t1 232009045 full text - institutional...
TRANSCRIPT
1
1. PENDAHULUAN
Perkembangan pasar obligasi di Indonesia mengakibatkan semakin pentingnya
ketersediaan informasi bagi investor atau kreditor untuk mengukur risiko investasi obligasi
(Christina et al, 2010).Tujuan utama dari investor atau kreditor mengetahui resiko investasi
obligasi yaitu untuk melihat para emiten obligasi atau debitur dapat membayar pinjaman
pokok beserta bunganya atau tidak. Jika emiten obligasi atau debitur tidak dapat membayar
pinjaman pokok beserta bunga mereka dapat dikatakan bahwa resiko investasi yang
dipegang oleh para investor atau kreditor sangat besar. Adanya risiko emiten
obligasi/debitor tidak mampu membayar pinjaman pokok beserta bunganya (risiko default)
menyebabkan keberadaan lembaga pemeringkat obligasi seperti Moody’s dan Standard &
Poor’s (di Amerika Serikat), atau PT Pemeringkat Efek Indonesia (PEFINDO) dan PT
Moody’s Indonesia (di Indonesia) semakin dibutuhkan untuk membantu investor dalam
melakukan estimasi atas risiko tidak terbayarnya pokok pinjaman dan bunga obligasi
(Christina et al, 2010). Hal tersebut menyebabkan semakin bertambah pentingnya
peringkat kredit yang diberikan untuk setiap penerbitan obligasi oleh suatu perusahaan
(Frost, 2007).
Dalam melakukan penilaian terhadap risiko kredit suatu perusahaan dan proses
pemberian peringkat baik terhadap obligasi maupun surat hutang lainnya yang diterbitkan
oleh perusahaan, PEFINDO mensyaratkan beberapa hal, salah satunya adalah laporan
keuangan perusahaan yang telah diaudit selama 5 tahun terakhir dan sekurang-kurangnya
selama 2 tahun terakhir oleh KAP yang teregistrasi di Bapepam. Pemberian Peringkat
dilakukan setiap sebulan sekali berdasarkan pada frekuensi perdagangan di bursa dan harga
saham.
2
Manajemen laba adalah salah satu faktor yang menentukan kualitas laporan
keuangan perusahaan. Penelitian yang dilakukan oleh Mills dan Newberry (2001), Manzon
dan Plesko (2002), serta Ayers et al (2008) menemukan bahwa taxable income dapat
menjadi indikator atas kualitas laba yang lebih informatif dibandingkan dengan book
income untuk perusahaan-perusahaan yang melakukan manajemen laba.
Menurut Crabtree dan Maher (2009), book-tax differences dalam jumlah besar
dapat menjadi pertanda kualitas laba perusahaan yang rendah. Apabila laba yang
dilaporkan perusahaan telah menjadi objek manipulasi dan manajemen laba, laba
perusahaan akan menunjukkan persistensi yang rendah di masa depan, maka hal ini akan
semakin meningkatkan risiko perusahaan tidak mampu membayar pokok obligasi dan
bunganya di masa depan (risiko default). Untuk itu Crabtree dan Maher (2009) dalam
Christina et al (2010) melakukan penelitian mengenai pengaruh book-tax differences
terhadap penentuan peringkat obligasi oleh analis kredit atau lembaga pemeringkat.
Penelitian Crabtree dan Maher (2009) menemukan bahwa perusahaan yang
memiliki book-tax differences yang besar akan menghasilkan penurunan pada peringkat
obligasi perusahaan tersebut dan large(small) tax-to-book ratios akan menghasilkan
penurunan pada peringkat obligasi perusahaan tersebut. Hasil Penelitian tersebut berbeda
dengan hasil dari penelitian serupa yang juga dilakukan oleh Christina et al (2010) pada
perusahaan manufaktur di Indonesia dan hasilnya menyatakan bahwa perusahaan-
perusahaan yang memiliki book-tax differences yang semakin besar akan menghasilkan
peningkatan pada peringkat obligasi perusahaan tersebut demikian juga large(small) tax-
to-book ratios.
Oleh karena hasil penelitian sebelumnya belum konsisten maka penelitian ini
dilakukan sebagai replikasi dari penelitian yang dilakukan oleh Christina et al (2010) yang
telah menguji pengaruh perbedaan Taxable Income dan Book Income (Book-Tax
3
Differences) terhadap peringkat obligasi pada Pasar Kredit Obligasi selama tahun 2003-
2008 dengan sampel perusahaan manufaktur dan non-manufaktur. Akan tetapi, yang akan
membedakan penelitian sebelumnya dengan penelitian ini yaitu menggunakan data sampel
perusahaan jasa keuangan dengan memperpanjang periode tahun 2003-2010 untuk
menambah jumlah observasi penelitian sehingga dengan data yang semakin banyak dapat
memperoleh sampel yang konsisten setiap periode dalam jumlah banyak. Penelitian ini
menggunakan dua komponen book-tax differences yang diduga mempengaruhi peringkat
obligasi di Indonesia yaitu, pajak tangguhan (deffered tax) dan rasio pajak (tax-to-book
ratios).
Penelitian ini diharapkan dapat memberikan manfaat bagi pihak investor untuk
meminimalkan risiko investasinya yakni dengan mempertimbangakan nilai book-tax
differences dan tax-to-book ratios. Juga diharapkan menjadi referensi bagi penelitian
terkait.
2. TINJAUAN PUSTAKA DAN PENYUSUNAN HIPOTESIS
Terdapat bukti empiris bahwa jika ada kenaikan peringkat obligasi, sering diikuti
dengan kenaikan harga saham. Sebaliknya penurunan peringkat obligasi pada umumnya
menyebabkan harga saham turun. Fenomena ini dapat dianggap sebagai bukti bahwa para
investor lebih menyukai obligasi dari pada capital gains. Tapi kenaikan peringkat obligasi
yang diatas biasanya merupakan suatu sinyal kepada para investor bahwa manajemen
perusahaan meramalkan suatu penghasilan yang baik di masa mendatang. Teori Signaling
Hypotesis ini menyatakan adanya sinyal good news atau sinyal bad news bagi perusahaan
jika ada efek dari peningkatan atau penurunan peringkat obligasi dari sebuah perusahaan.
4
Prinsip Akuntansi yang Berlaku Umum (PABU) dianggap memberikan diskresi
yang lebih besar kepada pihak manajemen perusahaan dibandingkan dengan Undang-
Undang perpajakan sehingga manajemen menggunakan diskresi tersebut untuk melakukan
manajemen laba. Akibatnya dapat terjadi perbedaan yang besar antara book income dan
taxable income (book-tax differences) yang kemudian berdampak pada jumlah beban pajak
tangguhan (deffered tax expense) yang meningkat. Phillips et al. (2003) mengemukakan
bahwa book-tax differences yang bersifat temporer yang tercermin dalam deferred tax
expense akan membantu memisahkan tindakan diskresi manajer dari pilihan-pilihan non-
diskresi. Deferred tax expense lebih akurat dibandingkan dengan ukuran-ukuran akrual
lainnya dalam mengklasifikasikan perusahaan yang melakukan manajemen laba untuk
menghindari kerugian dan penurunan laba. Oleh karena itu Phillips et al. (2003)
berpendapat bahwa informasi yang terkandung dalam deferred tax expense lebih berguna
untuk mendeteksi manajemen laba daripada model akrual yang dikembangkan oleh Healy
(1985), Jones (1991), dan Dechow et al. (1995).
