Anda di halaman 1dari 28

PANEL DATA REGRESSION

A. Pengertian Data Panel


Metode panel adalah metode ekonometrika yang menggabungkan penggunaan data
cross-section dan data time series. Metode ini telah digunakan secara luas dan terus mengalami
perkembangan seiring dengan perkembangan penggunaan data cross-country dalam berbagai
rentang waktu, di antaranya untuk meneliti purchasing power parity, konvergensi pertumbuhan
ekonomi, international R & D spillover dan sebagainya.
Data panel biasa disebut data longitudinal atau data runtun waktu silang (cross-sectional
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.
Menurut Baltagi (1995) ada beberapa keuntungan dari penggunaan data panel:
1. Karena data panel berhubungan dengan individu-individu, perusahaan, negara, dan
sebagainya, dari waktu ke waktu, maka secara otomatis dapat membuatnya memiliki
unobserved heterogeneity pada unit-unit tersebut. Teknik yang digunakan dalam
mengestimasi data panel bisa mengambil unobserved heterogeneity secara eksplisit dan
memasukkannya ke dalam perhitungan dengan membiarkannya untuk variabel spesifik

individu. Dengan kata lain, metode data panel dapat mengontrol unobserved
heterogeneity.
2. Dengan mengkombinasikan data time series dan data cross-section, data panel
memberikan data yang lebih informatif, lebih bervariasi, mengurangi kolinearitas
antarvariabel, memperbesar derajat kebebasan, dan lebih efisien.
3. Dengan menggunakan cross-section yang berulang-ulang dari tahun ke tahun maka kita
dapat mempelajari perubahan dinamis (dynamics of change).
4. Bisa mendeteksi dan mengukur efek suatu variabel pada variabel lainnya dengan lebih
baik daripada hanya dengan menggunakan data time series atau cross-section.
5. Data panel dapat digunakan untuk mempelajari model prilaku (behavioral model) yang
lebih kompleks.
6. Dapat mengurasi bias yang mungkin terjadi bila kita mengaggregasi individu-individu
atau perusahaan-perusahaan ke dalam aggregasi yang luas (Gujarati, 2004, p. 637-638).
Dalam ekonometrika, kita kenal terdapat 3 kelompok data yaitu data runtun waktu (time
series), data silang (cross section), dan data panel (pooled data). Data-data tersebut tentunya
sangat diperlukan dalam penelitian, maupun pengambilan keputusan. Pengumpulan data
biasanya memerlukan waktu yang lama karena dapat melibatkan banyak aktivitas seperti
mendatangi responden, menginput data, menyunting data, maupun menampilkannya dengan
suatu alat analisis tertentu. Berikut akan dibahas beberapa jenis data yang telah kita bahas di atas.
1. Data runtun waktu (time series)
Time series merupakan data yang terdiri atas satu objek tetapi meliputi beberapa periode
waktu misalnya harian, bulanan, mingguan, tahunan, dan lain-lain. Kita dapat melihat
contoh data time series pada data harga saham, data ekspor, data nilai tukar (kurs), data
produksi, dan lain-lain sebagainya. Jika kita amati masing-masing data tersebut terkait
dengan waktu (time) dan terjadi berurutan. Misalnya data produksi minyak sawit dari
tahun 2000 hingga 2009, data kurs Rupiah terhadap dollar Amerika Serikat dari tahun
2000 2006, dan lain-lain. Dengan demikian maka akan sangat mudah untuk mengenali
jenis data ini.
Data time series juga sangat berguna bagi pengambil keputusan untuk memperkirakan
kejadian di masa yang akan datang. Karena diyakini pola perubahan data runtun waktu
beberapa periode masa lampau akan kembali terulang pada masa kini. Data time series

juga biasanya bergantung kepada lag atau selisih. Katakanlah pada beberapa kasus
misalnya produksi dunia komoditas kopi pada tahun sebelumnya akan mempengaruhi
harga kopi dunia pada tahun berikutnya. Dengan demikian maka akan diperlukan data
lag produksi kopi, bukan data aktual harga kopi. Tabel berikut ini akan memperjelas
konsep lag yang mempengaruhi data time series.
Tabel 1. Produksi dan lag produksi kopi dunia tahun 200 2005
Tahun
2000
2001

