IBM" SPSS" Statistics Version 25 ISBN: 979-704-015-1 CET Os Ce ncYAU CCU VEEL: SY Ty =e a) eT Prof.H.lmam Ghozali, M.Com, Ph.D, CA, Akt Fakultas Ekonomika dan Bisnis Universitas Diponegoro Semarang ISBN: 979-704-015-1 PEE ta a Ui estes Ua)Prof.H.Imam Ghozali, M.Com, Ph.D, CA APLIKASI ANALISIS MULTIVARIATE Dengan Program IBM SPSS 25 Edisi 9 ISBN : 979.704.0151 @ 2018 Badan Penerbit - Undip Xx, 490 hal, 160 X 240 mm Lay-out / Setting : Abadi Tejokusumo Desain Cover : Abadi Tejokusumo Hak Cipta dilindungi oleh Undang-Undang Dilarang mengutip, memperbanyak, dan mengedarkan sebagian atau seluruh isi buku ini tanpa izin tertulis dari penerbit. Cetakan! —: Juli 2001 Cetakan II gustus 2002 Cetakan Ill > Januari 2005 Cetakan IV: Oktober 2006 April 2007 April 2009 CetakanV April 2011 Cetakan VI Cetakan VII Cetakan VIII : Cetakan IX: Februari 2018 y atte Kutipan Pasal 72 : — Sanksi Pelanggaran-Undang-Undang Hak Cipta (Undang-Undang No. 19 Tahun 2002) 1. _Barang siapa dengan sengaja dan tanpa hak melakukan perbuatan sebagaimana dimaksud dalam Pasal 2 ayat (1) dipidana penjara masing-masing paling singkat 1 (satu) bulan dan/atau denda paling sedikit Rp. 1.000.000,00 (satu juta rupiah), atau pidana penjara paling lama 7 (tujuh) tahun dan /atau denda paling banyak Rp. 5.000.000.000,00 (lima miliar rupiah). Barang siapa dengan sengaja menyiarkan, memamerkan, mengedarkan, atau menjual kepada umum suatu ciptaan atau barang hasil pelanggaran Hak Clpta atau Hak Terkait sebagaimana dimaksud pada ayat (1) dipidana dengan pidana penjara paling lama 5 (lima) tahun dan/atau denda paling banyak Rp. 500.000.000,00 (lima ratus juta rupiah).(a Jika model regresi transformasi anda kalikan kedua sisi dengan Sales maka akan diperoleh regresi yang mirip dengan regresi awal RA ide sedikit perbedaan nilai slope atau koefisien Sales. Sedangkan standar error slope koefisien Sales pada regresi transformasi lebih kecil (se=0.007) dibandingkan regresi awal (se=0,008). Jadi regresi OLS awal memiliki standar error yang overestimate. Seperti telah dijelaskan sebelumnya bahwa regresi dengan heteroskedastisitas, OLS estimator dari standar error akan bias. 7.4 Uji Normalitas Uji normalitas bertujuan_ untuk menguji apakah dalam model regresi, variabel pengganggu atau residual iliki_ distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa jilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil_ Ada dua cara untuk mendeteksi_apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik. ae a. Analisis Grafik Salah satu cara termudah untuk melihat nomalitas residual adalah Ce aoa Ne ObSCrV: engan distribusi yang miendekati distribusi normal. Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi_normal. Distribusi akan Mmembentuk satu garis lurus diagonal, dan ploting data residual akan normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Cara menguji normalitas residual dengan analisis grafik lewat SPSS - dapat dilakukan dengan langkah sebagai berikut: a, Lakukan regresi dengan persamaan INCOME={(S WEALTH,SAVING) ~b. Lanjutkan dengan menekan tombol Plots hingga di layar tam tampilan windows IZE,EARNS pak3.3 Data Outlier Setelah melakukan transformasi untuk mendapatkan normalitas data langkah screening berikutnya yang harus dilakukan adalah mendetekg; adanya data outlier. Outlier adalah kasus atau data yang memilikj karakteristik unik yang terlihat sangat berbeda jauh dari observasj- observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi. Ada empat penyebab timbulnya data outlier: (1) kesalahan dalam meng-entri data, (2) gagal