Hanlon (2005) juga meneliti peranan book-tax differences dalam mengindikasikan
persistensi laba, akrual, dan arus kas untuk laba satu tahun ke depan. Dalam melakukan
penelitian tersebut, Hanlon (2005) menggunakan deferred taxes sebagai proksi book-tax
differences. Hasil penelitian tersebut menunjukkan bahwa perusahaan dengan book-tax
differences dalam jumlah besar serta bernilai positif dan negatif (large positive book-tax
differences dan large negative book-tax differences) mempunyai laba yang kurang
persisten dibandingkan perusahaan yang mempunyai book-tax differences dalam jumlah
kecil (small book-tax differences). Large positive deferred taxes merupakan pajak
tangguhan besar yang dimiliki perusahaan dan merupakan kelebihan pembayaran sehingga
bernilai positif, sedangkan large negative deferred taxes adalah pajak tangguhan besar
yang dimiliki perusahaan dan merupakan kurang bayar sehingga bernilai negatif.
5
Penelitian Crabtree dan Maher (2009) menggunakan kerangka pemikiran Phillips
et al. (2003) dan hasil penelitian Hanlon (2005) tersebut untuk melanjutkan penelitian
mengenai pengaruh book-tax differences terhadap penentuan peringkat obligasi oleh analis
kredit atau lembaga pemeringkat. Penelitian yang dilakukan oleh Crabtree dan Maher
(2009) menemukan bahwa large positive deferred taxes dan large negative deferred taxes
berpengaruh negatif dan signifikan terhadap RATING, artinya perusahaan-perusahaan
yang memiliki large positive deferred taxes dan large negative deferred taxes akan
mengalami penurunan peringkat obligasi. Large positive deferred taxes (pajak tangguhan
yang harus dibayar perusahaan) adalah pajak tangguhan bernilai positif dan besar yang harus
dibayar perusahaan.
Hal ini berlawanan dengan penelitian Christina et al(2010) pada perusahaan
manufaktur yang terdaftar di BEI yang menemukan bahwa large positive deferred taxes
berpengaruh positif namun tidak signifikan dan large negative deferred taxes berpengaruh
positif dan siginifikan terhadap RATING. Artinya perusahaan-perusahaan yang memiliki
book-tax differences yang besar akan menghasilkan peningkatan pada peringkat obligasi
perusahaan tersebut.
Crabtree dan Maher (2009) menyimpulkan bahwa book-tax differences dalam
jumlah besar dapat menjadi pertanda kualitas laba perusahaan yang rendah. Selain itu,
book-tax differences yang sangat besar juga menunjukkan adanya kemungkinan
perusahaan melakukan off-balance sheet financing, misalnya dengan tidak mengakui
hutang atau kewajiban perusahaan dalam laporan keuangan. Hal tersebut dapat menjadi
peringatan dini bagi analis kredit atau lembaga pemeringkat bahwa mereka tidak dapat lagi
bergantung pada laba yang dilaporkan untuk menilai kinerja perusahaan di masa depan.
Maka kesimpulannya semakin besar deferred taxes bernilai positif yang dimiliki
perusahaan mengindikasikan bahwa kinerja perusahaan baik karena memiliki kelebihan
6
pembayaran pajak tangguhan dan bernilai positif sehingga akan semakin besar
kemungkinan manajemen melakukan manajemen laba. Hal ini menyebabkan laba
akuntansi (book income) yang dilaporkan menjadi terdistorsi dan meningkatkan
ketidakpastian bagi analis kredit dan lembaga pemeringkat dalam menilai kinerja
perusahaan di masa depan. Hal ini meningkatkan risiko kredit dan sehingga menurunkan
peringkat obligasi perusahaan tersebut. Jadi perusahaan yang memiliki pajak tangguhan
besar bernilai positif tentunya akan memperoleh peringkat obligasi lebih rendah. Oleh
karena itu, maka dirumuskan hipotesis penelitian sebagai berikut :
H1a: Perusahaan-perusahaan yang memiliki pajak tangguhan besar yang bernilai
positif (large positive deferred taxes) akan memperoleh peringkat (rating)
obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi.
Semakin besar deferred taxes bernilai negatif mengindikasikan kinerja perusahaan
dalam kondisi buruk karena kurang bayar sehingga akan semakin menurunkan
kemungkinan perusahaan untuk melakukan manajemen laba sehingga semakin besar risiko
default perusahaan sehingga berpotensi tidak mampu membayar kewajiban jangka
panjangnya di masa depan. Lembaga pemeringkat memberikan peringkat rendah karena
adanya penghasilan sebelum pajak yang diperoleh lebih kecil daripada penghasilan setelah
pajak yang dibayarkan sehingga menunjukkan kinerja perusahaan yang kurang baik. Jadi
karena menunjukkan kinerja yang kurang baik maka perusahaan dengan pajak tangguhan
besar negatif tentunya akan memperoleh peringkat obligasi lebih rendah. Oleh karena itu,
hipotesis yang diajukan selanjutnya adalah:
H1b: Perusahaan-perusahaan yang memiliki pajak tangguhan besar yang bernilai
negatif (large negative deferred taxes) akan memperoleh peringkat (rating)
obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi.
7
Large tax-to-book ratios merupakan rasio perbandingan penghasilan kena pajak
dengan laba sebelum pajak menurut pembukuan perusahaan yang lebih besar sedangkan
small tax-to-book ratios merupakan perbandingan antara laba pajak dengan laba buku
perusahaan yang kecil. Penelitian yang dilakukan oleh Crabtree dan Maher (2009)
menyimpulkan bahwa perusahaan yang memiliki large tax-to-book ratios mengindikasikan
perusahaan tidak memiliki kemampuan untuk melakukan perencanaan pajak (tax planning)
untuk meminimalkan beban pajaknya dibandingkan dengan industri yang sejenis.
Ketidakmampuan melakukan manajemen pajak menyebabkan penilaian yang negatif dari
analis kredit bahwa perusahaan tersebut tidak mampu menggunakan sumber daya yang
tersedia untuk meminimalkan pembayaran pajak dan meningkatkan jumlah arus kas
perusahaan untuk membayar kewajiban jangka panjangnya. Oleh karena itu, analis kredit
atau lembaga pemeringkat diduga akan memberikan peringkat obligasi yang lebih rendah
kepada perusahaan yang memiliki large tax-to-book ratios.
Penelitian yang dilakukan oleh Crabtree dan Maher (2009) menemukan bahwa
large tax-to-book ratios dan small tax-to-book ratios berpengaruh negatif dan signifikan
terhadap RATING. Artinya perusahaan-perusahaan yang memiliki large tax-to-book
ratios dan small tax-to-book ratios akan memperoleh penurunan peringkat obligasi. Hal
ini disebabkan karena perusahaan dengan pajak tangguhan besar menunjukkan kinerja
kurang baik sehingga memiliki peringkat obligasi lebih rendah. Maka hipotesis pada
penelitian ini adalah sebagai berikut:
H2a: Perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable
income) terhadap laba akuntansi (book income) yang besar (large tax-to-book
ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada
saat penentuan peringkat (rating) obligasi.