Produksi Kopi Dunia


(Ton)
7.562.713

Lag Produksi Kopi


-

7.407.986

-154.727

2002

7.876.893

468.907

2003

7.179.592

-697.301

2004

7.582.293

402.701

2005

7.276.333

-305.960

Data lag tersebut kemudian dapat digunakan untuk melihat pengaruh lag produksi
terhadap harga kopi dunia.
2. Data Silang (cross section)
Data silang terdiri dari beberapa objek data pada suatu waktu, misalnya data pada suatu
restoran akan terdiri dari data penjualan, data pembelian bahan baku, data jumlah
karyawan, dan data-data relevan lainnya. Ilustrasinya seperti pada table di bawah ini.
Tabel 2. Perbandingan antara penjualan, pembelian bahan baku, dan jumlah
karyawan pada restoran A, B, dan C pada bulan Januari 2009
Restoran

Penjualan

Pembelian
bahan baku

Jumlah Karyawan

19.587.200

10.300.100

10

23.584.000

16.200.589

15

17.211.000

13.300.251

Dari data tersebut dapat maka dapat dilihat produktivitas pada restoran A, B, dan C.

3. Data Panel (pooled data)

Data panel adalah data yang menggabungkan antara data runtun waktu (time series) dan
data silang (cross section). Karena itu data panel akan memiliki beberapa objek dan
beberapa periode waktu. Contoh data panel dapat dilihat pada table berikut ini.
Tabel 3. Data panel ekspor dan impor kopi Indonesia dan Malaysia pada periode
tahun 2005 2007
Negara

Periode

Ekspor (ton)

Impor (ton)

Indonesia

2005

443.366

1.654

Indonesia

2006

411.721

5.092

Indonesia

2007

320.600

47.937

Malaysia

2005

666

23.826

Malaysia

2006

1.490

35.368

Malaysia

2007

984

42.165

B. Persamaan Regresi Data Panel


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:

Model One Way Data Panel


Dimana:

= Konstanta

= Vektor berukuran P x 1 merupakan parameter hasil estimasi

Xit

= Observasi ke-it dari P variabel bebas

= efek individu yang berbeda-beda untuk setiap individu ke-i

Eit

= error regresi seperti halnya pada model regresi klasik.

Two Way Model adalah model yang mempertimbangkan efek dari waktu atau memasukkan
variabel waktu. Berikut Persamaannya:

Model Two Way Data Panel


Persamaan di atas menunjukkan dimana terdapat tambahan efek waktu yang
dilambangkan dengan deltha yang dapat bersifat tetap ataupun bersifat acak antar tahunnya.
Metode Regresi Data Panel akan memberikan hasil pendugaan yang bersifat Best Linear
Unbiased Estimation (BLUE) jika semua asumsi Gauss Markov terpenuhi diantaranya adalah
non-autcorrelation.
Non-autcorrelation inilah yang sulit terpenuhi pada saat kita melakukan analisis pada
data panel. Sehingga pendugaan parameter tidak lagi bersifat BLUE. Jika data panel dianalisis
dengan pendekatan model-model time series seperti fungsi transfer, maka ada informasi
keragaman dari unit cross section yang diabaikan dalam pemodelan. Salah satu keuntungan dari
analisis regresi data panel adalah mempertimbangkan keragamaan yang terjadi dalam unit cross
section.
Tidak seperti regresi biasanya, regresi data panel harus melalui tahapan penentuan model
estimasi yang tepat. Berikut diagram tahapan dari regresi data panel:

C. Penentuan Model Estimasi:


Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan
melalui tiga pendekatan, antara lain:
1. Common Effect Model atau Pooled Least Square (PLS): Merupakan pendekatan
model data panel yang paling sederhana karena hanya mengkombinasikan data time
series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun
individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai
kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS)
atau teknik kuadrat terkecil untuk mengestimasi model data panel.
2. Fixed Effect Model (FE): 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
estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).
3. Random Effect Model (RE): 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) .
Untuk memilih model yang paling tepat terdapat beberapa pengujian yang dapat
dilakukan, antara lain:
1. Uji Chow-test (pool effect vs fixed effect)
Untuk mengetahui model mana yang lebih baik dalam pengujian data panel, bisa
dilakukan dengan penambahan variabel dummy sehingga dapat diketahui bahwa
intersepnya berbeda dapat diuji dengan uji Statistik F. Uji ini digunakan untuk
mengetahui apakah teknik regresi data panel dengan metode Fixed Effect lebih baik dari
regresi model data panel tanpa variabel dummy atau metode Common Effect. Hipotesis

