Uji F bertujuan untuk mencari apakah variabel independen secara bersama – sama (stimultan) mempengaruhi variabel dependen. Uji F dilakukan untuk melihat pengaruh dari seluruh variabel bebas secara bersama-sama terhadap variabel terikat. Tingakatan yang digunakan adalah sebesar 0.5 atau 5%, jika nilai signifikan F < 0.05 maka dapat diartikan bahwa variabel independent secara simultan mempengaruhi variabel dependen ataupun sebaliknya (Ghozali, 2016). Uji simultan F (Uji Simultan) digunakan untuk mengetahui ada atau tidaknya pengaruh secara bersama – sama atau simultan antara variabel independen terhadap variabel dependen. Pengujian statistik Anova merupakan bentuk pengujian hipotesis dimana dapat menarik kesimpulan berdasarkan data atau kelompok statistik yang disimpulkan. Pengambilan keputusan dilihat dari pengujian ini dilakukan dengan melihat nilai F yang terdapat di dalam tabel ANOVA, tingkat signifikansi yang digunakan yaitu sebesar 0,05. Adapun ketentuan dari uji F yaitu sebagai berikut (Ghozali, 2016) :
- Jika nilai signifikan F < 0,05 maka H0 ditolak dan H1 diterima. Artinya semua variabel independent/bebas memiliki pengaruh secara signifikan terhadap variabel dependen/terikat.
- Jika nilai signifikan F > 0,05 maka H0 diterima dan H1 Artinya, semua variabel independent/bebas tidak memiliki pengaruh secara signifikan terhadap variabel dependen/terikat.
Sebagai contoh hasil uji F dapat dilihat pada table 1 berikut ini :
Tabel 1 Hasil Uji F
ANOVAa | ||||||
Model | Sum of Squares | df | Mean Square | F | Sig. | |
1 | Regression | ,006 | 4 | ,002 | 4,641 | ,003b |
Residual | ,017 | 52 | ,000 | |||
Total | ,024 | 56 | ||||
a. Dependent Variable: Agresivitas Pajak | ||||||
b. Predictors: (Constant), Inventory Intensity, CSR, Likuditas, Capital Intensity |
Sumber: Hasil Pengolahan Data SPSS 25
Berdasarkan tabel 1 dapat diperoleh keputusan bahwa H0 ditolak dan H1 diterima. Hal ini dapat dilihat dari nilai F hitung yaitu sebesar 4.64. Sedangkan nilai signifikansi yang dihasilkan yaitu 0,003 yang dimana lebih kecil dari 0,05. Dengan demikian dapat disimpulkan bahwa model regresi berganda ini layak digunakan, dan variabel independen yang meliputi corporate social responsibility, likuiditas, capital intensity, dan inventory intensity memiliki pengaruh secara simultan terhadap variabel dependen agresivitas pajak.
Referensi:
- Ghozali, I. (2016) Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23. Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.
Image Sources: Google Images
Analisis regresi linier berganda bertujuan untuk mengetahui hubungan timbal balik suatu variabel dengan beberapa variabel. Dengan analisis regresi kita juga dapat memperkirakan nilai suatu variabel berdasarkan beberapa variabel lainnya.
Daftar isi
- 1 Model Regresi Linier Berganda
- 2 Hal yang Harus Diperhatikan
- 3 Estimasi Parameter Analisis Regresi Linier Berganda
- 4 Pengujian Asumsi Klasik
- 4.1 1. Uji Normalitas
- 4.2 2. Uji Homoskedastisitas
- 4.3 3. Uji Multikolinieritas
- 4.4 4. Uji Autokorelasi
- 5 Pengujian Keberartian Model
- 5.1 1. Uji Simultan (Over-all F Test)
- 5.2 2. Uji Parsial (Partial T Test)
- 5.3 3. Koefisien Determinasi R2
- 6 Aplikasi Analisis Regresi Linier Berganda
- 7 Kesimpulan
- 8 Referensi
Dalam analisis regresi, variabel yang akan diprediksi disebut variabel dependen (Y). Sedangkan variabel yang digunakan untuk memprediksi disebut variabel independen (X).
Variabel dependen (Y) bersifat stokastik (random) sehingga akan mengikuti distribusi peluang tertentu. Sedangkan variabel independen (X) bersifat deterministik atau tidak random (fixed).
Analisis ini dapat digunakan apabila hubungan antara variabel independen dan dependen bersifat linier, dengan banyak variabel independen lebih dari satu.
Model umum dari regresi linier berganda dapat ditulis sebagai berikut:
Yi = α + β1 X1i + β2X2i + … + βk Xki + εi
Keterangan:
Yi : variabel dependen pada observasi ke-i
X1i, X2i, …, Xki : variabel independen pada observasi ke-i
α : intersep
β1, β2, …, βk : koefisien parameter
εi : residual observasi ke-i
i : observasi ke 1,2,…, n
Hal yang Harus Diperhatikan
Variabel dependen dalam analisis regresi linier berganda harus berskala kontinu. Jangan gunakan regresi linier berganda ketika variabel dependennya merupakan data count (jumlah). Contoh data count seperti jumlah kasus covid, jumlah kematian, jumlah penjualan, dan sebagainya. Untuk kasus data count, metode yang tepat digunakan adalah regresi poisson atau regresi binomial negatif.
Banyak data/sampel sebaiknya tidak kurang dari 30
Estimasi Parameter Analisis Regresi Linier Berganda
Metode yang digunakan untuk estimasi parameter regresi linier berganda adalah Ordinary Least Square (OLS). Misalkan vektor b merupakan estimasi koefisien regresi
Maka vektor b dapat kita hitung menggunakan formula berikut:
Dimana X dan Y merupakan matriks dari data yang digunakan dan tanda menyatakan fungsi transpose matriks.
Pengujian Asumsi Klasik
Dalam analisis regresi linier berganda, terdapat asumsi klasik yang harus terpenuhi yaitu asumsi normalitas, homoskedastisitas, non-multikolinieritas, dan non-autokorelasi.
1. Uji Normalitas
Asumsi normalitas dilakukan pada komponen error atau residual. Dalam hal ini residual diasumsikan mengikuti distribusi normal dengan rata-rata 0 dan varians konstan. Terdapat beberapa cara untuk melihat apakah residual berdistibusi normal atau tidak. Biasanya pengujian distribusi normal dapat menggunakan uji formal dan informal.
Uji informal menggunakan grafik/plot dalam mengambil keputusan. Beberapa uji non-formal diantaranya Quantile-Quantile (QQ) Plot, Probability-Probability (PP) Plot, Box Plot, dan Histogram. Uji non-formal ini bersifat subjektif, artinya setiap peneliti bisa saja memberikan keputusan yang berbeda. Oleh karena itu, untuk meyakinkan keputusan dapat menggunakan pengujian secara formal.
Uji formal menggunakan hipotesis dan serangkaian uji statistik dalam mengambil keputusan. Beberapa uji formal diantaranya uji Kolmogorv Smirnov, Shapiro Wilk, Jarque Bera, Liliefors, Anderson Darling, dan sebagainya.
Normalitas residual harus dipenuhi dalam analisis regresi linier berganda. Asumsi ini sangat penting terutama pada sampel kecil (kurang dari 100). Ketika residual tidak berdistribusi normal, kita tidak dapat melakukan segala jenis pengujian hipotesis seperti uji t dan uji F.
2. Uji Homoskedastisitas
Homoskedastis berarti bahwa varians residual memiliki nilai yang konstan. Cara mendeteksi pelanggaran asumsi homoskedastisitas dapat dilakukan dengan cara membentuk plot antara residual dengan variabel independen (X) atau plot antara residual dengan nilai estimasi variabel dependen (Y).
Pengujian secara formal dapat menggunakan uji Glejser. Uji Glejser mendeteksi pelanggaran dengan cara melihat signifikansi parameter pada regresi antara variabel independen dengan residual.
Pelanggaran asumsi homoskedastisitas menyebabkan penduga parameter menjadi tidak efisien (Gujarati, 2009). Hal ini membuat prodesur pengujian hipotesis menjadi meragukan.
3. Uji Multikolinieritas
Multikolinieritas merupakan gejala dimana terdapat korelasi yang kuat antar variabel independen. Salah satu cara mendeteksi multikolinieritas dapat dilihat melalui nilai VIF.
Adanya multikolinieritas menyebabkan nilai koefisien regresi tidak relevan lagi karena nilai standard residual yang mendekati tak hingga.
4. Uji Autokorelasi
Autokorelasi merupakan gejala dimana terdapat korelasi antar residual. Salah satu uji untuk mendeteksi autokorelasi adalah dengan uji Durbin Watson. Pengujian autokorelasi dilakukan apabila data yang digunakan adalah data time series. Jika data yang digunakan adalah data cross section, maka uji autokorelasi tidak perlu dilakukan (Gujarati, 2009).
Pengujian Keberartian Model
Uji ini dilakukan untuk mengetahui keberartian model dalam menggambarkan hubungan antar variabel serta melihat apakah variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen. Pengujian keberartian model dalam analisis regresi linier berganda adalah Uji Simultan, Uji Parsial, dan Koefisien Determinasi.
1. Uji Simultan (Over-all F Test)
Uji simultan dilakukan untuk melihat apakah variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen.
2. Uji Parsial (Partial T Test)
Uji parsial dilakukan untuk melihat apakah masing-masing variabel independen berpengaruh signifikan terhadap variabel dependen dengan asumsi variabel independen lainnya konstan.
3. Koefisien Determinasi R2
Koefisien determinasi menggambarkan besarnya kontribusi variabel independen terhadap variabel dependen. Nilai R2 berada pada rentang 0 sampai 1. Semakin tinggi nilai R2 dapat dikatakan bahwa variabel independen mampu menjelaskan keragaman variabel dependen.
Aplikasi Analisis Regresi Linier Berganda
Untuk aplikasi dan interpretasi model, teman-teman dapat melihat pada artikel berikut
- 1. Analisis Regresi Linier Berganda dengan Eviews
- 2. Analisis Regresi Linier Berganda dengan R
Kesimpulan
Regresi Linier Berganda merupakan metode analisis untuk mengetahui hubungan timbal balik antar variabel. Data variabel dependen dalam analisis haruslah berskala kontinu serta banyak data/sampel yang tidak kurang dari 30.
Terdapat empat asumsi klasik yang harus dipenuhi dalam regresi linier berganda yaitu asumsi normalitas, homoskedastisitas, non multikolinieritas, dan non autokorelasi. Setelah asumsi klasik terpenuhi, kita dapat mengetahui berpengaruh atau tidaknya variabel menggunakan uji F dan uji t.
Referensi
Gujarati, Damodar N & Porter, Dawn C. (2009). Basic Econometric Fifth Edition. New York: The McGraw-Hill Company.
Featured Image Designed by pch.vector / Freepik