Dr.

Mahyus Ekananda
ANALISIS DATA PANEL
Generating Data
Pooled Time Series dan Cross-Section Data
PROGRAM PASCA SARJ ANA, UNIVERSITAS INDONESIA
DOSEN : DR MAHYUS EKANANDA, MM, MSE


1 TEORI PENDAHULUAN....................................................................................................... 1
1.1 STRUKTUR DATA ................................................................................................................ 1
1.2 STRUKTUR UMUM MODEL DAN MATRIKS VARIAN-COVARIAN .......................................... 2
1.3 STRUKTUR MODEL.............................................................................................................. 3
1.4 STRUKTUR MATRIKS VARIAN COVARIAN........................................................................... 6
2 PENYUSUNAN DATA............................................................................................................ 7
2.1 MODEL EKONOMI INVESTASI .............................................................................................. 7
2.2 PENYUSUNAN DATA............................................................................................................ 7
2.2.1 Data Unstacked.......................................................................................................... 8
2.2.2 Data Dummy ............................................................................................................ 10

1 Teor i Pendahul uan

1.1 Struktur Data
Satu hal yang menjadi perhatian utama dalam proses estimasi model diatas adalah masalah
karateristik data yang digunakan. J ika diperhatikan dalam uraian spesifikasi model diatas, terlihat
bahwa suatu model membutuhkan data antar komoditi dan antar waktu sekaligus. Didalam teori
ekonometri, proses penyatuan data antar waktu (time series) dan data antar individu (cross-section)
disebut dengan pooling. Sedangkan data yang dihasilkan disebut dengan pooled data atau panel
data atau longitudinal data. Secara teoritis, ada beberapa keuntungan yang diperoleh dengan
menggunakan data yang digabungkan tersebut. Keuntungan pertama yang jelas adalah semakin
banyaknya jumlah observasi yang dimiliki bagi kepentingan estimasi parameter populasi. Semakin
banyak jumlah observasi ini membawa akibat positif dengan memperbesar derajat kebebasan
(degree of freedom) dan menurunkan kemungkinan kolinearitas antar variabel bebas.
Keuntungan selanjutnya dari penggunaan data panel adalah dimungkinkannya estimasi
masing-masing karateristik individu maupun karateristik menurut waktu secara terpisah. Dengan
suatu data antar waktu saja, parameter yang didapat adalah estimasi parameter antar waktu
persamaan tersebut. Sementara data antar individu akan memberikan parameter antar individu saja.
Dengan menerapkan proses estimasi data panel kedalamnya, maka secara bersamaan akan dapat
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
2

diestimasi karateristik individu yang mencerminkan dinamika antar waktu dari masing-masing
variabel bebas tersebut. Dengan demikian, analisa hasil estimasi akan lebih komprehensif dan
mencakup hal-hal yang lebih mendekati realita. Uraian berikut akan memperjelas argumentasi di
atas.
Di dalam model persamaan regresi linear klasik (classical linear regression model),
gangguan (error terms) selalu dinyatakan bersifat homoscedastic dan serially uncorrelated.
Dengan begitu, penggunaan metode ordinary least square akan menghasilkan penduga yang
bersifat best linear unbiased. Namun demikian, asumsi gangguan tersebut tidak dapat diterapkan
pada data panel.Data panel yang tersusun atas beberapa individu untuk beberapa periode, membawa
masalah baru dalam sifat gangguan tersebut. Masalah tersebut adalah karena gangguan
(disturbances atau error terms) yang ada kini menjadi tiga macam,yaitu gangguan antar waktu
(time-series related disturbances)
1
dan gangguan yang berasal dari keduanya
2
.

1.2 Struktur Umum Model dan Matriks Varian-Covarian
Struktur Umum Model untuk persamaan sistem adalah :
y
y
yn
1
2
.

=
X
X
XM
1
2
0 0
0
0
0 0
... ...
... ...
...
. . .