nul pada uji ini adalah bahwa intersep sama, atau dengan kata lain model yang tepat
untuk regresi data panel adalah Common Effect, dan hipotesis alternatifnya adalah
intersep tidak sama atau model yang tepat untuk regresi data panel adalah Fixed Effect.
Nilai Statistik F hitung akan mengikuti distribusi statistik F dengan derajat
kebebasan (deggre of freedom) sebanyak m untuk numerator dan sebanyak n k untuk
denumerator m merupakan merupakan jumlah restriksi atau pembatasan di dalam model
tanpa variabel dummy. Jumlah restriksi adalah jumlah individu dikurang satu. n
merupakan jumlah observasi dan k merupakan jumlah parameter dalam model Fixed
Effect. Jumlah observasi (n) adalah jumlah individu dikali dengan jumlah periode,
sedangkan jumlah parameter dalam model Fixed Effect (k) adalah jumlah variabel
ditambah jumlah individu. Apabila nilai F hitung lebih besar dari F kritis maka hipotesis
nul ditolak yang artinya model yang tepat untuk regresi data panel adalah model Fixed
Effect. Dan sebaliknya, apabila nilai F hitung lebih kecil dari F kritis maka hipotesis nul
diterima yang artinya model yang tepat untuk regresi data panel adalah model Common
Effect.
Chow test adalah pengujian untuk menentukan model Fixed Effet atau Random
Effect yang paling tepat digunakan dalam mengestimasi data panel.
Apabila Hasil:
H0: Pilih PLS
H1: Pilih FE
2. Uji Hausman
Hausman telah mengembangkan suatu uji untuk memilih apakah metode Fixed
Effect dan metode Random Effect lebih baik dari metode Common Effect. Uji Hausman
ini didasarkan pada ide bahwa Least Squares Dummy Variables (LSDV) dalam metode
metode Fixed Effect dan Generalized Least Squares (GLS) dalam metode Random Effect
adalah efisien sedangkan Ordinary Least Squares (OLS) dalam metode Common Effect
tidak efisien. Dilain pihak, alternatifnya adalah metode OLS efisien dan GLS tidak
efisien. Karena itu, uji hipotesis nulnya adalah hasil estimasi keduanya tidak berbeda
sehingga uji Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut.
Statistik uji Hausman mengikuti distribusi statistik Chi-Squares dengan derajat
kebebasan (df) sebesar jumlah variabel bebas. Hipotesis nulnya adalah bahwa model yang
tepat untuk regresi data panel adalah model Random Effect dan hipotesis alternatifnya

adalah model yang tepat untuk regresi data panel adalah model Fixed Effect. Apabila nilai
statistik Hausman lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak
yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect.
Sebaliknya, apabila nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka
hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah
model Random Effect.
3. Uji Lagrange Multiplier
Uji Lagrange Multiplier (LM) digunakan untuk mengetahui apakah model
Random Effect lebih baik dari model Common Effect. Uji Signifikansi Random Effect ini
dikembangkan oleh Breusch-Pagan. Pengujian didasarkan pada nilai residual dari metode
Common Effect. Uji LM ini didasarkan pada distribusi Chi-Squares dengan derajat
kebebasan (df) sebesar jumlah variabel independen. Hipotesis nulnya adalah bahwa
model yang tepat untuk regresi data panel adalah Common Effect, dan hipotesis
alternatifnya adalah model yang tepat untuk regresi data panel adalah Random Effect.
Apabila nilai LM hitung lebih besar dari nilai kritis Chi-Squares maka hipotesis nul
ditolak yang artinya model yang tepat untuk regresi data panel adalah model Random
Effect. Sebaliknya, apabila nilai LM hitung lebih kecil dari nilai kritis Chi-Squares maka
hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah
model Common Effect.
Dari ketiga uji untuk menentukan Metode Estimasi di atas, digambarkan dalam
grafik di bawah ini:

D. Pengujian Asumsi Klasik


Regresi data panel memberikan alternatif model, Common Effect, Fixed Effect dan
Random Effect. Model Common Effect dan Fixed Effect menggunakan pendekatan Ordinary
Least Squared (OLS) dalam teknik estimasinya, sedangkan Random Effect menggunakan
Generalized Least Squares (GLS) sebagai teknik estimasinya. Uji asumsi klasik yang digunakan
dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas,
Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun demikian, tidak
semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan
OLS.
Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah
diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat
sejauh mana tingkat linieritasnya.
Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang
tidak bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.
Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu
variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.
Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih
dekat ke ciri data cross section dibandingkan time series.
Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias
Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib
dipenuhi.
Dari penjelasan di atas dapat ditarik kesimpulan bahwa pada regresi data panel, tidak
semua uji asumsi klasik yang ada pada metode OLS dipakai, hanya multikolinieritas dan
heteroskedastisitas saja yang diperlukan.

