Daftar Isi

1. Pendahuluan .......................................................................................................................2
2. Beberapa Konsep dari Teori Peluang ..................................................................................2
2.1. Sifat-sifat Variabel Random.........................................................................................2
2.2. Konsep Konvergensi Variabel Random........................................................................3
2.3. Stationarity (Weak)......................................................................................................4
2.4. Definisi Martingale Difference Sequence (m.d.s) .........................................................4
2.5. Teorema (Delta Method)..............................................................................................5
3. Estimator............................................................................................................................5
4. Ordinary Least Square (OLS) .............................................................................................6
4.1. Teorema Gauss-Markov...............................................................................................7
5. Perluasan dari OLS.............................................................................................................9
6. Generalized Least Square (GLS).......................................................................................12
6.1. Teorema Gauss-Markov-Aitken .................................................................................12
7. Model Panel Linear ..........................................................................................................14
7.1. Model 1 : Model efek tetap satu arah .........................................................................14
7.1.1. Metode estimasi dengan Least Square Dummy Variable (LSDV)........................15
7.1.2. Metode Transformasi Fixed Effect (QFE).............................................................17
7.1.3. Estimasi GLS dengan matriks yang singular...................................................22
7.1.4. Perkalian Kronecker (Kronecker Product) ...........................................................23
7.1.5. Hubungan antara FE dan LSDV ........................................................................24
7.2. Model Fixed Effect Two-Way....................................................................................26
7.3. Model Random Effect One Way ( d t = 0 ) ..................................................................28
7.4. Model Random Effect Two Way................................................................................30
8. Uji Spesifikasi Model Panel..............................................................................................32
8.1. Uji Breusch-Pagan .....................................................................................................32
8.2. Uji Haussman ............................................................................................................32
8.3. Uji Wald ....................................................................................................................33
9. Perluasan Model Standar ..................................................................................................33
10. Analisa data Panel dengan Eviews 4.0 ............................................................................35
10.1. Pendahuluan ............................................................................................................35
10.2. Model ......................................................................................................................35
10.2.1. Pooled regression ..............................................................................................35
10.2.2. Model Fixed-Effect ...........................................................................................35
10.2.3. Model Random Effect........................................................................................36
10.2.4. Specification test...............................................................................................36
10.3. Penjelasan mengenai data.....................................................................................37
10.4. Langkah-langkah Analisa data dengan EViews ........................................................38
10.4.1. Mempersiapkan data .............................................................................................39
10.4.2. Analisa model .......................................................................................................42
Referensi ..............................................................................................................................52

1. Pendahuluan
Tipe Data
Tipe data menurut waktu :
1. Time Series
Data time series yaitu data yang dikumpulkan menurut urutan waktu (harian, mingguan,
bulanan, tahunan). Contoh : Data harga harian saham.
2. Cross Section
Data cross section yaitu data yang dikumpulkan pada satu titik waktu untuk sejumlah
variabel dan sejumlah objek tertentu.
Contoh :
-

Pendapatan Asli Daerah (PAD), Jumlah Penduduk tahun 2004/2005 di DIY

Pendapatan, Tingkat Konsumsi tahun 2005/2006 pada 100 keluarga di RT 3 RW 5

Penjualan, Iklan, Harga tahun 2004 pada 32 propinsi di Indonesia

3. Panel Data
Panel data (pooling data) yaitu data yang dikumpulkan dalam kurun waktu tertentu untuk
sejumlah variabel dan sejumlah objek tertentu (objek tempat)(longitudinal, micropanel)
Contoh :
-

Pendapatan Asli Daerah, Jumlah penduduk pada 10 tahun terakhir di DIY

Pendapatan, tingkat konsumsi pada bulan Januari 2005.

.......
.

Kab. Sleman
PAD

.......
.

Kodya Jogja
PAD

.......
.

Tahun
1994/1995

2004/2005

PAD

PAD

2. Beberapa Konsep dari Teori Peluang

2.1. Sifat-sifat Variabel Random
1. Variabel random X adalah suatu fungsi yang memetakan setiap elemen dalam suatu
ruang probabilitas (, , ) ke bilangan real X() yang bersifat B measurable.
2. Fungsi Distribusi (Kumulatif)

F(x) = P(X x)

3. Fungsi Densitas (peluang)

H(x) = dF(x) / dx (jika ada)

4. Ekspektasi

E ( x ) = x( )dP( )

5. Kovariansi

Cov(X,Y) = E(XY) E(X)E(Y)

6. Variansi

V(X) = Cov(X,X)

7. X,Y tidak berkorelasi

Cov(X,Y) = 0

8. Independen
F(X,Y) fungsi distribusi gabungan dari X,Y maka X,Y independent jika dan hanya jika
F(X,Y) = FX(x) FY(y)

2.2. Konsep Konvergensi Variabel Random

1. Konverensi dalam probabilitas
Diberikan variabel random Xn yang bernilai skalar dikatakan konvergen ke variabel
P

X 0 jika P( X n X 0 > ) 0
random X0 dalam probabilitas ditulis X n

2. Limit in Mean Square

Barisan variabel random Xn yang bernilai skalar dikatakan konvergen in mean square ke
.s
X 0 atau l.i.m X n X 0 jika E ( X n X 0 ) 2 0 , untuk n
X0 ditulis X n m

3. Almost Sure Convergence (Convergence with Probability 1).

Barisan variabel random Xn yang bernilai skalar dikatakan almost sure ke variabel random
a. s
X0 ditulis X n
X 0 jika P{ :x n ( )
x( )} = 1

4. Konvergensi dalam distribusi.

Barisan variabel Xn yang bernilai skalar dikatakan konvergen dalam distribusi ke variabel
d
random X0 X n

X 0 jika untuk setiap titik X yang merupakan titik kontinu dari F0(x)

(Fungsi distribusi dari X0), maka berlaku

Fn ( x )
F0 ( x) , n
dengan Fn(.) adalah fungsi distribusi dari Xn.
Beberapa sifat konvergensi variabel random :
a.s
P
1. X n
X0 Xn

X0
P
2. l.i.m X n X 0 X n

X0
P
d
3. X n

X0 X n

X0

4. Teorema Slutsky
Diketahui fungsi g : m merupakan fungsi kontinu pada m . Dimiliki X0 suatu
P
P
konstanta maka : Jika X n

X 0 g( X n )

g( X 0 )

Cth: 1/Xnbar-> 1/mu

5. Continuous Mapping Theorem

Diberikan fungsi g : m merupakan fungsi kontinu pada m . Dimiliki X0 suatu

d
d
konstanta maka : Jika X n
X 0 g( X n )

g( X 0 )