1
2
.
n

1
2
.
n

Sehingga estimator yang efisien adalah generalized least square (GLS). Model ini memiliki bentuk
yang memudahkan pengertian dimana MxM matriks dari disturbance adalah :
=



11 12 1
21 22 2
1 2
...
...
... ... ...
...
M
M
M M MM

Maka V = I dan V
-1
=
-1
I, Sehingga :
V= E[] =



11 11 12 12 1 1
21 21 22 22 2 2
1 1 2 2



...
...
... ... ...
...
n n
n n
n n n n nn nn

1
Dalam penulisan ini,konsep antar individu mengacu kepada konsep antar propinsi. Kedua konsep ini akan digunakan
secara bergantian
2
Robert.S.Pyndick dan Daniel Rubinfeld, Econometric Model and Economic Forecast,1991,hal 223-224
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
3
Dengan mengganti dengan
ij
kita menhhasilkan V untuj mendapatkan estimasi dengan GLS
menjadi:

=[XV
-1
X]
-1
[XV
-1
y]
Estimasi tergantung kepada struktur varian dan covarian error term yang digunakan. Dalam
pembahasan selanjutnya akan diuraikan pembagian struktur model dan struktur matriks varian dan
covarian diatas.
1.3 Struktur Model
Sebelum melakukan pembahasan lebih dalam mengenai model yang akan digunakan dalam
makalah ini, kita akan membahas berbagai macam model pooling tersebut (Struktur Model).
Ditinjau dari berbagai asumsi dan faktor pembentukannya, Greene (2000) dan Gujarati (2003)
membagi struktur model persamaan sistem berdasarkan:
1) Struktur Model I. Metode estimasi dimana intercept dan slope sama untuk setiap
individu (
1
=
2
=
3
=. . . =
i
dan
1k
=
2k
=
3k
=. . . =
ik
) dengan memperhitungkan
struktur varian dan kovarian error term (). Struktur varian dan kovarian error term dibagi
menurut kondisi a) Homokedastik, b) Heterokedastik tanpa adanya korelasi antar unit, c)
Heterokedastik dengan adanya korelasi antar unit dan d) Heterokedastik dengan adanya
autokorelasi korelasi antar unit.
Secara umum struktur model dalam bentuk sistem persamaan menjadi ini adalah :
y = +e

1
1
1
...

+ + +
+ + +
+ + +
i k k i i
Jabar k k Jabar Jabar
DKI k k DKI DKI
x x x
x x x
x x x
, 2 2 1 1
, 2 2 1 1
, 2 2 1 1
...
... ... ... ...
...
...



Operasi matriks untuk penyelesaian struktur persamaan ini adalah :

i
Jabar
DKI
y
y
y
...
= +

i
Jabar
DKI
x
x
x
...

i
e
e
e
...
2
1
Dalam bentuk yang lebih ringkas menjadi :
y =
1
+
1
X
1i
+
2
X
2i
+
3
X
3i
+. . .
k
X
ki
+e
2) Struktur Model II. Metode estimasi parameter ( dan ) dengan memperhatikan sifat
dari individual effect , tanpa memperhatikan struktur kovarian error term (
1

2

3
. . .
i
dan
1k
=
2k
=
3k
=. . . =
ik
). Metode ini dikenal dengan Panel (Greene, 2000
dan Gujarati 2003) yang terdiri dari beberapa metode yaitu a) Fixed Effect dibagi dengan
metode yang melibatkan dummy variabel (LSDV) dan metode dengan asumsi adanya
pengaruh yang konstan dari error term dan b) Sedangkan random effect adalah metode
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
4
yang mengasumsikan adanya pengaruh yang tidak konstan dari error term.
Secara umum struktur model dalam bentuk sistem persamaan menjadi ini adalah :
y = +e

...
2
1

+ + +
+ + +
+ + +
i k k i i
Jabar k k Jabar Jabar
DKI k k DKI DKI
x x x
x x x
x x x
, 2 2 1 1
, 2 2 1 1
, 2 2 1 1
...
... ... ... ...
...
...



