Korelasi dan regresi linear berganda adalah dua konsep statistik yang terkait, tetapi memiliki tujuan yang berbeda. Korelasi mengukur kekuatan dan arah hubungan antara dua atau lebih variabel, sedangkan regresi linear berganda digunakan untuk memprediksi nilai variabel dependen berdasarkan nilai variabel independen yang sudah diketahui. Korelasi menunjukkan apakah ada hubungan, sedangkan regresi menjelaskan bagaimana hubungan tersebut dapat digunakan untuk memprediksi. Analisis regresi digunakan untuk mengukur seberapa besar pengaruh antara variabel bebas dan variabel terikat. Apabila hanya terdapat satu variabel bebas dan satu variabel terikat, maka regresi tersebut dinamakan regresi linear sederhana (Juliandi, Irfan, & Manurung, 2014). Sebaliknya, apabila terdapat lebih dari satu variabel bebas atau variabel terikat, maka disebut regresi linear berganda. Regresi linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel independen. Analisis regresi linear berganda dilakukan untuk mengetahui arah dan seberapa besar pengaruh variabel independen terhadap variabel dependen (Ghozali, 2018).

Dalam contoh penelitian ini uji regresi linear berganda dilakukan untuk mendapatkan gambaran bagaimana variabel independen yang meliputi CSR, likuiditas, capital intensity, dan inventory intensity mempengaruhi variabel dependen yaitu agresivitas pajak dengan tingkat signifikansi sebesar 0,05 (Ghozali, 2018). Hasil dalam pengujian regresi linear berganda dalam table 1 sebagai berikut.

Tabel 1 : Hasil Uji Regresi Linear Berganda

Sumber: Hasil Pengolahan Data SPSS 25

Berdasarkan tabel 1, dapat diuraikan persamaan regresi berganda yaitu sebagai berikut:

Y = ╬▒ + ╬▓1X1 + ╬▓2X2 + ╬▓3X3 + ╬▓4X4 +  e

Y = (0,220) ΓÇô 0,038X1 ΓÇô 0,004X2 + 0,070X3 + 0,097X4 + e

Dari persamaan regresi linear berganda di atas, dapat dijelaskan sebagai berikut:

1. Nilai konstanta (a) memiliki nilai positif sebesar 0,220. Tanda positif artinya menunjukkan pengaruh yang searah antara variabel independen dan variabel dependen. Hal ini menunjukkan bahwa jika semua variabel independen yang meliputi CSR (X1), likuiditas (X2), capital intensity (X3), dan inventory intensity (X4) bernilai 0 persen atau tidak mengalami perubahan, maka nilai agresivitas pajak adalah 0,220.
2. Nilai koefisien regresi untuk variabel CSR (X1) yaitu sebesar -0,038. Nilai tersebut menunjukkan pengaruh negatif (berlawanan arah) antara variabel CSR dan agresivitas pajak. Hal ini artinya jika variabel CSR mengalami kenaikan sebesar 1%, maka sebaliknya variabel agresivitas pajak akan mengalami penurunan sebesar 0,038. Dengan asumsi bahwa variabel lainnya tetap konstan.
3. Nilai koefisien regresi untuk variabel likuiditas (X2) yaitu sebesar -0,004. Nilai tersebut menunjukkan pengaruh negatif (berlawanan arah) antara variabel likuiditas dan agresivitas pajak. Hal ini artinya jika variabel likuiditas mengalami kenaikan 1%, maka sebaliknya variabel agresivitas pajak akan mengalami penurunan sebesar 0,004. Dengan asumsi bahwa variabel lainnya dianggap konstan.
4. Nilai koefisien regresi untuk variabel capital intensity (X3) memiliki nilai positif sebesar 0,070. Hal ini menunjukkan jika capital intensity mengalami kenaikan 1%, maka agresivitas pajak akan naik sebesar 0,070 dengan asumsi variabel independen lainnya dianggap konstan. Tanda positif artinya menunjukkan pengaruh yang searah antara variabel independen dan variabel dependen.
5. Nilai koefisien regresi untuk variabel inventory intensity (X4) memiliki nilai positif sebesar 0,097. Hal ini menunjukkan jika inventory intensity mengalami kenaikan 1%, maka agresivitas pajak akan naik sebesar 0,097 dengan asumsi variabel independen lainnya dianggap konstan. Tanda positif artinya menunjukkan pengaruh yang searah antara variabel independen dan variabel dependen.

Referensi:

• Ghozali, Imam. 2018. Aplikasi Analisis Multivariate dengan Program IBM SPSS 25. Badan Penerbit Universitas Diponegoro: Semarang.

The Nature and Scope of Managerial Economic (Sifat dan Ruang Lingkup Ekonomi Manajerial). Demand Estimation:
Marketing Research Approaches.