Cth: CLT, Zn^2-> chisq(1)

6. Teorema Cramer
d
p
Jika X n
X 0 dan Yn
a , dimana a suatu konstanta maka
d
(i) ( X n + Yn )

X0 + a

d
(ii) X n Yn

aX 0

2.3. Stationarity (Weak)

Diberikan suatu proses stokastik {Yt , t Z } disebut stationer jika :
a) E (Yt ) = (tidak tergantung waktu)
b) E (Yt Yt ' )
c) E (Yt Yt ' s ) = ( s ) , yakni independen terhadap t.
Cth: dengan grafik! Untuk data real misal saham
Tujuan mengamati proses stasioner:
Definisi kovariansi, proses stokastik

Teorema Law of Large Number (LLN)

Dimiliki Yt proses stasioner (univariat) dimana E (Yt ) =

Y =

dan

(s) <

maka

s =

1 T
P
Yt

T t =1

2.4. Definisi Martingale Difference Sequence (m.d.s)

Misalkan {Xt, t Z } menunjukkan barisan variable random dan Ft adalah barisan -algebra
yang non-decreasing (yakni Ft Ft +1 , t Z ). Maka Xt disebut suatu martingale difference
sequence jika E ( X t | Ft 1 ) = 0 yang berarti ekspektasi dari Xt diberikan semua informasi pada
masa lampau (sampai dengan s < t) akan bernilai nol.
Contoh: Xt : harga kurs rupiah versus dollar
t = hari ini

Ft-1 : semua informasi sampai dengan kemarin.

Plot data juga!

Teorema Limit Pusat (Central Limit Theorem)

4

Diberikan Xn dan didefinisikan Sn = X1 + X2 + ... + Xn maka

Jika

Sn E (Sn )
Var ( S n )

N (0,1) , untuk n

Misalkan {Yt, t N } m.d.s dengan variansi berhingga yakni E (Yt 2 ) . Misalkan juga
variansi bersyarat : E (Yt 2 | Ft 1 ) = t2 (konstan).
T

Selanjutnya didefinisikan : S T2 = t2 .
t =1

Misalkan saja terdapat konstanta C t2 sedemikian hingga E (

dalam t untuk N dan sup

T (max C t2 )
1 t T
2
t

T N

< maka

1
S t2

Yt 2 Yt 2
|
> N ) 0 secara uniform
C t2 C t2

Y
t =1

Z dan Z ~ N(0,1)

Cramer-Wold Device
Diberikan suatu variabel random {Yt, t N } s konvergen dalam distribusi ke distribusi
normal multivariat jika dan hanya jika untuk sembarang vektor s maka barisnya ( ' Yt ) ,
t N konvergen dalam distribusi ke distribusi normal univariat.

2.5. Teorema (Delta Method)

Misalkan dimiliki Yt p jika dan hanya jika

d
t (Yt Y0 )

Z dimana Yt sutu konstanta

(vektor) dan Z berdistribusi normal multivariat dengan mean 0 dan variansi V.

Misalkan g : p m yang kontinu dan terdiferensial pada Y0 maka
d
t ( g (Yt ) g (Y0 ))

g Z dimana g merupakan Gradien dari g yang dievaluasi pada Y0.

3. Estimator
Model : Yt = f ( X t , t , )
Definisi estimator : suatu estimator dari vektor parameter diberikan observasi Yt, Xt,
untuk t = 1, 2, ..., T adalah mapping : = ( s )T (k )T

[Y , Y , ...,Y , X , X
'
1

'
2

'
T

'
1

'
2

, ..., X T' Y1 , Y2 , ..., Yt , X 1 , X 2 , ..., X t

Sifat-sifat estimator :
1. Tak bias : E ( ) =
2. Asimtotik tak bias : lim E ( T ) =
T

P
3. Konsisten (weak) :

4. Asimtotik Normal :

d
T ( E ( ))
Z untuk T

Dimana Z ~ N (0, Z ) dimana Z matriks variansi asimtotik.

Atau dapat juga ditulis ~ AN ( E ( ), T1 Z )

4. Ordinary Least Square (OLS)

Misalkan Yt menyatakan variabel output (dependen) dan X t' = [ X t1..... X tK ] K .
Selanjutnya asumsikan data Yt dan Xt dapat diamati pada t = 1, 2, ..., T.
Diamati model linear : Yt = X t' + u t , t =1, 2, ..., T
Definisikan :

y1
u1


x11 x1k

y2
u
Y = , X = dan u = 2

x x


ik
i1
y
u
t
i
maka persamaan di atas dapat ditulis Y = X + u
Asumsi OLS
1. X bersifat deterministik
2. Rank(x) = k, x full rank
3. E (u ) = 0
4. E (uu ' ) = 2 I
5. 2 0 , tidak ada batasan untuk nilai
6. u berdistribusi normal multivariat.
Estimator OLS :

OLS = arg min (u ' u ) = arg min (Y X )' (Y X ) = arg min (Y ' Y 2 ' X ' X + ' X ' X )
R K

Misal S ( ) = u ' u maka

R K

R K

S ( )
= 0 2 X ' Y + 2 X ' X = 0
'

Jadi OLS = ( X ' X ) 1 X ' Y

4.1. Teorema Gauss-Markov

Dibawah asumsi OLS1 OLS5, estimator OLS bersifat BLUE (Best Linear Unbiased
Estimator), yakni : E ( OLS ) = , V ( OLS ) = dan variansi minimum dalam kelas
semua estimator yang linear (dalam Yt) dan unbiased.

Asumsi OLS Asimtotik :

7.

1
X ' X M > 0 untuk T (seperti asumsi Law of Laplace Number)
T

Teorema :
P
Dibawah asumsi OLS1 OLS5 dan OLS asimtotik akan berlaku : OLS

Selanjutnya dengan asumsi tambahan OLS6 :

d
T ( OLS )

2 1
di mana Z ~ N (0, 2 M 1 ) dan OLS ~ AN ,
M
T

Bukti : OLS = ( X ' X ) 1 X ' Y

Ket :

OLS7 / OLS asimtotik

= ( X ' X ) 1 X ' ( X + u )

= + ( X ' X ) 1 X ' u

M 1

=+

( X ' X ) 1 X ' u
T
T

Teorema Slutsky

P
OLS

X 'u 1 T
= X t u t adalah jumlahan variabel random independen, non identically
T
T t =1

distribution.
E ( X t u t ) = E ( X t ) E (u t ) dengan OLS3 didapat E ( X t u t ) = 0

V( X t u t ) = E ( X t u t u t' X t' ) = X t E (u t u t' ) X t' dengan OLS1, X deterministik