menspesifikasi adanya missing value dalam program komputer, (3) outlier bukan merupakan anggota populasi yang kita ambil sebagai sampel, dan (4) outlier berasal dari populasi yang kita ambil sebagai sampel, tetapi distribusi dari variabel dalam populasi tersebut memiliki nilai ekstrim dan tidak terdistribusi secara normal. Deteksi terhadap univariate outlier dapat dilakukan dengan menentukan nilai batas yang akan dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data kedalam skor standardized atau yang biasa disebut z-score, yang memiliki nilai means (rata-rata) sama dengan nol dan standar deviasi sama dengan satu. Menurut Hair (1998) untuk kasus sampel kecil (kurang dari 80), maka standar skor dengan nilai > 2.5 dinyatakan outlier. Untuk sampel besar standar skor dinyatakan outlier jika nilainya pada kisaran 3 sampai 4. Jika standar skor tidak digunakan, maka kita dapat menentukan data outlier jika data tersebut nilainya lebih beasr dari 2.5 standar deviasi atau antara 3 sampai 4 standar deviasi tergantung dari besarnya sampel. Data yang akan kita deteksi outliernya adalah data yang sudah kita screening normalitasnya, jadi dalam hal ini adalah variabel SQREARNS dan SQRWEALLT. Berikut ini cara mendeteksi outlier. Langkah Anali a. Dari menu utama SPSS pilih Analyze, lalu Descriptive Statistic dan kemudian Descriptive. b. Tampak dilayar tampilan windows Descriptive APLIKASI ANALISIS MULTIVARIATE Dengan Program IBM SPSS 25 Edisi 9Di tatis tifk \ 6. Pilih Statistik dan aktifkan Durbin-Watson (untuk menguji apakah masih terjadi autokorelasi) 7. Abaikan lainnya dan tekan Ok 8. Hasil Output SPSS Model Summary? Std. Error of the Model R R Square _| Adjusted R Square|___Estimate Durbin-Watson 1 924" 853; 846 04976 1.774 a. Predictors: (Constant), LnUt@ b. Dependent Variable: LiHWIt@ ANOVA’ (Model Sum of Squares | df_[ Mean Square F Sig. 1 Regression 302, 1 302] 121.995] .000" Residual 052| 21 002| Total 354] 22 ‘a. Predictors: (Constant), LnUt@ b. Dependent Variable: LnHWIt@ Coefficients* Standardized Unstandardized Coefficients | _ Coefficients Model B ‘Std. Error Beta t Sig. 1 (Constant) 3.203) 091 35.327, 000) LnUt@ “1.467, 133 -924] -11.045 000) @. Dependent Variable: LnHWIt@ Membandingkan hasil regresi persamaan asli sebelum ada transformasi dan hasil regresi setelah transformasi ternyata dapat dibandingkan (comparable). Hanya bedanya terletak pada nilai Durbin- Watson. Pada persamaan asli nilai Durbin Watson sebesar 0.911 dan autokorelasi positif, sedangkan dengan persamaan regresi terjadi transformasi nilai Durbin Watson sebesar 1.774 yang berarti sudah tidak ada lagi autokorelasi Re? 7.3 Uji Heteroskedas Uji nee ae eal a dalam model regresi terjadi Ketidaksamaan variance dari residual satu pensar" pe variance dari residual satu pengamatan € pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas, Model regresi_yang baik as atau tidak terjadi ‘oskesdatisitas. nn mengandung situas! heteroskesdatisitas kili bebagai ukuran (kecil, Kel karena data ini menghimpun data yang mewal sedang dan besar). UJI ASUMSI KLASIK 137Jikanilai k antara 100 dan 1000, maka terdapat multikoloniearitas moderat ke kuat. Jika k > 1000, maka terdapat multikolonieritas sangat kuat. Dengan cara lain jika Cl (= k) nilainya antara 10 dan 30 terdapat multikoloniearitas moderat ke kuat, jika nilai CI > 30 terdapat multikoloniearitas sangat kuat. Cara mengobati Multikoloniearitas a. Menggabungkan data crossection dan time series (pooling data) b. Keluarkan satu atau lebih variabel independen yang mempunyai korelasi