Disajikan dalam Pelatihan Persiapan Penulisan Tugas Akhir Mahasiswa Program Studi Akuntansi di Sekolah Tinggi Ilmu Ekonomi Perbanas Surabaya Nopember 2011

 Uji pengaruh  Uji beda  Uji korelasi/hubungan

▪ Uji regresi linier sederhana ▪ Uji regresi linier berganda ▪ Uji regresi logistik  Biner  Multinomial ▪ Analisis diskriminan ▪ Uji pengaruh dengan variabel moderating ▪ Uji pengaruh dengan variabel mediating/intervening

▪ Uji satu sampel ▪ Uji dua sampel: ▪ Uji beda sampel berpasangan ▪ Uji beda sampel tidak berpasangan ▪ Uji lebih dari 2 sampel ▪ Uji beda sampel berpasangan ▪ Uji beda sampel tidak berpasangan

 Skala data ▪ Nominal ▪ Ordinal ▪ Interval ▪ Rasio  Distribusi data ▪ Normal ▪ Tidak normal (menceng kanan, menceng kiri) Non-Metrik Metrik

 Untuk menentukan ranah pengujian ▪ Parametrik  untuk data berdistribusi normal ▪ Non-parametrik  untuk data berdistribusi tidak normal

 Jumlah sampel bisa kecil (<30)  Asumsi lebih sedikit  Dapat digunakan u/ menganalisis data dlm bentuk ranking (skala ordinal)  Cocok u/ menguji data yg bersifat klasifikasi atau kategorikal  Cocok u/ menguji sampel yg berasal dari observasi yg diambil dari populasi yg berbeda.  Mudah digunakan & dipelajari. Interpretasi lebih langsung dibanding uji parametrik.

Jumlah variabel/sampel Tipe data Non metrikMetrik NominalOrdinalInterval dan Rasio Non ParametrikParametrik Satu  2  Binomial  Run-test t-test z-test Dua sampel berhubungan  Mc-Nemar  Sign test  Wilcoxon sign rank test Paired t-test Dua sampel independen/tidak berpasangan  Fisher Exact Test  2 untuk 2 sampel  Median test  Mann-whitney U test  Kolmogorov-smirnov  Wald wolfowitz t-test z-test K-variabel berhubungan  Cochran-Q  Friedman two way Anova Repeated measure anova K-variabel independen  2 untuk k-sampel  Median extention  Kruskall wallis one way Anova One way anova n-way anova Sumber: Cooper and Scindler (2003:534) dalam Hartono (2004)

 REGRESI SEDERHANA Y= a+bX+ e Independen variabel satu Dependen variabel satu  REGRESI BERGANDA/MULTIPLE REGRESSION/ORDINARY LEAST SQUARE (OLS)  bentuk umum Y=a+b1X1+b2X2+b3X3+……..+bnXn Variabel independennya banyak (X1, X2, X3, …, Xn) Variabel dependennya satu (Y)

 MENJELASKAN  Apakah variabel X berpengaruh terhadap variabel Y, walaupun pengaruhnya kecil yang dilihat signifikansinya  MEMPREDIKSI  Apakah variabel-variabel X dapat digunakan untuk memprediksi variabel Y

Y=α0+ β1X1+β2X2+β3X3+…+e Berbentuk kategorikal : Skala Nominal: Dummy UJI REGRESI DISKRIMINAN or LOGISTIK Berbentuk kategorikal : Skala Nominal: Dummy UJI REGRESI berganda denganDUMMY VARIABEL

1. Liniear in parameters 2. X values are fixed in repeated sampling 3. Zero mean value of disturbance µ i 4. Homoscedasticity oe equal variance of µ i 5. No autocorrelation between disturbances 6. Zero covariance between µ i and X i 7. Observations (n) > parameters (k) 8. Variability in X values 9. Regression model is correctly specified 10. No perfect multicolinearity 11. µ i ~ normally and independently distributed

 Jumlah data tidak sama antar variabel  Ada 2 kemungkinan: ▪ Data banyak tidak lengkap ▪ Kesalahan konsep  Melakukan regresi secara terpisah untuk tiap variabel independen ▪ Boleh saja, tapi model menjadi tidak lengkap

 Penggunaan variabel dummy untuk independen variabel dengan jumlah variabel dummy sama dengan jumlah grup yang mewakili dummy  Model seperti ini bisa diexecute tapi interpretasinya menjadi sulit, misalnya ada 4 grup diskor 1, 2, 3, 4. Yang benar ditambahkan 3 variabel baru mewakili 3 grup yang lain. 1 grup digunakan sebagai acuan

 Jumlah data dalam satu grup dummy dominan terhadap grup dummy lainnya ▪ Misalnya jumlah responden pria 95% sedangkan wanita 5% menimbulkan kesulitan karena variabilitas variabel menjadi kecil. Sebaiknya jumlah responden wanita ditambah agar seimbang.

