Rumah Ekonometrika
Organized by KANOPI FEUI
Modul
2013
Yit X it it ;
i 1, 2,..., N ; t 1, 2,..., T
Yit 1 X itj ij 1 D1 it
i 2
dimana:
: variabel dependen di waktu t untuk unit cross-sectioni
Yit
j
it
ij
it
Kelemahan metode ini terletak pada banyaknya variabel dummy yang digunakan sehingga mengurangi
derajat kebebasan (degree of freedom) dan mempengaruhi efisiensi parameter yang diuji.
2013
1.3. Random Effect Model
Berbeda dengan metode fixed effect, metode random effect justru melihat adanya perbedaan nilai baik
pada variabel waktu, maupun pada variabel cross-section. Dengan asumsi kedua variabel tersebut
terdistribusi secara normal, maka penggunaan derajat kebebasan dapat dihemat karena yang perlu
diperhatikan dalam perhitungan hanya nilai rata-rata dan varians dari masing-masing komponen error.
Persamaan yang digunakan adalah sebagai berikut:
Yit X itj j it ;
it ui vt wit
dimana:
uit
: komponencross-section error
vit
wit
: komponencombination error
Penghitungan Random Effect Model dilakukan menggunakan metode Generalized Least Squares (GLS),
yang memasukkan faktor heteroscedasticity dan autocorrelation ke dalam perhitungan sehingga tidak
perlu lagi dikhawatirkan munculnya masalah tersebut dalam hasil perhitungan.
lwage
exp
exp2
wks
ed
2013
2.2. Input Data Dan Persiapan Awal
Langkah pertama yang dilakukan untuk analisa data panel menggunakan Stata adalah dengan dengan
membuka file/data set yang telah disimpan dalam format Stata dengan ekstensi dta. Pada contoh kali
ini, data yang digunakan adalah mus08psidextract.dta. Terdapat dua cara untuk membuka file dta pada
Stata, yaitu:
Setelah membuka data, yang dilakukan kemudian adalah deklarasi data untuk mendefinisikan variabel
yang menunjukkan keterangan individu dan variabel yang menunjukkan keterangan waktu, dengan
perintah:
xtsetpanelvar timevar, [toptions]
Pada contoh kali ini, variabel waktu ditunjukkan oleh t, variabel individu oleh id, dan dengan periode
waktu tahunan sehingga perintah yang dimasukkan adalah:
xtset id t, year
Jika perintah yang dimasukkan benar, akan didapatkan tampilan seperti berikut:
panel variable: id (strongly balanced)
time variable: t, 1 to 7
delta: 1 year
Note:
Jika setelah memasukkan perintah xtset muncul tampilan error seperti berikut:
varlist: id: string variable not allowed
untuk membuat variabel baru (id2) untuk digunakan pada perintah xtset.
strongly balanced berarti tiap-tiap individu ada datanya untuk setiap periode observasi.
Jika ada satu individu saja yang tidak ada datanya di satu periode, data tersebut menjadi
unbalanced. Meskipun tidak balance, perhitungan model tetap bisa dijalankan.
quarterly: Kuartal
2013
weekly: Mingguan
monthly: Bulanan
halfyearly: Semester
yearly:Tahunan
. xtdes
id: 61251, 1.125e+08, ..., 8.125e+08
n =
tahun: 2002, 2003, ..., 2006
T =
Delta(tahun) = 1 unit
Span(tahun) = 5 periods
(id*tahun uniquely identifies each observation)
Distribution of T_i:
min
1
5%
1
25%
1
50%
3
75%
5
251
5
95%
5
max
5
Freq. Percent
Cum. | Pattern
---------------------------+--------84
33.47
33.47 | 11111
39
15.54
49.00 | ....1
19
7.57
56.57 | 1....
12
4.78
61.35 | ..11.
11
4.38
65.74 | .1111
10
3.98
69.72 | ...1.
9
3.59
73.31 | .1...
9
3.59
76.89 | 1111.
8
3.19
80.08 | 1...1
50
19.92 100.00 | (other patterns)
---------------------------+--------251
100.00
| XXXXX
Perintah lainnya yang mungkin berguna untuk kesimpulan statistika deskriptif data panel adalah:
xtdescribe; xtsum; xtdata; xtline; xttab; xttrans.