8
Crabtree dan Maher (2009) juga mengeksplorasi kemungkinan perusahaan yang
memiliki small tax-to-book ratios untuk memperoleh peringkat yang lebih rendah pada saat
penentuan peringkat obligasi perusahaan tersebut. Argumen yang mendasari kerangka
berpikir tersebut adalah small tax-to-book ratios yang dimiliki perusahaan dapat
mengindikasikan bahwa manajemen berusaha melakukan manajemen laba dan off-balance
sheet financing untuk meningkatkan book income pada periode saat ini sehingga
mengakibatkan menurunnya book income di masa mendatang. Dengan adanya manajemen
laba yang dilakukan ini berarti kinerja kurang baik sehingga perusahaan akan memiliki
peringkat obligasi lebih rendah. Berdasarkan kerangka pemikiran ini, maka hipotesis
selanjutnya yang diajukan adalah:
H2b: Perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable
income) terhadap laba akuntansi (book income) yang kecil (small tax-to-book
ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada
saat penentuan peringkat (rating) obligasi.
3. POPULASI DAN SAMPEL
Populasi pada penelitian ini adalah semua perusahaan keuangan yang terdaftar
di BEI pada tahun 2003-2011yakni sebanyak 15 perusahaan. Alasan digunakannya
perusahaan jasa keuangan karena perusahaan keuangan memiliki karakteristik yang
berbeda dan harus lebih memiliki reputasi yang baik dimata nasabahnya sehingga
peringkat obligasi mendapatkan perhatian serius.
9
Tabel 1. Kriteria Sampel
Keterangan Jumlah
Jumlah Perusahaan Jasa Keuangan yang terdaftar di BEI
23
Datanya tidak lengkap (8)
Sampel terpilih 15
4. MODEL PENELITIAN
Penelitian ini menggunakan metode pengujian ordinal logit regression. Ordered
logit model yang biasa disingkat dengan nama ologit juga dikenal dengan sebutan
proportional odds model adalah regresi model untuk ordinal variabel dependen yang
digunakan untuk prediksi probabilitas terjadinya suatu peristiwa oleh data yang cocok
untuk fungsi logit kurva logistik. Ini adalah model linier umum yang digunakan untuk
regresi binominal. Seperti banyak bentuk analisis regresi, model ini juga menggunakan
beberapa variabel prediktor yang mungkin, baik numeric atau kategoris (Hair et al, 1998).
LANGKAH ANALISIS:
Penelitian ini menggunakan alat analisis regresi logistik karena variabel
dependennya berbentuk ranking atau rating (Ghozali, 2005). Sebelum dilakukan analisis
regresi logistik, terlebih dahulu diuji pemenuhan asumsi kelayakan sebagai berikut:
1. Uji Kelayakan Model Regresi
Kelayakan pertama model regresi dinilai dengan menggunakan Hosmer and
Leweshow’s Goodness of Fit Test. Hosmer and Leweshow’s Goodness of Fit Test
menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model (tidak ada
perbedaaan antara model dengan data sehingga model dapat dikatakan fit). Jika nilai
statistik Hosmer and Leweshow’s Goodness of Fit lebih besar daripada 0,05 maka
hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai
10
observasinya atau dapat dikatakan model diterima karena sesuai dengan data
observasinya (Ghozali, 2005, h. 219).
2. Uji Model Fit
Dalam menilai model fit, digunakan Likelihood L. Ghozali (2005, h. 218-
219) mendefinisikan Likelihood L dari model adalah probabilitas bahwa model yang
dihipotesiskan menggambarkan data input. Untuk menguji hipotesis nol dan
alternatif, L ditransformasikan menjadi -2LogL. Statistik -2LogL kadang-kadang
disebut likelihood rasio x2 statistics, dimana x2 distribusi dengan degree of freedom
n-q, q adalah jumlah parameter dalam model.
Statistik -2LogL dapat juga digunakan untuk menentukan jika variabel
bebas ditambahkan ke dalam model apakah secara signifikan memperbaiki model
fit. Selisih -2LogL untuk model dengan konstanta saja dan -2LogL untuk model
dengan konstanta dan variabel bebas didistribusikan sebagai x2 dengan df (selisih df
kedua model).
3. Koefisien Determinasi
Nilai Nagelkerke’s R square dapat diintepretasikan seperti R2 pada multiple
regression (Ghozali, 2005, h.219). Nilai Nagelkerke’s R square menunjukkan
seberapa besar variabilitas variabel dependen yang dapat dijelaskan oleh variabel
independen.
4. Menilai Ketepatan Prediksi (Matriks Klasifikasi)
Matriks klasifikasi menunjukkan kekuatan prediksi dari model regresi untuk
memprediksi faktor yang mempengaruhi variabel dependen. Tabel klasifikasi 2 x 2
(karena 4 kolom tabel klasifikasi sesuai teori yang ada) menghitung nilai estimasi
yang benar (correct) dan salah (incorrect) (Ghozali, 2005, h.220).Yang akan
diprediksi adalah seberapa tepat variabel independen dapat memprediksi atau
11
mempengaruhi variabel dependen. Variabel dependen yang digunakan dalam
penelitian ini adalah peringkat obligasi (bond ratings) yang dikeluarkan oleh PT
Pemeringkat Efek Indonesia (PEFINDO) untuk obligasi yang diterbitkan oleh
perusahaan-perusahaan yang terdaftar di Bursa Efek Indonesia (BEI). Variabel
dependen ini diproksikan dengan variabel RATING.
Variabel independen yang digunakan dalam penelitian ini berasal dari data
laporan keuangan perusahaan.Variabel independen ini terdiri dari variabel utama
dan variabel kontrol. Variabel utama merupakan dua buah proksi dari book-tax
differences yaitu large positive deferred taxes (LPOSDefTax) dan large negative
deferred taxes (LNEGDefTax) serta large tax-to-book ratios (LargeTB) dan small
tax-to-book-ratios (SmallTB). Model yang diteliti juga terdiri dari delapan variabel
independen yang secara garis besar merepresentasikan karakteristik perusahaan yang
berhubungan dengan peringkat (RATING) obligasi perusahaan yang
direpresentasikan oleh: (1) ASSETS, (2) DEBT, (3) INCOME, (4) BETA, (5)
CASHFLOWS, (6) TACC, dan (7) PPE. Model penelitian ini menggunakan variabel
dummy tahun (DUM_YEAR2004-2010) untuk membedakan sampel berdasarkan
tahun diumumkannya peringkat dengan tahun 2003 sebagai tahun dasar (base year).
Penelitian ini menggunakan data sekunder berupa data peringkat obligasi
dari PT. Pemeringkat Efek Indonesia (PEFINDO) yakni peringkat pada akhir tahun
yang dibservasi. Data sekunder lainnya adalah berupa laporan keuangan perusahaan
(laporan tahunan perusahaan) yang terdiri dari laporan laba rugi, neraca, laporan
arus kas, dan catatan atas laporan keuangan dari perusahaan yang menjadi emiten
obligasi dan sahamnya terdaftar di Bursa Efek Indonesia (BEI) untuk periode 2003
sampai dengan 2010.