Uji Multikolinieritas
Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model

data panel perlu memenuhi syarat terbebas dari pelanggaran asumsi-asumsi dasar (asumsi
klasik). Meskipun demikian, adanya korelasi yang kuat antara variabel bebas dalam
pembentukan sebuah model (persamaan) sangatlah tidak dianjurkan terjadi, karena hal itu akan
berdampak kepada keakuratan pendugaan parameter, dalam hal ini koefisien regresi, dalam

memperkirakan nilai yang sebenarnya. Korelasi yang kuat antara variabel bebas dinamakan
multikolinieritas.
Menurut Chatterjee dan Price dalam Nachrowi (2002), adanya korelasi antara variabelvariabel bebas menjadikan intepretasi koefisien-koefisien regresi mejadi tidak benar lagi.
Meskipun demikian, bukan berarti korelasi yang terjadi antara variabel-variabel bebas tidak
diperbolehkan, hanya kolinieritas yang sempurna (perfect collinierity) saja yang tidak
diperbolehkan, yaitu terjadinya korelasi linier antara sesama variabel bebasnya. Sedangkan untuk
sifat kolinier yang hampir sempurna (hubungannya tidak bersifat linier atau korelasi mendekati
nol) masih diperbolehkan atau tidak termasuk dalam pelanggaran asumsi.
Ada beberapa cara untuk mengidentifikasi adanya multikolinieritas, dan cara yang paling
mudah adalah dengan mencari nilai koefisien korelasi antar variabel bebas. Koefisien korelasi
antara dua variabel yang bersifat kuantitatif dapat menggunakan coefficient correlation pearson,
dengan rumus sebagai berikut:
Dimana Xi dan Yi adalah variabel bebas yang akan dicari nilai koefisien korelasinya dan n
adalah jumlah data dari kedua variabel bebas tersebut. Nilai mutlak dari koefisien korelasi
besarnya dari nol sampai satu. Semakin mendekati satu, maka dapat dikatakan semakin kuat
hubungan antara kedua variabel tersebut dan artinya semakin besar kemungkinan terjadinya
multikolinieritas.
Uji Heteroskedastisitas
Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model
data panel perlu memenuhi syarat BLUE (Best Linear Unbiased Estimator) atau terbebas dari
pelanggaran asumsi-asumsi dasar (asumsi klasik). Jika dilihat dari ketiga pendekatan yang
dipakai, maka hanya uji heteroskedastisitas saja yang relevan dipakai pada model data panel.
Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang
terbentuk memiliki varians yang konstan atau tidak. Suatu model yang baik adalah model yang
memiliki varians dari setiap gangguan atau residualnya konstan. Heteroskedastisitas adalah
keadaan dimana asumsi tersebut tidak tercapai, dengan kata lain dimana adalah ekspektasi dari
eror dan adalah varians dari eror yang berbeda tiap periode waktu.
Dampak adanya heteroskedastisitas adalah tidak efisiennya proses estimasi, sementara
hasil estimasinya tetap konsisten dan tidak bias. Eksistensi dari masalah heteroskedastisitas akan
menyebabkan hasil Uji-t dan Uji-F menjadi tidak berguna (miss leanding).

Ada beberapa metode yang dapat digunakan untuk menditeksi heteroskedastisitas, tetapi
dalam penelitian ini hanya akan dilakukan dengan menggunakan White Heteroskedasticity Test
pada consistent standard error & covariance. Hasil yang diperlukan dari hasil uji ini adalah nilai
F dan Obs*R-squared, dengan hipotesis sebagai berikut:
H0 : Homoskedasticity
H1 : Heteroskedasticity
Kemudian kita bandingkan antara nilai Obs*R-squares dengan nilai tabel dengan tingkat
kepercayaan tertentu dan derajat kebebasan yang sesuai dengan jumlah variabel bebas. Jika nilai
Uji Heteroskedastisitas

