Você está na página 1de 6

Analisis regresi: model data panel

Materi ini memfokuskan pada analisis regresi yang mengkombinasikan data time
series dengan data cross section, yang dikenal dengan data panel. Materi ini diawali
dengan deskripsi mengenai data panel. Selanjutnya membahas jenis-jenis model data
panel, diikuti dengan penentuan model terbaik serta asumsi klasik yang berkaitan
dengan regresi data panel. Terakhir, cara regresi data panel yang didampingi aplikasiaplikasi untuk memudahkan dalam meregresi data panel.
..
APA YANG DIMAKSUD DATA PANEL ?
Data panel adalah kombinasi antara data silang tempat (cross section) dengan data
runtut waktu (time series) (Kuncoro, 2011). Widarjono (2009) menyatakan terdapat
beberapa metode yang biasa digunakan dalam mengestimasi model regresi dengan data
panel, yaitu pooling least square(Common Effect), pendekatan efek tetap (Fixed Effect),
pendekatan efek random (Random Effect).

Pooled Least Square (Common Effect)


Model common effect menggabungkan data cross section dengan time series dan
menggunakan metode OLS untuk mengestimasi model data panel tersebut (Widarjono,
2009). Model ini merupakan model paling sederhana dibandingkan dengan kedua model
lainnya. Model ini tidak dapat membedakan varians antara silang tempat dan titik waktu
karena memiliki intercept yang tetap, dan bukan bervariasi secara random (Kuncoro,
2012). Persamaan untuk model Common Effectmenurut Gujarati (2012) adalah sebagai
berikut :
dimana i menunjukkan subjek (cross section) dan t menunjukkan periode waktu. Model
ini mengasumsikan bahwa perilaku data antar perusahaan bank sama dalam berbagai
kurun waktu (Widarjono, 2009).

Pendekatan Efek Tetap (Fixed Effect)


Pengertian model fixed effect adalah model dengan intercept berbeda-beda untuk setiap
subjek (cross section), tetapi slope setiap subjek tidak berubah seiring waktu (Gujarati,
2012). Model ini mengasumsikan bahwa intercept adalah berbeda setiap subjek
sedangkan slope tetap sama antar subjek. Dalam membedakan satu subjek dengan
subjek lainnya digunakan variabel dummy(Kuncoro, 2012). Model ini sering disebut
dengan model Least Square Dummy Variables (LSDV). Berdasarkan Gujarati (2012)
persamaan model ini adalah sebagai berikut :
Dimana variabel dummy d1t untuk subjek pertama dan 0 jika bukan, d2t untuk subjek
kedua dan 0 jika bukan, dan seterusnya. Jika dalam sebuah penelitian menggunakan
10 cross section, maka jumlah variabel dummy yang digunakan sebanyak 9 variabel
untuk menghindari perangkap variabel dummy, yaitu kondisi dimana terjadi kolinearitas
sempurna (Gujarati, 2012). Intercept b0adalah nilai intercept subjek kesatu dan koefisien

b6 , b7 , b8 menandakan besar perbedaan antaraintercept subjek lain terhadapsubjek


kesatu.

Pendekatan Efek Random (Random Effect)


Random effect disebabkan variasi dalam nilai dan arah hubungan antar subjek
diasumsikan randomyang dispesifikasikan dalam bentuk residual (Kuncoro, 2012). Model
ini mengestimasi data panel yang variabel residual diduga memiliki hubungan antar
waktu dan antar subjek. Menurut Widarjono (2009) model random effect digunakan
untuk mengatasi kelemahan model fixed effectyang menggunakan variabel dummy.
Metode analisis data panel dengan model random effect harus memenuhi persyaratan
yaitu jumlah cross section harus lebih besar daripada jumlah variabel penelitian.
Persamaan model random effect menurut Gujarati (2012) adalah sebagai berikut :
Dimana wit terdiri dari dua komponen yaitu ei (residual cross section) dan m (residual
gabungantime series dan cross section). Model ini disebut juga Error Components
Model (ECM) karena residual terdiri atas 2 komponen.

BAGAIMANA MENENTUKAN MODEL TERBAIK ?


Penentuan model terbaik antara common effect, fixed effect, dan random
effect menggunakan dua teknik estimasi model. Dua teknik ini digunakan dalam regresi
data panel untuk memperoleh model yang tepat dalam mengestimasi regresi data panel.
Dua uji yang digunakan, pertama Chowtest digunakan untuk memilih antara
model common effect atau fixed effect. Kedua, Hausman testdigunakan untuk memilih
antara model fixed effect atau random effect yang terbaik dalam mengestimasi regresi
data panel.

1.

Chow Test

Chow test merupakan uji untuk membandingkan model common effect dengan fixed
effect(Widarjono, 2009). Chow test dalam penelitian ini menggunakan program Eviews.
Hipotesis yang dibentuk dalam Chow test adalah sebagai berikut :
H0 : Model Common Effect
H1 : Model Fixed Effect
H0 ditolak jika P-value lebih kecil dari nilai a. Sebaliknya, H0 diterima jika P-value lebih
besar dari nilai a. Nilai a yang digunakan sebesar 5%.
2.

Hausman Test

Pengujian ini membandingkan model fixed effect dengan random effect dalam
menentukan model yang terbaik untuk digunakan sebagai model regresi data panel
(Gujarati, 2012). Hausman testmenggunakan program yang serupa dengan
Chow test yaitu program Eviews. . Hipotesis yang dibentuk dalam Hausman test adalah
sebagai berikut :
H0 : Model Random Effect
H1 : Model Fixed Effect
H0 ditolak jika P-value lebih kecil dari nilai a. Sebaliknya, H0 diterima jika P-value lebih
besar dari nilai a. Nilai a yang digunakan sebesar 5%.

ADAKAH ASUMSI KLASIK DALAM DATA PANEL ?


Data panel adalah regresi yang menggabungkan data time series dan data cross
section (Widarjono, 2009). Ada beberapa keuntungan yang diperoleh dengan
menggunakan estimasi data panel. Pertama, meningkatkan jumlah obeservasi (sampel),
dan kedua, memperoleh variasi antar unit yang berbeda menurut ruang dan variasi
menurut waktu (Kuncoro, 2012). Menurut Gujarati (2012) data panel sedikit terjadi
kolinearitas antar variabel sehingga sangat kecil kemungkinan terjadi multikolinearitas.
Berdasarkan uraian tersebut asumsi klasik yang digunakan dalam penelitian adalah uji
autokorelasi dan uji heterokedastisitas.
1.

Uji Autokorelasi

Autokorelasi muncul karena residual yang tidak bebas antar satu observasi ke observasi
lainnya (Kuncoro, 2011). Hal ini disebabkan karena error pada individu cenderung
mempengaruhi individu yang sama pada periode berikutnya. Masalah autokorelasi sering
terjadi pada data time series(runtut waktu). Deteksi autokorelasi pada data panel dapat
melalui uji Durbin-Watson. Nilai uji Durbin-Watson dibandingkan dengan nilai tabel
Durbin-Watson untuk mengetahui keberadaan korelasi positif atau negatif (Gujarati,
2012). Keputusan mengenai keberadaan autokorelasi sebagi berikut :
1.

Jika d < dl, berarti terdapat autokorelasi positif

2.

Jika d > (4 dl), berarti terdapat autokorelasi negatif

3.

Jika du < d < (4 dl), berarti tidak terdapat autokorelasi

4.

Jika dl < d < du atau (4 du), berarti tidak dapat disimpulkan

5.

Uji Heterokedastisitas

Heterokedastisitas timbul apabila nilai residual dari model tidak memiliki varians yang
konstan. Artinya, setiap observasi mempunyai reliabilitas yang berbeda-beda akibat
perubahan kondisi yang melatarbelakangi tidak terangkum dalam model (Kuncoro,
2011). Gejala ini sering terjadi pada data cross section (Gujarati, 2012), sehingga sangat
dimungkinkan terjadi heterokedastisitas pada data panel.
Implikasi terjadi autokorelasi dan heterokedastisitas pada data panel dapat diperbaiki
dengan model Cross-section SUR. Apabila model data panel mengalami
heterokedastisitas tanpa autokorelasi dapat diatasi dengan model Cross-section Weight
BAGAIMANA CARA REGRESI DATA PANEL ?
Regresi data panel dalam penjelasan ini menggunakan software Eviews. Langkah
pertama yaitu menginput data dan estimasi model. Selanjutnya menentukan model
terbaik, kemudian model tersebut diuji berdasarkan asumsi klasik. Model yang sempurna
merupakan model yang bebas oleh asumsi klasik. Tahap terakhir dalam regresi data
panel sama dengan regresi pada umumnya yaitu pengujian hipotesis.

APLIKASI 1 : Input Data dan Estimasi Model


1.

File > Workfile > isikan sesuai dengan jenis data

Workfile structure type : Balanced Panel

Frequency : sesuaikan dengan bentuk periode penelitian, ex. Annual (tahunan), semiannual (semesteran), quartely (3 bulanan), monthly (bulanan), dll
Start date : tahun awal peneltian, ex. 2010
End date : tahun akhir penelitian, ex. 2013
Setelah terisi > klik Ok
2.

Selanjutnya, klik kanan > New Object > Poll > Name for object (beri nama sesuai
keinginan) > Klik Ok

3.

Isikan dengan cross section

Example : _BBCA ( setiap cross section diberi _ ) kemudian klik enter masukkan kembali
cross section _BBRI begitu seterusnya
Setelah terisi > klik sheet
4.

Isikan dengan variabel penelitian

Example : LDR? CAR? SIZE? KAP? BOPO? PDN? (setiap variabel diberi tanda ? )
Setelah terisi > klik OK
5.

Copy paste data peneltian dari excel (sebelum copy paste, klik edit +/- terlebih
dahulu)

6.

Klik estimate

Dependent variable : isikan dengan variabel dependen (ex. LDR?)


Common Coefficients : isikan variabel independen (ex. CAR? SIZE? KAP? BOPO? PDN?)
Cross section : None (model polled least square / PLS)
Cross section : Fixed (model fixed effect / FEM )
Cross section : Random (model random effect / REM )
7.

Klik OK

APLIKASI 2 : Menentukan Model Terbaik


1.

Uji Chow : Pooled Least Square vs Fixed Effect

Langka-langkah :

Bentuk model fixed effect ( Cross section : Fixed ) > klik Ok

Klik view > Fixed/Random Effects Testing > Redundant Fixed Effects Likelihood

2.

Ratio
Jika Cross-section F kurang dari 5% artinya menolak H0 (model terbaik FEM)
Uji Hausman : Fixed Effect vs Random Effect

Langkah-langkah :

Bentuk model random effect ( Cross section : Random ) > klik Ok

Klik view > Fixed/Random Effects Testing > Correlated Random Effects Hausman

Testing
Jika cross section random kurang dari 5% artinya menolak H0 (model terbaik FEM)

APLIKASI 3 : Menguji Asumsi Klasik


1.
2.

Uji Autokorelasi, menggunakan Durbin-Watson


Uji Heterokedastisitas, diasumsikan setiap data panel cenderung mengandung
heterokedastisitas karena terdiri dari banyak cross section.

APLIKASI 4 : Perbaikan Asumsi Klasik


Pada model fixed effect, implikasi terjadi autokorelasi dan heterokedastisitas pada data
panel dapat diperbaiki dengan berbagai macam cara, yaitu dengan merubah kebentuk
model cross-section weights atau cross-section SUR.
1.

Cross-section Weight : jika hanya terjadi heterokedastisitas

Langkah-langkah :

Klik estimate

.weight > cross-section weights > klik Ok

2.

Cross-section SUR : jika terjadi autokorelasi dan heterokedastisitas

Langkah-langkah :

Klik estimate

Weight > cross-section SUR > klik OK

APLIKASI 5 : Pengujian Hipotesis


Pengujian hipotesis dalam penelitian ini dapat diukur dari goodness of fit fungsi
regresinya, Secara statistik, analisa ini dapat dapat diukur dari nilai statistik t, nilai
statistik F, dan koefisien determinasi (Kuncoro, 2011). Analisa regresi ini bertujuan untuk
mengetahui secara parsial maupun simultan pengaruh variabel independen terhadap
variabel dependen serta untuk mengetahui proporsi variabel independen dalam
menjelaskan perubahan variabel dependen.
1.

Uji tstatistic

Uji t-statistic dilakukan untuk mengetahui pengaruh signifikansi setiap variabel


independen terhadap variabel dependen. Menurut Kuncoro (2011) rumus yang digunakan
adalah sebagai berikut :
Dimana S merupakan standar deviasi yang dihitung melalui akar varians. Hipotesis
dalam pengujian t-statistic adalah :
H0 : secara parsial tidak berpengaruh signifikan terhadap variabel dependen
H1 : secara parsial berpengaruh signifikan terhadap variabel dependen
Jika probabilitas nilai thitung > 0,05 maka H0 diterima atau menolak H1, sebaliknya jika
probabilitas nilai thitung < 0,05 maka H0 ditolak atau menerima H1. Tingkat signifikansi yang

digunakan dalam pengujian ini sebesar 5%. Pengujian t-statistic juga dapat dilakukan
dengan membandingkan nilai statistik t dengan titik kritis menurut tabel (Widarjono,
2009).
2.

Uji F-statistic

Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen dalam
model mempunyai pengaruh secara bersama-sama terhadap variabel dependen
(Kuncoro, 2011). Pengujian ini dilakukan untuk melihat pengaruh secara simultan
variabel independen terhadap variabel dependen. Pengujian ini dilakukan dengan derajat
kepercayaan sebesar 5% dengan menggunakan rumus sebagai berikut (Kuncoro, 2011) :
Dimana :
SSR : sum of squares due to regression
SSE : sum of squares error
n : jumlah observasi
k : jumlah parameter (termasuk intercept ) dalam model
Pengujian ini dilakukan dengan dua cara. Pertama, jika probabilitas nilai F statistik > 0,05
maka H0diterima atau menolak H1, sebaliknya jika probabilitas nilai Fstatistik < 0,05 maka
H0 ditolak atau menerima H1. Kedua, membandingkan nilai F-statistic dengan nilai F
menurut tabel, jika Fstatistik > F tabel maka H0 ditolak atau menerima H1. H0 ditolak artinya
semua variabel independen secara simultan mempengaruhi variabel independen.
3.

Uji Koefisien Determinasi

Uji koefisien determinasi (R2) digunakan untuk menjelaskan seberapa besar proporsi
variasi variabel dependen dapat dijelaskan oleh variabel independen (Widarjono, 2009).
Pengujian ini pada intinya mengukur seberapa jauh variabel independen menerangkan
variasi varabel dependen. Menurut Kuncoro (2011) nilai koefisien determinasi (R 2)
berkisar diantara nol dan satu (0 < R2 < 1). Nilai R2 yang kecil atau mendekati nol artinya
kemampuan variabel independen dalam menjelaskan variabel dependen sangat
terbatas. Nilai R2 yang besar atau mendekati satu artinya variabel independen mampu
memberikan hampir semua informasi yang dibutuhkan dalam menjelaskan perubahan
variabel dependen.