12
Model I
RATINGj = β0 + β1 LPOSDefTax j + β2 LNEGDefTax j + β3 ASSETSj + β4 DEBT j + β5 BETA j + β6
INCOME j + β7 CASHFLOWS j + β8 TACC j + β9 PPE j + β10 DUM_YEAR2004-
2010 j + εj
Model II
RATINGj = β0 + β1 LargeTB j + β2 SmallTB j + β3 ASSETSj + β4 DEBT j + β5 BETA j + β6 INCOME
j + β7 CASHFLOWS j + β8 TACC j + β9 PPE j + β10 DUM_YEAR2004-2010 j + εj
Dimana :
LPOSDefTax : Pajak tangguhan yang besar dan bernilai positif (Large Positive Deferred Tax).
Menggunakan variabel dummy bernilai 1 jika nilai 25% teratas dan sebaliknya.
LNEGDefTax : Pajak tangguhan yang besar dan bernilai negatif (Large Negative Deferred Tax).
Menggunakan variabel dummy bernilai 1 jika nilai 25% terbawah dan sebaliknya.
LargeTB : Rasio pajak yang besar (Large Tax to Book Ratio).
Ukuran besar adalah jika diatas nilai rata-rata adalah besar, menggunakan dummy
1 dan sebaliknya.
SmallTB : Rasio pajak yang kecil (Small Tax to Book Ratio).
Ukuran kecil adalah jika dibawah nilai rata-rata adalah kecil, menggunakan
dummy 1 dan sebaliknya.
ASSET : Log dari total aset.
DEBT : Jumlah hutang jangka panjang yang dibagi oleh total aset.
BETA : Jumlah obligasi yang beredar pada perusahaan.
INCOME : Jumlah laba operasional yang dibagi oleh total aset.
CASHFLOWS : Jumlah total arus kas dari kegiatan operasi.
TACC : Total Accruals.
PPE : Jumlah aset tetap (Plant, Property, and Equipment).
DUM_YEAR : Variabel dummy pada tahun laporan keuangan dimana laporan
keuangan perusahaan yang berada pada tahun kedelapanakan bernilai
1 dan akan bernilai 0 untuk yang berada pada tahun kesatu sampai
dengan tahun ketujuh.
RATINGj : peringkat obligasi untuk masing-masing perusahaan, diukur dengan:
13
Klasifikasi Peringkat Obligasi
Peringkat obligasi Klasifikasi peringkat Kategori peringkat AAA 7 Investment AA+ 6 Investment
AA 6 Investment
AA- 6 Investment
A+ 5 Investment
A 5 Investment
A- 5 Investment
BBB+ 4 Investment
BBB 4 Investment
BBB- 4 Investment
BB+ 3 Speculative BB 3 Speculative
BB- 3 Speculative
B+ 2 Speculative
B 2 Speculative
B- 2 Speculative
CCC+ 1 Speculative
CCC 1 Speculative
D 1 Speculative
Sumber: Setyaningrum (2005) dalam Ashbaugh (2004)
Kriteria penerimaan hipotesis:
1. Jika nilai signifikansi < 0,05 maka hipotesis diterima.
2. Jika nilai signifikansi > 0,05 maka hipotesis ditolak.
14
5. HASIL DAN PEMBAHASAN
5.1. Statistik Deskriptif
Sampel penelitian ini adalah 15 perusahaan keuangan yang terdaftar di BEI pada
tahun 2003-2011 sehingga total data observasi adalah 15 x 9 tahun = 135 data.
Berikut ini adalah tabel statistik deskriptif data penelitian ini yang mencakup
nilai minimum, maksimum, mean dan standar deviasinya:
Tabel 5.1. Statistik Deskriptif
Sumber: Data Sekunder yang Diolah
Berdasarkan pada tabel diatas diketahui rata-rata nilai LPOSDefTax adalah
0.6667 dan rata-rata nilai LNEGDefTax sebesar -0.3185 artinya lebih banyak
perusahaan yang memiliki pajak tangguhan bernilai positif. Nilai standar deviasi
LPOSDefTax sebesar 0.47316 dengan varians sebesar 0.02774% dan nilai standar
deviasi LNEGDefTax sebesar 0.46764 dengan varians 0.01647% yang
menunjukkan nilai yang lebih kecil daripada mean artinya sebaran kedua data tidak
terlalu bervariasi.
Descriptive Statistics
135 ,00 1,00 ,6667 ,47316
135 ,00 1,00 -,3185 ,46764
135 858,00 1234568794 44502835.489 124409890.3
135 153,00 411725990,00 33899168.822 65536004.32
135 99,00 265727954,00 23508471.304 46923260.42
135 21,00 18337123,00 333411,1615 1700622.487
135 674,00 355447901,00 32626249.941 62094285.75
135 -337110778 25513,00 -31460416.74 59960338.96
135 3,00 44965282,00 1176005,0000 5702486.880
135 ,00 1,00 ,7407 ,43986
135 ,00 1,00 ,6370 ,48265
135 ,00 1,00 ,3630 ,48265
135
LPOSDefTax
LNEGDefTax
ASSETS
DEBT
BETA
INCOME
CASHFLOW
TACC
PPE
DUM_YEAR Large_TB
Small_TB
Valid N (listwise)
N Minimum Maximum Mean Std. Deviation
15
Nilai aset memperoleh rata-rata atau mean yang lebih besar daripada standar
deviasinya menunjukkan sebaran datanya tidak terlalu bervariasi. Untuk variabel
debt, beta, income, cash flow memperoleh nilai mean yang lebih besar daripada
standar deviasinya menunjukkan sebaran datanya kurang bervariasi.
Sedangkan untuk variabel TACC nilai mean lebih kecil daripada standar
deviasi menunjukkan sebaran datanya lebih bervariasi. Begitu pula untuk variabel
PPE. Nilai mean untuk dummy year sebesar 0.7407 dan lebih besar daripada
standar deviasi 0.43986 yang menunjukkan sebaran datanya kurang bervariasi.
Nilai mean Large TB sebesar 0.6370 sedangkan Small TB sebesar 0.3630
yang menunjukkan bahwa perusahaan dengan pajak tangguhan bernilai positif lebih
banyak. Nilai standar deviasinya Large TB sebesar 0.48265 berarti sebaran datanya
bervariasi. Sedangkan nilai standar deviasi Small TB sebesar 0.48265 berarti
sebaran datanya tidak terlalu bervariasi.
5.2.Pengujian Model Fit untuk Model 1
Model mampu memprediksi nilai observasinya dan dapat dikatakan model
dapat diterima jika nilai Hosmer dan Lemeshow’s Goodness of Fit Test > 0,05.
Tampilan output SPSS menunjukkan bahwa besarnya nilai statistik Hosmer dan
Lemeshow’s Goodness of Fit sebesar 4,761 l(ebih besar daripada 0,05) dengan
probabilitas signifikansi 0,054 dengan demikian dapat disimpulkan bahwa model fit
dan dapat diterima.
