Simulasi Multikolinearitas pada Regresi Logistik

Uji asumsi klasik yang sering dipergunakan dalam analisis regresi linear berganda adalah uji normalitas, uji heteroskedastisitas, uji autokorelasi dan uji multikolinearitas. Dari keempat uji tersebut, jika kita simak maka uji normalitas, uji heteroskedastisitas dan uji autokorelasi berkaitan dengan nilai residualnya, sedangkan uji multikolinearitas berkaitan dengan variabel bebasnya. Regresi logistik adalah regresi di mana variabel terikatnya adalah dummy, yaitu 1 dan 0. Dengan demikian, residualnya yang merupakan selisih antara nilai prediksi dengan nilai sebenarnya tidak perlu dilakukan ketiga uji tersebut. Akan tetapi untuk uji multikolinearitas, karena hanya melibatkan variabel bebas, maka masih diperlukan uji tersebut. Mannual book SPSS menuliskan ‘Preferably, your predictors should not be highly correlated’. Sedangkan untuk autokorelasi pada time series akan dibahas belakangan.

1.    Objek penelitian

Penelitian menggunakan populasi seluruh perusahaan consumer goods, food and beverages dan tobacco pada Bursa Efek Indonesia pada periode tahun 2006 sampai dengan tahun 2008, di mana berdasarkan ICMD terdapat 25 perusahaan. Penelitian ini menggunakan 7 buah variabel bebas dan 1 buah variabel terikat yaitu financial distress. Adapun variabel bebasnya adalah NPM, CR, TATO, ROE, DTA, Posisi Kas dan Pertumbuhan.


2.    Menilai kelayakan model regresi (goodness of fit)

Penelitian menggunakan analisis regresi logistik karena variabel terikat (financial distress) menggunakan variabel dummy yaitu 0 (tidak mengalami financial distress) dan 1 (mengalami financial distress). Jumlah data yang dipergunakan adalah sebanyak 25 x 3 tahun = 75 data dengan mengeluarkan 1 buah data karena tidak memenuhi kriteria. Dengan demikian data yang dipergunakan adalah sebanyak 74 buah.

Nilai -2 Log Likelihood pada Beginning Block adalah sebesar 102,369 pada iterasi ke-2. Nilai tersebut merupakan nilai Chi Square yang dibandingkan dengan nilai Chi Square pada tabel dengan df sebesar N – 1 = 74 – 1 = 73 pada taraf signifikansi 0,05 yaitu sebesar 93,945. Tampak bahwa -2 Log Likelihood > Chi Square tabel (102,369 > 93,945) yang menunjukkan bahwa terdapat perbedaan yang signifikan antara model dengan konstanta saja dengan data.

Tabel 1
Iteration History Tanpa Variabel Bebas
Iteration History Tanpa Variabel Bebas

Hal ini menunjukkan bahwa model dengan konstanta saja belum fit. Sehingga diperlukan pengujian lain yaitu dengan memasukkan variabel bebas sebanyak 7 buah sehingga mempunyai df sebesar 74 – 7 - 1 = 66 dan mempunyai nilai chi square tabel sebesar 85,965 pada signifikansi 0,05. Sedangkan nilai -2 Log Likelihood dengan memasukkan variabel bebas adalah sebagai berikut:

Tabel 2
Iteration History dengan Variabel Bebas
Iteration History dengan Variabel Bebas

Tampak bahwa nilai -2 Log Likelihood < Chi Square tabel (46,443 < 85,965) yang menunjukkan bahwa model dengan memasukkan variabel bebas adalah fit dengan data. Hal ini menunjukkan bahwa model layak untuk dipergunakan. Jika ingin melihat selisih dari kedua nilai di atas yaitu antara Blok 0 dengan Blok 1, maka dilakukan dengan mengurangkan nilainya yaitu 102,369 – 46,443 = 55,926 dan Program SPSS juga menampilkan selisih tersebut yaitu sebagai berikut:

Tabel 3
Omnibus Test
Omnibus Test
Tampak bahwa selisihnya adalah sebesar 55,926 dengan signifikansi sebesar 0,000 (< 0,05) yang menunjukkan bahwa penambahan variabel bebas memberikan pengaruh nyata terhadap model, atau dengan kata lain model dinyatakan fit. Lebih lanjut, untuk melihat apakah data empiris cocok dengan model (tidak ada perbedaan antara model dengan data) dilakukan dengan melihat nilai Hosmer and Lemeshow Test yaitu sebagai berikut:

Tabel 4
Hosmer and Lemeshow Test
Hosmer and Lemeshow Test
Nilai Chi Square tabel untuk df 8 pada taraf signifikansi 0,05 adalah sebesar 15,507 sehingga Chi Square hitung < Chi Square tabel (2,692 < 15,507). Tampak juga bahwa nilai signifikansi adalah sebesar 0,952 (> 0,05) yang menunjukkan bahwa model dapat diterima dan pengujian hipotesis dapat dilakukan.