 Variabel-variabel yang diinteraksi dijumlah menjadi variabel baru. ▪ Variabel independen tidak dapat dijumlah karena menjadi tidak bermakna. Interaksi secara teknis dilakukan dengan perkalian, selisih mutlak atau residual.

 Variabel yang diinteraksi diikutkan dalam model  Akan terjadi missing variabel  Yang benar; Y=α 0 + β 1 X 1 +β 2 X 2 +β 3 X 3 +β 4 X1X2+ β 5 X 1 X 3 +β 6 X 2 X 3 +β 7 X 1 X 2 X 3 +e

 Interpretasi F-test yang salah (secara bersama-sama….), lalu ada istilah secara parsial variabel X 1 dst  Uji F adalah untuk menguji Ho yang berupa: β1= β2= β3= β4= βn=0 sedangkan Ha berupa:minimal salah satu dari β≠0 sehingga kalau Fhitung melebihi F tabel artinya minimal salah satu dari koefisien beta signifikan (tidak sama dengan nol)

 Signifikan kalau R 2 melebihi 40%, kurang dari 40% dinyatakan tidak valid  Tujuan utama melihat apakah variabel independen secara signifikan berpengaruh terhadap variabel dependen, bukan untuk memprediksi. R 2 (koefisien determinasi berfungsi untuk mengetahui kemampuan independen variabel dalam menjelaskan dependen variabelnya)

 Koefisien yang negatif diartikan”tidak signifikan”  Terpengaruh oleh hasil lab kesehatan yang kalau negatif diartikan tidak ada penyakit atau kuman yang diperiksa, jadi tetap signifikan namun memiliki arah yang berlawanan

 Koefisien positif tapi tidak signifikan  Pengujian secara statistik menguji apakah koefisien berbeda dari nol (atau nilai tertentu). Kalau secara statistik tidak signifikan berarti tidak berbeda dengan nol sehingga kesimpulannya “ tidak berpengaruh”, sehingga interpretasi tanda tidak menjadi penting

 Arah koefisien terbalik (tidak sesuai dengan teori) ▪ Ketika membangun hipotesis, teori sudah ada sehingga arah koefisien sudah ditentukan terlebih dahulu. Bila koefisien ternyata berbeda dari hipotesis (teori), maka tidak boleh mengatakan hipotesis terbukti karena signifikan

 Tidak dapat menolak Ha  Secara teori kita menolak atau tidak menolak Ho sehingga implikasinya adalah sebaliknya  Signifikan pada level 25%  Penelitian sosial biasanya menggunakan lebih α=5%. Kalau lebih dari 5%, maka hasilnya kurang dapat dipercaya

 Arah positif (searah): ▪ Naiknya A berpengaruh terhadap kenaikan B ▪ Turunnya A berpengaruh terhadap turunnya B  Arah negatif (berbalik arah/ tidak searah): ▪ Naiknya A berpengaruh terhadap turunnya B ▪ Turunnya A berpengaruh terhadap naiknyaB

HipotesisProb.SigKoefisien Regresi Simpulan < 0.05 Signifikan Tidak Signifikan < 0.05 Tidak Signifikan Signifikan

 SALAH: Uji normalitas data (variabel independen dan variabel dependen)  SEHARUSNYA uji residual /error dalam regresi dengan pengujian apapun, misalnya Kolmogorov Smirnov

 KURANG TEPAT: Uji normalitas menggunakan gambar dengan menyatakan bahwa”berdasarkan gambar diatas, distribusi variabel dekat/ mengikuti/ sejalan/ tidak menyimpang dari garis diagonal’ ▪ SEBAIKNYA diuji secara statistik !!! (misalnya dengan uji Kolmogorov-Smirnov)