16
Tabel 5.2.Hosmer dan Lemeshow’s Goodness of Fit Test
Sumber: Data Sekunder yang Diolah
Untuk memperjelas gambaran penjelasan ketepatan model regresi logistic
dapat dilihat pada tabel klasifikasi sebagai berikut:
Tabel 5.3.Tabel KlasifikasiModel 1
Tabel tersebut menunjukkan bahwa dari 135 observasi terdapat 83,1% yang
dapat diprediksikan dengan tepat oleh model logistik ini. Tingginya persentase
ketepatan tabel klasifikasi tersebut menunjukkan tidak adanya perbedaan yang
signifikan antara data hasil prediksi dan data observasinya sehingga model regresi
dikategorikan baik.
Kemudian langkah selanjutnya adalah menilai model fit dengan menggunakan
-2log likehood. Berikut ini adalah hasilnya:
4,761 8 ,054Step1
Chi-square df Sig.
Classification Tablea
76 9 90,4
15 35 70,2
83,1
Observed,00
1,00
RATING
Overall Percentage
Step 1,00 1,00
RATING PercentageCorrect
Predicted
The cut value is ,500a. Sumber: Data Sekunder yang Diolah
17
Tabel 5.4.Tabel Iteration History -2 Log Likehood Model 1
Iteration -2 Log Likehood
1 111.986
2 108.290
3 107.588
Dst Menurun
20 106.444
Sumber: Data Sekunder yang Diolah
Menilai model fit dapat dilihat dari nilai statistik -2LogL yaitu tanpa variabel
hanya konstanta saja sebesar 111,986 setelah dimasukkannya 3 variabel baru maka
nilai -2LogL turun menjadi 107,588 dan setelah dilakukan 20 penyaringan menjadi
106,444 atau dengan kata lain terjadi penurunan sebesar 5,542 dan penurunan ini
signifikan dibandingkan dengan tabel yaitu 1,98. Hal ini berarti penambahan variabel
independen dapat digunakan.
Tabel 5.5. Nagelkerke R SquareModel 1
Sumber: Data Sekunder yang Diolah
Untuk mengetahui besarnya variasi prediksi dari variable independen terhadap
variabel dependen dapat dilihat pada nilai Nagelkerke R Square. Hal ini berarti
diketahui bahwa dengan ukuran Nagelkerke R Square diperoleh 53,1% variasi rating
dapat diprediksi dari variabel independen.
Model Summary
106,444a ,387 ,531Step1
-2 Loglikelihood
Cox & SnellR Square
NagelkerkeR Square
Estimation terminated at iteration number20 because maximum iterations has beenreached. Final solution cannot be found.
a.
18
5.3. Pengujian Hipotesis Model 1
Pengujian hipotesis penelitian selanjutnya akan diuji dengan program SPSS
(Stastistical Package for Social Science), dengan menggunakan alat analisis regresi
logistik. Hasil pengujian regresi logistik tersebut dapat terlihat sebagai berikut :
Tabel 5.6. Hasil Pengujian Hipotesis Model 1
Sumber : Data Sekunder yang Diolah
Hipotesis 1A dalam penelitian ini adalah perusahaan-perusahaan yang
memiliki pajak tangguhan yang besar dan bernilai positif (large positive deferred
taxes) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat
penentuan peringkat (rating) obligasi. Nilai p-value sebesar 0,050 dan memiliki beta
dengan koefisien yang negatif sebesar -19,720, maka signifikan pada level 5% dan
H1A diterima. Hal ini menunjukkan perusahaan yang yang memiliki pajak tangguhan
yang besar dan bernilai positif (large positive deferred taxes) akan memperoleh
peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating)
obligasi.
-19,720 19241,695 ,000 1 ,050 4E+008
-22,971 19241,695 ,000 1 ,042 9E+009
2,327 1,856 1,571 1 ,008 1,556
-2,015 1,283 ,054 1 ,017 2,044
3,213 1,264 ,065 1 ,028 1,223
2,194 2,662 ,680 1 ,041 ,992
-2,817 2,085 1,825 1 ,018 1,003
-3,420 2,478 1,905 1 ,017 1,034
2,633 4,828 ,297 1 ,046 1,263
-1,078 ,554 3,789 1 ,024 ,340
-20,781 19241,695 ,000 1 ,999 ,000
LPOSDefTax
LNEGDefTax
ASSETS
DEBT
BETA
INCOME
CASHFLOW
TACC
PPE
DUM_YEAR
Constant
Step1
a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: LPOSDefTax, LNEGDefTax, ASSETS, DEBT, BETA, INCOME,CASHFLOW, TACC, PPE, DUM_YEAR.
a.
19
Hipotesis 1B dalam penelitian ini adalah perusahaan-perusahaan yang memiliki
pajak tangguhan yang besar dan bernilai negatif (large negative deferred taxes) akan
memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan
peringkat (rating) obligasi. Nilai p-value sebesar 0,042 dan memiliki beta dengan
koefisien yang negative sebesar -22,971 maka signifikan pada level 5% dan H1B
diterima. Hal ini menunjukkan perusahaan-perusahaan yang memiliki pajak tangguhan
yang besar dan bernilai negatif (large negative deferred taxes) akan memperoleh
peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating)
obligasi. Hasil penelitian ini mendukung penelitian Crabtree dan Maher (2009).
Untuk variabel kontrol yaitu Assets, Debt, Beta, Income, Cash flow, Tacc,
PPR, dan Dummy year terbukti dapat menjadi variabel kontrol karena nilai
signifikansinya lebih kecil daripada 0.05. Artinya Assets, Debt, Beta, Income, Cash
flow, Tacc, PPR, dan Dummy year juga menjadi faktor yang menentukan peringkat
obligasi.
5.4. Pengujian Model Fit Model 2
Tampilan output SPSS menunjukkan bahwa besarnya nilai statistik Hosmer
dan Lemeshow’s Goodness of Fit sebesar 13,808 dengan probabilitas signifikansi
0,087 yang nilainya lebih besar daripada (0,05) dengan demikian dapat disimpulkan
bahwa model fit dan dapat diterima.
Tabel 5.7.Hosmer dan Lemeshow’s Goodness of Fit Test
Sumber: Data Sekunder yang Diolah
13,808 8 ,087Step1
Chi-square df Sig.
20
Untuk memperjelas gambaran penjelasan ketepatan model regresi logistic
dapat dilihat pada tabel klasifikasi sebagai berikut:
Tabel 5.8.Tabel Klasifikasi Model 2
Tabel tersebut menunjukkan bahwa dari 135 observasi yang dapat diprediksi
dengan tepat ratingnya 70%. Dengan demikian secara keseluruhan dari 135 observasi
terdapat 70% yang dapat diprediksikan dengan tepat oleh model logistik ini. Tingginya
persentase ketepatan tabel klasifikasi tersebut menunjukkan tidak adanya perbedaan
yang signifikan antara data hasil prediksi dan data observasinya sehingga model
regresi dikategorikan baik.