tabel maka H0 diterima, dengan kata lain tidak ada masalah

heteroskedastisitas.
E. Uji Kelayakan (Goodness of Fit) Model Regresi Data Panel
Uji Hipotesis
Menurut Nachrowi (2006), uji hipotesis berguna untuk menguji signifikansi koefisien
regresi yang didapat. Artinya, koefisien regresi yang didapat secara statistik tidak sama dengan
nol, karena jika sama dengan nol maka dapat dikatakan bahwa tidak cukup bukti untuk
menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikatnya. Untuk
kepentingan tersebut, maka semua koefisien regresi harus diuji. Ada dua jenis uji hipotesis
terhadap koefisien regresi yang dapat dilakukan, yaitu:
1. Uji-F
Uji-F diperuntukkan guna melakukan uji hipotesis koefisien (slope) regresi secara
bersamaan, dengan kata lain digunakan untuk memastikan bahwa model yang dipilih
layak atau tidak untuk mengintepretasikan pengaruh variabel bebas terhadap variabel
terikat.
2. Uji-t
Jika Uji-F dipergunakan untuk menguji koefisien regresi secara bersamaaan, maka
Uji-t digunakan untuk menguji koefisien regresi secara individu. Pengujian dilakukan
terhadap koefisien regresi populasi, apakah sama dengan nol, yang berarti variabel bebas
tidak mempunyai pengaruh signifikan terhadap variabel terikat, atau tidak sama dengan nol,
yang berarti variabel bebas mempunyai pengaruh signifikan terhadap variabel terikat.

Koefisien Determinasi
Koefisien Determinasi (Goodness of Fit) dinotasikan dengan R-squares yang merupakan

suatu ukuran yang penting dalam regresi, karena dapat menginformasikan baik atau tidaknya
model regresi yang terestimasi. Nilai Koefisien Determinasi mencerminkan seberapa besar
variasi dari variabel terikat dapat diterangkan oleh variabel bebasnya. Bila nilai Koefisien
Determinasi sama dengan 0, artinya variasi dari variabel terikat tidak dapat diterangkan oleh
variabel-variabel bebasnya sama sekali. Sementara bila nilai Koefisien Determinasi sama dengan
1, artinya variasi variabel terikat secara keseluruhan dapat diterangkan oleh variabel-variabel
bebasnya. Dengan demikian baik atau buruknya suatu persamaan regresi ditentukan oleh Rsquares-nya yang mempunyai nilai antara nol dan satu.
F. Operasionalisasi Regresi Data Panel
1. Pendahuluan (Persiapan/Input data)
Tahap awal dalam Pendahuluan adalah mempersiapkan data. Data panel adalah data
yang memiliki karakteristik cross section dan time series secara bersamaan. Data cross
section adalah data yang terdiri lebih dari 1 (satu) entitas, contohnya Perusahaan, Negara,
Individu, Institusi, Departemen dan lain-lain. Sedangkan untuk data time series adalah data satu
entitas dengan dimensi waktu/periode yang panjang atau tidak satu waktu/periode saja. Satuan
waktu dapat disesuaikan dengan tujuan penelitian, misalnya bulanan, triwulan, semesteran, atau
tahunan.
Berikut ini adalah contoh data panel yang terdiri dari 4 (empat) perusahaan, yaitu:
IBM, Goodyear, Union Oil dan US Stell. Dari masing-masing perusahaan tersedia data
dalam tahunan, 1935 1954. Adapun variabel penelitiannya adalah Nilai Investasi (INV)
sebagai variabel terikat (dependent variable). Harga Saham (HS) dan Nilai Aktual Kapital di
awal periode (NAK) sebagai variabel bebas (independent variable).
Contoh ini ingin melihat pengaruh Harga Saham (HS) dan Nilai Aktual Kapital di awal
periode (NAK) terhadap Nilai Investasi (INV), dengan model regresinya
INVit = 0 + 1 HSit + 2 NAKit + eit
Tabel Data Untuk Uji Regresi Data Panel

FIRM Tahun
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
IBM
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
GOOD
UO
UO
UO
UO
UO
UO
UO

1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1935
1936
1937
1938
1939
1940
1941

INV

HS

NAK

20.36
25.98
25.94
27.53
24.60
28.54
43.41
42.81
27.84
32.60
39.03
50.17
51.85
64.03
68.16
73.34
95.30
99.49
127.52
135.72
26.63
23.39
30.65
20.89
28.78
26.93
32.08
32.21
35.69
62.47
52.32
56.95
54.32
40.53
32.54
43.48
56.49
65.98
66.11
49.34
24.43
23.21
32.78
32.54
26.65
33.71
43.50