 SALAH: Uji autokorelasi menggunakan batas DW antara -2 dan +2 dinyatakan bebas autokorelasi  SEHARUSNYA: Bebas autokorelasi antara dU samapai dengan 4-dU

 KELIRU: Uji multikolinearitas dengan VIF<10 dinyatakan “tidak ada multikolinearitas”  SEBENARNYA: VIF yang bebas multikol bernilai 1.0 sehingga kalau VIF lebih dari 1.0 berarti ada multikol tetapi kurang dari 10, multikol tidak parah (bukan perfect multikol)

 KURANG TEPAT: Uji hetero menggunakan gambar dengan menyatakan bahwa “berdasarkan gambar diatas, tidak ada pola (bentuk) yang spesifik”.  LEBIH TEPAT: Menggunakan Uji Park dsb karena mata mudah ditipu.

Misal X3 adalah variabel REPUTASI PERUSAHAAN, dimana: 1 = perusahaan ber-reputasi baik dgn dasar Indek CGPI 0 = perusahaan ber-reputasi tidak baik. Maka bentuk tabulasi Variabel X3: RespX dst1 dst

Misal: X3 adalah besaran perusahaan (SIZE), dimana:  1=kecil  2=sedang  3=besar Penentuan variabel baru didasarkan pada (jml kelompok – 1) Tentukan kel/grup acuan (misalnya:kel-1=kecil) RespSize(X3)XsXb dst100

 Lihat nilai “unstd. Beta” (misal nilai untuk Xs dan untuk Xb) Y=dependen variabel = kebijakan utang perusahaan.  Artinya:  Perusahaan kategori sedang memiliki kebijakan utang 54% lebih rendah dibandingkan dengan perusah. kecil.  Perush. kategori besar memiliki kebijakan utang 6.3% lebih tinggi dibanding perush kecil

 Digunakan jika variabel dependen dalam bentuk dummy  Distribusi data TIDAK harus normal  Umumnya digunakan untuk model prediksi

 Jika model yang digunakan untuk PREDIKSI, maka HARUS ada penjelasan tentang DATA PREDIKSI dan DATA OBSERVASI. Misalnya:  Penelitian tentang faktor-faktor yang mempengaruhi pengambilan keputusan STOCK SPLIT (SS) tahun pada emiten di pasar modal Indonesia. ▪ Dependen Variabel : stock split (1=melakukan SS dan 0=tdk melakukan SS) ▪ Independen variabel : Rasio profitabilitas, solvabilitas, dan leverage

 Data yang diprediksi: Status stock split th dan  Data untuk memprediksi rasio (prof, solv, leverage) ▪ tahun ( jika 2 tahun) atau ▪ Th 2009 dprediksi oleh th 2008 ▪ Th 2008 diprediksi tahun 2007 ▪ (jika data utk memprediksinya used 4 thn) ▪ 2008 diprediksi oleh thn 2007,2006,2005,2004 ▪ 2009 diprediksi oleh thn 2008,2007,2006,2005  Data Observasi (utk kasus1) dan (utk kasus 2)

1. Bandingkan nilai -2Log likelihood yang memasukkan nilai konstanta saja dengan -2Log likelihood dgn memasukkan konstanta dan indep. variabel. Jika nilainya menurun maka model dapat dikatakan fit 2. Nilai % daya prediksi: mengukur ketepatan prediksi independen terhadap dependen 3. Nilai Cox & Snell R-Square atau Nagelkerke R 2 : kemampuan independen dalam memprediksi kebijakan SS 4. Hosmer & Lemeshow : menilai ketepatan model prediksi (Model Fit). Jika p-value > 0.05 maka model dikatakan fit. 5. Estimasi parameter untuk masing-masing independen variabel: untuk melihat pengaruh masing-masing indep variabel terhadap model prediksi

 Regresi yang digunakan karena adanya variabel moderating dalam persamaan regresi atau pada model penelitian  Variabel moderating adalah variabel yang bersifat memperkuat/memperlemah pengaruh/hubungan variabel independen ke variabel dependennya.

