 -0.00008 0.00267 0.00047
15 -0.06344 -0.25771 0.00620 -0.00410 -0.00029 0.01921 0.02922
16 -0.35143 0.40793 -0.04769 0.00393 -0.00036 -0.02132 0.23359
17 0.10839 0.15499 -0.01549 -0.00460 -0.00132 0.00554 0.07996
18 -0.05913 0.04633 0.00164 0.00397 0.00034 -0.00942 0.02176
19 0.13028 -0.42862 0.00202 -0.00600 -0.00008 0.03562 0.06933
20 0.03837 -0.01325 0.00258 -0.00009 0.00032 -0.00100 0.00388
 DBETAS
Pada kasus ini sesuai dengan tabel diatas, tidak ditemukan │(DBETAS)k(i)│> 1
sehingga pada tahun 2010 tidak terdapat DBETAS atau tidak mengindikasikan
pengaruh yang disebabkan oleh pengamatan ke i terhadap masing-masing koefisien
regresi βk
 COOK destance
Karena kasus ini tidak ditemukan │(DBETAS)k(i)│> 1 sehingga pada tahun 2010
tidak terdapat cook destance.
a. Model liniear
y = 2,14 - 0,272 ln X1 + 0,139 ln X2 - 0,133 ln X3 - 0,39 ln X4

Constant 2,137 4,398 0,49 0,634
ln X1 -0,2717 0,3584 -0,76 0,460
ln X2 0,13949 0,06255 2,23 0,041
ln X3 -0,1333 0,3067 -0,43 0,670
ln X4 -0,387 1,393 -0,28 0,785
S = 0,538613 R-Sq = 28,6% R-Sq(adj) = 9,6%
Source DF SS MS F P
Regression 4 1,7444 0,4361 1,50 0,251
Total 19 6,0959
c. Model Invers
Y = 0,93 - 0,244 1/X1 - 0,00585 1/X2 - 3,49 1/X3 - 2,1 1/X4

Constant 0,932 1,648 0,57 0,580
1/X1 -0,2442 0,6295 -0,39 0,704
1/X2 -0,005853 0,004519 -1,30 0,215
1/X3 -3,492 8,020 -0,44 0,669
1/X4 -2,05 20,73 -0,10 0,922
S = 0,600455 R-Sq = 11,3% R-Sq(adj) = 0,0%
Source DF SS MS F P
Regression 4 0,6877 0,1719 0,48 0,752
Total 19 6,0959
d. Model Quadratic

y = 8,1 - 0,307 X1 + 0,0467 X2 - 0,0070 X3 - 0,87 X4 + 0,0182 X12 +
0,00022 X22 + 0,000021 X32 + 0,0260 X24

Constant 8,05 11,11 0,72 0,484
X1 -0,3074 0,2736 -1,12 0,285
X2 0,04667 0,05476 0,85 0,412
X3 -0,00700 0,01407 -0,50 0,628
X4 -0,865 1,585 -0,55 0,596
X12 0,01819 0,02084 0,87 0,401
X22 0,000221 0,001845 0,12 0,907
X32 0,00002101 0,00006184 0,34 0,740
X42 0,02604 0,05648 0,46 0,654
S = 0,509101 R-Sq = 53,2% R-Sq(adj) = 19,2%
Source DF SS MS F P
Regression 8 3,2449 0,4056 1,56 0,241
Total 19 6,0959
e. Model Cubic
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

Constant 226,8 129,7 1,75 0,124
X1 -1,3452 0,5851 -2,30 0,055
X2 0,15940 0,09314 1,71 0,131
X3 0,09370 0,07122 1,32 0,230
X4 -50,08 28,71 -1,74 0,125
X12 0,3449 0,1487 2,32 0,053
X22 -0,009828 0,008642 -1,14 0,293
X32 -0,0009624 0,0006694 -1,44 0,194
X42 3,630 2,085 1,74 0,125
X13 -0,020700 0,009146 -2,26 0,058
X23 0,0002453 0,0002102 1,17 0,281
X33 0,00000287 0,00000193 1,48 0,181
X43 -0,08695 0,05002 -1,74 0,126
S = 0,463573 R-Sq = 75,3% R-Sq(adj) = 33,0%
Source DF SS MS F P
Regression 12 4,5916 0,3826 1,78 0,227
Total 19 6,0959
syarat y > 0.
Jenis kurva MSE R²
Linier 0,2101 0,483
Invers 0,3605 0,113
Cubic 0,2149 0,753
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
Suliyanto. 2015. Diktat : Regresi Terapan. Universitas Airlangga : Surabaya.

