III. METODE PENELITIAN. Data yang digunakan dalam penelitian ini adalah data sekunder yang berkaitan

Transkripsi

1 III METODE PENELITIAN A Jeis da Sumber Data Data yag diguaka dalam peelitia ii adalah data sekuder yag berkaita dega harga-harga ideks haria, data harga ideks yag diguaka adalah harga pada saat peutupa (closig price) Jeis data yag diguaka adalah data rutu waktu (time series) yag diperoleh dari publikasi Bursa Efek Idoesia melalui situs resmiya wwwidxgoid, wwwduiaivestasicom serta publikasi resmi dari sebagai salah satu situs yag meerbitka harga-harga saham da ivestasi laiya selama periode September 2007 higga Desember 2009 B Batasa Variabel Peelitia Variabel yag diguaka dalam peelitia ii adalah retur Kompas-100 sebagai variabel terikat yag diperoleh dari pegolaha data Kompas-100 haria Adapu rumusa yag diguaka utuk memperoleh retur dalam peelitia ii merujuk pada rumusa yag diguaka dalam peelitia Awar (2009) yaitu sebagai berikut : R t = 100 l (P t / P t-1 ) R t adalah retur hari ke-t, P t adalah harga ideks hari ke-t da P t-1 adalah harga ideks satu hari sebelumya Pegguaa logaritma ii dilakuka karea

2 39 diasumsika perubaha harga Kompas-100 terjadi terus meerus sehigga diperluka logaritma utuk meagkap pergeraka ilai yag berkelajuta tersebut Selai retur, variabel yag aka diguaka dalam peelitia ii adalah variabel kuatitatif yag diperoleh dari data kualitatif dega kategorial hari perdagaga (Sei, Selasa, Rabu, Kamis, Jumat) sebagai variabel bebas Sebelum dilakuka pegolaha terhadap data, maka dilakuka pegubaha data kualitatif mejadi variabel logit (dummy) dalam betuk matriks, yag selajutya aka diguaka dalam model Berikut ii adalah cotoh keragka matriks yag diguaka utuk pegolaha data : Tabel 4 Matriks Regresi Retur Kompas-100 dega Variabel Dummy R t = D 1 + D 2 + D 3 + D 4 + D 5 R t-sei R t-selasa R t-rabu R t-kamis R t-jumat Keteraga : R t D 1 D 2 D 3 D 4 D 5 = Retur Kompas-100 = dummy utuk hari Sei = dummy utuk hari Selasa = dummy utuk hari Rabu = dummy utuk hari Kamis = dummy utuk hari Jumat

3 40 C Model Peelitia 1 Model Regresi Liear(OLS) Beberapa peelitia megguaka model regresi liear utuk meyelidiki adaya aomali Day of Week Effect di pasar modal Peelitia yag megguakaya atara lai oleh Sighal da Vikram (2009), Berumet da Kiyamaz (2001), Budileksmaa (2005) Model OLS dimasukka variabel dummy utuk melihat apakah ada hari-hari tertetu dimaa retur secara statistik sigifika berbeda dari ol Jika terdapat hal demikia, maka diidetifikasi bahwa ada aomali Day of The Week effect Aka tetapi pegguaa model OLS saja belum cukup mejawab, karea ada dua kekuraga yag dimiliki model ii utuk peelitia aomali Day of Week Effect seperti ii Kekuraga tersebut adalah: a Usur residu ε t dari model regresi liear dega model OLS meujukka autokorelasi dega residu periode sebelumya Autokorelasi sebagaimaa kita ketahui merupaka pelaggara terhadap asumsi klasik yag biasaya terjadi pada data time series, terutama data keuaga Akibat dari autokorelasi ii adalah adaya kemugkia kesalaha perhituga sigifikasi statistik dari koefisie variabel regresi liear tersebut yag bisa megakibatka kesalaha pegambila keputusa megeai ada tidakya aomali Day of Week Effect (Gujarati, 1995: ) b Kelemaha kedua megguaka OLS masih berkaita dega residu ε t yag megalami heteroskedastisitas atau varias yag tidak sama Heteroskedastis jarag terdapat pada data rutu waktu, aka tetapi pada data keuaga seperti