Note: untuk beberapa perintah seperti sum dan xtsum, jika variabel yang ingin ditampilkan tidak
didefinisikan, maka summary yang akan muncul adalah summary dari semua variabel.
4
Rumah Ekonometrika | rumahekonometrika.blogspot.com| rumahekonometrika@gmail.com
2013
2.4. Menentukan PLS, FEM, atau REM
Keputusan mengenai model mana yang akan digunakan (PLS, FEM, atau REM) ditentukan setelah
dilakukan sejumlah pengujian.
2.4.1
Pemilihan antara PLS atau FEM ditentukan oleh uji Chow, dengan hipotesa:
H0: PLS
Ha: FEM
Kriteria penolakan: tolak H0 jika Pvalue<
Perintah yang dimasukkan adalah:
xtreglwage exp exp2 wks ed, fe
dengan output:
Number of obs
Number of groups
F(3,3567)
corr(u_i, Xb)
Prob > F
=
2273.74
= -0.9107
=
=
4165
595
7
0.0000
-----------------------------------------------------------------------------lwage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------exp |
.1137879
.0024689
46.09
0.000
.1089473
.1186284
exp2 | -.0004244
.0000546
-7.77
0.000
-.0005315
-.0003173
wks |
.0008359
.0005997
1.39
0.163
-.0003399
.0020116
ed | (omitted)
_cons |
4.596396
.0389061
118.14
0.000
4.520116
4.672677
-------------+---------------------------------------------------------------sigma_u | 1.0362039
sigma_e | .15220316
rho | .97888036
(fraction of variance due to u_i)
-----------------------------------------------------------------------------F test that all u_i=0:
F(594, 3567) =
40.17
Prob > F = 0.0000
Pada output diatas, hasil uji Chow ditunjukkan oleh nilai Prob F yang berada pada sisi kanan bawah.
Pada output tersebut, Pvalue< sehingga H0 ditolak. Artinya, berdasarkan output diatas model yang
dipilih adalah FEM.
Rumah Ekonometrika | rumahekonometrika.blogspot.com| rumahekonometrika@gmail.com
2013
Note: pada perintah xtreg, jika opsi fe tidak dimasukkan maka secara otomatis output yang
dihasilkan adalah Random-effects.
2.4.2
Pemilihan PLS atau REM ditentukan oleh uji LM Test dengan hipotesa:
H0: PLS
Ha: REM
Kriteria penolakan: tolak H0 jika Pvalue<
Pengujian LM Test pada Stata harus didahului oleh perintah xtreg, re. Dengan spesifikasi model yang
telah ditentukan, maka perintah yang dimasukkan adalah:
xtreg lwage exp exp2 wks ed, re
dengan output:
Number of obs
Number of groups
=
=
Wald chi2(4)
Prob > chi2
=
=
4165
595
7
3012.45
0.0000
-----------------------------------------------------------------------------lwage |
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------+---------------------------------------------------------------exp |
.0888609
.0028178
31.54
0.000
.0833382
.0943837
exp2 | -.0007726
.0000623
-12.41
0.000
-.0008946
-.0006505
wks |
.0009658
.0007433
1.30
0.194
-.000491
.0024226
ed |
.1117099
.0060572
18.44
0.000
.0998381
.1235818
_cons |
3.829366
.0936336
40.90
0.000
3.645848
4.012885
-------------+---------------------------------------------------------------sigma_u | .31951859
sigma_e | .15220316
rho | .81505521
(fraction of variance due to u_i)
2013
------------------------------------------------------------------------------
dengan output:
Breusch and Pagan Lagrangian multiplier test for random effects
lwage[id,t] = Xb + u[id] + e[id,t]
Estimated results:
|
Var
sd = sqrt(Var)
---------+----------------------------lwage |
.2129935
.4615122
e |
.0231658
.1522032
u |
.1020921
.3195186
Test:
Var(u) = 0
chi2(1) = 5192.13
Prob > chi2 =
0.0000
Berdasarkan output diatas, diketahui bahwa Pvalue<. Kesimpulannya tolak H0. Berarti model yang
dipilih adalah REM.
