Pada one way, komponen error dispesifikasikan dalam bentuk:
Untuk two way, komponen error dispesifikasi dalam bentuk:
Pada pendekatan one way komponen error hanya memasukkan
komponen error yang merupakan efek dari individu
diasumsikan
tidak berkorelasi dengan
dan
dengan
.
Fixed Effect Model (FEM)
FEM muncul ketika antara efek individu dan periode memiliki korelasi
dengan
atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat
komponen error dari efek individu dan waktu menjadi bagian dari intersep, yaitu:
Untuk one way komponen error:
Untuk two way error component:
Penduga FEM secara umum dapat dihitung dengan empat teknik yaitu Pooled
Least Square (PLS), Within Group (WG), Pendekatan Least Square Dummy
Variable (LSDV) dan Two Way Error Components Fixed Effect Model.
Pooled Least Square (PLS)
Pada prinsipnya, pendekatan ini adalah menggunakan gabungan dari
seluruh data (pooled), sehingga terdapat N x T observasi, dimana N menunjukkan
jumlah unit cross section dan T menunjukkan jumlah titik waktu yang digunakan,
yang diregresikan dengan model:
dimana
, yang dirumuskan
sebagai:
43
Dengan menkombinasikan atau mengumpulkan semua data cross section dan data
time series, dapat meningkatkan derajat kebebasan sehingga dapat memberikan
hasil estimasi yang lebih efisien.
Pendekatan ini memiliki kelemahan di antaranya yaitu dengan
mengabungkan data, maka variasi atau perbedaan baik antara individu dan waktu
tidak dapat terlihat. Dalam beberapa kasus, penduga yang dihasilkan melalui least
square dapat menjadi bias akibat kesalahan spesifikasi data. Hal ini ditunjukkan
dari arah kemiringan PLS yang tidak sejajar dengan garis regresi dari masing-
masing individu. Parameter yang bias ini disebabkan karena PLS tidak dapat
membedakan observasi (individu) yang berbeda pada periode yang sama, atau
tidak dapat membedakan observasi (individu) yang sama pada periode yang
berbeda.
Pendekatan Within Group (WG)
Salah satu aternatif dari pendekatan dari PLS bila diketahui keberadaan
fixed effects adalah pendekatan Within Group. Pendekatan ini mengasumsikan
bahwa setiap kelompok atau individu memiliki intersep yang berbeda.
Kelebihan dari pendekatan WG ini adalah dapat menghasilkan parameter yang
tidak bias. Namun, pendekatan ini memiliki kelemahan di antaranya adalah nilai
var(
WG
) cenderung lebih besar dari var(
PLS)
. Sehingga dugaan WG menjadi
relative lebih tidak efisien dibandingkan PLS. Salah satu kelemahan lain dari
pendekatan WG adalah tidak dapat mengakomodir karakteristik time-invariant
(efek individual) pada FEM sebagaimana terlihat dari tidak disertakannya
konstanta intersep ke dalam model.
Pendekatan Least Square Dummy Variable (LSDV)
Metode ini berusaha merepresentasikan perbedaan intersep dengan
membuat sekelompok dummy variable. Kelebihan pendekatan LSDV adalah
dapat menghasilkan dugaan parameter yang tidak bias dan efisien. Tetapi
kelemahannya jika jumlah unit observasinya besar maka akan sulit menduga
persamaan regresinya karena penggunaan peubah dummy yang terlalu banyak
sehingga pada gilirannya dapat mengurangi jumlah derajat bebas.
Selanjutnya untuk menguji apakah intersep konstan atau tidak, atau untuk
menguji apakah lebih baik menggunakan PLS atau LSDV, dapat digunakan F-test
dengan bentuk hipotesis sebagai berikut:
:
Dasar penolakan terhadap H
0
adalah dengan menggunakan F-statistik. Jika nilai
F-Stat hasil pengujian lebih besar dari F-table, maka cukup bukti untuk
melakukan penolakan terhadap hipotesa nol sehingga hipotesi bahwa adalah
konstan dapat ditolak.
44
Two Way Error Components Fixed Effect Model
Model ini disusun berdasarkan fakta bahwa terkadang fixed effect tidak
hanya berasal dari observasi individu tetapi juga berasal dari time-effect, sehingga
model dasar yang digunakan adalah:
. (3.6)
Dimana
dan time-effect
diasumsikan
berbeda, sehingga dengan menambah sejumlah z
sit
= 1 (s = t) peubah dummy yang
merepresentasikan efek waktu diperoleh persamaan:
Penambahan sejumlah dummy variable ke dalam persamaan menyebabkan masalah
pada penggunaan two way fixed effect yaitu berkurangnya derajat kebebasan, yang
pada akhirnya akan semakin mengurangi efisiensi dari parameter yang diestimasi.
Random Effect Model (REM)
REM muncul ketika antara efek individu dan periode tidak berkorelasi
dengan
Xit
atau memiliki pola yang sifatnya acak. Asumsi ini membuat komponen
error dari efek individu dan waktu dimasukkan ke dalam error, dimana:
Untuk one way error component:
Untuk one way error component
Untuk two way arror component
Dari semua asumsi dia atas, yang paling penting berhubungan dengan
REM adalah nilai harapan dari x
it
untuk setiap
adalah 0, atau
0.
