NI it (dalam jutaan rupiah)

Σχετικά έγγραφα
ΔPersediaan = Persediaan t+1 - Persediaan t

Lampiran 1 Output SPSS MODEL I

LAMPIRAN. Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan. 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk.

CHAPTER V CONCLUSIONS

Lampiran 1. Sampel dan Populasi

ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

CHAPTER V CONCLUSION AND LIMITATION. manipulation for future performance in Indonesian listed manufacturing

Μάθηµα εύτερο-τρίτο- Βασικά Ζητήµατα στο Απλό Γραµµικό Υπόδειγµα Ακαδηµαϊκό Έτος

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 7. Παλινδρόµηση

PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI

+ ε βελτιώνει ουσιαστικά το προηγούμενο (β 3 = 0;) 2. Εξετάστε ποιο από τα παρακάτω τρία μοντέλα:

DAFTAR PERUSAHAAN SAMPEL TAHUN 2011

Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:

ΠΡΟΒΛΗΜΑ ΑΥΤΟΣΥΣΧΕΤΙΣΤΩΝ ΣΦΑΛΜΑΤΩΝ

ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

Η βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων. Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή

Α. Μπατσίδης Πρόχειρες βοηθητικές διδακτικές σημειώσεις

Απλή Ευθύγραµµη Συµµεταβολή

Λυμένες Ασκήσεις για το μάθημα:

ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ. Παιεάο Δπζηξάηηνο

1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά

Πρακτικές Θετικής Οργανωσιακής Αλλαγής και οι στάσεις των εργαζομένων απέναντι στην αλλαγή

Μοντέλα Πολλαπλής Παλινδρόμησης

Προϋποθέσεις : ! Και οι δύο µεταβλητές να κατανέµονται κανονικά και να έχουν επιλεγεί τυχαία.

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ

ΚΕΦΑΛΑΙΟ 11 ο. Minerals (select) Εισαγωγή στη Χρήση του SPSS for Windows Σελίδα: Human Apple Mango Orange Water-

ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. ΜΑΘΗΜΑ 11 Συµπερασµατολογία για την επίδραση πολλών µεταβλητών σε µια ποσοτική (Πολλαπλή Παλινδρόµηση)

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ

519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008

Allied signal) (Jack Welch) % ػبذ الرحوي السؼذ هجلت ػالن السؼىد ت ق اش األداء الوؤسس و ه هج ت األداء الوتىازى ص 63

KRITERIA PENGAMBILAN SAMPEL PENELITIAN

Εισαγωγή στην Ανάλυση Διακύμανσης

Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού

Άσκηση 2. i β. 1 ου έτους (Υ i )

ΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ SPSS

ΕΡΕΥΝΑ ΑΓΟΡΑΣ ΣΕ ΞΕΝΟΔΟΧΕΙΑ ΤΗΣ ΚΡΗΤΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΠΌ ΣΑΛΟΥΣΤΡΟΥ ΑΝΤΙΓΟΝΗ ΣΥΓΛΕΤΟΥ ΕΛΕΝΗ

Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata

Το στατιστικό κριτήριο που μας επιτρέπει να. μιας ή πολλών άλλων γνωστών μεταβλητών. Η σχέση ανάμεσα στις μεταβλητές που μελετώνται

Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων

Εισαγωγή στη Χρήση του SPSS for Windows Σελίδα:

Statistics 104: Quantitative Methods for Economics Formula and Theorem Review

Standardized Coefficients t Sig.

ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ,

Άσκηση 1. Πληθυσμός (Χ i1 )

Περιγραφή των εργαλείων ρουτινών του στατιστικού

ΠΑΝΕΠΙΣΤΗΜΙΟ+ΠΑΤΡΩΝ+ Τμήμα+Διοίκησης+Επιχειρήσεων+

ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 2342 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: Οικονομετρικά. Εργαστήριο 15/05/11

Άσκηση 10, σελ Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F

$ι ιι η ι ι!η ηι ι ANOVA. To ANOVA ι ι ι η η η ιη (Analysis of Variance). * ι! ι ι ι ι ι η ιη. ;, ι ι ι! η ιι ηιη ι ι!η ι η η ιη ι ι η ι η.

ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. ΜΑΘΗΜΑ 12 Συµπερασµατολογία για την επίδραση πολλών µεταβλητών σε µια ποσοτική (Πολλαπλή Παλινδρόµηση) [µέρος 2ο]

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ

ΚΕΦΑΛΑΙΟ 3 o ΜΕΘΟ ΟΙ ΜΕΛΕΤΗΣ ΤΗΣ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΕΦΑΡΜΟΓΕΣ ΚΛΑΣΣΙΚΩΝ ΣΤΑΤΙΣΤΙΚΩΝ ΑΝΑΛΥΣΕΩΝ

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

Μεθοδολογία έρευνας και συγγραφής διπλωματικών εργασιών ΔΡ. ΟΔΥΣΣΕΑΣ ΠΑΥΛΑΤΟΣ ΑΠΡΙΛΙΟΣ 2016

ΜΑΘΗΜΑ 3ο. Υποδείγματα μιας εξίσωσης

Queensland University of Technology Transport Data Analysis and Modeling Methodologies

ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ

Περιεχόμενα. Πρόλογος... v

Στατιστική Ανάλυση Δεδομένων ΙII. Γραμμική Παλινδρόμηση με το S.P.S.S.

ΕΙ Η ΠΑΛΙΝ ΡΟΜΗΣΗΣ. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΛΙΝ ΡΟΜΗΣΗ (Simple Linear Regression) ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ (Regression) ΠΑΛΙΝ ΡΟΜΗΣΗ.

Szabolcs Sofalvi, M.S., D-ABFT-FT Cleveland, Ohio

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 6. Συσχέτιση

Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.

Μελέτη Συμπεριφοράς Καταναλωτή στο Ηλεκτρονικό Εμπόριο: Η περίπτωση των Ιστοσελίδων Ηλεκτρονικών Κουπονιών

Στατιστική Επιχειρήσεων Ι

1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm

Ανάλυση S.W.O.T. Στον Κλάδο Τροφίμων: Εμπειρική Μελέτη των Παραγόντων Επιρροής Ανταγωνιστικού Πλεονεκτήματος

Ύλη 1 ης Εβδομάδας. Σχέσεις Μεταβλητών ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ. Σχέση μεταξύ Μεταβλητών Παραδείγματα. 2 η Διάλεξη

ΜΑΘΗΜΑ 4 ο. Μοναδιαία ρίζα

Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων

/

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α. Δ.Π.Θ.

Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S.

Table 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed

Εισαγωγή στη Βιοστατιστική

τατιςτική ςτην Εκπαίδευςη II

ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ 2 (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., 04-05) (Επιµέλεια: Ελευθεράκη Αναστασία)

أ يعفى ع ا وأ يذخه ا ج ته وأ يرزق ا اإلخالص في انقىل وانع م..

Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ

Ερωτήσεις κατανόησης στην Οικονομετρία (Με έντονα μαύρα γράμματα είναι οι σωστές απαντήσεις)

τατιστική στην Εκπαίδευση II

Εισαγωγή στη Στατιστική Επεξεργασία Δεδομένων με το SPSS for Windows

Biostatistics for Health Sciences Review Sheet

Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL


ΣΕΜΙΝΑΡΙΟ ΧΩΡΟΣ ΚΑΙ ΠΟΣΟΤΙΚΕΣ ΑΝΑΛΥΣΕΙΣ ΜΕΘΟΔΟΙ ΚΑΙ ΤΕΧΝΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ. Εισηγητής: Πανταζής Παναγιώτης

Δείγμα (μεγάλο) από οποιαδήποτε κατανομή

Εισαγωγή στη Βιοστατιστική

SECTION II: PROBABILITY MODELS

IR Futures Effective Asset Class ก Efficient Frontier

"ΤΑ SOCIAL MEDIA ΚΑΙ Η ΑΠΟΤΕΛΕΣΜΑΤΙΚΟΤΗΤΑ ΤΩΝ ΔΡΑΣΕΩΝ ΕΚΕ ΕΛΛΗΝΙΚΩΝ ΤΗΛΕΟΠΤΙΚΩΝ ΔΙΚΤΥΩΝ"