Untuk melihat kemampuan variabel bebas dalam menjelaskan varians financial distress, digunakan nilai Cox dan Snell R Square dan Nagelkerke R Square. Nilai Nagelkerke R Square sebesar 0,708 yang lebih besar dari pada Cox dan Snell R Square, yang menunjukkan bahwa kemampuan ketujuh variabel bebas dalam menjelaskan varians financial distress adalah sebesar 70,8% dan terdapat 29,2% faktor lain yang menjelaskan varians financial distress.

Tabel 5
Model Summary
Model Summary

Untuk melihat ketepatan model yang dibentuk dilihat dengan Klasifikasi tabel sebagai berikut:

Tabel 6
Classification Table
Classification Table

Sampel yang tidak mengalami financial distress (0) adalah sebanyak 35 perusahaan. Hasil prediksi model pada Tabel di atas adalah 30 perusahaan tidak mengalami financial distress (0) dan 5 mengalami financial distress (1). Berarti terdapat 5 prediksi yang salah sehingga prediksi yang benar adalah sebanyak 30/35 = 85,7%. Sedangkan untuk perusahaan yang melakukan mengalami financial distress, dari 39 sampel hanya 3 perusahaan yang diprediksi tidak sesuai oleh model penelitian sehingga kebenaran model untuk perusahaan yang mengalami financial distress adalah sebesar 36/39 = 92,3%. Dengan demikian tabel di atas memberikan nilai overall percentage sebesar (30+36)/74 = 89,2% yang berarti ketepatan model penelitian ini adalah sebesar 89,2%.

3.    Pengujian Hipotesis

Setelah diperoleh model yang fit terhadap data, maka langkah selanjutnya adalah dilakukan uji hipotesis. Pengujian hipotesis dilakukan untuk menjawab pertanyaan penelitian ini.
Tabel 7
Pengujian Hipotesis
Pengujian Hipotesis

Dengan menggunakan tingkat kepercayaan 90% maka yang dinyatakan signifikan adalah NPM (Sig. 0,001) dan ROA (Sig. 0,000) terhadap financial distress. Jika dilihat dari koefisiennya (B) maka tampak bahwa koefisien NPM adalah positif yang berarti bahwa semakin tinggi NPM berarti semakin tinggi pula kemungkinan mengalami distress. Sedangkan ROA mempunyai koefisien negatif yang menunjukkan bahwa semakin tinggi ROA maka semakin rendah kemungkinan perusahaan mengalami distress.

Sampai di sini, kita punya pertanyaan penting, Apakah benar semakin tinggi NPM berarti semakin tinggi perusahaan mengalami financial distress. Silahkan Anda rujuk kepada teori yang ada. Jika Anda tidak yakin akan hal itu, silahkan lihat tabel di bawah:

Tabel 8
Korelasi antar Variabel Bebas dengan ROA
Korelasi antar Variabel Bebas dengan ROA

Tampak jelas bahwa korelasi antara ROA dengan NPM adalah 0,970 (tanda minus kita abaikan) yang berarti bahwa terdapat korelasi yang tinggi antara kedua variabel tersebut sehingga mengganggu model penelitian. Anda dapat melakukan modifikasi terhadap model, tentunya dengan justifikasi teori atau rujukan yang kuat. Karena ini hanya simulasi, maka modifikasi dilakukan dengan mengganti variabel ROA dengan ROE yang keduanya mengukur profitabilitas. Sehingga tabulasi korelasinya adalah sebagai berikut:

Tabel 9
Korelasi antar Variabel Bebas dengan ROE
Korelasi antar Variabel Bebas dengan ROE

Tampak bahwa tidak ada variabel bebas yang saling mempunyai korelasi yang tinggi sehingga tidak ada gangguan multikolinearitas pada model penelitian. Secara singkat, hasil estimasi model adalah sebagai berikut:

Tabel 10





Output tanpa Korelasi Tinggi antar Variabel Bebas
Output tanpa Korelasi Tinggi antar Variabel Bebas
   
Tampak bahwa semua asumsi yang diperlukan tetap terpenuhi pada model dengan ROE yang menggantikan ROA. Selain itu, NPM dan TATO mempunyai pengaruh negatif terhadap financial distress.