4 41 retur serig meujukka volatilitas yag tidak sama Kodisi ii dapat berakibat pada tigkat sigifikasi dari koefisie variabel yag mejadi bias Sebagaimaa diketahui bahwa kedua hal diatas adalah peyimpaga asumsi klasik yag dapat membuat hasil estimasi regresi mejadi tidak BLUE (Best Liear Ubiased Estimated) Aka tetapi model ii aka tetap diguaka dalam peelitia ii utuk megetahui apakah model ii sudah cukup baik utuk mejelaska masalah atau tidak Adapu model ekoometrikaya adalah: yag maa : RETURN D 1, D 2, D 3, D 4, D 5 a 1, a 2, a 3, a 4, a 5 : Retur Ideks : variabel o metrik (dummy) utuk hari Sei, Selasa, Rabu, Kamis da Jumat : koefisie variabel ometrik (dummy) : residu Utuk meghasilka estimasi regresi yag baik, maka perlu dilakuka pegujia terhadap asumsi klasik, terutama pada dua hal yag telah dijelaska diatas Utuk melihat autokorelasi, maka dapat dilakuka dega pegujia Breusch Godfrey (BG test), da jika terdapat hasil yag sigifika maka pada model dapat ditambahka variabel otokorelasi (AR) da movig average (MA) Utuk melihat kehadira heteroskedastisitas maka perlu dilakuka uji White pada residu Jika terdapat heteroskedastisitas yag sigifika pada masig-masig jedela observasi maka tigkat sigifikasi statistik masig-masig koefisie adalah bias sehigga perlu model yag dapat memperhitugka efek

5 42 heteroskedastis Sebagaimaa peelitia sebelumya, model yag diguaka utuk meagai varias yag berubah-ubah da autokorelasi adalah model ARCH da perkembagaya Dalam peelitia ii betuk ARCH yag diguaka adalah TARCH M(p,q) 2 Model TARCH (p,q) Robert Egle adalah ahli ekoometrika yag mampu megaalisis adaya masalah heteroskedastis dari varias residual data time series Utuk memperkiraka varias dari retur, Egle (1982) meawarka suatu model yag kita keal dega Autoregressive Coditioal Heterokedasticity (ARCH) Model ii megasumsika bahwa varias residual data time series tidak haya dipegaruhi oleh variabel idepedeya, tetapi juga dipegaruhi oleh ilai residu dari variabel yag diteliti Model ii kemudia dimodifikasi oleh Bollerslev pada 1986 yag dikeal dega Geeralized ARCH (GARCH) Model TARCH (Threshold ARCH) dikealka oleh Zakoïa (1994) ad Gloste, Jagaatha, ad Rukle (1993) Model ARCH-GARCH memiliki asumsi bahwa dalam volatilitas residu terdapat gejolak yag simetris Aka tetapi dalam berbagai kasus fiacial terdapat gejolak asimetris (asymetrics shock), gejolak asimetris ii dapat diakomodasi dega dua model yaitu EGARCH (expoetial GARCH) da TARCH (Treshold ARCH) Model TARCH (p,q) yag diguaka dalam beberapa peelitia adalah: Coditioal Mea Equatio:

6 43 Coditioal Variace Equatio di maa d t = 1 jika ε t < 0, da 0 sebalikya Dalam model ii, kabar baik (ε t > 0), da berita buruk(ε t < 0), memiliki efek diferesial pada varias- berita baik bersyarat memiliki dampak α, semetara berita buruk memiliki dampak (α + γ) Jika γ > 0 dikataka bahwa efek leverage yag ada dalam kabar buruk tersebut meigkatka volatilitas Jika γ 0, berita memiliki dampak yag asimetris Utuk pegguaa variabel dummy yag lebih dari satu memiliki atura tersediri, hal ii memugkika utuk meghidari terjadiya dummy variable trap, yaitu terjadiya korelasi sempura Atura yag dimaksudka adalah model dega itersep atau tape itersep Bila megguaka model dega itersep maka jika ada variabel kualitatif sejumlah kategori, maka yag diguaka haya (-1) kategori, sedagka utuk model tapa itersep semua variabel dummy dapat dimasukka dalam model Dalam peelitia ii diguaka model tapa kostata, semua hari perdagaga perlu dilihat volatilitas returya D Pegujia Ekoometrik 1 Model Regresi Liear Dega Melakuka estimasi persamaa liear dega megguaka OLS maka asumsi yag terdapat dalamya juga harus terpeuhi supaya koefisie yag diestimasi BLUE (Best liear Ubiased Estimator) Setidakya ada 5 asumsi yag diperluka OLS agar koefisie BLUE 1, yaitu: 1 Damodar Gujarati, Ecoometric, 1995