2.4.3
Pemilihan PLS atau REM ditentukan oleh uji LM Test dengan hipotesa:
H0: REM
Ha: FEM
Kriteria penolakan: tolak H0 jika Pvalue<
Sebelum melakukan uji Hausman, Stata membutuhkan hasil estimasi FEM dan REM yang telah terlebih
dahulu disimpan menggunakan perintah.
estimatesstore name
Untuk contoh kali ini, asumsikan estimasi FEM disimpan dengan namafixed dan estimasi REM dengan
nama random sehingga perintah yang dimasukkan adalah sebagai berikut:
2013
Setelah hasil estimasi FEM dan REM tersimpan, uji Hausman bisa dilakukan dengan perintah:
hausman fixed random
Ho:
chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B)
=
6191.43
Prob>chi2 =
0.0000
(V_b-V_B is not positive definite)
Berdasarkan output diatas, diketahui bahwa jika Pvalue<.Kesimpulannyatolak H0. Berarti model yang
dipilih adalah FEM.
Note:
Hasil estimasi bisa disimpan dengan nama apa saja yang diinginkan oleh user.
Penggunaan namafixed untuk FEM dan random untuk REM hanya ilustrasi.
Ketika menulis baris perintah uji Hausman, estimasi fixed-effect harus disebutkan lebih
dulu sebelum estimasi random-effect. Untuk contoh diatas, perintah yang benar adalah
hausman fixed random bukan hausman random fixed.
Multikolinearitas
PLS
Untuk model PLS, terdapat dua cara untuk melihat multikolinearitas, yaitu menggunakan partial
collinearity atau variance inflation factor (VIF). Untuk partial collinearity, perintah yang digunakan
adalah:
corrvarlist
2013
correxp exp2 wks ed
|
exp
exp2
wks
ed
-------------+-----------------------------------exp |
1.0000
exp2 |
0.9729
1.0000
wks | -0.0337 -0.0424
1.0000
ed | -0.2182 -0.2162 -0.0067
1.0000
Rule of thumb dari multikolinearity adalah 0.8, artinya jika korelasi antara dua variabel bernilai 0.8
maka kedua variabel tersebut memiliki hubungan linier.Pada contoh diatas, terdapat hubungan linier
antara variabel exp dengan variabel exp2.
Sedangkan untuk VIF, perintah vif dimasukkan setelah perintah regress, sehingga perintahnya adalah:
reg lwage exp exp2 wks ed
vif
Variable |
VIF
1/VIF
-------------+---------------------exp |
18.77
0.053271
exp2 |
18.77
0.053282
ed |
1.05
0.951887
wks |
1.00
0.996914
-------------+---------------------Mean VIF |
9.90
2.5.1.2
Untuk model FEM dan REM, pendeteksian masalah multikolinearitas dilakukan menggunakan metode
VIF.Sama seperti pada penggunaan VIF untuk PLS, perintah vifdimasukkan setelah perintah
xtreg.Bedanya, untuk FEM dan REM perintahnya ditambah dengan opsi uncentered.
xtreg lwage exp exp2 wks ed, fe
vif, uncentered
atau
xtreg lwage exp exp2 wks ed, re
vif, uncentered
Variable |
VIF
1/VIF
-------------+---------------------exp |
72.99
0.013700
exp2 |
36.63
0.027297
wks |
27.30
0.036630
ed |
18.23
0.054869
-------------+----------------------
2013
Mean VIF |
38.79
Output diatas merupakan output VIF untuk model REM. Berdasarkan output tersebut, diketahui bahwa
model REM yang digunakan memiliki masalah multikolinearitas.