Penting untuk dicatat, bahwa simulasi ini hanya bertujuan untuk menunjukkan bahwa asumsi multikolinearitas masih diperlukan pada regresi logistik.
Share:

Simulasi SmartPLS (Structural Equation Modeling berbasis Variance)

Pengujian hipotesis dalam penelitian ini menggunakan metode Partial Least Square (PLS). PLS merupakan metode alternatif analisis dengan Structural Equation Modelling (SEM) yang berbasis variance. Keunggulan metode ini adalah tidak memerlukan asumsi dan dapat diestimasi dengan jumlah sampel yang relatif kecil. Alat bantu yang digunakan berupa program SmartPLS Versi 2 yang dirancang khusus untuk mengestimasi persamaan struktural dengan basis variance. Program SmartPLS Versi 2 dapat diperoleh secara gratis di www.smartpls.com. Model struktural dalam penelitian ini ditampilkan pada Gambar 1 di bawah.
Gambar 1
MODEL STRUKTURAL
MODEL STRUKTURAL
Gambar tersebut menunjukkan bahwa konstruk Kepemimpinan (KM) diukur dengan 5 buah indikator yaitu KM1, KM2, KM3, KM4 dan KM5. Demikian juga konstruk Budaya Organisasi (BO) diukur dengan 3 indikator yaitu BO1, BO2 dan BO3, konstruk Motivasi (MT) diukur dengan 3 indikator yaitu MT1, MT2 dan MT3 dan kontruk Kinerja Pegawai (KP) diukur dengan 6 indikator yaitu KP1, KP2, KP3,KP4, KP5 dan KP6. Arah panah antara indikator dengan kontruk laten adalah menuju indikator yang menunjukkan bahwa penelitian menggunakan indikator reflektif yang relatif sesuai untuk mengukur persepsi. Hubungan yang akan diteliti (hipotesis) dilambangkan dengan anak panah antara konstruk.


A.    Evaluasi Measurement (Outer) Model

1.      Uji Validitas

Suatu indikator dinyatakan valid jika mempunyai loading factor  di atas 0,5 terhadap konstruk yang dituju. Output SmartPLS untuk loading factor memberikan hasil sebagai berikut:
Tabel 1
Result for Outer Loading
 
BO
KM
KP
MT
BO1
0.89335
 
 

BO2
0.82232
 
 

BO3
0.84462
 
 

KM1
 
0.78001
 

KM2
 
0.84287
 

KM3
 
0.76889
 

KM4
 
0.80161
 

KM5
 
0.82647
 

KP1
 
 
0.70015

KP2
 
 
0.74459

KP3
 
 
0.74555

KP4
 
 
0.74742

KP5
 
 
0.78854

KP6
 
 
0.74880

MT1
 
 
 
0.78258
MT2
 
 
 
0.86810
MT3
 
 
 
0.80563

Pengujian validitas untuk indikator reflektif menggunakan korelasi antara skor item dengan skor konstruknya. Pengukuran dengan indikator reflektif menunjukkan adanya perubahan pada suatu indikator dalam suatu konstruk jika indikator lain pada konstruk yang sama berubah (atau dikeluarkan dari model). Indikator reflektif cocok digunakan untuk mengukur persepsi sehingga penelitian ini menggunakan indikator reflektif. Tabel di atas menunjukkan bahwa loading factor memberikan nilai di atas nilai yang disarankan yaitu sebesar 0,5. Nilai paling kecil adalah sebesar 0,70015 untuk indikator KP1. Berarti indikator yang dipergunakan dalam penelitian ini adalah valid atau telah memenuhi convergent validity. Berikut adalah diagram loading factor masing-masing indikator dalam model penelitian:
Gambar 2
NILAI LOADING FACTOR
NILAI LOADING FACTOR
Lebih lanjut, indikator reflektif juga perlu diuji discriminant validity dengan cross loading sebagai berikut:
 