= X t X t' 2 dengan OLS4, E (u t u t' ) = 2 I

Asumsikan
(

V ( X t ut ) <

(jika

2 <)

maka

diperoleh

dari

LLN,

1 n
P
E( X t t ) )
X t t
n t =1

 = + ( X ' X ) 1 X ' u = ( X ' X ) 1 X ' u

1

X ' X X 'u
T ( ) =

T
 T
M 1

X 'u
1 T

X 'u
E
= 2 lim X t X t' = 2 M
= 0 , lim V
T
T T
t =1

T
T
X 'u
Didapat
adalah jumlahan variabel independen non identically distributed
T
random vector.
1
X 'u
Dengan central limit theorem,
=
T
T

X
t =1

d
ut

N (0, 2 M )

d
T ( )

N (0, 2 M 1 M ( M 1 )' )

Sehingga didapat :

d
T ( )

N (0, 2 ( M 1 )' ) oleh karena ( M 1 )' = M 1

d
T ( )

N (0, 2 M 1 )

Estimator untuk V (u t ) = 2 I
Residual : u t = Yt X t' OLS
Estimator untuk 2 :

2 =

1
T K

u
t =1

2
t

, dengan K : banyaknya parameter dan T : banyaknya sampel

2 bersifat tak bias dan estimator yang konsisten.

u = Y X
= Y XX + Y , dimana X + = ( X ' X ) 1 X '

= ( I T XX + ) Y = PY dimana P = matriks proyektor dan PP ' = P , PX = 0



P

= P ( X + u ) = P u
T

SSE = u ' u = (Yt X t' ) 2

t =1

= ( P u )' ( P u ) = u ' P ' P u

= u ' P u skalar
E ( SSE ) = E (u ' P u )
= E (tr. u ' P u ) u ' M u skalar = trace

= E (tr. P u u ' ) tr. ABC = tr. BCA

= tr. P E (uu ' ) = tr. P 2 I
= (T K ) 2

E
SSE = 2
T K

Catatan : tr. P = tr. ( I T ) tr. X ( X ' X ) 1 X '

= tr. I T tr. ( X ' X ) 1 X ' X = T K


IK

Teorema : Dibawah asumsi OLS1 OLS6 dan OLS7 :

X'X
= 2

konsisten untuk 2 M 1 .

d
T ( OLS )

Z dimana Z ~ N (0, 2 M 1 ) .

5. Perluasan dari OLS

1. X bersifat stokastik
Pada asumsi OLS, X bersifat deterministik untuk beberapa model linear (misal proses
AR(1) : Yt = aYt 1 + u t . Asumsi bahwa X bersifat deterministik tidak dipenuhi.
Pada keadaan X deterministik maka ut dan Xt independen. Pada keadaan X stokastik dapat
diasumsikan ut dan Xt independen, yakni dimiliki asumsi OLS.
a) Xt adalah barisan variabel random dengan Xt independen us
b) Rank (XX) = k almost sure (a.s)
Maka diperoleh teorema sebagai berikut :
Teorema : Jika asumsi OLS1 dan OLS2 diganti dengan OLS1 dan OLS2 maka estimator

masih merupakan BLUE.

Bukti : Untuk bukti, dapat digunakan argumen Law of Iterated Expectation (LIE)
Jika X dan Y adalah 2 variabel random maka didapat : E ( E (Y | X )) = E (Y )
Karena Xt dan us independen Vt, maka dalam pembuktian dapat diunakan LIE dengan
pertama-tama memberikan kondisi Xt, t = 1, 2, ..., T diketahui yang artinya secara
mendasar adalah kita dapat memandang Xt bersifat deterministik di bawa asumsi X
deterministik, OLS dapat dibuktikan BLUE.

Model Yt = 0 + 1 X 1t + t merupakan model deterministik jika X tidak mengandung nilai

lag atau forward ( Yt 1 . X t 1 , Yt +1 . X t +1 )

Asumsi Ordinary Least Square (OLS)

1. Xt adalah barisan variabel Xt independen us
2. Rank (XX) = k almost sure (a.s)
Pada proses AR(1) : Yt = Yt 1 + u t , asumsi OLS1 tidak dipenuhi karena Yt tidak independen
dengan us, s < t.
Maka asumsi OLS sering diubah menjadi asumsi OLS-Stoch
1. Xt barisan variabel random, Xt dan us independen, s t
2. E ( X t X t' ) = M > 0
3.

1 T
P
X t X t'

T t =1

4. ut iid E (u t ) = 0 , E (u t4 ) <
5. Distribusi Xt ut tidak bergantung pada t
6. E ( X t X t' | X t1 , u t 1 , X t 2 , u t 2 , ...)
Teorema
1. Dibawah asumsi OLS stoch, maka OLS estimator OLS konsisten dan AN (0, 2 )
Bukti : OLS = ( X ' X ) 1 X ' u
1

1
1 T
1
1
= X'X
X ' u dimana X ' u = X t u t
T
T t =1
T
T
E ( X t u t ) = E ( E ( X t u t | X t ))
= E ( X t E (u t | X t ))
= E ( X t ).E (u t | X t )
= E ( X t ).E (u t )
=0

E ( X t u t u s X s' ) = E ( E ( X t u t u s X s' | X t , u s , X s )), s < t

= ( E ( X t u s X s' E (u t | X t , u s , X s ))), s < t
Oleh karena u t , X t independen dan menurut OLS1 Stoch: u t , u s , X t independen
s < t maka
E ( X t u t u s X s' ) = E (u t ) = 0

10

Karena X t u t memenuhi asumsi LLN

1 T
P
E ( X t ut )
X t ut
T t =1

1
1

X ' X X 'u
T
T

OLS =

Asimtotik Normal :

X u
t =1

T ( OLS

1
1

X 'u
) = X'X
T  T


M

d
N (0, 2 M )

E ( X t u t | X t 1 X t 2 .....u t 1 u t 2 .....)

= E ( E ( X t u t | X t X t 1 ..... u t u t 1 ..... | X t 1 X t 2 ..... u t 1 u t 2 .....)

= E ( X t X t' 2 | X t 1 X t 2 ..... u t 1 u t 2 .....)
= 2 M konstanta independen dengan t
2
2
Sehingga S T = T M

u t2 X t X t' | C t2 akan uniform (di OLS6 Stoch) dimana Ct = C < dapat ditentukan /
dipilih.
1

X u
t =1

d
Z dengan Z ~ N (0, 2 M )

Sehingga diperoleh :

d
T OLS

Z dengan Z ~ N (0, 2 M 1 )

2. Apabila asumsi rank X K yakni terjadi multikolinearitas

-

Ada variabel prediktor yang dependen dengan variabel prediktor lain (satu
kolom/lebih merupakan kombinasi linear dari kolom-kolom lain)

Akibatnya estimator untuk variansi dari OLS bias sehingga uji untuk koefisien
akan menghasilkan kesimpulan yang keliru.
H 0 : 1 = 0 t =

1
Var ( 1 )
n

Untuk memperbaikinya digunakan Ridge Regression atau membuang salah satu variabel
independen.