Operasi matriks untuk penyelesaian struktur persamaan ini adalah :

i
Jabar
DKI
y
y
y
...
= +

n
Jabar
DKI
i
i
i

.
.
.
.
. . . 0 0
.
.
.
0 . . . 0
0 . . . 0

i
Jabar
DKI
x
x
x
...

i
e
e
e
...
2
1
atau
[ ]
y d d d X
n
=

+
1 2
. . . .

Dalam bentuk yang lebih ringkas menjadi :
y = +

...
2
1
1
X
1i
+
2
X
2i
+
3
X
3i
+. . .
k
X
ki
+e
Secara umum struktur model dalam bentuk persamaan tunggal (LSDV) menjadi ini
adalah :

y =
1
+
2
D
2
+. . .+
i
D
i
+
1
X
1i
+
2
X
2i
+
3
X
3i
+. . .
k
X
ki
+e

3) Struktur Model III. Metode estimasi dimana intercept dan slope tidak sama untuk setiap
individu (
1

2

3
. . .
i
dan
1k

2k

3k
. . .
ik
) dengan memperhitungkan
sifat korelasi antar unit atau individu. Metode ini dikenal sebagai struktur model
Seemingly Unrelated Regression (Greene, 2000 dan J udge 1988).
Secara umum struktur model dalam bentuk sistem persamaan menjadi ini adalah :
y = +e

...
2
1

+ + +
+ + +
+ + +
i k ki i i i i
Jabar k kJabar Jabar Jabar Jabar Jabar
DKI k kDKI DKI DKI DKI DKI
x x x
x x x
x x x
, 2 2 1 1
, 2 2 1 1
, 2 2 1 1
...
... ... ... ...
...
...



Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
5
Operasi matriks untuk penyelesaian struktur persamaan ini adalah :

i
Jabar
DKI
y
y
y
.
=

M
Jabar
DKI
x
x
x
... 0 0
... ... 0
0 ... ...
0 0
...

1
2
.
n

1
2
.
n

Dalam bentuk yang lebih ringkas menjadi :

y =X

+e
Secara umum struktur model ini juga dapat dibentuk dengan persamaan tunggal
(LSDV). Penyelesaian menggunakan kondisi heterokedastik (GLS).
4) Struktur Model IV. Metode estimasi dimana intercept dan slope memiliki struktur yang
unik. Sebagai contoh efek dari X
2
untuk DKI dan J abar sama sedangkan dari propinsi
lain berbeda. Bentuk sistem persamaan menjadi ini adalah :
y = +e

...
2
1

+ + +
+ + +
+ + +
i k ki i i i i
Jabar k kJabar Jabar Jabar Jabar
DKI k kDKI DKI DKI DKI
x x x
x x x
x x x
, 2 2 1 1
, 2 2 1 1
, 2 2 1 1
...
... ... ... ...
...
...



Tujuan dari pemodelan seperti ini diantaranya untuk uji hipotesa apakah efek dari X
2

untuk DKI dan J abar sama ataukah berbeda. Pengujian dilakukan dengan Wald statistik
maupun dengan LR dan LM. Eviews memberikan secara langsung pengujian sistem ini
dengan prosedur coefficient test Wald Statistic. Operasi matriks untuk penyelesaian
struktur persamaan ini adalah :

i
Jabar
DKI
y
y
y
.
=

M
Jabar
DKI
x
x
x
... 0 0
... ... 0
0 ... ...
0 0
...

1
2
.
n

1
2
.
n

Perbedaan dengan model sebelumnya adalah letak dari kolom x

2
untuk DKI dan J abar
Dimana x
2DKI
dan x
2J abar
terletak pada kolom yang sama Pembahasan untuk model ini
akan dijelaskan pada bagian lain sebagai pengembangan model.
5) Struktur Model V. Metode estimasi dimana intercept dan slope tidak sama untuk setiap
individu (
1

2

3
. . .
i
dan
11

12
. .
33
. . .
ik
) dengan memperhitungkan
sifat struktur varian dan kovarian error term () atau memperhitungkan sifat randomitas
kedalam variabel slope. Metode ini dikenal dengan Random Coefficient Model (Greene,
2000). Struktur model ini sama dengan struktur model SUR yang telah disebutkan diatas.
Perbedaan hanya terletak pada struktur matriks varian covarian (Struktur Heterokedastik
dengan korelasi antar individu (SUR)) untuk estimasi parameter.
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
6
Operasi matriks untuk penyelesaian struktur persamaan ini berbeda dengan sebelumnya
yaitu terletak pada susunan kolom adalah :
y
y
yn
1
2
.