Regresi Linier Berganda

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Regresi Linier Berganda

Uploaded by

Copyright:

Available Formats

TUGAS MATA KULIAH REGRESI TERAPAN

ANALISIS PENGARUH CURRENT RATIO, RETURN ON ASSETS, DEBT TO

PROGRAM STUDI S-1 STATISTIKA

III. Variabel Penelitian

I. Daftar Sampel Nama Perusahaan Manufaktur periode 2008 – 2011

Selanjutnya, dilakukan dengan software minitab dan disajikan sebagai berikut :

Probability Plot of RESI1

Keputusan : H0 diterima karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 > α

The regression equation is

Predictor Coef SE Coef T P

S = 0,339161 R-Sq = 48,7% R-Sq(adj) = 35,0%

2. Koefisien Determinasi Ganda (R2)

II. Inferensi Parameter Regresi Linier Berganda

1. Uji Serempak Pada Model Regresi Linear Berganda

Keputusan : H0 ditolak karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0,031 memenuhi daerah kritis

2. Uji Individu Pada Model Regresi Linear Berganda

Predictor Coef SE Coef T P

S = 0,430202 R-Sq = 0,9% R-Sq(adj) = 0,0%

Keputusan : H0 diterima karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0,696 di luar daerah kritis

Predictor Coef SE Coef T P

S = 0,421231 R-Sq = 5,0% R-Sq(adj) = 0,0%

Keputusan : H0 diterima karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0,345 di luar daerah kritis

Predictor Coef SE Coef T P

S = 0,383390 R-Sq = 21,3% R-Sq(adj) = 16,9%

Keputusan : H0 ditolak karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0,041 memenuhi daerah kritis

The regression equation is

Predictor Coef SE Coef T P

S = 0,370673 R-Sq = 26,4% R-Sq(adj) = 22,3%

Keputusan : H0 ditolak karena nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0,020 memenuhi daerah kritis

3. Interval Kepercayaan 95% bagi Parameter βk

𝛽̂𝑘 ± 𝑡α/2(n-p) s(𝛽̂𝑘 )

𝛽̂𝑘 − 𝑡α/2(n-p) s(𝛽̂𝑘 ) < 𝛽̂𝑘 < 𝛽̂𝑘 + 𝑡α/2(n-p) s(𝛽̂𝑘 )

Interval kepercayaan 95% bagi parameter β1

III. Inferensi bagi Rataan Respon

1. Uji Ketidaksesuaian Model

IV. Jumlah Kuadrat Ekstra

variabel penduga parameter simpangan baku t p-value

b. Regresi y terhadap X2 : ŷ = -0,215 + 0,0121 X2

variabel penduga parameter simpangan baku t p-value

c. Regresi y terhadap X3 : ŷ = 0,155 - 0,00271 X3

variabel penduga parameter simpangan baku t p-value

d. Regresi y terhadap X4: ŷ = 2,20 - 0,162 X4

variabel penduga parameter simpangan baku t p-value

e. Regresi y terhadap X1 dan X2 : ŷ = - 0,278 + 0,0254 X1 + 0,0125 X2

variabel penduga parameter simpangan baku t p-value

variabel penduga parameter simpangan baku t p-value

variabel penduga parameter simpangan baku t p-value

h. Regresi y terhadap X2 dan X3 : ŷ = 0,102 + 0,0045 X2 - 0,00255 X3

variabel penduga parameter simpangan baku t p-value

i. Regresi y terhadap X2 dan X4 : ŷ = 2,15 + 0,0137 X2 - 0,167 X4

variabel penduga parameter simpangan baku t p-value

j. Regresi y terhadap X3 dan X4 : ŷ = 2,11 - 0,00222 X3 - 0,140 X4

k. Regresi y terhadap X1, X2, dan X3 : ŷ = 0,212 - 0,0276 X1 + 0,0031 X2 - 0,00289

variabel penduga parameter simpangan baku t p-value

l. Regresi y terhadap X2, X3, dan X4 : ŷ = 2,09 + 0,0078 X2 - 0,00193 X3 - 0,145

variabel penduga parameter simpangan baku t p-value

m. Regresi y terhadap X1, X3, dan X4 : ŷ = 2,82 - 0,0781 X1 - 0,00294 X3 - 0,172 X4

variabel penduga parameter simpangan baku t p-value

n. Regresi y terhadap X1, X2, dan X4 : ŷ = 2,39 - 0,0252 X1 + 0,0135 x2 - 0,179 x4

o. Regresi y terhadap X1, X2, X3, dan X4 : ŷ = 2,77 - 0,0735 X1 + 0,0047 X2 -

variabel penduga parameter simpangan baku t p-value

Berdasarkan hasil yang regresi yang di peroleh di atas, maka:

JKG(R)− JKG (F) JKG (F)

Keputusan : H0 diterima karena F = 1,935091278 di luar daerah kritis