197.00
210.30
223.10
216.70
286.40
298.00
276.90
272.60
287.40
330.30
324.40
401.90
407.40
409.20
482.20
673.80
676.90
702.00
793.50
927.30
290.60
291.10
335.00
246.00
356.20
289.80
268.20
213.30
348.20
374.20
387.20
347.40
291.90
297.20
276.90
274.60
339.90
474.80
496.00
474.50
138.00
200.10
210.10
161.20
161.70
145.10
110.60

6.50
15.80
27.70
39.20
48.60
52.50
61.50
80.50
94.40
92.60
92.30
94.20
111.40
127.40
149.30
164.40
177.20
200.00
211.50
238.70
162.00
174.00
183.00
198.00
208.00
223.00
234.00
248.00
274.00
282.00
316.00
302.00
333.00
359.00
370.00
376.00
391.00
414.00
443.00
468.00
100.20
125.00
142.40
165.10
194.80
222.90
252.10

UO
UO
UO
UO
UO
UO
UO
UO
UO
UO
UO
UO
UO
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US

1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954

34.46
44.28
70.80
44.12
48.98
48.51
50.00
50.59
42.53
64.77
72.68
73.86
89.51
209.90
355.30
469.90
262.30
230.40
361.60
472.80
445.60
361.60
288.20
258.70
420.30
420.50
494.50
405.10
418.80
588.20
645.20
641.00
459.30

98.10
108.80
118.20
126.50
156.70
119.40
129.10
134.80
140.80
179.00
178.10
186.80
192.70
1362.40
1807.10
2676.30
1801.90
1957.30
2202.90
2380.50
2168.60
1985.10
1813.90
1850.20
2067.70
1796.70
1625.80
1667.00
1677.40
2289.50
2159.40
2031.30
2115.50

276.30
300.30
318.20
336.20
351.20
373.60
389.40
406.70
429.50
450.60
466.90
486.20
511.30
53.80
50.50
118.10
260.20
312.70
254.20
261.40
298.70
301.80
279.10
213.80
232.60
264.80
306.90
351.10
357.80
342.10
444.20
623.60
669.70

Setelah data siap, langkah selanjutnya (Tahap Kedua) dari Pendahuluan adalah
menyiapkan template pada software Eviews yang sesuai dengan data penelitian kita. Berikut
ini adalah tahapan-tahapannya:
a) Buka Aplikasi Eviews, maka akan muncul tampilan seperti berikut

b) Buka File Kerja (Workfile) dengan cara klik : File =>New =>Workfile

Maka akan muncul jendela Workfile Create, yang terdiri dari Workfile structure
type, Date specification, Workfile name (optional).

c) Membuat Workfile. Sesuai dengan contoh data yang telah disiapkan, 4 (empat) Perusahaan
dengan periode tahunan, 1935 1954, maka pada: Workfile structure type, pilih Balanced
Panel

Date (Panel) specification, pilih Annual pada Frequency, Start date isi 1935, End
date isi 1954 dan Number of cross section isi 4. Jika data Anda terdiri dari 6 (enam)
perusahaan dengan periode triwulanan, misal triwulan pertama tahun 2008 sampai triwulan
keempat 2013, maka pilih Quartely pada Frequency,Start date isi 2008.1 atau 2008:1, End
date isi 2013.4 atau 2013:4 dan Number of cross section isi 6.

Workfile name (optional), isi WF sesuai dengan nama file yang diinginkan,
misalnya Latihan. Sedangkan untuk Page dapat dikosongkan.

Setelah semuanya terisi klik

, maka akan muncul tampilan seperti berikut ini :

d) Membuat template untuk variabel penelitian, dalam hal ini adalah Nilai Investasi (INV),
Harga Saham (HS) dan Nilai Aktual Kapital di awal periode (NAK). Caranya klik
Object=>New Object

Maka akan muncul tampilah seperti ini :

Lalu pada Type of object pilih Series dan pada Name of object isi nama 1 (satu)
variabel saja, misal INV (tidak harus huruf besar dan tidak boleh pakai spasi), setelah itu
klik

. Karena variabel penelitian pada contoh ini 3 (tiga) maka lakukan langkah ini

sebanyak 3 (tiga) kali.