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 4 : Αριθμητικές Μέθοδοι Περιγραφικής Στατιστικής

ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα


Προβλέψεις ισοτιμιών στο EViews

Wan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1

Transcript:

NI it (dalam jutaan rupiah) No Kode Emiten 2009 2010 1 AISA 34.763 75.235 2 ARNA 63.888 79.039 3 ASII 10.040 14.366 4 AUTO 768.265 1.141.179 5 BATA 52.980 60.975 6 BRNA 20.260 34.760 7 BTON 9.388 8.393 8 BUDI 146.415 46.130 9 CEKA 49.493 29.562 10 CTBN 14 18 11 FASW 276.728 283.001 12 GDYR 11 7 13 IKBI 28.716 4.600 14 INTP 2.746.654 3.224.941 15 JPRS 1.917 28.445 16 KAEF 62.506 138.716 17 KBLM 1.695 3.921 18 KIAS 27.328 14.572 19 KLBF 929.003 1.286.330 20 LION 33.613 38.631 21 LMSH 2.400 7.350 22 LPIN 10.210 14.122 23 MASA 174.860 176.082 24 MERK 146.700 118.792 25 MLBI 340.458 442.916 26 MRAT 21.016 24.418 27 MYOR 372.157 484.086 28 NIPS 3.685 12.662 29 PSDN 32.449 12.919 30 SMGR 3.326 3.633 31 SMSM 132.850 150.420 32 SRSN 25.380 9.830 33 STTP 41.072 42.630 34 TCID 124.611 131.445 35 TOTO 182.820 193.797 36 TRST 143.882 136.727 37 TSPC 359.964 488.889

CFO it (dalam jutaan rupiah) 1 AISA 57.669 18.659 2 ARNA 87.985 115.491 3 ASII 11.335 2.907 4 AUTO 578 374 5 BATA 80 106 6 BRNA 27.083 60.380 7 BTON 21.402 10.821 8 BUDI 296 157 9 CEKA 104.682-206.699 10 CTBN 25 19 11 FASW 863.140 1.164.935 12 GDYR 37 19 13 IKBI 112.743-36.294 14 INTP 3.184.421 3.376.092 15 JPRS -9.626 48.826 16 KAEF 80.854 139.119 17 KBLM 8.175 5.654 18 KIAS -39.887 36.856 19 KLBF 1.363.583 1.253.907 20 LION 50.456 32.525 21 LMSH 4.064 9.647 22 LPIN 3.868 18.375 23 MASA 180.729 504.280 24 MERK 81.263 159.583 25 MLBI 526.980 320.056 26 MRAT 2.437 4.613 27 MYOR 446.429 238.253 28 NIPS 843 25.105 29 PSDN -44.342-4.564 30 SMGR 4.246 3.359 31 SMSM 268.070 151.302 32 SRSN -26 7 33 STTP 99.952-13.517 34 TCID 188.221 157.211 35 TOTO 227.527 156.057 36 TRST 315.372 135.166 37 TSPC 476.589 578.089

ΔREV it (dalam jutaan rupiah) 1 AISA 44.023 172.026 2 ARNA 66.937 116.121 3 ASII 1.462.000 31.465.000 4 AUTO -12.417-4.610.689 5 BATA 58.704 45.723 6 BRNA 57.208 31.186 7 BTON -3.928-5.192 8 BUDI 230.145 342.249 9 CEKA -769.094-476.339 10 CTBN -42.046.323-135.199.403 11 FASW -293.712 652.673 12 GDYR 48.300 445.782 13 IKBI -783.214 364.189 14 INTP 795.958 561.349 15 JPRS -429.835 124.925 16 KAEF 149.329 329.772 17 KBLM -238.367 241.288 18 KIAS -55.618 222.352 19 KLBF 1.209.981 1.139.442 20 LION -32.100 10.325 21 LMSH -38.506 36.201 22 LPIN -1.161 1.431 23 MASA 357.871 315.365 24 MERK 114.269 44.285 25 MLBI 290.602 173.901 26 MRAT 37.771 23.791 27 MYOR 869.501 2.446.990 28 NIPS -200.528 120.966 29 PSDN -120.755 336.168 30 SMGR 2.178.003-43.661 31 SMSM 21.065 187.135 32 SRSN 38.624-9.673 33 STTP 2.714 135.498 34 TCID 148.949 78.214 35 TOTO -144.020 141.171 36 TRST -239.409 174.000 37 TSPC 864.142 636.311