tinggi dari model regresi dan identifikasikan variabel independen lainnya untuk membantu prediksi. c. Transformasi variabel merupakan salah satu cara mengurangi hubungan linear di antara variabel independen. Transformasi dapat dilakukan dalam bentuk logaritma natural dan bentuk * first difference atau delta. Caranya Yt=bl + b2 X2t+b3 X3t+ut .... i wae OD) Yt-1 =bl + b2 X2t-1 + b3 X3t-1 + ut-1 (2) Kurangkan persamaan (2) dari (1) didapat first difference Yt—Yt-1 = b2(X2t — X2t-1) + b3(X3t-X3t-1) + vt.. (3) d. Gunakan model dengan variabel independen yang hanya semata-mata untuk mempunyai_ korelasi tinggi prediksi (jangan mencoba untuk menginterpretasikan koefisien regresinya). e, Gunakan metodeanalisis yang lebih canggih seperti Bayesian regression atau dalam kasus khusus ridge regression 7.2 Uji Autokorelasi Uji autokorelasi_bertujuan_menguji apakah dalam model regresi linear ada Korelasi antara kesalahan pengganggu pada periode t deng esalahan pengganggu pada periode t-1 (sebelumnya). ika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan penganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering UJI ASUMSI KLASIK MtANALISIS REGRESI 6.1 Pendahuluan Istilah “regresi” pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki tubuh tinggi, memiliki anak-anak yang tinggi pula dan orang tua yang pendek memiliki anak-anak yang pendek pula. Kendati demikian, ia mengamati ada kecenderungan bahwa tinggi anak bergerak menuju rata-rata tinggi populasi secara keseluruhan. Dengan kata lain ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung bergerak ke arah rata-rata tinggi populasi. Inilah yang disebut hukum Galton mengenai regresi universal. Dalam bahasa Galton ia menyebutnya sebagai regresi menuju mediokritas (Maddala, 1992). Interpretasi modern mengenai regresi agak berlainan dengan regresi versi Galton. Secara umum , analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (terikat) dengan satu atau lebih variabel independen (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Gujarati, 2003). Hasil analisis regresi adalah berupa koefisien untuk masing-masing variabel independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependen dengan suatu persamaan. Koefisien regresi dihitung dengan dua tujuan sekaligus: pertama, meminimumkan penyimpangan antara nilai aktual dan nilai estimasi variabel dependen berdasarkan data yang ada (Tabachnick, 1996). 6.2 Regresi vs Korelasi Analisis korelasi_bertujuan_untuk_mengukur kekuatan_asosiasi (habungan) linear_antara_dua variabel. Korelasi tidak menunjukkan 0 ES ee _ ANALISIS REGRESI 95hubungan _fungsional atau dengan kata lain analisis_korelasi tidak membedakan antara variabel dependen dengan variabel inde enden. ~—Dalanranalisis regresi, selain mengukur kekuatan hubungan antara dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel dependen dengan variabel independen. Variabel dependen diasumsikan random/stokastik, yang berarti mempunyai distribusi probabilistik. Variabel independen/bebas diasumsikan memiliki nilai tetap (dalam pengambilan sampel yang berulang). Teknik estimasi variabel dependen yang melandasi analisis regresi disebut Ordinary Least Squares (pangkat kuadrat terkecil biasa). Metode OLS diperkenalkan pertama kali oleh Carl Friedrich Gauss, seorang ahli matematika dari Jerman. Inti metode OLS adalah mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari Ruadrat kesalahan setiap observasi terhadap garis tersebut. 6.3 Asumsi Ordinary Least Squares Menurut Gujarati (2003) asumsi utama yang mendasari model regresi linear klasik dengan menggunakan model OLS adalah: a.