11

6. Generalized Least Square (GLS)

Metode ini hampir sama dengan metode OLS hanya pada asumsi OLS4 : E (uu ' ) = 2 I ,
asumsi ini tidak dipenuhi.
1. Heterokedastik dari error

0 0

E (uu ' ) = diag (W11 ,W12 , ,W1T ) = 0

0
0 0

2. Autokorelasi dari komponen error

Proses AR(1) : u t = u t 1 + t

2 2
E (uu ' ) =

1 2

T 1

T 2

T 3

T 1

T 2
T 3

Secara umum, E (uu ' ) = 2 , dimana simetrik, positif definit > 0 maka ' = .
= RR ' yakni sedemikian hingga = OO ' R = O
Terdapat P nonsingular sedemikian hingga 1 = P ' P

P' P = ( RR ' ) 1 = ( R ' ) 1 R 1 R ' P' PR = I

( PR )' PR = I PR R ' P' = I
Jika I maka persamaan hasil transformasi PY = PX + Pu akan memenuhi
kondisi OLS4, yakni Var ( Pu ) = 2 I

E ( Pu ) = 0, E (( Pu )( Pu )' ) = E ( P uu ' P' ) = PE (uu ' ) P'

= P 2 P' = 2 PP' = 2 PRR ' P' = 2 I

6.1. Teorema Gauss-Markov-Aitken

Dibawah asumsi OLS1 OLS3, OLS5 OLS6 dan E (uu ' ) = 2 diperoleh estimator
Aitken/estimator GLS : GLS = ( X ' 1 X ) 1 X ' 1Y memiliki sifat :
1. E ( GLS ) =
2. Var ( GLS ) = E (( GLS )( GLS )' ) = 2 ( X ' 1 X ' ) 1 yakni GLS bersifat BLUE.

12

Bukti : Karena GLS adalah OLS estimator untuk model linear Y = X + u , dimana

Y = PY , X = PX , u = Pu yang memenuhi kondisi OLS ideal, maka dengan teorema

Gauss Markov, terbukti estimator GLS bersifat BLUE.
Untuk model transformasi : GLS = ( X ' X ) 1 X ' Y

= (( PX )' ( PX )) 1 ( PX )' ( PY ) = ( X ' P' PX ) 1 X ' P' PY

= ( X ' 1 X ) 1 X ' 1Y

Var ( GLS ) = 2 ( X ' X ) 1 = 2 ( X ' 1 X ) 1

Contoh : Model Heterokedastik

W111 0
W11 0

= , 1 =

0 W 1
0 W
TT
TT

W11
P=

WTT

Y1

W11

, PY =

YT

WTT

X 11

W11
, PX =

X K1

WT 1

X 1K

W1T

X TT

WTT

Estimator GLS bergantung kepada matriks . Jika tidak diketahui, dapat dilakukan
beberapa cara :
. Jika estimator
konsisten maka sifat-sifat dari dapat
1. diestimasi dengan
dipertahankan.
Dikenal dengan 2-stage GLS, 3-stage GLS
2. Dapat

juga

digunakan

estimator

OLS

biasa,

yakni

OLS = ( X ' X )1 X ' Y = X +Y , X + = ( X ' X )1 X ' .

Jika E (uu ' ) = 2 , OLS masih bersifat tidak bias, tetapi tidak BLUE.

E ( OLS ) = E ( X +Y ) = E ( X + ( X + u ))
= E ( X + X ) + E ( X +u ) =

Var ( OLS ) = E (( OLS )( OLS ) ') = E ( X + uu ' X + ')

= X + E (uu ') X + ' = X + 2 X + ' = 2 ( X + X + ')

13

7. Model Panel Linear

Model : Yt , i = X t',i + Ci + d t + ut ,i dimana t = 1, 2, ..., T ; i = 1, 2, ..., N

Cross Section
1
.....
N
X 1N
X 11
1
.....
.....
.....
.....
X TN
X T1
T
.....
Balance Panel : semua observasi tersedia untuk semua kategori cross section untuk semua unit
Waktu

waktu.
Pembedaaan dari model :
1. Satu arah (One-way) : Ci = 0 ; dt = 0
Dua arah (Two-way) : Ci, dt tidak nol
2. Fixed effect ;
Random effect ;

Ci, dt deterministik
C i ~ N (0, C2 ) iid ; d t ~ N (0, d2 ) iid

7.1. Model 1 : Model efek tetap satu arah

Model : Yt ,i = X t' ,i + Ci + ut ,i
dengan : Ci : unbiased effect, unobserved heterogenity
jika i adalah indeks individual maka Ci disebut individual effect
dt : efek dari waktu (time effect)=0
ut : idiosyncratic error

Catatan :
1. Untuk

menghindari

kejadian

multikolinearitas

pada

X t',i

tidak

terdapat

regression/variabel independen yang tidak bervariasi dalam waktu. Berikan contoh!

Contoh: Penjualan misal dipengaruhi oleh harga, diskon, luas toko. Namun jika datanya
berupa data panel dan akan digunakan model panel efek tetap satu arah, sebaiknya
variabel luas toko dihapus, karena kecenderungan variabel ini tidak berubah menurut
waktu.
N

2. Sering digunakan tambahan asumsi

C
i =1

=0

Metode :

14

7.1.1. Metode estimasi dengan Least Square Dummy Variable (LSDV)

Pandang Ci sebagai parameter yang akan diestimasi. Untuk itu definisikan variabel
dummy (Zt,i,j)
1 , i = j
Z t ,i , j =
0 , yang lain

Yt , i = X + [Z t ,i ,1 ; Z t ,i , 2
'
t ,i

C1

; ..... ; Z t , i , N ] + ut ,i
C
N

= X t',i ; Z t , i ,1 ; ..... ; Z t ,i , N

C1
+ ut , i

C
N

~ ~
= X t', i + ut ,i
Teorema 1
Misalkan model efek tetap satu arah : Yt , i = X t', i + Ci + ut ,i memenuhi asumsi OLS1
OLS6. Jika persamaan vektor diatas ditumpuk menurut t kemudian menurut i maka
estimator OLS yakni OLS akan bersifat tak bias dan memiliki variansi yang minimum.
Jika N tetap dan T dan asumsi OLS asymtotik ( T1 X ' X M ) dipenuhi maka
P
OLS

Stacked (Penumpukan)
Stacked : data ditumpuk sesuai dengan urutannya.