ΔREC it (dalam jutaan rupiah) 1 AISA 62.148 17.018 2 ARNA 14.581 35.430 3 ASII 3.003.000 7.153.000 4 AUTO 149.699 102.329 5 BATA 320 5.690 6 BRNA 41.368-3.687 7 BTON 1.158-781 8 BUDI 42.185 79.408 9 CEKA -62.054 41.247 10 CTBN -2 12 11 FASW 123.815 54.841 12 GDYR -2 6 13 IKBI -109.793 102.241 14 INTP 447.701 23.352 15 JPRS -13.984-25.373 16 KAEF 42.924 56.765 17 KBLM -92.050 50.726 18 KIAS 57.419-34.821 19 KLBF 316.919 45.877 20 LION -428-2.008 21 LMSH 3.293 966 22 LPIN 22.257-10.857 23 MASA 20.674-12.197 24 MERK 87.539-87.919 25 MLBI -12.957 126.888 26 MRAT 23.014 11.741 27 MYOR 129.280 447.628 28 NIPS -32.072 27.965 29 PSDN 18.189 34.432 30 SMGR -79.124 324.468 31 SMSM 34.681 35.025 32 SRSN 5.101 1.173 33 STTP -11.876 51.132 34 TCID 34.283 14.980 35 TOTO 8.973 52.718 36 TRST -27.822 109.649 37 TSPC 91.207 72.403

PPE it (dalam jutaan rupiah) 1 AISA 935.821 953.274 2 ARNA 601.648 568.502 3 ASII 20.761 24.363 4 AUTO 696 985 5 BATA 155.768 167.843 6 BRNA 214.233 246.845 7 BTON 7.094 7.088 8 BUDI 1.054.875 1.117.614 9 CEKA 187.966 197.189 10 CTBN 56 66 11 FASW 2.550.452 3.077.945 12 GDYR 69.609.270 65 13 IKBI 112.525 112.376 14 INTP 7.773.278 7.702.769 15 JPRS 19.191 17.618 16 KAEF 402.062 413.196 17 KBLM 238.056 232.988 18 KIAS 783.274 762.797 19 KLBF 1.398.127 1.605.266 20 LION 19.613 18.208 21 LMSH 24.185 23.302 22 LPIN 711 1.666 23 MASA 1.692.561 2.134.310 24 MERK 4.334 9.440 25 MLBI 420.864 528.879 26 MRAT 64.861 68.343 27 MYOR 1.282.771 1.489.560 28 NIPS 142.205 155.548 29 PSDN 117.205 117.684 30 SMGR 4.014.143 7.662.560 31 SMSM 341.364 376.794 32 SRSN 100.334 92.167 33 STTP 325.884 319.075 34 TCID 399.856 396.755 35 TOTO 393.618 362.067 36 TRST 1.310.043 1.264.124 37 TSPC 715.003 760.788

TA it (dalam jutaan rupiah) 1 AISA -22.906 93.894 2 ARNA -24.097-36.452 3 ASII -1.295 11.459 4 AUTO 767.687 1.140.805 5 BATA 52.900 60.869 6 BRNA -6.823-25.620 7 BTON -12.014-2.428 8 BUDI 146.119 45.973 9 CEKA -55.189 236.261 10 CTBN -11-1 11 FASW -586.412-881.934 12 GDYR -26-12 13 IKBI -84.027 40.894 14 INTP -437.767-151.151 15 JPRS 11.543-20.381 16 KAEF -18.348-403 17 KBLM -6.480-1.733 18 KIAS 67.215-22.284 19 KLBF -434.580 32.423 20 LION -16.843 6.106 21 LMSH -1.664-2.297 22 LPIN 6.342-4.253 23 MASA -5.869-328.198 24 MERK 65.437-40.791 25 MLBI -186.522 122.860 26 MRAT 18.579 19.805 27 MYOR -74.272 245.833 28 NIPS 2.842-12.443 29 PSDN 76.791 17.483 30 SMGR -920 274 31 SMSM -135.220-882 32 SRSN 25.406 9.823 33 STTP -58.880 56.147 34 TCID -63.610-25.766 35 TOTO -44.707 37.740 36 TRST -171.490 1.561 37 TSPC -116.625-89.200