¥ Model regresi linear, artinya linear dalam parameter seperti dalam persamaan di bawah ini: pororneme 90? Yi=bl + b2 Xi+ui b.“ Nilai X diasumsikan non-stokastik, artinya nilai X dianggap tetap dalam sampel yang berulang. c. Nilai rata-rata kesalahan adalah nol, atau E(ui/Xi) = 0. d. Homoskedastisitas, artinya variance kesalahan sama untuk vai “ESS setiap periode (Homo = sama, Skedastisitas = sebaran) dan dinyatakan dalam bentuk matematis Var (ui/Xi) = 0 e. Tidak ada autokorelasi antar kesalahan (antara ui dan uj tidak ada korelasi) atau secara matematis Cov (ui,uj/Xi,Xj) = 0. f. Antara ui dan Xi saling bebas, sehingga Cov (ui/Xi) = 0. g. Jumlah observasi, n, harus lebih besar daripada jumlah parameter yang diestimasi (jumah variabel bebas). h. Adanya variabilitas dalam nilai X, artinya nilai X harus berbeda. i. Model regresi telah dispesifikasi secara benar. Dengan kata lain tidak ada bias (kesalahan) spesifikasi dalam model yang digunakan dalam analisis empirik. j. Tidak ada multikolinearitas yang sempurna antar variabel bebas. 96 APLIKAS! ANALISIS MULTIVARIATE Dengan Program IBM SPSS 25 Edisi 9re 6.4 Menilai Goodness of Fit Suatu Model Ketepatan fungsi regresi sampel | dalam me ir nilai aktual dapat diukur dari Goodness of fitnya. Secara statisti etidaknya diukur dari ri nilai koefisien determinasi, nilai statistik F dan nilai statistik disebut signifikan secara statistik apabila knya a berada dalam daerah kritis (daerah dimana Ho ditolak). Sebaliknya disebut tidak signifikan bila nilai uji statistiknya berada dalam daerah dimana Ho diterima. a. Koefisien Determinasi Koefisien determinasi ( R*) pada intinya mengukur seberapa jauh kemamy rangkan watiesi variabel d=penden-NITat koefisien determinasi_adalah antara nol dan n satu. Nilai R? yang kec ke berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti ti_variabel-variabel_independen_ _memberikan hampir semua ¢ emprediksi variasi_variabel Secara umum. koefisien ‘determinasi untuk data silang (crossection) relatif rendah karena adanya variasi yang besar antara masing-masing pengamatan, sedangkan untuk data runtun waktu (time series) biasanya mempunyai nilai Koefisien determinasi yang tinggi. Satu hal yang perlu dicatat adalah masalah regresi lancung (spurious regression). Insukindro (1998) menekankan bahwa koefisien determinasi hanyalah salah satu dan bukan satu-satunya kriteria memilih model yang baik. Alasannya bila suatu estimasi regresi linear menghasilkan koefisien determinasi yang tinggi, tetapi tidak konsisten dengan teori ekonomika yang dipilih oleh peneliti, atau tidak lolos dari *uji asumsi klasik, maka model tersebut bukanlah model penaksir yang baik dan seharusnya tidak dipilih menjadi model empirik. Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen aanE dimasukkan kedalam model. Setiap tambahan_satu_vari; ei 2 ti meningkat tidak perduli iabel_tersebut_berpengaruh secara Signifikan terhadap _variabel_dependen. Oleh karena itu banyak penelity menganjurkan untuk menggunakan nilai Adjusted R° pada saat mengevaluasi mana model regresi terbaik, Tidak seperti R% nilai Adjusted R? dapat naik atau turun apabila satu variabel independen ditambahkan kedalam model. Dalam kenyataan nilai adjusted R? dapat bernilai negatif, walaupun yang dikehendaki harus bernilai positif. Menurut Gujarati (2003) jika ANALISIS REGRESI i A 97Pada kotak Dependent isikan variabel INCOME Pada kotak Independent isikan variabel SIZE, EARNS WEALTH and SAVING Pada kotak method pilih Enter A baikan yar