Setelah itu variabel INV, HS dan NAK yang tadinya belum ada template-nya di
Workfile, maka sekarang sudah ada, seperti tertampil pada gambar berikut ini:

Setelah semua template Eviews siap, Tahap Ketiga adalah mengimpor data dari file
Excel ke Workfile Eviews. Impor data dilakukan dengan cara copy-paste baik secara satu
persatu (variabel) atau secara sekaligus (semua variabel).
Klik semua variabel (cara sekaligus) dalam Workfile secara berurutan sesuai dengan
format urutan yang ada di file Excel, dalam contoh urutan variabel adalah INV, HS, dan NAK,
maka tahan tombol Ctrl, lalu klik

diikuti dengan

dan

. Setelah itu

klik kanan pada mouse, klik Open =>as Group dan akhirnya akan muncul tampilan sebagai

berikut:

Klik

, setelah itu copy data INV, HS dan NAK yang ada pada file Excel kedalam

template Group: UNTITLED workfile Eviews secara bersama-sama (paste). Lalu klik
kembali dan tutup (jendela) Group: UNTITLED (dengan cara klik pada kanan atas) tanpa

harus menyimpannya (jika ada pilihan untuk Delete Untitled GROUP pilih

). Untuk

memastikan bahwa data telah terisi dengan sempurna, maka klik satu per satu variabel (INV,
HS dan NAK) sekali lagi dan tutup kembali.
2. Estimasi (Membuat Persamaan) Regresi Data Panel
Dalam software Eviews, estimasi model/persamaan (Equation Estimation) dilakukan
dengan cara memunculkan jendela Equation Estimation, lalu menuliskan persamaan/model yang
akan diestimasi dalam jendela Equation Estimation. Ada beberapa cara untuk melakukannya
(disini ditunjukkan hanya satu cara).
Caranya bisa dengan cara klik Quick => Equation Estimation

Lalu akan muncul jendela Equation Estimation yang terdiri dari 3 (tiga) bagian,
Specification, Panel Option dan Option. Pada bagian Specification ada Equation specification
dan Estimation setting.
Pada

Equation specification tuliskan

semua

variabel

penelitian

yang akan

dimasukkan ke dalam model dengan spasi sebagai pemisahnya (tertulis : log(INV) log(HS)
log(NAK) C atau log(INV) C log(HS) log(NAK)). Variabel terikat selalu paling kiri, setelah
itu variabel bebas dan konstanta/intersep, C. Penulisan log(NAMA VARIABEL) dimaksudkan
untuk mentransformasi variabel dengan logaritma natural sesuai dengan model yang
diinginkan di awal dan bukan merupakan suatu keharusan.
Sedangkan pada Estimation setting (pastikan) pilihan Method : LS Least Squares
(LS and AR).

Setelah itu klik ok maka akan menghasilkan output seperti ini :

Sampai tahap ini estimasi model regresi data panel telah dilakukan. Model yang
terbentuk adalah Model Common Effect (CE), default Eviews. Apabila ingin mengulangi
pembentukan (estimasi) model, cukup klik

nanti akan muncul tampilan Equation

yang terdiri dari 3 (tiga) bagian, Specification, Panel Option dan Option kembali
(sebagaimana yang telah dijelaskan sebelumnya).
Guna meng-estimasi model yang dibentuk, apakah Common Effect (CE), Fixed Effect (FE)
atau Random Effect (RE) maka pada saat muncul jendela Equation Estimation dibagian
Panel Option, ada Effect specification, Weights, dan Coef covariance method

Jika ingin memilih model CE maka pastikan pada :


Effect specification, Cross-section
Period
Weights,
GLS Weights
Coef covariance method
Baru klik

: None
: None
: No weights
: Ordinary

. Maka akan muncul tampilan seperti ini:

Jika ingin memilih model FE maka pastikan pada :


Effect specification, Cross-section : Fixed
Period
: None
Weights,
GLS Weights : No weights
Coef covariance method
: Ordinary
Baru klik
. Maka akan muncul tampilan seperti ini:

Jika ingin memilih model RE maka pastikan pada :


Effect specification, Cross-section : Random
Period
: None
Weights,
GLS Weights : No weights
Coef covariance method
: Ordinary
Baru klik
. Maka akan muncul tampilan seperti ini:

Sebagai catatan, model RE hanya dapat diestimasi pada saat jumlah


entitas/perusahaan lebih banyak daripada jumlah varibel bebas.
3. Pemilihan Model
Dari ketiga model yang telah di-estimasi akan dipilih model mana yang paling
tepat/sesuai dengan tujuan penelitian. Ada tiga uji (test) yang dapat dijadikan alat dalam
memilih model regresi data panel(CE, FE atau RE) berdasarkan karakteristik data yang dimiliki,
yaitu: F Test (Chow Test), Hausman Test dan Langrangge Multiplier (LM) Test. Ketiga uji

ini dilakukan pada jendela model1.