Tabel 2
Result for Cross Loading
 
BO
KM
KP
MT
BO1
0.89335
0.63664
0.62885
0.49597
BO2
0.82232
0.65175
0.65580
0.53919
BO3
0.84462
0.61946
0.57426
0.60406
KM1
0.62461
0.78001
0.65380
0.54003
KM2
0.68888
0.84287
0.58820
0.51648
KM3
0.44786
0.76889
0.47245
0.50685
KM4
0.62650
0.80161
0.58733
0.61814
KM5
0.58046
0.82647
0.56924
0.52591
KP1
0.47064
0.45977
0.70015
0.56813
KP2
0.64951
0.75447
0.74459
0.66285
KP3
0.39754
0.40267
0.74555
0.41818
KP4
0.38730
0.35028
0.74742
0.35960
KP5
0.62638
0.51969
0.78854
0.48857
KP6
0.59890
0.57461
0.74880
0.60346
MT1
0.53108
0.52631
0.63638
0.78258
MT2
0.51768
0.63783
0.59191
0.86810
MT3
0.52699
0.48718
0.53629
0.80563

Suatu indikator dinyatakan valid jika mempunyai loading factor tertinggi kepada konstruk yang dituju dibandingkan loading factor kepada konstruk lain. Tabel di atas menunjukkan bahwa loading factor untuk indikator BO (BO1 sampai dengan BO3) mempunyai loading factor kepada konstruk BO lebih tinggi dari pada dengan konstruk yang lain. Sebagai ilustrasi loading factor BO1 kepada BO adalah sebesar 0,89335 yang lebih tinggi dari pada loading factor kepada KM (0,63664), KP (0,62885) dan MT (0,49597). Hal serupa juga tampak pada indikator-indikator yang lain.
Dengan demikian, kontrak laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator di blok yang lain. Metode lain untuk melihat discriminant validity adalah dengan melihat nilai square root of average variance extracted (AVE). Nilai yang disarankan adalah di atas 0,5. Berikut adalah nilai AVE dalam penelitian ini:
Tabel 3
AVERAGE VARIANCE EXTRACTED (AVE)

Average variance extracted (AVE)
BO
0.729221
KM
0.647136
KP
0.556932
MT
0.671688

Tabel di atas memberikan nilai AVE di atas 0,5 untuk semua konstruk yang terdapat pada model penelitian. Nilai terendah AVE adalah sebesar 0,556932 pada konstruk KP (Kinerja Pegawai).

2.      Uji Reliabilitas

Uji reliabilitas dilakukan dengan melihat nilai composite reliability dari blok indikator yang mengukur konstruk. Hasil composite reliability akan menunjukkan nilai yang memuaskan jika di atas 0,7. Berikut adalah nilai composite reliability pada output:
Tabel 4
Composite Reliability

Composite Reliability
BO
0.889739
KM
0.901564
KP
0.882809
MT
0.859663

Tabel di atas menunjukkan bahwa nilai composite reliability untuk semua konstruk adalah di atas 0,7 yang menunjukkan bahwa semua konstruk pada model yang diestimasi memenuhi kriteria discriminant validity. Nilai composite reliability yang terendah adalah sebesar 0,859663 pada konstruk MT (Motivasi).
Uji reliabilitas juga bisa diperkuat dengan Cronbach’s Alpha di mana output SmartPLS Versi 2 memberikan hasil sebagai berikut:
Tabel 4
Cronbach’s alpha

Cronbachs Alpha
BO
0.813561
KM
0.863653
KP
0.843144
MT
0.754684

Nilai yang disarankan adalah di atas 0,6 dan pada tabel di atas menunjukkan bahwa nilai Cronbach’s Alpha untuk semua kontruk berada di atas 0,6. Nilai terendah adalah sebesar 0,754684 (MT).
Pengukuran Communality dan Redundancy dengan program SmartPLS Versi 2 memberikan hasil sebagai berikut:
Tabel 4.5
communality dan redundancy

Communality
Redundancy
BO
0.729221
0.403785
KM
0.647136

KP
0.556931
0.193178
MT
0.671688
0.201730

Tampak bahwa nilai communality pada semua kontruk di atas 0,5 yang memperkuat hasil pengujian dengan Composite Reliability dan Cronbach’s Alpha. Lebih lanjut, nilai Redundancy BO adalah sebesar 0,403786 yang termasuk tinggi. Juga R untuk KP dan MT di atas 0,15 di mana nilai tersebut adalah masuk pada kategori tinggi.