Untuk menguji asumsi ini yaitu dengan menggunakan Haussman Test. Karena
berkaitan dengan ditolak atau diterimanya asumsi ada atau tidaknya korelasi
antara komponen error dengan peubah bebas, maka Haussman test dapat secara
langsung digunakan untuk memilih antara FEM atau REM.
Pengujian untuk Pemilihan Model Data Panel
Pemilihan model data panel yang digunakan dalam sebuah
penelitian perlu dilakukan berdasarkan pertimbangan statistik. Hal ini ditujukan
untuk memperoleh dugaan yang efisien. Beberapa prosedur uji yang digunakan untuk
pemilihan model data panel disajikan sebagai berikut.
a.Chow Test
Chow Test atau beberapa buku menyebutnya pengujian F Statistics adalah
pengujian untuk memilih apakah model yang digunakan Pooled Least Square atau
Fixed Effect.Seperti yang kita ketahui, terkadang asumsi bahwa setiap unit cross
45
section memiliki perilaku yang sama cenderung tidak realistis mengingat
dimungkinkan saja setiap unit cross section memiliki perilaku yang berbeda.
Uji Chow pada dasarnya merupakan pengujian untuk memilih model
yang lebih valid di antara model pooled LS dan FEM. Misalkan diberikan model
pooled LS (unrestricted) sebagai
dan FEM (restricted) sebagai
Bentuk hipotesis uji Chow diberikan oleh
0 /
0; 1, , 1 /
Dasar penolakan hipotesis nol pada uji Chow mengacu pada statistic uji
Chow yang didasari oleh statistic-F.
b. Hausman Test
Hausman Test adalah pengujian statistik sebagai dasar pertimbangan
kita dalam memilih apakah menggunakan model fixed effect atau model random
effect. Seperti yang kita ketahui bahwa penggunaan model fixed effect
mengandung suatu unsur trade off yaitu hilangnya derajat kebebasan dengan
memasukkan variabel dummy. Namun, penggunaan metode random effect pun
harus memperhatikan ketiadaan pelanggaran asumsi dari setiap komponen galat.
Ide dasar dari uji Hausman adalah mengkomparasi dua penduga, yakni
penduga FEM dan REM. Hausman (1978) menyajikan bentuk uji hipotesis nol di
mana
dan
0
Structural Equation Model (SEM)
Menurut Ferdinand (2006), model persamaan structural (SEM) adalah
sebuah model kausal berjenjang yang mencakup dua jenis variabel utama yaitu
variabel laten serta variabel observasi. Variabel laten adalah variabel bentukan,
46
yang dibentuk dari beberapa proksi yang dirumuskan sebagai observed variable.
Observed variable adalah variabel yang diamati dan diukur yang dapat digunakan
untuk membentuk sebuah variabel baru (latent variable). Hubungan antara
variabel di dalam SEM ini berbeda dengan hubungan di dalam analisi jalur, di
mana analisis jalur menggunakan variabel terukur (observable), sedangkan SEM
menggunakan variabel tidak terukur secara langsung (unobservable) (Widarjono,
2010). Sebagai model yang kompleks di dalam menganalisis hubungan antar
variabel, ada beberapa tahap yang perlu dilakukan di dalam analisi model SEM,
yaitu :
Spesifikasi Model
Spesifikasi model pada tahap pertama berkaitan dengan pembentukan
hubungan antar variabel di dalam SEM. Karena SEM bukan merupakan metode
untuk membangun sebuah teori, maka spesifikasi model ini harus didasarkan pada
teori yang ada
Identifikasi
Langkah kedua ini bertujuan untuk menetukan apakah model sudah tepat
atau masih ada kesalahan spesifikasi model. Jika model sudah tepat maka bias
didapatkan parameter estimasi dari hubungan antar variabel di dalam SEM.
Estimasi Model
Ada beberapa metode estimasi yang dapat digunakan seperti ordinary least
square (OLS) dan maximum likelihood (ML).
Uji kelayakan model dan uji signifikansi
Ada beberapa metode untuk melihat kelayakan sebuah model SEM seperti
dalam analisis konfirmatori, yaitu : (a) uji statistika Chi Squares, (b) Goodness of
Fit Index (GFI), (c) Adjusted Goodness of Fit (AGFI), (d) Root Mean Squares
Residual (RMSR). Hubungan antar variabel di dalam model SEM adalah
hubungan kausal atau penyebab sebagimana hubungan dalam analisis regresi. Ada
tidaknya hubungan kausal ini bias diuji dengan menggunakan uji statistika t.
Respesifikasi Model
Respesifikasi model bisa dilakukan dengan berbagai cara : (a) melakukan
korelasi antar variabel laten, (b) menambah variabel indikator baru dari variabel
indikator yang ada kepada setiap varaibel laten, (c) melakukan korelasi antara
variabel indikator, (d) melakukan korelasi antara variabel residual.
Filename: 3. METODOLOGI 090314.docx
Directory: C:\Documents and Settings\user04\My Documents
Template: C:\Documents and Settings\user04\Application
Data\Microsoft\Templates\Normal.dotm
Title: Latar belakang
Subject:
Author: user
Keywords:
Comments:
Creation Date: 3/13/2014 6:40:00 AM
Change Number: 21
Last Saved On: 3/22/2014 4:01:00 PM
Last Saved By: user04
Total Editing Time: 266 Minutes
Last Printed On: 3/22/2014 4:07:00 PM
As of Last Complete Printing
Number of Pages: 16
Number of Words: 4.360 (approx.)
Number of Characters: 24.858 (approx.)