Uji Normalitas Dengan Spss 65e3b

TEORI ONLINE DATA UJI ASUMSI KLASIK (NORMALITAS) http://teorionline.wordpress.com/ Email : [email protected]

UJI NORMALITAS Normalitas dalam statistik parametric seperti regresi dan Anova merupakan syarat pertama. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid atau bias terutama untuk sampel kecil. Uji normalitas dapat dilakukan melalui dua pendekatan yaitu melalui pendekatan grafik (histogram dan P-P Plot) atau uji kolmogorov-smirnov, chi-square, Liliefors maupun Shapiro-Wilk Bagaimana mengatasi masalah normalitas ? Ada tiga pilihan yang dapat dilakukan jika diketahui bahwa data tidak normal; yaitu : 1. Jika jumlah sampel besar, maka dapat menghilangkan nilai outliner dari data (bahasan outliner akan dibahas kemudian) 2. Melakukan transformasi data 3. Menggunakan alat analisis nonparametric

Contoh Kasus : AKan diuji pengaruh pengaruh kinerja keuangan terhadap return saham. Variabel independen yang digunakan adalah variabel kinerja keuangan yang diwakili oleh rasio EPS, PER, DER, ROA, ROE, sedangkan variabel dependen/variabel yang dijelaskan yang diteliti adalah return saham perusahaan Data diperoleh dari kinerja keuangan diperoleh dari ICMD, sementara data saham diperoleh dari yahoo finance (lihat bagaimana cara memperoleh data saham melalui yahoo) Rangkuman data dapat diambil di sini Penyelesaian Pertama. Lakukan pengujian regresi ganda seperti biasa, dengan mengklik Analyze – Regression – Linier Kedua, Masukkan variabel EPS, PER, DER, ROA, ROE ke kotak Independent dan RET ke kotak dependent Ketiga. Klik Plot, lalu beri tanda pada “HISTOGRAM” dan “NORMAL PROBABILITY PLOT” seperti gambar di bawah

Klik Continue, lalu OK Akan tampil output sbb : (output dapat di si sini) Perhatikan Grafik Histogram dan P-P Plot Berdasarkan grafik Histogram, diketahui bahwa sebaran data yang menyebar ke semua daerah kurva normal. Dapat disimpulkan bahwa data mempunyai distribusi normal. Demikian juga dengan Normal P-Plot. Data menyebar di sekitar garis diagonal dan mengikuti garis diagonal yang menandakan normalitas data.

Histogram

Dependent Variable: RET 10

Frequency

8

6

4

2 Mean =1.33E-16 Std. Dev. =0.91 N =30

0 -2

-1

0

1

2

Regression Standardized Residual

3

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: RET

Expected Cum Prob

1.0

0.8

0.6

0.4

0.2

0.0 0.0

0.2

0.4

0.6

0.8

1.0

Observed Cum Prob

Meski dua grafik di atas menunjukkan bahwa model telah memenuhi asumsi normalitas, namun untuk meyakinkan dilakukan uji statistik dengan melihat nilai kurtonis dan Skewness dari residual. langkah-langkah ujinya : Lakukan pengujian ulang seperti langkah2 satu dan dua di atas. Klik Tombol “SAVE”, lalu beri tanda pada pilihan “UNSTANDARDIZED” seperti gambar di bawah

Sekarang kita memperoleh variabel baru yaitu RES_1. Variabel ini adalah data residual.

Kemudian dari Menu Utama SPSS, pilih Analyze – Descriptive Statistics, dan pilih sub menu Descriptive Pada kotak variabel, masukkan data Residual (RES_1)

Aktifkan Kurtonis dan Skewness pada pilihan Option, lalu tekan continue

Descriptive Statistics

Unstandardized Residual Valid N (listwise)

N Statistic 30 30

Skewness Statistic Std. Error 1.382 .427

Kurtosis Statistic Std. Error 2.458 .833

Interprestasi Nilai Skewness dan Kurtosis Diperoleh nilai Skewness = 1.382 dan Kurtosis 2.458. Dari nilai ini kemudian dapat dihitung nilai ZKurtosis dan ZSkewness dengan formulasi sbb : ZKurtosis = Kurtosis / sqrt (24/N) ZSkewness = Skewness / sqrt (6/N) Maka hasil perhitungannya adalah ZKurtnosis = 2.748, dan ZSkewness = 3.090 Nilai Z kritis untuk alpha 0.01 adalah 2.58. Berdasarkan nilai ZKurtosis hasil uji menunjukkan bahwa residual adalah normal (ZKurtosis < 2.58), sementara berdasarkan ZSkewness nilai ZSkewness > 2.58 (tidak normal), karena dua pengujian ini berbeda, maka dilakukan uji lanjutan dengan menggunakan teknik Kolmogorov Smirnov Masih menggunakan data yang sama,.. Pilih Analyze – nonparametric, lalu pilih 1-Sample-K-S Masukkan variabel RES_1 ke kotak “TEST VARIABLE LIST” Kemudian klik OK

Hasil UJI One-Sample Kolmogorov-Smirnov Test

N Normal Parametersa,b Most Extreme Differences

Mean Std. Deviation Absolute Positive Negative

Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)

Unstandardiz ed Residual 30 .0000000 1.89699554 .199 .199 -.093 1.090 .186

a. Test distribution is Normal. b. Calculated from data.

Hasil uji KOLMOGOROV-SMIRNOV menunjukkan bahwa nilai Asymp.Sig adalah sebesar 0.186. Nilai ini jauh lebih besar diatas 0.05 sehingga dapat disimpulkan residual berdistribusi Normal Dengan demikian dapat disimpulkan bahwa berdasarkan hasil uji diketahui bahwa model tidak terkena masalah normalitas