B.     Pengujian Model Struktural (Inner Model)

Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan pengujian model structural (Inner model). Berikut adalah nilai R-Square pada konstruk:
Tabel 6
R-Square

R-square
BO
0.556247
KM

KP
0.660472
MT
0.498196

Tabel di atas memberikan nilai 0,556247 untuk konstruk BO yang berarti bahwa KM mampu menjelaskan varians BO sebesar 55,6247%. Nilai R juga terdapat pada KP yang dipengaruhi oleh KM, MT dan BO yaitu sebesar 0,660472 dan MT yang dipengaruhi oleh KM dan BO yaitu sebesar 0,498196. Pengujian hipotesis adalah sebagai berikut:
Tabel 7
UJI HIPOTESIS

Original Sample (O)
Sample Mean (M)
Standard Deviation (STDEV)
Standard Error (STERR)
T Statistics (|O/STERR|)
BO -> KP
0.32109
0.30654
0.11268
0.11268
2.84958
BO -> MT
0.30948
0.31831
0.09762
0.09762
3.17041
KM -> BO
0.74582
0.74832
0.04127
0.04127
18.07381
KM -> KP
0.24342
0.25176
0.09068
0.09068
2.68447
KM -> MT
0.44423
0.43422
0.11648
0.11648
3.81383
MT -> KP
0.34999
0.35972
0.08581
0.08581
4.07855

Tabel di atas menunjukkan bahwa hubungan antara KM dengan KP adalah signifikan dengan T-statistik sebesar 2,68447 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,24342 yang menunjukkan bahwa arah hubungan antara MT dengan KP adalah positif. Dengan demikian hipotesis H1 dalam penelitian ini yang menyatakan bahwa ‘Kepemimpinan berpengaruh terhadap kinerja pegawai’ diterima
Tabel di atas menunjukkan bahwa hubungan antara BO dengan KP adalah signifikan dengan T-statistik sebesar 2,8496 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,32109 yang menunjukkan bahwa arah hubungan antara BO dengan KP adalah positif. Dengan demikian hipotesis H2 dalam penelitian ini yang menyatakan bahwa ‘Budaya Organisasi berpengaruh terhadap kinerja pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara MT dengan KP adalah signifikan dengan T-statistik sebesar 4,07855 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,34999 yang menunjukkan bahwa arah hubungan antara MT dengan KP adalah positif. Dengan demikian hipotesis H3 dalam penelitian ini yang menyatakan bahwa ‘Motivasi berpengaruh terhadap kinerja pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara KM dengan MT adalah signifikan dengan T-statistik sebesar 3,81383 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,44423 yang menunjukkan bahwa arah hubungan antara KM dengan MT adalah positif. Dengan demikian hipotesis H4 dalam penelitian ini yang menyatakan bahwa ’Kepemimpinan berpengaruh terhadap motivasi pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara BO dengan MT adalah signifikan dengan T-statistik sebesar 3,17041 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,30948 yang menunjukkan bahwa arah hubungan antara BO dengan MT adalah positif. Dengan demikian hipotesis H5 dalam penelitian ini yang menyatakan bahwa ’Budaya organisasi berpengaruh terhadap motivasi pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara KM dengan BO adalah signifikan dengan T-statistik sebesar 18,07381 (> 1,96). Nilai original sample estimate adalah positif yaitu sebesar 0,74582 yang menunjukkan bahwa arah hubungan antara KM dengan BO adalah positif. Dengan demikian hipotesis H6 dalam penelitian ini yang menyatakan bahwa ’Kepemimpinan berpengaruh terhadap budaya organisasi pegawai’ diterima.
Berdasarkan nilai original sample estimate maka diperoleh bahwa nilai tertinggi yang mempengaruhi motivasi (MT) adalah pada kepemimpinan (KM) yaitu sebesar 0,44423. Hal tersebut menunjukkan bahwa kepemimpinan mempunyai pengaruh terhadap motivasi lebih tinggi dari pada pengaruh antara budaya organisasi terhadap motivasi (0,30948). Lebih lanjut, dari tiga variabel yang mempengaruhi kinerja pegawai (KP) secara langsung, yaitu kepemimpinan, budaya organisasi dan motivasi, yang paling besar pengaruhnya adalah motivasi karena mempunyai nilai original sample estimate tertinggi yaitu sebesar 0,34999 dibandingkan dua variabel yang lain. Dengan demikian motivasi merupakan variabel yang paling dominan dalam mempengaruhi kinerja pegawai. Sedangkan variabel yang paling tidak dominan adalah kepemimpinan yaitu dengan original sample estimate terkecil yaitu sebesar 0,24342.
Berikut adalah diagram nilai T statistic berdasarkan output dengan SmartPLS Versi 2:
Gambar 3
OUTPUT BOOTSTRAPPING
OUTPUT BOOTSTRAPPING

Share:

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *