Escolar Documentos
Profissional Documentos
Cultura Documentos
Disusun oleh:
Nama
Kelas
: A2 Reguler
NIM
: 0401515045
menggunakan
kombinasi,
data
akan
memberikan
informasi,
panel
dapat
meminimumkan bias
data
time
series.
Selain
itu
penggunaan
data
yang
tidak
Sedangkan menurut Hsiao (1986), mencatat bahwa penggunaan panel data dalam
penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross
section maupun time series.
a. Dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan degree of
freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi
kolinieritas antara variabel penjelas, di mana dapat menghasilkan estimasi ekonometri
yang efisien.
b. Panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan
hanya oleh data cross section atau time series saja.
c. Panel data dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan
dinamis dibandingkan data cross section.
Data panel biasa disebut data longitudinal atau data runtun waktu silang (crosssectional time series), dimana banyak kasus (orang, perusahaan, Negara dan lain-lain) diamati
pada dua periode waktu atau lebih yang diindikasikan dengan penggunaan data time series.
Data panel dapat menjelaskan dua macam informasi yaitu: informasi cross-section
pada perbedaan antar subjek, dan informasi time series yang merefleksikan perubahan pada
subjek waktu. Ketika kedua informasi tersebut tersedia, maka analisis data panel dapat
digunakan.
Analisis data panel dapat diterapkan pada beberapa bidang keilmuan dan terapan
misalnya, pada ilmu ekonomi kita dapat mempelajari perilaku perusahaan dan system
penggajian karyawan pada beberapa periode waktu tertentu, dalam ilmu politik kita dapat
mempelajari perilaku parta dan organisasi pada beberapa jangka waktu tertentu, dan dalam
bidang pendidikan, peneliti dapat mempelajari kelas-kelas siswa dan lulusan pada beberapa
waktu.
Dengan pengamatan berulang terhadap data cross section yang cukup, analisis data
panel memungkinkan seseorang dalam mempelajari dinamika perubahan dengan dengan data
time series. Kombinasi data time series dan cross section dapat meningkatkan kualitas dan
kuantitas data dengan pendekatan yang tidak mungkin dilakukan dengan menggunakan hanya
salah satu dari data tersebut (Gujarati, 2003). Analisis data panel dapat mempelajari
sekelompok subjek jika kita ingin mempertimbangkan baik dimensi data maupun dimensi
waktu.
Model yang digunakan dalam analisis data panel adalah:
Terdapat beberapa model analisis dalam data panel yaitu model koefisien tetap (fixed
effects models), dan model efek acak (random effects models). Diantara tipe-tipe model
tersebut terdapat data panel dinamik (dynamic panel), robust, dan model struktur kovarians
(covariance structure models).
Contoh data panel adalah pada data perbandingan antara tiga perusahaan garmen yang
memiliki variabel yang sama misalnya jumlah karyawan, jumlah pemesanan, jumlah
produksi, unit produksi, market share. Semua variabel tersebut dikumpulkan setiap tahun
selama 10 tahun. Kelompok data panel tersebut akan memiliki pengamatan sebanyak
pengamatan karena 3 perusahaan garmen menggunakan data selama 10 tahun.
1,2,...,N), maka dengan data panel kita akan memiliki total unit observasi sebanyak NT. Jika
jumlah unit waktu sama untuk setiap individu, maka data disebut balanced panel. Jika sebaliknya,
yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced panel.
Sedangkan jenis data yang lain, yaitu: data time-series dan data cross-section. Pada data
time series, satu atau lebih variabel akan diamati pada satu unit observasi dalam kurun waktu
tertentu. Sedangkan data cross-section merupakan amatan dari beberapa unit observasi dalam satu
titik waktu.
Persamaan Regresi data panel ada 2 macam , yaitu One Way Model dan Two Way Model. One
Way Model adalah model satu arah, karena hanya mempertimbangkan efek individu (i) dalam
model. Berikut Persamaannya:
Dimana:
= Konstanta
Xit
Eit
invarian), sedangkan slope tetap sama antar individu dan antar waktu. Bentuk umum model
fixed effect adalah sebagai berikut.
Menurut Greene (2007), secara umum pendugaan parameter model efek tetap
dilakukan dengan LSDV (Least Square Dummy Variable), di mana LSDV merupakan suatu
metode yang dipakai dalam pendugaan parameter regresi linier dengan menggunakan MKT
pada model yang melibatkan variable boneka sebagai salah satu variabel prediktornya. MKT
merupakan teknik pengepasan garis lurus terbaik untuk menghubungkan variable prediktor
(X) dan variabel respon (Y). Berikut adalah prinsip dasar MKT:
, maka skalar =
. Untuk
mendapatkan penduga parameter yang menyebabakan jumlah kuadrat galat minimum, yaitu
dengan cara menurunkan persamaan (1) terhadap parameter
tersebut disamakan dengan nol atau
, sehingga diperoleh:
Pada pemodelan efek tetap grup, variabel boneka yang dibentuk adalah sebanyak N-1,
sehingga model yang akan diduga dalam pemodelan efek tetap grup adalah sebagai berikut:
Sedangkan untuk pemodelan efek tetap waktu, variabel boneka yang dibentuk
berdasarkan unit waktu, di mana variabel boneka yang terbentuk sebanyak T-1, sehingga
model yang akan diduga dalam pemodelan efek tetap waktu adalah sebagai berikut :
Hun (dalam 2005) juga mengemukakan bahwa pada model regresi panel dengan intersep
bervariasi dan slope konstan, pemodelan efek tetap komponen dua arah secara umum dilakukan
dengan Least Square Dummy Variable (LSDV), di mana model dengan peubah dummy seperti
berikut:
dengan,
Djit :
peubah boneka ke-j (j = 1, 2, ..., (N-1)) unit cross-sectional ke-i dan unit waktu ke-t.
Djit bernilai satu jika j = i dan bernilai nol jika j i
Dkit :
:
:
Peubah boneka ke-k (k = 1, 2, ..., (T-1)) unit cross-sectional ke-i dan unit waktu ke-t. Dkit
bernilai satu jika k = i dan bernilai nol jika k i
rata-rata nilai peubah respon jika peubah boneka ke-j bernilai satu dan peubah penjelas
bernilai nol.
rata-rata nilai peubah respon jika peubah boneka ke-k bernilai satu dan peubah penjelas
bernilai nol.
Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari
perbedaan intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan
teknik variable dummy untuk menangkap perbedaan intersep antar perusahaan, perbedaan
intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan insentif. Namun
demikian slopnya sama antar perusahaan.
Model efek acak atau disebut juga dengan error component model memiliki asumsi
pengaruh unit cross-sectional dan unit waktu merupakan peubah acak yang dimasukkan
dalam model sebagai bentuk galat (Judge, et al., 1980). Model efek acak yang hanya
mempertimbangkan unit crosssectional atau unit waktu saja disebut dengan model efek acak
satu arah. Sedangkan model efek acak yang mempertimbangkan unit cross-sectional dan unit
waktu disebut model efek acak dua arah
Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling
berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep
diakomodasi oleh error terms masing-masing perusahaan. Keuntungan menggunkan model
Random Effect yakni menghilangkan heteroskedastisitas. Model ini juga disebut dengan
Error Component Model (ECM) atau teknik Generalized Least Square (GLS) .
test
yakni
pengujian
untuk
menentukan
model Fixed
Effet atau
Random Effect yang paling tepat digunakan dalam mengestimasi data panel. Chow test
yakni pengujian untuk menentukan model Fixed Effet atau Random Effect yang paling
tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:
H0
H1
perhitungan F-statistik dengan F-tabel. Perbandingan dipakai apabila hasil F hitung lebih
besar (>) dari F tabel maka H0 ditolak yang berarti model yang paling tepat digunakan
adalah Fixed Effect Model. Begitupun sebaliknya, jika F hitung lebih kecil (<) dari F
tabel maka H0 diterima dan model yang digunakan adalah Common Effect Model
(Widarjono, 2009).
Perhitungan F statistik didapat dari Uji Chow dengan rumus (Baltagi, 2005):
Dimana:
SSE1 : Sum Square Error dari model Common Effect
SSE2 : Sum Square Error dari model Fixed Effect
n
nt
Dimana:
nt
2. Uji Hausman
Setelah selesai melakukan uji Chow dan didapatkan model yang tepat adalah Fixed
Effct, maka selanjutnya kita akan menguji model manakah antara model Fixed Effect atau
Random Effect yang paling tepat, pengujian ini disebut sebagai uji Hausman.
Uji Hausman dapat didefinisikan sebagai pengujian statistik untuk memilih apakah
model Fixed Effect atau Random Effect yang paling tepat digunakan. Pengujian uji Hausman
dilakukan dengan hipotesis berikut:
H0
H1
Statistik Uji Hausman ini mengikuti distribusi statistic Chi Square dengan degree of
freedom sebanyak k, dimana k adalah jumlah variabel independen. Jika nilai statistik
Hausman lebih besar dari nilai kritisnya maka H0 ditolak dan model yang tepat adalah model
Fixed Effect sedangkan sebaliknya bila nilai statistik Hausman lebih kecil dari nilai kritisnya
maka model yang tepat adalah model Random Effect.
3. Uji Lagrange Multiplier
Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model Random Effect
atau model Common Effect (OLS) yang paling tepat digunakan. Uji signifikasi Random
Effect ini dikembangkan oleh Breusch Pagan. Metode Breusch Pagan untuk uji signifikasi
Random Effect didasarkan pada nilai residual dari metode OLS. Adapun nilai statistik LM
dihitung berdasarkan formula sebagai berikut:
Dimana :
n = jumlah individu
T = jumlah periode waktu
e = residual metode Common Effect (OLS)
Hipotesis yang digunakan adalah :
H0 : Common Effect Model
H1 : Random Effect Model
Uji LM ini didasarkan pada distribusi chi-squares dengan degree of freedom sebesar
jumlah variabel independen. Jika nilai LM statistik lebih besar dari nilai kritis statistik chisquares maka kita menolak hipotesis nul, yang artinya estimasi yang tepat untuk model
regresi data panel adalah metode Random Effect dari pada metode Common Effect.
Sebaliknya jika nilai LM statistik lebih kecil dari nilai statistik chi-squares sebagai nilai kritis,
maka kita menerima hipotesis nul, yang artinya estimasi yang digunakan dalam regresi data
panel adalah metode Common Effect bukan metode Random Effect (Widarjono, 2009).
Pada kesempatan ini uji LM tidak digunakan karena pada uji Chow dan uji Hausman
menunjukan model yang paling tepat adalah Fixed Effct Model. Uji LM dipakai manakala
pada uji Chow menunjukan model yang dipakai adalah Common Effect Model, sedangkan
pada uji Hausman menunjukan model yang paling tepat adalah Random Effect Model. Maka
diperlukan uji LM sebagai tahap akhir untuk menentukan model Common Effect atau
Random Effect yang paling tepatUntuk mengetahui apakah model Random Effect lebih baik
daripada metode Common Effect (OLS) digunakan uji Lagrange Multiplier (LM).
Dari ketiga uji untuk menentukan Metode Estimasi di atas, digambarkan dalam grafik
di bawah ini:
tidak
memenuhi
kaidah
BLUE,
maka
persamaan
tersebut
diragukan
kemampuannya dalam menghasilkan nilai-nilai prediksi yang akurat. Tetapi bukan berarti
persamaan tersebut tidak bisa digunakan untuk memprediksi. Agar suatu persamaan tersebut
dapat dikategorikan memenuhi kaidah BLUE, maka data yang digunakan harus memenuhi
beberapa asumsi yang sering dikenal dengan istilah uji asumsi klasik.
Uji asumsi klasik mencakup uji normalitas, uji multikolinieritas, uji linieritas, uji
heteroskedastisitas dan uji autokorelasi. Persamaan yang terbebas dari kelima masalah pada
uji asumsi klasik akan menjadi estimator yang tidak bias (Widarjono, 2007).
Metode uji asumsi yang lain biasa digunakan seperti Metode Ordinary Least Squares
pertama kali diperkenalkan oleh Carl Friedrich Gauss, seorang ahli matematika
berkebangsaan Jerman (Mulyono, 2000:59). Dalam OLS, terdapat sepuluh asumsi yang harus
dipenuhi, yang dikenal dengan asumsi klasik. Asumsi-asumsi ini meliputi:
1. Linear Regression Model, yang berarti model harus linier dalam parameter.
2. Nilai X (variabel bebas) adalah tetap (nonstochastic).
3. Nilai rata-rata ei (error term) adalah nol (0).
4. Homoskedastisitas, yaitu varians masing-masing ei (error term) adalah sama (konstan)
untuk setiap X.
1425546
491157
2011924
1830884
840404
2303464
3663068
981868
2499176
4794094
1162409
2786335
5844387
1189691
3230905
7307389
1493146
3964174
5792939
1881885
4280630
2314370
941406
2030145
2598096
1102415
2549748
4737875
1370136
2846302
6738392
1878962
3380793
7847546
2454605
4125549
8041813
2494205
4837708
8427426
3118588
5185432
2022850
822101
2341085
2424461
939831
2678916
5045461
1169435
2789259
5045937
1387267
3363586
8895931
1575922
3487614
1888178
4739240
8440303
9300002
2139780
4525480
1611746
1751822
2282936
2496174
2114612
2590774
5719510
2384367
2866663
7161940
2955461
3866893
8820114
2900155
3942863
10262753
3467932
4866394
10446460
5168421
5318609
947580
3777696
3406041
2002179
4339078
3681633
3328928
4831770
4168775
3890322
3542722
5096644
4804406
7948501
5635809
10246384
5236682
6940780
6544334
12519223
7417300
Dari data diatas akan diestimasi parameter-parameter model fixed effect pada data pooling.
Model fixed effect pada data pooling dugaan adalah
t =1,2,...,7
i =1,2,3,4,5
dengan 1 = Kulon Progo, 2 = Bantul, 3 = Gunung Kidul, 4 = Sleman, 5 = Yogyakarta.
Penulis mencoba menggunakan program pengolahan selain SPSS yakni eView 7.0.
Berikut output data perkembangan bantuan DIY dengan menggunakan eviews 7.0:
Nilai koefisien untuk variabel Pendapatan Asli Daerah (X1) adalah -0.55312 dengan
standard errornya adalah 0.222184 dan Subsidi Daerah Otonom (X2) adalah 2.696397 dengan
standard errornya adalah 0.330096. Variabel Pendapatan Asli Daerah dan Subsidi Daerah
Otonom signifikan pada = 0.05 yang berarti Pendapatan Asli Daerah dan Subsidi Daerah
Otonom berpengaruh terhadap perkembangan bantuan pembangunan.
Untuk mengetahui apakah model fixed effect pada data pooling signifikan dilakukan uji
hipotesis. Langkah- langkah uji hipotesis sebagai berikut:
a. Hipotesis
H0:
H1: Terdapat
)
(
d. Perhitungan
Kriteria keputusan : H0 ditolak jika Fhit > F0.05 (4, 28) = 2.71
= 4.42E+13 untuk
sum squared resid model fixed effect pada data pooling dan berdasarkan data diatas
= 9.71E+13 adalah sum squared resid menggunakan model regresi data pooling
menggunakan metode kuadrat terkecil.
e. Kesimpulan
Karena Fhit = 8.3778 > F0.05 (4, 28) = 2.71 maka H0 ditolak artinya
signifikan
sehingga model fixed effect pada data bantuan pembangunan signifikan. Model fixed
effect pada data bantuan pembangunan adalah
Model fixed effect pada data pooling mampu menjelaskan perbedaaan bantuan
pembangunan untuk Daerah Tingkat II di Propinsi Daerah Istimewa Yogyakarta. Nilai
intersep masing-masing Daerah Tingkat II adalah A sebesar -3103601, B sebesar -2742149,
C sebesar -2549787, D sebesar -1628601 dan E sebesar -6448748. Perbedaan intersep ini
DAFTAR PUSTAKA