Yt , i = X + [Z t ,i ,1 ; Z t ,i , 2
'
t ,i

C1

; ..... ; Z t , i , N ] + ut ,i
C
N

~ ~
= X t', i + u P ,t , i
Dimana :

~
x'
y1i
u1i
1'i


~
~ x2i
y2 i
u
yi = , X i = dan u i = 2i

'
y

~
Ti
uTi
xTi
~ ~
Setelah di-stacked : yi = X i + ui , untuk i = 1, 2, ...., N
Kemudian di-stacked kembali dengan :
15

~
x'
y1
u1
1'


x2
~ ~
y2
u
Y = , X = dan u = 2

'
y

~
N
uN
xN
~~
Dalam bentuk matriks diatas : Y = X + u
Least Square Dummy Variable (LSDV)
~

~ ~

OLS = ( X ' X ) 1 X ' Y

y1

y
dimana : Y = 2

y
N TN x 1

x11' ; Z1,1,1 ; Z1,1, 2 ; .... ; Z1,1, N x11' ; 1 ; 0 ; ... ; 0

'
'

x21 ; Z 2,1,1 ; Z 2,1, 2 ; .... ; Z 2,1, N x21 ; 1 ; 0 ; ... ; 0

x1 '
'
~

~ xT 1 ; ZT ,1,1 ; ZT ,1, 2 ; .... ; ZT ,1, N xT 1 ; 1 ; 0 ; ... ; 0

~ x2
=

X = =

'
'

x1N ; Z t , N ,1 ; Z t , N , 2 ; .... ; Z t , N , N x1N ; 0 ; 0 ; ... ; 1

~

xN '
x ; Z t , N ,1 ; Z t , N , 2 ; .... ; Z t , N , N x2' N ; 0 ; 0 ; ... ; 1

1N

'
'

xTN ; ZT , N ,1 ; Z T , N , 2 ; .... ; ZT , N , N xTN ; 0 ; 0 ; ... ; 1

x1 ; LT ; 0 ; ... ; 0
1
x ; 0 ; L ; ... ; 0

T
, dimana L = 1 [x ]
= 2
N LT , N tetap, T
T

xN ; 0 ; 0 ; ... ; LT
1 T x1
Kroneker Product
Didefinisikan : Am x n = {aij } , B p x q = {bij }
Kroneker product dari A dan B atau A B adalah matriks mp x nq

a11B a12 B

a B a22 B
A B = 21

a B a B
m1
m1

a1m B

a2 n B

amn B

Contoh : Diberikan matriks

16

1 2
1

dan B =
A =
3 4 ( 2 x 2)
2 ( 2 x 1)
Maka Kroneker Product dari A dan B adalah
1

2
A B =
3

4
4

8 ( 4 x 2)

7.1.2. Metode Transformasi Fixed Effect (QFE)

Metode ini banyak digunakan dalam praktek.
Dalam metode LSDV, jika N besar berarti diperlukan banyak variabel Ci, yakni dimensi
~
matriks X akan sangat besar sehingga menjadi problem numerik untuk menghitung OLS .
Dalam transformasi fixed effect, parameter Ci dihilangkan dengan mengurangi setiap
observasi Yti dengan nilai rata-ratanya.
Y i =

1 T
1 T
Yti = ( X ti' + Ci + uti )

T t =1
T t =1

1 T '
1 T
X

+
C
+
ti
uti = X i + Ci + ui
i
T t =1
T t =1

diperoleh : Yti Yi = ( X ti' + Ci + u ti ) ( X i + C i + u i )

Definisi :

Q FE

1

LT L
1
, dimana LT = T
= IT

T

1

'
T

x1' i
y1i
u1i



T
dan Yi = ; X i = ; dan u i =
x'
y
u
Ti
Ti
Ti

Model Stacked
Model : Yi = X i + LT Ci + u i , i = 1, 2, ., N
Transformasi Yti Yi dapat ditulis sebagai berikut:
Q FE Yi = QFE X i + QFE LT C i + Q FE u i

17


L L'
dimana Q FE LT = I T T T
T

LT

L' L
= LT LT T T
T

= LT LT .1 = 0

Model : Yt ,i = X t',i + C i + u t ,i
Didefinisikan :

y1i

y
Yi = 2i ;

y
Ti

Q FE = I T
1

0
=

x1' i
'
x
X i = 2i ;

x'
Ti

u1i
1


u 2i
1
u i = dan LT =

1
u
(T x 1)
Ti

LT L'T
T
0 0 T1

1 0 T1

0 1 T1

T1 1 T1 T1

T1 T1 1 T1
=

1
1

1
T T
T1
T

T1

T1

1 T1

1
T
1
T

'
Q FE = Q FE
'
2
Q FE suatu projektor QFE .QFE
= QFE

L L'
= I T T T
T

L L'
I T T T
T

L L'
L L' L L'
= I T 2 T T + T T 2 T T
T
T

L L'
= I t T T = Q FE
T

Q FE Yi = QFE X i + QFE LT C i + Q FE u i , i = 1, 2, ...., N

= QFE X i + QFE u i , i = 1, 2, ...., N
Ditumpuk menurut individu

y1

y
Y = 2 ;

y
N

x1'
'
x
X = 2 ;

x'
N

LT C1
u1

LT C 2
u
dan u = 2
C =

L C
u
T N
N

Y = X + C + u
diag (QFE , ...., QFE ) .Y = diag (QFE , ...., QFE ) X + diag (QFE , ...., QFE ) u
diag (Q FE , ...., QFE ) C = 0
18

Model Fixed Effect One Way

Yt ,i = X t',i + C i + u t ,i
QFE

Q = diag (QFE , ...., Q FE ) =

0

QFE ( N x N )

Model yang akan diestimasi : QY = Q X + Qu

Asumsi : 1. E (Qu ) = 0
'
2. E (Q uu ' Q ' ) = E (Q uu ' Q) , karena Q FE
= Q FE

= Q E (uu ' ) Q = 2 Q 2 = 2 Q

dimana

=Q

diketahui dan

singular

QFE = ( X ' 1 X ) 1 X ' 1Y

Generalized Inverse (Moore-Penross Inverse/Pseudo Inverse/Restricted Gen Inverse)
A A 1

, A matriks bujur sangkar : Biasa

A A 1

, A tidak harus matriks bujur sangkar : Pseudo Inverse

Teorema 2 (Sifat Asimtotik dari Estimator QFE )

Misalkan dimiliki model Fixed Effect One Way

Q FE Yi = QFE X i + Q FE u i , i = 1, 2, ...., N
Memenuhi asumsi OLS1, OLS2, OLS3, OLS5, OLS6 dan asumsikan komponen error
memenuhi asumsi OLS4, E (uu ' ) = 2 I , maka estimator GLS QFE yang menggunakan
N kali



= diag (QFE , ...., QFE ) akan bersifat tak bias dan memiliki variansi yang minimal
1

( 2 ( X ' 1 X ) 1 ).
Jika max( N , T ) dan jika
1
NT

X
i =1

'
i

1
NT

X
i =1

'
i

X i < C secara uniform untuk N dan T dan

dan
QFE X i M > 0 maka QFE

d
N ( QFE )

N (0, 2 M 1 ) .