Note:Pada contoh Hausman Test, estimasi FEM dan REM disimpan dengan namafixed dan random. Hasil
estimasi tersebut dapat dipanggil kembali menggunakan perintah estimates restore sehingga
untuk contoh VIF dimana perintah vif baru bisa digunakan setelah xtreg, perintah tersebut dapat
diganti menjadi:
estres fixed
vif, uncentered
dan
est res random
vif, uncentered
2.5.2
Heteroskedastisitas
Hipotesa: H0 : homoscedastic
Ha : heteroscedastic
Kriteria penolakan: tolak H0 jika Pvalue<
2.5.2.1
PLS
Perintah untuk heteroscedastic test(hettest) dimasukkan setelah reg. Perintah yang dimasukkan
adalah sebagai berikut:
reg lwage exp exp2 wks ed
hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of lwage
chi2(1)
10
=
0.00
Prob >chi2 =
0.9728
Berdasarkan output diatas, Pvalue>. Kesimpulannya tidak menolak H0. Berarti tidak terdapat
permasalahan heteroskedastisitas dalam model (homoscedastic).
2013
2.5.2.2
FEM
Seperti pengujian heteroskedastis pada model PLS, pengujian pada model FEM dilakukan setelah
perintah xtregsehingga perintah yang dimasukkan adalah:
xtreg lwage exp exp2 wks ed, fe
xttest3
Modified Wald test for groupwise heteroskedasticity
in fixed effect regression model
H0: sigma(i)^2 = sigma^2 for all i
chi2 (595) =
Prob>chi2 =
1.6e+06
0.0000
Berdasarkan output diatas, Pvalue<. Kesimpulannya tolak H0. Berarti terdapat permasalahan
heteroskedastisitas dalam model.
2.5.2.3
REM
Untuk model REM, tidak perlu dilakukan uji heteroskedastis karena sudah menggunakan metode GLS
dalam estimasinya.
2.5.3
Autokorelasi
Hipotesa: H0 : no autocorrelation
Ha : autocorrelation
Kriteria penolakan: tolak H0 jika Pvalue<
2.5.3.1
Pengujian autokorelasi pada model PLS dan FEM menggunakan perintah xtserial diikuti oleh variabel
dependen, dan kemudian variabel independen:
xtserialdepvar indepvars
sehingga
xtserial lwage exp exp2 wks ed
11
2013
Berdasarkan output diatas diketahui bahwa Pvalue<. Kesimpulannya tolak H0. Berarti dalam model
tersebut terdapat permasalahan autokorelasi.
2.5.3.2
REM
Untuk model REM, tidak perlu dilakukan uji autokorelasi karena sudah menggunakan metode GLS
dalam estimasinya.
2.6.1
Kriteria Ekonomi
Pada kriteria ekonomi, yang biasanya dilihat adalah kesesuaian logika arah hubungan antara variabel
dependen dengan variabel independen.
2.6.2
Koefisien Regresi
Sama seperti interpretasi koefisien pada OLS, koefisien regresi pada model panel juga menggambarkan
seberapa besar pengaruh perubahan sebesar satu unit pada variabel independen terhadap variabel
dependen, dengan asumsi variabel lainnya tetap. Khusus untuk model REM, besar pengaruh perubahan
variabel independen terhadap variabel dependen dibaca sebagai rata-rata.
2.6.3
Uji signifikansi parsial digunakan untuk melihat apakah masing-masing variabel independen signifikan
secara statistik mempengaruhi variabel dependen, dengan hipotesa:
12
Selain menggunakan tstat, uji signifikansi parsial juga dapat dilakukan dengan membandingkan Pvalue
masing-masing variabel. Jika Pvalue<, maka tolak H0 (variabel independen signifikan mempengaruhi
variabel dependen)
Rumah Ekonometrika | rumahekonometrika.blogspot.com| rumahekonometrika@gmail.com
2013
2.6.4
Uji signifikansi global digunakan untuk melihat apakah seluruh variabel independen dalam model secara
bersama-sama signifikan secara statistik mempengaruhi variabel dependen, dengan hipotesa:
2.6.5
H0: 1=2=...=n=0
Ha: 11... n0
Goodness of Fit
Digunakan untuk melihat seberapa besar model yang dibangun mampu menjelaskan kondisi
sebenarnya. Ukuran goodness of fit yang umum digunakan adalah R2. Untuk PLS, R2 yang digunakan
adalah R2 yang biasa atau Adj R2, untuk FEM R2-within, sedangkan untuk REM R2-overall.
13
Rumah Ekonometrika | rumahekonometrika.blogspot.com| rumahekonometrika@gmail.com