F Test (Chow Test)
Dilakukan untuk membandingkan/memilih model mana yang terbaik antara CE dan FE.
Pertama, pastikan bahwa model1 telah tertampil pada jendela model FE, setelah itu klik : View
=> Fixed/Random Effects Testing => Redundant Fixed Effects Likelihood Ratio

Maka akan muncul tampil seperti ini :

Dari tampilan di atas cukup perhatikan tabel yang paling atas saja. Perhatikan nilai
probabilitas (Prob.) untuk Cross-section F. Jika nilainya > 0,05 (ditentukan di awal sebagai
tingkat signifikansi atau alpha) maka model yang terpilih adalah CE, tetapi jika < 0,05
maka model yang terpilih adalah FE. Pada tabel yang paling atas terlihat bahwa nilai Prob.
Cross-section F sebesar 0,0000 yang nilainya < 0,05 sehingga dapat disimpulkan bahwa model
FE lebih tepat dibandingkan dengan model CE untuk kasus contoh WorkfileLatihan.

Hausman Test
Dilakukan untuk membandingkan/memilih model mana yang terbaik antara FE dan RE.
Pertama pastikan bahwa pada jendela model1 telah tertampil model RE, setelah itu klik : View
=> Fixed/Random Effects Testing => Correlated Random Effects Hausman Test

Maka akan muncul tampil seperti ini :

Dari tampilan di atas cukup perhatikan tabel yang paling atas saja. Perhatikan nilai
probabilitas (Prob.) Cross-section random. Jika nilainya > 0,05 maka model yang terpilih adalah
RE, tetapi jika < 0,05 maka model yang terpilih adalah FE. Pada tabel yang paling atas terlihat
bahwa nilai Prob. Cross-section random sebesar 0,6031 yang nilainya > 0,05 sehingga dapat
disimpulkan bahwa model RE lebih tepat dibandingkan dengan model FE untuk kasus contoh
WorkfileLatihan.
Dari dua uji pemilihan model dapat disimpulkan bahwa untuk kasus Workfile Latihan
model RE lebih baik daripada model FE dan CE, tanpa harus dilakukan uji selanjutnya (LM
Test).

Hasil ini sejalan dengan Uji Chow dan Uji Hausman yang menyatakan bahwa model
yang terpilih dari ketiga model yang mungkin adalah model Random Effect (RE).
4. Penyembuhan Heteroskedastisitas
Heteroskedastisitas biasanya terjadi pada jenis data cross section. Karena regresi data
panel memiliki karakteristik tersebut, maka ada kemungkinan terjadi heteroskedastisitas. Dari
ketiga model regresi data panel hanya CE dan FE saja yang memungkinkan terjadinya
heteroskedastisitas, sedangkan RE tidak terjadi.Hal ini dikarenakan estimasi CE dan FE masih
menggunakan pendekatan Ordinary Least Square (OLS) sedangkan RE sudah menggunakan
Generalize Least Square (GLS) yang merupakan salah satu teknik penyembuhan regresi.
Untuk membandingkan apakah model CE terjadi heteroskedastisitas atau tidak, dapat
dilakukan dengan cara membandingan hasil antara model CE tanpa pembobotan (unweighted)
dan model CE dengan pembobotan (weighted). Sebagai contoh pada Workfile Latihan. Output
model CE tanpa pembobotan (unweighted)

Output model CE dengan pembobotan (weighted)

Untuk mendapatkan hasil di atas pada saat estimasi (atau klik

) di bagian Panel

Option, Weights, di GLS Weights pilih Cross-section weights

Berikut ini hasil pembandingan kedua model CE :


Parameter

CE unweighted

CE weighted

Prob. t-Statistic

Ketiganya < 0,05

Ketiganya < 0,05

R-squared

0,846486

0,900174

Prob(F-statistic)

0,00000

0,00000

Berdasarkan 3 (tiga) parameter di atas pada dasarnya tidak terdapat perbedaan yang
terlalu signifikan, hanya pada R-squared saja yang mana model CE weighted lebih besar (lebih
baik) sehingga dapat disimpulkan tidak terjadi heteroskedastisitas pada model CE.Untuk
pengujian heteroskedastisitas pada model FE memiliki prosedur dan aturan yang sama

Anda mungkin juga menyukai