X1 X2 Y Y = a+b1X1+b2X2+b3X1X2+e

1. Dengan cara perkalian Y = a+b1X1+b2X2+b3X1X2+e 2. Cara selisih absolut. Y = a+b1X1+b2X2+b3[X1-X2]+e 3. Teknik residual. X2=a+b1X1+e ……… Persamaan 1) [e]=a+b2Y+e ………. Persamaan 2)

1. Perkalian: ▪ Jika interaksi (X1.X2) dan pengaruh independen (X1) variabelnya signifikan ( p-value-nya<0.05) 2. Selisih Mutlak: ▪ Jika interaksi ([X1-X2]) dan pengaruh independen (X1) variabelnya signifikan ( p-value-nya<0.05). 3. Residual: ▪ Jika p-value dari persamaan 2) signifikan dan koefisien regresinya negatif (negatif-signifikan)

 Digunakan untuk pengujian terhadap model regresi yang memiliki intervening variabel (mediating variabel)  Variabel intervening/variabel antara adalah variabel yang menjadi perantara pengaruh independen variabel terhadap dependen variabel. Artinya. Independen variabel dapat berpengaruh ke dependen variabel secara langsung atau MELALUI variabel intervening

X1X2 Y X1 X2 Y b1 b2 b3 (b1.b3)std > (b2)std

X2=a+b1X1+e …………. persamaan 1) Y=a+b2X1+b3X2+e ….. persamaan 2)

 Kapan X2 dikatakan sbg variabel intervening/mediasi sempurna?  Jika pengaruh tidak langsung (b1.b3)standardized lebih tinggi dibanding pengaruh langsung (b2)standardized) dan p-value (prob.sig) <0.05 utk pengaruh masing-masing variabel  Ada yang tidak sempurna? Ada  mediasi parsial  ada pengaruh tidak langsung namun tidak lebih besar

 Definisi naratif: definisi dalam bentuk kalimat untuk menjelaskan makna dan arti  Definisi operasional: definisi berupa cara mengukur variabel supaya dapat dioperasikan (atau dengan kata lain, sesuatu yang dapat dinilai/diukur tergantung pada konstruk yang diwakili.

Independen (X) Dependen (Y) Variabel independen adalah variabel yang mempengaruhi (secara positif atau negatif) variabel dependen. Variabel independen, merupakan sesuatu yang mendahului (antecedent) dan variabel dependen merupakan konsekuensi yang ditimbulkannya (consequent).

Mahasiswa Akt dgn Akreditasi A Mahasiswa Akt dgn Akreditasi B dibandingkan EMOTIONAL INTELLEGENCE Dependen variabel Independen variabel Variabel: dependen dan independen

IndependenDependen Moderating merupakan variabel yang mempunyai kontinjen sebagai penguat (penjelas) terhadap hubungan antara variabel independen dengan variabel dependen. memoderasi (membatasi) hubungan antara varibel independen dengan variabel dependen yang telah di perkirakan sebelumnya.

 Variabel antara (intervening/mediating variable) merupakan variabel yang terletak diantara variabel independen dengan variabel dependen.  Variabel antara menjadikan pengaruh suatu variabel independen terhadap variabel dependen menjadi tidak langsung  Variabel antara pada dasarnya merupakan variabel independen Variabel: Jenis Variabel

Dummy Variabel: Adalah variabel yang diukur/dinilai secara kategorikal (pengukurannya dengan skala nominal) Variabel dummy bisa berposisi sebagai dependen maupun independen variabel Variabel : Dummy

 Adalah variabel selain variabel independen,dependen, moderating, dan mediating yang dapat mempengaruhi hubungan kausal.  Ada 2 kelompok variabel ekstrani: ▪ Variabel kontrol/pelengkap ▪ Variabel penganggu (confounding effect)

 Variabel yang berfungsi untuk melengkapi atau mengkontrol hubungan kausalnya supaya lebih baik dalam mendapatkan model empiris lebih lengkapdan lebih baik.  Variabel kontrol bukan variabel utama yang diteliti dan diuji tetapi lebih merupakan variabel lain yang mempunyai efek/pengaruh.(misal; ukuran perusahaan, umur perusahaan)

 Merupakan variabel yang efeknya menggangu hubungan kausal antara variabeldependen dan independen. Efek penganggu harus dihilangkan atau dikeluarkan dari hubungan kausal.  Jika tidak,maka pengaruh ke variabel dependen tidak hanya oleh variabel independen saja namun juga variabel penganggu secara bersamaan yg dapat mengakibatkan “keraguan” atas kebenaran variabel independen