Kemudian langkah selanjutnya adalah menilai model fit dengan menggunakan
-2log likehood. Berikut ini adalah hasilnya:
Tabel 5.9.Tabel Iteration History -2 Log LikehoodModel 2 Iteration -2 Log Likehood
1 170.118 2 156.866 3 156.291
Dst Menurun 6 156.189
Sumber: Data Sekunder yang Diolah
Menilai model fit dapat dilihat dari nilai statistik -2LogL yaitu tanpa variabel
hanya konstanta saja sebesar 170,118 setelah dimasukkannya 3 variabel baru maka
nilai -2LogL turun menjadi 156,291 dan setelah semua penyaringan dilakukan menjadi
Classification Tablea
75 10 89,2
31 19 36,2
70,0
Observed,00
1,00
RATING
Overall Percentage
Step 1,00 1,00
RATING PercentageCorrect
Predicted
The cut value is ,500a. Sumber: Data Sekunder yang Diolah
21
Model Summary
156,189a ,210 ,392Step1
-2 Loglikelihood
Cox & SnellR Square
NagelkerkeR Square
Estimation terminated at iteration number 6 becauseparameter estimates changed by less than ,001.
a.
156,189 atau dengan kata lain terjadi penurunan sebesar 13,929 dan penurunan ini
signifikan dibandingkan dengan tabel yaitu 1,98. Hal ini berarti penambahan variabel
independen dapat digunakan.
Tabel 5.10. Nagelkerke R SquareModel 2
Sumber: Data Sekunder yang Diolah
Nilai Nagelkerke R Square sebesar 39,2% artinya variasi rating dapat
diprediksi dari variabel independen.
5.5. Pengujian Hipotesis Model 2
Pengujian hipotesis penelitian selanjutnya akan diuji dengan program SPSS
(Stastistical Package for Social Science), dengan menggunakan alat analisis regresi
logistik. Hasil pengujian regresi logistik tersebut dapat terlihat sebagai berikut :
Tabel 5.11. Hasil Pengujian Hipotesis Model 2
Sumber : Data Sekunder yang Diolah
-,628 ,706 ,791 1 ,037 1,874
-,056 ,713 ,006 1 ,024 1,057
,227 ,472 ,082 1 ,040 1,423
-,618 ,026 1,949 1 ,016 1,002
,391 ,099 ,009 1 ,023 1,039
,237 ,129 ,050 1 ,082 1,046
,558 ,009 ,253 1 ,153 1,086
,210 ,882 ,340 1 ,006 1,018
,095 ,310 1,583 1 ,084 1,064
-,795 ,428 3,447 1 ,063 ,452
-,537 ,750 ,512 1 ,474 ,584
Large_TB
Small_TB
ASSETS
DEBT
BETA
INCOME
CASHFLOW
TACC
PPE
DUM_YEAR
Constant
Step1
a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: Large_TB, Small_TB, ASSETS, DEBT, BETA, INCOME,CASHFLOW, TACC, PPE, DUM_YEAR.
a.
22
Hipotesis 2a dalam penelitian ini adalah perusahaan-perusahaan yang memiliki
rasio penghasilan kena pajak (taxable income) terhadap laba akuntansi (book income)
yang besar (large tax-to-book ratios) akan memperoleh peringkat (rating) obligasi
yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Nilai p-value
sebesar 0,037 dan memiliki beta dengan koefisien yang negatif sebesar -0.628, maka
signifikan pada level 5% dan H2a diterima. Hal ini menunjukkan perusahaan-
perusahaan yang memiliki rasio penghasilan kena pajak (taxable income) terhadap
laba akuntansi (book income) yang besar (large tax-to-book ratios) akan memperoleh
peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating)
obligasi.
Hipotesis 2b dalam penelitian ini adalah perusahaan-perusahaan yang memiliki
rasio penghasilan kena pajak (taxable income) terhadap laba akuntansi (book income)
yang kecil (small tax-to-book ratios) akan memperoleh peringkat (rating) obligasi
yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Nilai p-value
sebesar 0,024 dan memiliki beta dengan koefisien yang negative sebesar -0,056 maka
signifikan pada level 5% dan H2b diterima. Hal ini menunjukkan perusahaan-
perusahaan yang memiliki rasio penghasilan kena pajak (taxable income) terhadap
laba akuntansi (book income) yang kecil (small tax-to-book ratios) akan memperoleh
peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating)
obligasi. Hasil penelitian ini mendukung penelitian Crabtree dan Maher (2009).
Untuk variabel kontrol yaitu Assets, Debt, Beta, Tacc, terbukti dapat menjadi
variabel kontrol karena nilai signifikansinya lebih kecil daripada 0.05. sedangkan
Income, cashflow, PPE dan Dummy year tidak berpengaruh signifikan. Hal ini
disebabkan karena investor tidak semata-mata melihat pada arus kas, PPE dan income
23
yang dimiliki sebuah perusahaan sehingga hal tersebut tidak berpengaruh terhadap
peringkat obligasi.
6. KESIMPULAN DAN SARAN
6.1.Kesimpulan
Berdasarkan pada hasil analisis dan pembahasan pada bagian sebelumnya, maka
dapat ditarik kesimpulan sebagai berikut:
1. Perusahaan-perusahaan yang memiliki pajak tangguhan yang besar dan bernilai
positif (large positive deferred taxes) akan memperoleh peringkat (rating) obligasi
yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Hasil penelitian
ini mendukung penelitian Crabtree dan Maher (2009).
2. Perusahaan-perusahaan yang memiliki pajak tangguhan yang besar dan bernilai
negatif (large negative deferred taxes) akan memperoleh peringkat (rating) obligasi
yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Hasil penelitian
ini mendukung penelitian Crabtree dan Maher (2009).
3. Perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable
income) terhadap laba akuntansi (book income) yang besar (large tax-to-book
ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat
penentuan peringkat (rating) obligasi. Hasil penelitian ini mendukung penelitian
Christina et al (2010).
4. Perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable
income) terhadap laba akuntansi (book income) yang kecil (small tax-to-book
ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat
24
penentuan peringkat (rating) obligasi. Hasil penelitian ini mendukung penelitian
Christina et al (2010).
6.2.Implikasi
Penelitian ini memiliki implikasi sebagai berikut: sesuai dengan signaling teori
dimana adanya peningkatan peringkat obligasi menjadi good news bagi investor
sehingga perusahaan yang mengalami penurunan peringkat akan menjadi bad news.
Maka sebaiknya investor dalam menanamkan sahamnya di pasar modal dapat
memperhatikan nilai pajak tangguhan yang dimiliki perusahaan karena terbukti
berpengaruh terhadap peringkat obligasinya.
6.3.Saran dan Keterbatasan
Keterbatasan pada penelitian ini antara lain adalah karena perbedaan sampel dan
tahun pengamatan maka untuk hipotesis kedua, variabel control invome, cashflow dan
PPE tidak terbukti signifikan berpengaruh terhadap peringkat obligasi. Maka
berdasarkan pada keterbatasan tersebut, saran yang dapat dikemukakan pada
penelitian ini adalah:
1. Pada penelitian mendatang dapat ditambahkan variabel kontrol lain dan
menggunakan sampel perusahaan diluar sektor keuangan.