Catatan : N dan T keduanya dapat

1. Bandingkan pada teorema 1 (LSDV), N tetap dan hanya T .
2. Dapat ditunjukkan QFE = OLS / LSDV.
Bukti :

19

Q FE u i ~ N (0, 2 Q FE ) maka akan dimiliki masalah GLS dengan matriks yang

singular. Tetapi dengan mengunakan generalized inverse + = 1 seperti pada teorema,
maka dengan teorema untuk GLS diperoleh FE (teorema Gauss-Markov-Aitken) akan
bersifat tak bias dan memiliki variansi yang minimum.
P
Konsisten : FE

Lihat GLS FE = ( X ' X ) 1 X ' 1 u

1
=
NT
=
=

1
NT

X QFE
'
i

i =1

Xi

X i' QFE ui
i =1

1
NT

1
NT

X
i =1

'
i

Q FE u i

LT L'T
'

X
I

i T
T
i =1

u i

1 N '
1 N ' LT L'T
X i ui

=1 X i T ui
NT
NTi

i =1 
 


(1)

( 2)

Keterangan :
(1)

1 N '
1 N T '
X
u
=
X t ,i u t ,i 0

i i
NT
NT
i =1
i =1 t =1

 
 


(1)

1
E
NT

( 2)
N

1
E
NT

i =1

'
i

ui =
NT

1
X i' u i

1=1
NT
N

X E (u ) = 0
i =1

'
i

X 'j u j

i =1

'

1
=
2
(NT )

=
=
=

(2)

1
NT

X i'
i =1

1
LT L'T
ui , E
T
NT

X i'
i =1

E( X

i , j =1

u i u 'j X j )

(X
(NT )
2

1
NT

'
i

i =1

NT

2 1

NT NT

'
i

E (u i u i' ) X i )

(X
i =1

'
i

(X
i =1

'
i

2I X i )

X i ) 0

LT L'T
u i = 0
T

20

 1
E
NT

LT L'T 1
X
u i

T
i =1
NT
N

'
i

'
'
'
'
'
2
LT L'T 1 N X i LT LT u i u i LT Li X i

X
u
=
E

T
T2
i =1
NT i =1

'
i

=
=
X i' LT
= X i dimana X i' = [X 1i
T

Jadi

T
(NT ) NT

1
(NT ) NT

X i X i
i =1

X i' LT L'T LT L'T X i

T2
i =1

X i' LT L'T X i

T
i =1

(NT )2
(NT )2

X Ti ]

X 2i

X i' LT = [ X 1i

1
1 T
X Ti ] = X ji
j =1

X 2i

X
i =1

'
i

Xi 0

.i . m
P
(2) l
0 (2)

0
P
Karena (1) dan (2)

0 maka dengan teorema Cramer:

P
P
FE

0 FE

Tinggal menunjukkan T
1 T
X ti X ti' T X i X ' i

T t =1
Var ( X ti' ) =

1 T
X ti X ti' T X i X ' i 0

T t =1

Variansi selalu positif baik untuk :

Estimator E (X ti , X ti' ) E (X ti' ) maupun
'

Parameter Var (X ti' ) 0

Asymtotik Normality
GLS

FE ~ N (0, 2 ( X ' 1 X ) 1

NT FE ~ N (0, 2 NT ( X ' 1 X ) 1 )

21

7.1.3. Estimasi GLS dengan matriks yang singular

Pandang model Y = X + u dengan matriks varians-kovarian dan komponen error diberikan
oleh E (uu ' ) = 2 di mana 0 tetapi tidak harus positif definit. Tentukan estimator GLS
untuk pada keadaan adalah matriks singular! (gunakan pseudoinvers dari ).

adalah matriks singular, maka rank () = r < T asumsikan dimensi adalah T x N.

Karena tidak memiliki inverse, maka metode GLS standar tidak dapat diaplikasikan karena
adalah matriks positif semi definit dengan orde T dan dengan rank r maka diperoleh
memiliki sebanyak r karakteristik yang positif dan T r akar karakteristik bernilai 0.
Pandang Singular Value Decomposition (SVD) dari = U S U .
Disini matriks S memuat akar-akar karakteristik dari yakni :

1
0

S = 0
0

0
0

0
0

r
0 0

0 0

0
0
0
0
0

0
0
0
S

= r
0
0
0

0 (T x T )

0
0

u adalah suatu matriks orthoonal yakni u ' u = I .

Pandang dekomposisi dari u = [F

G ] maka

F ' F
u'u =
G ' F

F ' G I r
=
G ' G 0

0
= IT
I T r

Lebih lanjut diperoleh : ' = u S u '

F ' F
u' u = S =
0

S r
=
G ' G 0

0
0

Pandang persamaan Y = X + u kalikan dengan u ' , diperoleh :

F 'Y F ' X
F 'u
G ' Y = G ' X + G ' u

Di sini diperoleh E (G ' uu ' G ) = 2 G ' G = 2 . 0 = 0 karena Var (G ' u ) = 0 maka G ' u = 0 .
Maka diperoleh sistem persamaan linear :
(1) F ' Y = F ' X + F ' u
(2) G ' Y = G ' X

22

karena E ( F ' uu ' F ) = 2 F ' F = 2 S r maka diperoleh bentuk OLS tak bersyarat untuk ,
namakan dapat diperoleh dari persamaan (1).

adalah GLS estimator untuk (1), yakni :

= (( FX )' S r1 ( F ' X )) 1 ( FX )' S r1 F ' Y
= ( X ' F S r1 F ' X ) 1 X ' F S r1 F ' Y
= ( X ' + X ) 1 X ' F S r1 F ' Y , di mana + adalah pseudoinverse dari .