A it - 1 (dalam jutaan rupiah) No Kode Emiten 2008 2009 1 AISA 1.016.957 1.347.036 2 ARNA 736.091 822.686 3 ASII 80.740.000 88.938.000 4 AUTO 3.981.316 4.644.939 5 BATA 401.900 416.679 6 BRNA 432.191 507.226 7 BTON 70.508 69.783 8 BUDI 1.698.750 1.598.824 9 CEKA 605.545 568.362 10 CTBN 190 198 11 FASW 3.718.547 3.671.234 12 GDYR 1.022.329 1.127.629 13 IKBI 636.408 561.948 14 INTP 11.286.707 13.276.516 15 JPRS 399.343 353.951 16 KAEF 1.445.051 1.562.624 17 KBLM 459.110 354.780 18 KIAS 830.751 1.320.515 19 KLBF 5.703.832 6.482.446 20 LION 257.141 271.366 21 LMSH 61.988 72.831 22 LPIN 182.393 137.909 23 MASA 2.379.024 2.536.045 24 MERK 375.064 433.970 25 MLBI 941.389 993.465 26 MRAT 354.780 365.635 27 MYOR 2.992.998 3.246.498 28 NIPS 325.008 314.477 29 PSDN 286.965 353.628 30 SMGR 10.602.963 12.951.308 31 SMSM 929.753 941.651 32 SRSN 392.937 413.776 33 STTP 626.749 548.720 34 TCID 910.789 994.620 35 TOTO 1.031.130 1.010.892 36 TRST 2.158.865 1.921.660 37 TSPC 2.967.057 3.263.103

TA it /A it 1 1 AISA -0,02252 0,06970 2 ARNA -0,03274-0,04431 3 ASII -0,00002 0,00013 4 AUTO 0,19282 0,24560 5 BATA 0,13162 0,14608 6 BRNA -0,01579-0,05051 7 BTON -0,17039-0,03479 8 BUDI 0,08602 0,02875 9 CEKA -0,09114 0,41569 10 CTBN -0,05789-0,00505 11 FASW 0,07442 0,07709 12 GDYR -0,00003-0,00001 13 IKBI -0,13203 0,07277 14 INTP -0,03879-0,01138 15 JPRS 0,02890-0,05758 16 KAEF -0,01270-0,00026 17 KBLM -0,01411-0,00488 18 KIAS 0,08091-0,01688 19 KLBF -0,07619 0,00500 20 LION -0,06550 0,02250 21 LMSH -0,02684-0,03154 22 LPIN 0,03477-0,03084 23 MASA -0,00247-0,12941 24 MERK 0,17447-0,09399 25 MLBI -0,19813 0,12367 26 MRAT 0,05237 0,05417 27 MYOR -0,02482 0,07572 28 NIPS 0,00874-0,03957 29 PSDN 0,26760 0,04944 30 SMGR -0,00009 0,00002 31 SMSM -0,14544-0,00094 32 SRSN 0,06466 0,02374 33 STTP -0,09395 0,10232 34 TCID -0,06984-0,02591 35 TOTO -0,04336 0,03733 36 TRST -0,07944 0,00081 37 TSPC -0,03931-0,02734