M x
x
x
... 0 0
... ... 0
0 ... ...
0 0
...
2
1

1
2
.
n

1
2
.
n

6) Struktur Model VI. Metode estimasi dimana intercept dan slope tidak sama untuk setiap
individu (
1

2

3
. . .
i
dan
1k

2k

3k
. . .
ik
) dengan memperhitungkan
sifat korelasi antar unit atau individu dan sifat exogenitas/endogenitas variabel dalam
system. Metode ini dikenal sebagai Simultaneous Equation (Greene, 2000 dan Gujarati
2003).
Pada bab ini akan dijelaskan poin satu sampai dengan poin empat, sedangkan dua poin terakhir
dijelaskan secara terpisah pada bab lainnya.
1.4 Struktur Matriks Varian Covarian
Struktur varian dan kovarian error term digunakan untuk estimasi parameter struktur model
diatas. Greene (2000) dan Gujarati (2003) membagi Struktur varian dan kovarian error term
menurut kondisi a) Homokedastik, b) Heterokedastik tanpa adanya korelasi antar unit, c)
Heterokedastik dengan adanya korelasi antar unit dan d) Heterokedastik dengan adanya
autokorelasi korelasi antar unit.
1) Struktur Homokedastik memiliki struktur sebagai :
=

2
2
2
0 0
0 0
0 0
I
I
I
...
...
... ... ...
...

Eviews menyediakan pilihan struktur ini Pooled Estimation dengan prosedur No

weighting, sedangkan pada System Estimation dengan prosedur estimation methods
OLS,
2) Struktur Heterokedastik memiliki struktur sebagai :
=

1
2
1
2
2
2
0 0
0 0
0 0
I
I
I
n
...
...
... ... ...
...

Eviews menyediakan pilihan struktur ini Pooled Estimation dengan prosedur Cross
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
7
I
I
section weights, sedangkan pada System Estimation dengan prosedur estimation
methods WLS.
3) Struktur Heterokedastik dengan korelasi antar individu (SUR) memiliki struktur
sebagai :
=



11 12 1
21 22 2
1 2
I I
I I
I I I
M
M
M M MM
...
...
... ... ...
...

Eviews menyediakan pilihan struktur ini Pooled Estimation dengan prosedur SUR,
sedangkan pada System Estimation dengan prosedur estimation methods SUR.

2 Penyusunan dat a

2.1 Model Ekonomi Investasi
Model ekonomi adalah sebagai berikut :
Inv
it
=
i
+
2i
CS
it
+
3i
F
it
+
it
dimana : CS
t
: konsumsi (dalam jutaan Rp), F
t
: market value of the firm (dalam milyar Rp), Inv
t
:
investment (dalam milyar Rp). Dimana individu adalah propinsi i=DKI, i=J BR (J awa Barat), i=J TG (J awa
Tengah), i=J TM(J awa Timur) dan i=BAL (Bali). Dengan demikian model ekonomi dapat ditulis secara
system menjadi :
Inv
BALt
=
BAL
+
CS,BAL
CS
BAL t
+
F BAL
F
i BAL
+
BAL t
Inv
DKIt
=
DKI
+
CS,DKI
CS
DKI t
+
F DKI
F
i DKI
+
DKI t
Inv
J BRt
=
J BR
+
CS,J BR
CS
J BR t
+
F J BR
F
i J BR
+
J BR t
Inv
J TGt
=
J TG
+
CS,J TG
CS
J TG t
+
F J TG
F
i J TG
+
J TG t
Inv
J TMt
=
J TM
+
CS,J TM
CS
J TM t
+
F J TM
F
i J TM
+
J TM t
Untuk melakukan analisis terhadap model diatas, kita perlu mempersiapkan susunan data yang akan
dijelaskan dalam uraian berikut.