Estimator untuk yang memenuhi persamaan (1) dengan kondisi (2) disebut estimator

generalized invers bersyarat untuk . Bentuk dapat diperoleh dengan mencari OLS
estimator bagi (1) kondisional terhadap persamaan (2), yakni diperoleh dengan menyelesaikan
persoalan linear programming.
arg min S ( ) = u r' u r

= ( F ' Y F ' X )( F ' Y F ' X ) dari persamaan (1)

G ' Y G ' X = 0

dari persamaan (2)

Penyelesaian dari linear programming problem ini adalah :

= + ( X ' G (G ' X ' C X ' G ) 1 (G ' Y G ' X ) , dengan C = ( X ' F S r1 F ' X ) 1

Ada beberapa keadaan dalam praktek :
Kasus 1 : Terdapat kasus GX = 0 , maka kondisi (2) hilang dan diperoleh =
Kasus 2 : Terdapat kasus GX 0 , akan tetapi estimator secara otomatis memenuhi
kondisi (2). Pada keadaan ini suku terakhir dalam persamaan akan hilang,
sehingga diperoleh = .

7.1.4. Perkalian Kronecker (Kronecker Product)

Diberikan matriks :

Am x n

a11
= aij =
a m1

[ ]

b11
a12 a1n

dan B p x q = bij =
b p1
a m 2 a mn

[ ]

b12

bp2

b1q

b pq

maka Kronecker Product :

a11 B a1n B
A B =

a m1 B a m 2 B ( mp x nq )

23

Sifat :
1. Jika k konstanta skalar maka k A = A k = kA

d1 0
2. Jika diberikan D = diag (d1 , d 2 , ...., d n ) = maka
0 d n
D A = diag (d1 A, d 2 A, ...., d n A) sehingga

I N A = diag ( A, A, ...., A)

N kali

3. A I N =
4. ( A B) 1 = A 1 B 1
5. ( A B )(C D ) = AC BD
6. ( A B ) + ( A D) = A ( B + D)

x1
x

x
11
1n
x

7. Jika diketahui X = ( x1 , x 2 , ...., x n ) = maka vec( X ) = 2 sehingga

x

m
mn
1


xn
xn
x1
vec( A X B) = ( B' A) vec( X )

7.1.5. Hubungan antara FE dan LSDV

Perbedaan :

P
FE

jika N , T tetap

LSDV jika T tetap, N estimatornya tidak konsisten. Hal ini disebabkan banyaknya
parameter

C i akan terus bertambah dengan bertambahnya N

C i adalah estimator tak bias untuk C i tetap tidak konsisten.

Persamaan :

'
Dapat ditunjukkan bahwa FE akan sama dengan. LSDV = B FE
, C i , ...., C N '

Model Least Square Dummy Variable (LSDV)

Yti = X ti + [Z t ,i ,1 ; Z t ,i , 2

C1

; ..... ; Z t ,i , N ] + u t ,i
C
N

24

= X t',i + Z t ,i ,1 ; ..... ; Z t ,i , N

C1
+ u t ,i

C
N

~
= X t',i + u t ,i
Model ditumpuk menurut waktu :
~
x1'i
y1i
u11


~
Yi = , X i = dan u i =
~
'
y
u
ti
ti
xti
~
Membentuk persamaan : Yi = X i + u i
Model selanjutnya ditumpuk menurut cross section
x1
y1
u1


~
Y = , X = dan u =
x
y
u
N
N
N
~
Membentuk persamaan : Y = X + u

~ ~

LSDV = ( X ' X ) 1 X ' Y

x1
~
~
Amati X =
~

xN
x1

=
x
N

LT

= [x I N LT ]
LT

x11' ; Z 1,1,1 ; Z 1,1, 2 ; .... ; Z 1,1, N

xT' 1 ; Z T ,1,1 ; Z T ,1, 2 ; .... ; Z T ,1, N

x' ; Z

1, N ,1 ; Z 1, N , 2 ; .... ; Z 1, N , N
1N

x' ; Z

T , N ,1 ; Z T , N , 2 ; .... ; Z T , N , N
TN
Model : Y = X 1 + X 2 C + u .(*)
Dari persamaan normal : ( X ' X ) = X ' Y
Pada kasus di atas :

25

 X 1' X 1
'
X X
2 1

X 1' X 2 X 1'Y ....................(1)

=

X 2' X 2 C X 2' Y ....................(2)

Dari persamaan (*) diperoleh Y X 1 = X 2 C + u




Z

C GLS = ( X 2' X 2 ) 1 X 2' Z

= ( X 2' X 2 ) 1 X 2' (Y X 1 ) .....................(3)
Dari persamaan (1) : X 1' X 1 + X 1' X 2 C = X 1'Y

X 1' X 1 = X 1'Y X 1' X 2 C

X 1' X 1 = X 1'Y X 1' X 2 ( X 2' X 2 ) 1 X 2' (Y X 1 )
( X 1' X 1 X 1' X 2 ( X 2' X 2 ) 1 X 2' X 1 ) = X 1'Y X 1' X 2 X 2+ Y
X 1' ( I X 2 X 2+ ) X 1 = X 1' ( I X 2 X 2' )Y





M2

M3

Sehingga diperoleh : = ( X 1' M 2 X 1 ) 1 X 1' M 2Y .

Agar = FS harus ditunjukkan M 2 = Q FE !
Jawab : M 2 = I TN X 2 ( X 2' X 2 ) 1 X 2'
= I TN

( I N LT )( I N LT )'
( I N LT )' ( I N LT )

= I NT

I N LT L'T
, oleh karena L'T LT = T (konstanta) maka
I N L'T LT

= I N ET

= Q FE

Model Fixed Effect One-Way

T

C i = Yi X i' FE , i = 1, 2, ..., N di mana X i =

X
t =1

it

7.2. Model Fixed Effect Two-Way

26

 x1' i
y1i
u11
d1




Yi = , X i = , u i = dan d =
x'
y
u
d
Ti
Ti
T
Ti

Model : Yi = X i + u i + LT C i + d
x1
y1
u1



Y = , X = dan u =
x
y
u
N
N
N

Model : Y = X + u + (C LT ) + ( LN d )

L L'
L L'
Q = (I N N N ) (IT T T )
N
T


ET

EN

1
1
1



T
N
Di mana LT = , LN = , LNT = NT
1
1
1



E N ET ET = Q FE , E N ~ QFE
Q (L NT ) = Q ( L N LT ) = (E N ET )(L N LT )
= (E N L N ET LT )
1 arah : Q FE Q FE

Y = QFE X + QFE (C LT ) + Q FE

2 arah : Model hasil transformasi

QY = Q X + Q u

Asumsi :
1. E (Q u ) = 0 E (u ) = 0
2. E (Q uu ' Q ) = Q 2 I Q = 2 Q
Estimator untuk :