7 44 1 Nilai harapa dari rata-rata residu atau error adalah 0 (ol) 2 Tidak terdapat autokorelasi atar residu 3 Tidak terdapat heteroskedastisitas dari residu (variasya tetap) 4 Tidak ada hubuga atara variabel bebas dega error term 5 Pada regresi liear bergada tidak terjadi hubuga atar variabel bebas (multicoliearity) Utuk memeuhi asumsi-asumsi diatas maka setelah dilakuka estimasi pada model regresi maka aka dilakkuka beberapa uji yaki uji autokorelasi, uji heteroskedastisitas Jika terdapat heteroskedastisitas da atau autokorelasi maka aka dilakuka perbaika dega meggati model dega ARCH-GARCH setelah dipastika juga bahwa terdapat kesalaha ARCH pada data peelitia 2 Uji Stasioeritas Sebelum sebuah variabel dimasukka kedalam suatu model da kemudia di estimasika, maka perlu diuji apakah data tersebut stasioer atau tidak Stasioer Data dikataka stasioer jika rata-rata da variaya kosta sepajag waktu [Widarjoo (2007: 340) Pegujia stasioeritas diperluka karea jika ada variabel yag memiliki data yag tidak stasioer dapat meghasilka regresi yag lacug (spurious regresio) Ada beberapa metode uji stasioeritas data, yag palig dikeal adalah dega uji uit root atau ada juga yag meyebutya sebagai uji akar uit Metode ii pertama kali dikembagka oleh Dickey-Fuller da akhirya dikeal dega uji uit root Augmeted Dickey-Fuller (ADF test) Selai itu ada juga uji Phillips- Perro yag membuat uji uit root dega megguaka metode statistik

8 45 oparametik dalam mejelaska adaya autokorelasi atara variabel gaggua tapa memasukka variabel pejelas kelambaa sebagaimaa uji ADF Metode yag dipilih utuk meguji kestasioera data pada skripsi ii adalah dega Phillips-Perro uit root test 3 Pegujia Peyimpaga Asumsi Klasik a Uji Normalitas Dalam asumsi OLS bahwa ilai rata-rata dari error term adalah ol Dalam meguji ormal atau tidakya error term, maka perlu dilakuka uji ormalitas dega megguaka Jarque-Bera Test (JB-test) Uji statistik dega metode ii adalah dega melihat pada ilai statistik JB-test da probabilitiya Jika ilai JB-test lebih kecil dari ilai χ 2 tabel dega α= 005 da df = 2 maka error term telah terdistribusi dega ormal Selai itu jika probabilitas dari ilai JB-test adalah lebih besar dari 005 maka data terdistribusi ormal, da sebalikya b Uji Autokorelasi Autokorelasi pada OLS berarti adaya korelasi atar residu satu observasi dega residu observasi laiya (Widarjoo, 2007:155) Dampak yag timbul akibat adaya otokorelasi ii adalah taksira yag diperoleh dega megguaka OLS tidak lagi BLUE amu masih tidak bias, da kosiste Akibatya, uji sigifikasi kurag kuat sehigga uji t da uji F hasilya aka tidak baik Utuk medeteksi autokorelasi dapat dilakuka dega dua cara yaitu dega uji Durbi-Watso (DW) da uji Breusch-Godfrey (BG)

9 46 Dalam peelitia ii uji yag diguaka adalah uji Lagrage Multiplier (LM-test) yag dikembagka oleh Breusch-Godfrey (BG) Metode ii jauh lebih mudah dibadigka dega metode DW, karea metode DW memiliki beberapa asumsi, yaitu (1) variabel bebas adalah ostokastik, (2) variabel error terdistribusi ormal da (3) model regresi tidak termasuk variabel lag 2 Dega metode BG-test, ada tidakya autokorelasi dilihat dari obs*r-squared da probabilitasya Jika ilai obs* R-squared (χ 2 hitug) > χ 2 tabel atau ilai probabilitasya lebih redah dari 005 maka terdapat autokorelasi, da sebalikya Jika dari hasil estimasi model terdapat otokorelasi maka perlu diadaka peyembuha dega memasukka variabel otoregresi (AR) da movig average (MA) sehigga model baru aka mejadi: Dimaa : R : Retur Ideks D 1, D 2, D 3, D 4 : variabel dummy (o metrik)utuk hari sei, selasa, rabu, da Jumat a 0 a 1, a 2, a 3, a 4 : kostata : koefisie variabel ometrik 1 : Variabel- variabel Otoregresi (AR)R t 1 Ф : variabel-variabel movig average (MA) : residu 2 Pratomo da Paidi Pedoma Praktis Pegguaa Eviews dalam Ekoometrika, 2007:115

10 47 c Uji Heteroskedastisitas Salah satu asumsi dalam metode OLS adalah bahwa variabel residu memiliki ratarata ol atau memiliki varia yag kosta Jika ii tidak terpeuhi berarti ada heteroskedastisitas, utuk megidetifikasi heteroskedastis maka dilakuka uji White Utuk medeteksiya adalah jika ilai chi-square hitug (R 2 ) lebih besar dari χ 2 kritis dega derajat kepercayaa tertetu (α) maka ada heteroskedastisitas da sebalikya Jika dalam hasil estimasi OLS terdapat heteroskedastis maka akibat yag ditimbulka adalah: a Estimasi Regresi tidak efisie b Estimator metode OLS tidak mempuyai varia yag miimum, sehigga haya memeuhi karakteristik LUE (Liear Ubiased Estimator) tidak memiliki bias liear c Uji hipotesis yag dihasilka dari regresi (uji t da uji F) tidak dapat dipercaya Hasil estimasi yag tidak meujukka adaya pelaggara autokorelasi da heteroskedastisitas tidak dapat lagsug diguaka utuk megaalisis gejala efek akhir peka pada imbal hasil saham Aka tetapi jika terdapat autokorelasi da heteroskedastis maka OLS tidak dapat lagi diguaka sebelum dilakuka perbaika pada keduaya Perbaika yag baik dapat dilakuka dega megguaka model ARCH-GARCH 4 Model TARCH-M (p,q) Model ARCH-GARCH sudah bayak diguaka da terbukti dapat mempresiksi kodisi varias Dalam peelitia ii, model TARCH aka dibearka jika

11 48 terdapat heteroskedastisitas atau autokorelasi pada regresi liear variabel dummy sebelumya Utuk meetuka tigkat GARCH berapa yag dipakai maka terlebih dulu dilakuka tes ARCH- Lagrage Multiplier (ARCH-LM), Uji ARCH-LM diguaka sebagai uii heteroskedastisitas bagi residu sebuah model regresi Uji ii dilakuka utuk mecari tigkata ARCH yag bisa diguaka utuk model varias coditioal Jika hasil test statistik lebih besar dari ilai kritikal dega tigkat sigifikasi yag dipilih, maka hipotesis ol tidak ada usur ARCH sampai tigkat q ditolak da hipotesis bahwa terdapat usur ARCH dega tigat q diterima Setelah semua uji dilakuka maka perlu dilihat kembali apakah model TARCH sudah terbebas dari autokorelasi atau tidak Utuk megetahui hal ii maka perlu dilakuka kembali idetifikasi dega uji korelogram, utuk medeteksi kesalaha ARCH da autokorelasi, sebagaimaa kita ketahui bahwa uji D-W tidak dapat diguaka pada model ARCH-GARCH da geeralisasiya