 Contoh: reaksi pasar yang diakibatkan pengumuman deviden dapat dipengaruhi oleh pengumuman lain,misalnya pengumuman merger.  Kedua pengumuman tsb mempengaruhi reaksi. Jadi reaksi dipengaruhi yang mana? Pengumuman deviden apa merger? Variabel : Penganggu/confounding effect

 Cara mengatasi: ▪ Membuang sampel yang mengandung variabel penganggu yaitu dgn membuang sampel yg mengumumkan deviden dan merger pada saat yg bersamaan ▪ Membentuk grup kontrol (control group) untuk melihat efek variabel penganggu (terutama jika variabel penganggu sulit diidentifikasi, misalnya variabel makro ekonomi)

▪ Cara: membentuk 2 grup dgn menyamakan karakteristik keduanya (jumlah sampelny, ukuran perusahaan, industrinya). ▪ Grup 1 - melakukan pengumuman. ▪ Grup 2 - tidak melakukan pengumuman. ▪ Kedua grup diuji reaksi. Jika hasil Grup 1 signifikan, Grup 2 tidak signifikan, maka variabel makro ekonomi tidak menganggu/tidak menyebabkan confounding effect.

1. Menyusun persamaan regresi/ model penelitian: Y=a+b1X1+b2X2+b3X3+……..+bnXn + e 2. Merumuskan Hipotesis Statistik: contoh hipotesis tidak ada arah pengaruh: Ho: Tidak ada pengaruh …….. terhadap …….. H1: Ada pengaruh….. terhadap …….. contoh hipotesis dengan arah pengaruh: Ho: Peningkatan A tidak berpengaruh pada peningkatan B. H1: Peningkatan berpengaruh pada peningkatan B 3. Melakukan Uji Asumsi Klasik  Uji Normalitas Residual dengan Uji Kolmogorov-Smirnov  Residual model dikatakan normal jika prob.sig hasil Uji K-S ≥ 0.05

4. Menguji model penelitian dengan Uji-F  Model yang fit adalah model dimana paling tidak satu dari variabel-variabel independen yang diuji berpengaruh terhadap variabel dependennya.  Kriteria model fit  H0 ditolak jika F-hitung > F-tabel atau prob sig < Menginterpretasikan kemampuan variabel independen dalam menjelaskan variabel dependennya (Koefisien Determinasi=R2), semakin tinggi nilainya, kemampuan menjelaskannya semakin kuat

6. Menguji pengaruh masing-masing variabel independen terhadap variabel dependen (Uji-t)  Hipotesis statistik pada umumnya diuji pada tahapan ini 1.Menentukan α = 5% dan atau 10% 2.Menentukan kriteria penolakan hipotesis 3.Ho ditolak jika: t-hitung > t-tabel atau t-hitung< -t- tabel atau prob.sig < α = 5% dan atau 10% 7. Menguji kekuatan pengaruh dengan menginterpretasikan nilai koefisien determinasi parsial (r2)

1. Mengidentifikasi komponen variabel 2. Mentabulasi komponen-komponen variabel 3. Menghitung variabel A,dengan cara: 4. Menghitung variabel B,dengan cara: 5. Menghitung variabel C, dst 6. …. Tahapan umum uji regresi berganda …. 7. Menginterpretasi hasil pengujian 8. Menyusun simpulan berdasarkan hasil interpretasi

Pengukuran variabel Mengapa? 1. Karena pada banyak penelitian sering ditemukan pengukuran dengan berbagai macam perhitungan Misal:  mengukur tingkat kesehatan bank –dgn Altman z score  Mengukur manajemen laba dengan total akrual  Mengukur kualitas laba dengan koefisien regresi data laba selama kurun waktu tertentu Sebaiknya diberikan penjelasan terperinci

2. Beberapa variabel penelitian akuntansi memerlukan kecermatan dalam identifikasi. Misal: ▪ Mengukur indeks CSR, diperlukan pakar yang mampu melakukan verifikasi ▪ Mengukur indeks voluntary disclosure, mandatory disclosure, diperlukan konfirmasi ulang pihak lain untuk memberikan jaminan tingkat kepercayaan 3. Pada riset dengan data primer, sering dijumpai instrumen yang menggunakan pernyataan negatif. Perlu dilakukan reverse skor sebelum diolah

 Beberapa buku statistika karangan Prof.Dr. Imam Ghozali. Ak  Materi pengayaan dari Prof. Dr. Indra Wijaya Kusuma, Ak