NDA 1 AISA -0,00184-0,00142 2 ARNA -0,00163-0,00138 3 ASII 0,00000 0,00000 4 AUTO 0,00000 0,00000 5 BATA -0,00078-0,00081 6 BRNA -0,00099-0,00097 7 BTON -0,00020-0,00020 8 BUDI -0,00124-0,00140 9 CEKA -0,00062-0,00069 10 CTBN -0,00059-0,00067 11 FASW -0,00137-0,00168 12 GDYR -0,13618 0,00000 13 IKBI -0,00035-0,00040 14 INTP -0,00138-0,00116 15 JPRS -0,00010-0,00010 16 KAEF -0,00056-0,00053 17 KBLM -0,00104-0,00131 18 KIAS -0,00189-0,00116 19 KLBF -0,00049-0,00050 20 LION -0,00015-0,00013 21 LMSH -0,00078-0,00064 22 LPIN -0,00001-0,00002 23 MASA -0,00142-0,00168 24 MERK -0,00002-0,00004 25 MLBI -0,00089-0,00106 26 MRAT -0,00037-0,00037 27 MYOR -0,00086-0,00092 28 NIPS -0,00088-0,00099 29 PSDN -0,00082-0,00067 30 SMGR -0,00076-0,00118 31 SMSM -0,00073-0,00080 32 SRSN -0,00051-0,00045 33 STTP -0,00104-0,00116 34 TCID -0,00088-0,00080 35 TOTO -0,00076-0,00072 36 TRST -0,00121-0,00132 37 TSPC -0,00048-0,00047

DA 1 AISA -0,02068 0,07112 2 ARNA -0,03110-0,04293 3 ASII -0,00002 0,00013 4 AUTO 0,19282 0,24560 5 BATA 0,13240 0,14689 6 BRNA -0,01480-0,04954 7 BTON -0,17019-0,03459 8 BUDI 0,08726 0,03015 9 CEKA -0,09052 0,41638 10 CTBN -0,05731-0,00438 11 FASW 0,07579 0,07876 12 GDYR 0,13615-0,00001 13 IKBI -0,13168 0,07317 14 INTP -0,03741-0,01022 15 JPRS 0,02900-0,05748 16 KAEF -0,01214 0,00027 17 KBLM -0,01308-0,00357 18 KIAS 0,08279-0,01572 19 KLBF -0,07570 0,00550 20 LION -0,06535 0,02264 21 LMSH -0,02606-0,03090 22 LPIN 0,03478-0,03082 23 MASA -0,00104-0,12773 24 MERK 0,17449-0,09395 25 MLBI -0,19724 0,12473 26 MRAT 0,05273 0,05454 27 MYOR -0,02396 0,07664 28 NIPS 0,00962-0,03858 29 PSDN 0,26841 0,05010 30 SMGR 0,00067 0,00120 31 SMSM -0,14470-0,00014 32 SRSN 0,06517 0,02419 33 STTP -0,09291 0,10349 34 TCID -0,06896-0,02511 35 TOTO -0,04259 0,03805 36 TRST -0,07822 0,00213 37 TSPC -0,03882-0,02687

NO kode emiten BID ASK SPREAD 2009 2010 1 AISA -0,8172 0,82645 2 ARNA -2,2883 1,13636 3 ASII -2,4024 1,71429 4 AUTO 1,48148 5,5991 5 BATA 1,00825-6,9056 6 BRNA -17,512 5,88235 7 BTON 6,34921 0,93023 8 BUDI 1,49254-1,4706 9 CEKA -0,9029 5,71429 10 CTBN 1,5873 3,22581 11 FASW 0,89888 0,57143 12 GDYR 2,15054 2,45399 13 IKBI -14,623 10,4478 14 INTP -10,484 1,80723 15 JPRS 1,26582-15,385 16 KAEF 0,86957 1,64948 17 KBLM -5,4054 0,60241 18 KIAS 1,9656 7,23684 19 KLBF -3,1746 6,01504 20 LION 6,10687 16,7883 21 LMSH 6,49351 1,03093 22 LPIN 17,0391-0,5362 23 MASA 0,34247 3,0303 24 MERK -0,798 0,6554 25 MLBI 5,75916 0,09423 26 MRAT 7,05882 0,84746 27 MYOR -7,5697 0,93458 28 NIPS 9,56341 3,13901 29 PSDN 11,2426 3,22581 30 SMGR 0,39063 0,34783 31 SMSM 0,44248 0,6192 32 SRSN -9,5238 2,10526 33 STTP 0,44248-6,4516 34 TCID 1,23077 0,42553 35 TOTO 0,39063 74,2857 36 TRST -1,3582 1,6 37 TSPC 0,33389 1,19048