dan tekan Ok h. - Hasil output Koefisien Determinasi Model Summary Adjusted R Std. Error of the Model R R Square Square Estimate 1 902" 814 807 2.456274 a. Predictors: (Constant), SIZE, EARNS, SAVING, WEALTH Dari tampilan output SPSS model summary besarnya adjusted R? adalah 0.807, hal ini berarti 80.7% variasi Income dapat dijelaskan oleh variasi dari ke empat variabel independen SIZE, EARNS, WEALTH dan SAVING. Sedangkan sisanya (100% - 80.7% = 19.3%) dijelaskan oleh sebab sebab yang lain diluar model. — ~ Standar Error of estimate (SEE) sebesar 2.4563 ribu dolar. Makin kecil nilai SEE akan membuat model regresi semakin tepat dalam memprediksi variabel dependen. ’ Uji Signifikansi Simultan (Uji Statistik F) ANOVA? Model Sum of Squares_| df __|_Mean Square FE Sig. 1 Regression 2513.760 e 628.440 104.162 __.000° Residual 573.162 95 Total 3086.922 99 a. Dependent Variable: INCOME b. Predictors: (Constant), SIZE, EARNS, SAVING, WEALTH 60: « Dari uji ANOVA atau F test didapat nilai F hitung sebesar 104.162 dengan probabilitas 0.000. Karena probabilitas jauh lebih kecil dari 0.05, maka model regresi dapat digunakan untuk memprediksi INCOME atau dapat dikatakan bahwa SIZE, EARNS, WEALTH dan SAVING secara bersama-sama berpengaruh terhadap INCOME. Uji Signifikansi Parameter Individual (Uji Statistik t) Untuk menginterpretasikan _koefisien _ variabel_ bebas (independen) dapat menggunakan unstandardized coefficients maupun ‘standardized coefficients. s é ; édalam uji empiris didapat nilai adjusted R* negatif, maka nilai adjusted R? dianggap bernilai nol. Secara matematis jika nilai R? = 1, maka Adjusted R? = R? = | sedangkan jika nilai R? = 0, maka adjusted R?= (1 —k)n—k). Jika k > 1, maka adjusted R? akan bernilai negatif b. Uji Signifikansi Keselurahan dari Regresi Sample (Uji Statistik F) Tidak seperti uji t yang menguji signifikansi koefisien parsial regresi secara individu dengan uji hipotesis terpisah bahwa setiap setiap koefiensn regresi sama dengan nol. Uji F menguji joint hipotesia bahwa bl, b2 dan b3 secara bersama-sama sama dengan nol, atau : 1=b2 ‘bk = 0 b2 # bk #0 Ujihipotesis seperti ini dinamakan uji signifikansi secera keseluruhan terhadap garis regresi yang diobservasi maupun estimasi, apakah Y berhubngan linear terhadap X1, X2 dan X3. Apakah joint hipotesis dapat diuji dengan signifikansi bl , b2 dan b3 secara individu. Jawabannya tidak. Alasannya dalam uji signifikansi individu terhadap_parsial koefieisn regresi diasumsikan bahwa setiap uji signifkansi berdasarkan sample (independen ) yang berbeda.Jadi menguji signifikansi b2 dengan hipotesis b2=0 diasumsikan pengujian ini berdasarkan sample yang berbeda ketika kita akan menguji b3 dengan hipotesis b3=-0. Sementara itu ketika kita menguji joint hipotesis dengan sample yang sama akan menyalahi asumsi prosedu pengujian. Untuk menguji hipotesis ini digunakan statistik F dengan kriteria pengambilan keputusan sebagai berikut: @ Quick look : bila nilai F lebih besar daripada 4 maka Ho dapat ditolak pada derajat kepercayaan 5%., Dengan kata lain kita menerima hipotesis alternatif, yang menyatakan bahwa semua variabel independen secara serentak dan signifikan mempengaruhi variabel dependen. e Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel, Bila nilai F hitung lebih besar daripada nilai F tabel, maka Ho ditolak dan menerima HA. ¢. Uji Signifikan Parameter Individual (Uji Statistik t) Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam menerangkan 98 ‘APLIKASI ANALISIS MULTIVARIATE Dengan Program IBM SPSS 25 Edisi 9variasi variabel dependen. Hipotesis nol (Ho) yang hendak diuji adalah apakah suatu parameter (bi) sama dengan nol, atau : Ho: bi=0 Artinya apakah suatu variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Hipotesis alternatifnya (HA) parameter suatu variabel tidak sama dengan nol, atau : HA: bi #0 Artinya, variabel tersebut merupakan penjelas yang signifikan terhadap variabel dependen. Cara melakukan uji t adalah sebagai berikut: © Quick look : bila jumlah degree of freedom (df) adalah 20 atau lebih, dan derajat kepercayaan sebesar 5%, maka Ho yang menyatakan bi = 0 dapat ditolak bila nilai t lebih besar dari 2 (dalam nilai absolut). Dengan kata lain kita menerima hipotesis alternatif, yang menyatakan bahwa suatu variabel independen secara individual mempengaruhi variabel dependen. e Membandingkan nilai statistik t dengan titik kritis menurut tabel. Apabila nilai statistik t hasil perhitungan lebih tinggi dibadingkan nilai t tabel, kita menerima hipotesis alternatif yang menyatakan bahwa suatu variabel independen secara individual mempengaruhi variabel dependen. Untuk menjelaskan aplikasi dari teori regresi di atas marilah kita analisis file CROSSESC1.xls dengan program SPSS: Kasus yang ingin dianalisis adalah apakah total income anggota keluarga (INCOME) dipengaruhi oleh jumlah anggota keluarga (SIZE), gaji yang ie kepala keluarga (EARNS), Besarnya kekayaan keluarga tabungan tee od atau secara matematis SIZE +b b2 EARNS +b3 WEALTH + b4 SAVING +eaa Aplikasi analiss multivariate dengan program ism spss 25. * Fakultas B281861606 legoro. la menyelesaikan pendidikan Sarjana Ekonomi Jurusan Akuntansi di Universitas Gadjah Mada 4985. Pendidikan S2 (M.Com) diselesaikannya di University of New South Wales, Sydney, Australia 1990 dan pendidikan S3 (Ph.D) bidang Management Accounting diselesaikan di University of Wollongong, Australia 1995. Disamping sebagai dosen tetap pada Fakultas Ekonomika dan Bisnis UNDIP, ia juga menjadi dosen tidak tetap di program S3 Manajemen Jasa Universitas Trisakti Jakarta dan di program S3 Manajemen Universitas Tanjungpura Pontianak. la juga pernah menjadi Visiting Professor di University of Malaya, Kuala Lumpur, Malaysia 2009-2011 dan 2017. Saat ini menjabat sebagai Ketua Program Study Doktor ilmu ekonomi Universitas Diponegoro. Lebih dari 30 artikel telah dipublikasikan di jurnal international terindex Scopus (Author ID: 55875276500 scopus) Buku-buku yang telah ditulis antara lain: Pokok-Poko Akuntansi Pemerintahan BP FE Yogya, Statistik Non-Parame'rik BP Undip, Persamaan Model Struktural dengan AMOS 24 BP Unc Structural Equation Modeling Teori, Konsep dan Aplikasi dengan Progr Lisrel 9.10 BP Undip, Structural Equation Modeling, Metode Alternatif den: an Partial Least Squares (PLS) BP Undip, Partial Least Squares Konsep, Me dan Aplikasi Menggunakan Program WarpPLS 5.0 BP Undip, Aplikasi An Multivariate dengan Progem IBM SPSS 23 BP Undip, Ekonometrika der Program IBM SPSS 24 BP Undip, Generalized Structured Compo: it Analysis (GeSCA) BP Undip, Desain Penelitian Eksperimental den: Program SPSS 23 BP Undip, Structural Equation Modeling dengan Progr * SmartPLS 3.0, Structural Equation Modeling dengan Program XLSTAT "~~ Undip, Strucutral Equation Modeling Pendekatan Induktif dengan Progr Tetrad IV BP Undip, Teori Akuntansi IFRS BP Undip, Akuntansi Pemerintal Pusat (APBN) dan Daerah (APBD) BP Undip, Akuntansi Keperilakuan Undip, Analisis Multivariat dan Ekonometrika dengan Program Eview 10 Undip, Teknik Penyususnan Skala Likert dalam Penelitian Akuntansi ¢ Bisnis BP Undip. 4 5