2.2 Penyusunan Data
Berkenaan dengan susunan data yang terdiri dari data time series dan data individu, kita perlu untuk
mempelajari berbagai susunan data. Oleh karena terdapat bergagai metode estimasi, maka susunan
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
8
data harus disesuaikan dengan metode estimasi yang akan dilakukan. Secara umum terdapat dua
format data yaitu stacked dan unstacked. Sedangkan bentuk lainnya dikenal dengan format dummy
variabel berkenaan dengan metode estimasi LSDV.
Data yang akan diproses diberikan dalam file : Panel_Kasus_1Awal.xls. Dalam bagian ini akan
dijelaskan berbagai bentuk data yang dapat digunakan dalam eviews. Bentuk stacked adalah
sebagai berikut.

Sedangkan bentuk unstacked adalah :

Oleh karena sebagian besar data dibuat dalam bentuk unstacked, penjelasan selanjutnya kita menggunakan
format unstaked.
2.2.1 Data Unstacked
Format pada excel perlu dibakukan menjadi format eviews dengan identifier (dalam hal ini daerah) yang
terdiri dari : DKI, J BR (J awa Barat), J TG (J awa Tengah), J TM(J awa Timur) dan BAL (Bali). Oleh karena
kebiasaan para peneliti mengumpulkan data sementara dalam bentuk format excel, mengubahnya ke dalam
data Eviews dapat dilakukan dengan prosedur (Proc) import data. Proc import data memerlukan nama
variabel dengan format : namavariabel_identifier. Gambar dibawah ini menunjukkan susunan nama variabel
dan identifier yang disusun berdasarkan data diatas.
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
9

Namun ada kalanya memasukkan data ke eviews dapat dilakukan secara manual. Berikut ini dijelaskan
memasukkan data dari excel ke eviews dengan cara manual (yaitu dengan quick\emptyGroup). Langkah
pertama, siapkan workfile tahunan dari tahun 1985 sd 2004 berikut ini.

Langkah kedua, berikutnya pilih quick\emptyGroup.


Langkah ketiga, copy-paste seluruh data (block data) dari excel ke eviews. Langkah keempat, mengganti
nama variabel dengan format : namavariabel_identifier. Hasilnya adalah sebagai berikut.

Dengan langkah keempat ini, data telah siap untuk dianalisis. Langkah ke lima, merupakan langkah analisis
yaitu menggunakan fasilitas pooled data yang dapat diperoleh dengan memilih : objects\new object\pooled.
Demana sebelum pooled data muncul, eviews terlebih dahulu meminta format identifier, peneliti harus
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
10
menulirkan sebagai berikut.

Langkah ke tujuh, memilih pooled estimation sehingga tampak tampilan sebagai berikut.

Tampilan ini merupakan analisis untuk pooled data (data panel) yaitu data yang merupakan gabungan antara
time series dan cross section (data kerat lintang). Dengan Fasilitas ini, kita dapat melakukan berbagai analisis
yang akan diuraikan kemudian.
2.2.2 Data Dummy
J ika kita menetapkan D2 sebagai dummy DKI, D3 sebagai dummy J BR, D4 sebagai dummy J TG, D5
sebagai dummy J TM, maka Dj untuk i j bernilai nol. Dengan menggunakan data diatas, maka kita bisa
menyusun data sebagai berikut :

Dengan langkah yang sama, data excel ini dipindah ke eviews dengan cara manual (yaitu dengan
quick\emptyGroup) atau dengan import data. Berikut ini akan dijelaskan prosedur import data.
Analisis Data Panel
Pendahuluan-Generating Data

Mahyus Ekananda
11


Dengan membuka file excel diatas (berisi data dummy), maka akan ditampilkan :

Kita mengisi sheet name (dalam hal ini sheet dummy) dan daftar nama data dummy. Selanjutnya kita telah
memperoleh dua macam bentuk data untuk analisis data panel.