Indeks Item Pengungkapan 1 AISA 1,135135 1,081081 2 ARNA 1,243243 1,135135 3 ASII 1,459459 1,513514 4 AUTO 1,432432 1,486486 5 BATA 0,918919 0,810811 6 BRNA 1,135135 1,081081 7 BTON 1,000000 0,972973 8 BUDI 1,189189 1,216216 9 CEKA 0,972973 1,054054 10 CTBN 1,027027 1,081081 11 FASW 1,351351 1,432432 12 GDYR 0,891892 0,810811 13 IKBI 0,918919 0,864865 14 INTP 1,351351 1,405405 15 JPRS 1,378378 1,459459 16 KAEF 1,027027 1,135135 17 KBLM 0,945946 0,891892 18 KIAS 1,216216 1,324324 19 KLBF 1,081081 1,027027 20 LION 0,891892 0,837838 21 LMSH 0,864865 0,891892 22 LPIN 1,216216 1,135135 23 MASA 0,918919 0,918919 24 MERK 1,081081 1,000000 25 MLBI 0,891892 0,918919 26 MRAT 0,864865 0,891892 27 MYOR 1,000000 1,027027 28 NIPS 0,972973 1,081081 29 PSDN 0,837838 0,810811 30 SMGR 1,432432 1,486486 31 SMSM 1,135135 1,162162 32 SRSN 1,027027 1,027027 33 STTP 0,945946 0,972973 34 TCID 1,189189 1,135135 35 TOTO 0,864865 0,945946 36 TRST 0,891892 0,891892 37 TSPC 1,108108 1,027027

Variables Entered/Removed(b) Variables Model Entered 1 IP, SPREAD(a) Variables Removed a All requested variables entered. b Dependent Variable: DA. Enter Method Model Summary(b) Adjusted R Std. Error of Durbin- Model R R Square Square the Estimate Watson 1,158(a),025 -,003,09817053 2,059 a Predictors: (Constant), IP, SPREAD b Dependent Variable: DA ANOVA(b) Model Sum of Squares df Mean Square F Sig. 1 Regression,017 2,009,907,408(a) Residual,684 71,010 Total,702 73 a Predictors: (Constant), IP, SPREAD b Dependent Variable: DA Coefficients(a) Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics Std. B Std. Error Beta Tolerance VIF B Error 1 (Constant) -,044,066 -,674,503 SPREAD,001,001,140 1,179,242,974 1,027 IP,050,060,099,833,407,974 1,027 a Dependent Variable: DA Coefficient Correlations(a) Model IP SPREAD 1 Correlations IP 1,000,162 SPREAD,162 1,000 Covariances IP,004 1,089E-05

a Dependent Variable: DA SPREAD 1,089E-05 1,272E-06 Collinearity Diagnostics(a) Eigenvalue Condition Index Variance Proportions Model Dimension (Constant) SPREAD IP (Constant) SPREAD 1 1 2,041 1,000,01,02,01 2,944 1,470,00,94,00 3,015 11,541,99,03,99 a Dependent Variable: DA Residuals Statistics(a) Minimum Maximum Mean Std. Deviation N Predicted Value -,0180339,1015675,0119019,01547700 74 Residual -,2049742,4006524,0000000,09681639 74 Std. Predicted Value -1,934 5,793,000 1,000 74 Std. Residual -2,088 4,081,000,986 74 a Dependent Variable: DA

Scatterplot Dependent Variable: da 6 Regression Standardized Predicted Value 4 2 0-2 -2 0 Regression Studentized Residual 2 4 Histogram Dependent Variable: da 30 Frequency 20 10 0-4 -2 0 2 4 6 Mean =1.13E-17 Std. Dev. =0.986 N =74 Regression Standardized Residual

N o rm a l P -P P lo t o f R e g re s s io n S ta n d a rd iz e d R e s id u a l D e p e n d e n t V a ria b le : d a 1.0 E x p e c te d C u m P ro b 0.8 0.6 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 O b s e rv e d C u m P ro b