2. Pada penelitian serupa dimasa mendatang dapat digunakan pemilihan angka rating
yang lebih sesuai misalnya memilih 3 bulan setelah tutup buku akhir tahun dan
dapat menambahkan variabel lain yang mempengaruhi peringkat obligasi seperti
rasio keuangan perusahaan, rasio profitabilitas, rasio pasar.
25
DAFTAR PUSTAKA
Ayers, B., J.Jiang, dan S. K. Laplante. (2008). Taxable Income as A Performance Measure
: The Effects of Tax Planning and Earnings Quality. Available at SSRN:
http://papers.ssrn.com/sol3/papers.cfm?abstract_id= 930406.
Christina, V., Yulianti, Christine.(2010). Pengaruh Book-Tax Differences terhadap
Peringkat Obligasi di Pasar Kredit Indonesia.Simposium Nasional Akuntansi XIII.
Crabtree, A., dan J. J. Maher. (2005). Earnings Predictability, Bond Ratings, and Bond
Yields. Review of Quantitative Finance and Accounting 25: 233-253.
Frost, C. A. (2007). Credit Rating Agencies in Capital Market: A Review of Research
Evidence on Selected Criticisms of The Agencies. Journal of Accounting, Auditing,
and Finance 22 (3): 469-492.
Ghozali, Imam. (2005). AplikasiAnalisis Multivariate dengan Program SPSS.Semarang :
Universitas Diponegoro.
Hanlon, M. (2005).The Persistence and Pricing of Earnings, Accruals, and Cash Flows when
Firms Have Large Book-Tax Differences.The Accounting Review 80 (1): 137-166.
Lev, B., dan D. Nissim.(2004). Taxable Income, Future Earnings, and Equity Values.The
Accounting Review 79 (4): 1039-1074.
Manzon, G. B., dan G. A. Plesko. (2002). The Relation between Financial and Tax Reporting
Measures of Income.Tax Law Review 55: 175-214.
Mills, L. F., dan K. Newberry. (2001). The Influence of Tax and Non-Tax Costs on Book-Tax
Reporting Differences: Public and Private Firms. The Journal of the American
Taxation Association 23 (1): 1-19.
Phillips, J., M. Pincus, and S. Rego. (2003). Earnings Management: New Evidence based on
Deferred Tax Expense. The Accounting Review 78 (2): 491-521.
26
LAMPIRAN 1 Logistic Regression
Block 0: Beginning Block
Case Processing Summary
130 96,3
5 3,7
135 100,0
0 ,0
135 100,0
Unweighted Casesb
Included in Analysis
Missing Cases
Total
Selected Casesa
Unselected Cases
Total
N Percent
The variable DUM_IND is constant for all selected cases.Since a constant was requested in the model, it will beremoved from the analysis.
a.
If weight is in effect, see classification table for the totalnumber of cases.
b.
Dependent Variable Encoding
0
1
Original Value,00
1,00
Internal Value
Iteration Historya,b,c
170,124 -,554
170,118 -,569
170,118 -,569
Iteration1
2
3
Step0
-2 Loglikelihood Constant
Coefficients
Constant is included in the model.a.
Initial -2 Log Likelihood: 170,118b.
Estimation terminated at iteration number 3 becauseparameter estimates changed by less than ,001.
c.
27
Block 1: Method = Enter
Classification Tablea,b
83 0 100,0
47 0 ,0
63,8
Observed,00
1,00
RATING
Overall Percentage
Step 0,00 1,00
RATING PercentageCorrect
Predicted
Constant is included in the model.a.
The cut value is ,500b.
Variables in the Equation
-,569 ,183 9,705 1 ,002 ,566ConstantStep 0B S.E. Wald df Sig. Exp(B)
Variables not in the Equationa
43,481 1 ,000
53,945 1 ,000
1,872 1 ,171
1,214 1 ,271
,023 1 ,879
1,191 1 ,275
,027 1 ,870
,026 1 ,871
1,544 1 ,214
3,199 1 ,074
LPOSDefTax
LNEGDefTax
ASSETS
DEBT
BETA
INCOME
CASHFLOW
TACC
PPE
DUM_YEAR
VariablesStep0
Score df Sig.
Residual Chi-Squares are not computed because of redundancies.a.
28
Iteration Historya,b,c,d
111,986 -1,664 ,692 3,205 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,556
108,290 -2,653 1,615 4,655 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,920
107,588 -3,687 2,655 5,799 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,022
106,534 -4,770 3,711 6,931 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,057
106,462 -5,777 4,716 7,966 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,451 -6,779 5,719 8,969 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,447 -7,780 6,720 9,970 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,445 -8,781 7,720 10,970 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,445 -9,781 8,720 11,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -10,781 9,720 12,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -11,781 10,720 13,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -12,781 11,720 14,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -13,781 12,720 15,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -14,781 13,720 16,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -15,781 14,720 17,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -16,781 15,720 18,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -17,781 16,720 19,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -18,781 17,720 20,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -19,781 18,720 21,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
106,444 -20,781 19,720 22,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078
Iteration1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Step1
-2 Loglikelihood ConstantLPOSDefTaxLNEGDefTaxASSETS DEBT BETA INCOMECASHFLOW TACC PPE DUM_YEAR
Coefficients
Method: Entera.
Constant is included in the model.b.
Initial -2 Log Likelihood: 170,118c.
Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution cannot be found.d.
Omnibus Tests of Model Coefficients
63,673 10 ,000
63,673 10 ,000
63,673 10 ,000
Step
Block
Model
Step 1Chi-square df Sig.
Model Summary
106,444a ,387 ,531Step1
-2 Loglikelihood
Cox & SnellR Square
NagelkerkeR Square
Estimation terminated at iteration number20 because maximum iterations has beenreached. Final solution cannot be found.
a.
Hosmer and Lemeshow Test
4,761 8 ,054Step1
Chi-square df Sig.
29
Contingency Table for Hosmer and Lemeshow Test
12 12,212 1 ,788 13
13 11,755 0 1,245 13
8 11,663 5 1,337 13
13 11,604 0 1,396 13
12 10,982 1 2,018 13
8 9,789 5 3,211 13
11 8,232 2 4,768 13
2 3,310 11 9,690 13
4 2,415 9 10,585 13
0 1,038 13 11,962 13
1
2
3
4
5
6
7
8
9
10
Step1
Observed Expected
RATING = ,00
Observed Expected
RATING = 1,00
Total
Classification Tablea
75 8 90,4
14 33 70,2
83,1
Observed,00
1,00
RATING
Overall Percentage
Step 1,00 1,00
RATING PercentageCorrect
Predicted
The cut value is ,500a.
Variables in the Equation
-19,720 19241,695 ,000 1 ,050 4E+008
-22,971 19241,695 ,000 1 ,042 9E+009
2,327 1,856 1,571 1 ,008 1,556
-2,015 1,283 ,054 1 ,017 2,044
3,213 1,264 ,065 1 ,028 1,223
2,194 2,662 ,680 1 ,041 ,992
-2,817 2,085 1,825 1 ,018 1,003
-3,420 2,478 1,905 1 ,017 1,034
2,633 4,828 ,297 1 ,046 1,263
-1,078 ,554 3,789 1 ,024 ,340
-20,781 19241,695 ,000 1 ,999 ,000
LPOSDefTax
LNEGDefTax
ASSETS
DEBT
BETA
INCOME
CASHFLOW
TACC
PPE
DUM_YEAR
Constant
Step1
a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: LPOSDefTax, LNEGDefTax, ASSETS, DEBT, BETA, INCOME,CASHFLOW, TACC, PPE, DUM_YEAR.
a.
30
Step number: 1 Observed Groups and Predicted Probabilities 32 1 F 1 R 24 1 E 0 Q 0 U 10 E 16 00 N 00 C 00 1 Y 00 1 1 1 8 00 0 1 1 00 0 10 11 1 0 0000 0 00 10 11 0 0000000000 000000 01 000 101 1111 11 Predicted Prob: 0 ,25 ,5 ,75 1 Group: 000000000000000000000000000000111111111111111111111111111111 Predicted Probability is of Membership for 1,00 The Cut Value is ,50 Symbols: 0 - ,00 1 - 1,00 Each Symbol Represents 2 Cases.
Logistic Regression
Block 0: Beginning Block
Case Processing Summary
130 96,3
5 3,7
135 100,0
0 ,0
135 100,0
Unweighted Casesa
Included in Analysis
Missing Cases
Total
Selected Cases
Unselected Cases
Total
N Percent
If weight is in effect, see classification table for the totalnumber of cases.
a.
Dependent Variable Encoding
0
1
Original Value,00
1,00
Internal Value
31
Block 1: Method = Enter
Iteration Historya,b,c
170,124 -,554
170,118 -,569
170,118 -,569
Iteration1
2
3
Step0
-2 Loglikelihood Constant
Coefficients
Constant is included in the model.a.
Initial -2 Log Likelihood: 170,118b.
Estimation terminated at iteration number 3 becauseparameter estimates changed by less than ,001.
c.
Classification Tablea,b
83 0 100,0
47 0 ,0
63,8
Observed,00
1,00
RATING
Overall Percentage
Step 0,00 1,00
RATING PercentageCorrect
Predicted
Constant is included in the model.a.
The cut value is ,500b.
Variables in the Equation
-,569 ,183 9,705 1 ,002 ,566ConstantStep 0B S.E. Wald df Sig. Exp(B)
Variables not in the Equationa
2,301 1 ,129
1,293 1 ,256
1,872 1 ,171
1,214 1 ,271
,023 1 ,879
1,191 1 ,275
,027 1 ,870
,026 1 ,871
1,544 1 ,214
3,199 1 ,074
Large_TB
Small_TB
ASSETS
DEBT
BETA
INCOME
CASHFLOW
TACC
PPE
DUM_YEAR
VariablesStep0
Score df Sig.
Residual Chi-Squares are not computed because of redundancies.a.
32
Iteration Historya,b,c,d
156,866 -,477 ,512 ,042 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,692
156,291 -,535 ,622 ,048 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,782
156,220 -,537 ,628 ,050 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,790
156,195 -,537 ,628 ,053 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,792
156,189 -,537 ,628 ,055 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,794
156,189 -,537 ,628 ,056 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,795
Iteration1
2
3
4
5
6
Step1
-2 Loglikelihood ConstantLarge_TBSmall_TB ASSETS DEBT BETA INCOMECASHFLOW TACC PPE DUM_YEAR
Coefficients
Method: Entera.
Constant is included in the model.b.
Initial -2 Log Likelihood: 170,118c.
Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001.d.
Omnibus Tests of Model Coefficients
13,929 10 ,176
13,929 10 ,176
13,929 10 ,176
Step
Block
Model
Step 1Chi-square df Sig.
Model Summary
156,189a ,210 ,392Step1
-2 Loglikelihood
Cox & SnellR Square
NagelkerkeR Square
Estimation terminated at iteration number 6 becauseparameter estimates changed by less than ,001.
a.
Hosmer and Lemeshow Test
13,808 8 ,087Step1
Chi-square df Sig.
Contingency Table for Hosmer and Lemeshow Test
9 10,880 4 2,120 13
10 10,172 3 2,828 13
10 9,695 3 3,305 13
12 8,966 1 4,034 13
7 8,773 6 4,227 13
8 8,667 5 4,333 13
12 8,199 1 4,801 13
6 7,270 7 5,730 13
4 6,296 9 6,704 13
5 4,082 8 8,918 13
1
2
3
4
5
6
7
8
9
10
Step1
Observed Expected
RATING = ,00
Observed Expected
RATING = 1,00
Total
33
Step number: 1 Observed Groups and Predicted Probabilities 32 F 1 R 24 1 E 1 Q 1 U 1 E 16 0 N 0 C 0 Y 1 00 1 8 101 00 1 000 00101 11 10001 00000 01 1 10 010 0 0 0000000000000001101000 0001 1 1 1 1 Predicted Prob: 0 ,25 ,5 ,75 1 Group: 000000000000000000000000000000111111111111111111111111111111
Classification Tablea
74 9 89,2
30 17 36,2
70,0
Observed,00
1,00
RATING
Overall Percentage
Step 1,00 1,00
RATING PercentageCorrect
Predicted
The cut value is ,500a.
Variables in the Equation
-,628 ,706 ,791 1 ,037 1,874
-,056 ,713 ,006 1 ,024 1,057
,227 ,472 ,082 1 ,040 1,423
-,618 ,026 1,949 1 ,016 1,002
,391 ,099 ,009 1 ,023 1,039
,237 ,129 ,050 1 ,082 1,046
,558 ,009 ,253 1 ,153 1,086
,210 ,882 ,340 1 ,006 1,018
,095 ,310 1,583 1 ,084 1,064
-,795 ,428 3,447 1 ,063 ,452
-,537 ,750 ,512 1 ,474 ,584
Large_TB
Small_TB
ASSETS
DEBT
BETA
INCOME
CASHFLOW
TACC
PPE
DUM_YEAR
Constant
Step1
a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: Large_TB, Small_TB, ASSETS, DEBT, BETA, INCOME,CASHFLOW, TACC, PPE, DUM_YEAR.
a.
34
Predicted Probability is of Membership for 1,00 The Cut Value is ,50 Symbols: 0 - ,00 1 - 1,00 Each Symbol Represents 2 Cases.
Descriptives
Descriptive Statistics
135 ,00 1,00 ,6667 ,47316
135 ,00 1,00 -,3185 ,46764
135 858,00 1234568794 44502835.489 124409890.3
135 153,00 411725990,00 33899168.822 65536004.32
135 99,00 265727954,00 23508471.304 46923260.42
135 21,00 18337123,00 333411,1615 1700622.487
135 674,00 355447901,00 32626249.941 62094285.75
135 -337110778 25513,00 -31460416.74 59960338.96
135 3,00 44965282,00 1176005,0000 5702486.880
135 ,00 1,00 ,7407 ,43986
135 ,00 1,00 ,6370 ,48265
135 ,00 1,00 ,3630 ,48265
135
LPOSDefTax
LNEGDefTax
ASSETS
DEBT
BETA
INCOME
CASHFLOW
TACC
PPE
DUM_YEAR Large_TB
Small_TB
Valid N (listwise)
N Minimum Maximum Mean Std. Deviation