FE = ( X (E N ET ) X )1 X ' (E N ET )
1
Satu arah FE = ( X Q X ) X ' Q Y dimana Q = (I N ET )

Teorema : Misalkan di miliki model fixed effect 2 arah : Q Y = Q X + Q u dan memenuhi

asumsi OLS1 OLS3, OLS5 OLS6. Misalkan u memenuhi asumsi OLS4, maka FE yakni
estimator GLS untuk dengan 1 = Q akan bersifat tak bias dan mencapai variansi
minimum : 2 ( X ' Q X ) = 2 ( X ' ( E N ET ) X ) BLUE
1

27

7.3. Model Random Effect One Way ( dt = 0 )

Model : Yit = X it' + dt + Ci + ut ,
di mana :
x1' i
u1
d1
y1i




T
Yi = , X i = , u i = dan d =
x'
y
u
d
T
T
Ti
Ti

Model : Yi = X i + u i + LT C i + d dengan
x1
y1
u1
1




Y = , X = , u = dan LT = T
x
y
u
1
N
N

N

Model : Y = X + u + (C LT ) + ( L N d )
dimana LN N dan C i ~ iid N (0, C2 ) , independen u t , independen X it' dan u ~ N (0, n2 ) .
Model : Yt = X + u + (C LT )

 

V = Noise Model

C1
C1 LT

dengan : C LT = LT =

CT
CT LT
C1


CT

=


CT


CT
E (V ) = E (u ) + E (C LT ) = 0 + 0 = 0
Var (V ) = E (VV ' ) = E ((u + (C LT ))(u + (C LT ))' )
= E (uu ' ) + E (u (C ' L'T )) . E (C LT ) u ' + E ((C LT )(C LT )' )
= u2 I NT + E (u ) E (C ' L'T ) + 0 + E (CC ' ) LT L'T karena E (CC ' ) = C2 I N
= u2 I NT + C2 ( I N LT L'T )
= E (VV ' ) = u2 I NT + C2 ( I N LT L'T )

28


L L'
= u2 I NT + C2 T I N T T
T

L L'
= u2 ( I N I T ) u2 I N T T
T

L L'
+ u2 I N T T
T

'

L
L
L L'

= u2 ( I N I N T T + u2 + T C2 I N T T

T 2 
T


E
T

L L'
+ T C2 I N T T
T

= u2 Q + 12 P
dimana Q = I N ET dan P = I N

L T L'T
.
T

Q dan P simetris dan orthogonal ( QP = PQ = 0)

Bukti : QQ = ( I N ET )( I N ET ) = ( I N I N ) ( ET ET )
= I N ET ET = I N E T

L L'
ET ET = I T T T
T

L L'
I T T T
T

LT L'T LT L'T LT L'T

= IT 2
+
T
T2
= IT

LT L'T
= ET
T

= u2 Q + 12 P , dimana Q, P adalah simetris idempoten QP = 0

= ( u2 ) Q + ( 12 ) P merupakan spectral mapping theorem.
1 = ( u2 ) Q + ( 12 ) P
Estimasi u2 : Q Y = Q X + Q u



~
~
~
Y

E (u~ ) = 0, E (u~ u~ ' ) = E (Q u u ' Q) = E (Q u2 I Q ) = u2 QQ

= u2 Q u ~ N (0, u2 )

~ ~
GLS = ( X ' Q X ) 1 X ' Q Y dan u~ = Y XGLS dan u2 =

~ ~
1
u ' u
NT N K

Estimasi u2 dan C2
P Y = P X + P V dimana E ( P V ) = 0 dan E ( P V 'V P) = P P = P ( u2 Q + 12 P) P
= 12 P

29

OLS = ( X ' P X ) 1 X ' P Y maka u 2 = P Y P XGLS

~ ~
u 2' u
Jadi =
, 12 = T C2 + u2
NK
2
1

Sehingga C2 =

12 u2
T

tidak ada jaminan bahwa C2 > 0

7.4. Model Random Effect Two Way

Teorema 3
Misalkan data dibangkitkan dengan model : Yt ,i = X t',i + C i + u t ,i dimana C i ~ N (0, C2 ) dan

ut ,i memenuhi OLS3 dan OLS4 ( E (u ) = 0, E (uu ' = 2 I ) ) dan lebih lanjut independen
dengan C i serta memenuhi OLS6.
Selanjutnya diasumsikan input X t ,i memenuhi asumsi OLS1 ( X t ,i variabel random,
independen Y) dan OLS2 ( Rank ( X ' X ) = k ) dan X t ,i independen dengan C i .
Selanjutnya asumsikan :
1
1
P
P
X ' QX

M Q > 0 dan
X ' PX

M P > 0 jika NT , maka estimator :

NT
NT

1 X ) 1 X '
1Y dengan
= 2 Q + 2 P akan bersifat konsisten untuk N
GLS = ( X '
u
1
dan sembarang T. Lebih lanjut GLS memiliki sifat asimtotik yang sama (BLUE dan normal
secara asimtotik) seperti estimator GLS dengan = u2 Q + 12 P
Ada 2 phase GLS :

P

dan
Fase 1 : diestimasi

P
Fase 2 : diestimasi dan

Model : Y = XC + V dimana V = u + (C LT ) + ( L N d ) dimana :

d1
C1
1
1

T
d = , C = , LT = dan LN = N
d
C
1
1
T
N


C ~ N (0, C2 ) dan d ~ N (0, d2 )
Asumsi :
Semua komponen dari noise independen satu dengan yang lain, independen dengan regresor.
E (V ) = 0 dan E (VV ' ) = u2 I NT + C2 ( I N LT L'T ) + d2 ( L N L'N I T )
30

= jQ j
j =1

- 1 = u2

- 2 = u2 + T C2

- Q1 = E N ET

- Q2 = E N

- 3 = u2 + N d2

LT L'T
T

L N L'N
ET
N

- Q3 =

- 4 = T C2 + N d2 + u2
- Q4 =

LNT L'NT
NT

Estimasi untuk parameter-parameter dilakukan dengan metode GLS 2-phase

4

j =1

j =1

= Q
Fase 1 : Estimasi = j Q j dengan
j
j

1 X ) 1 X
1Y
Fase 2 : diestimasi dengan GLS = ( X '
4

j =1

j =1

1 = 1Q
Dimana 1 = j1Q j dan
j j

Teorema 4
Misalkan Yt ,i = X t' ,i S + C i + d t + u t ,i dibangkitkan oleh model efek random 2 arah dimana u
memenuhi asumsi OLS3, OLS4 dan OLS6. Selanjutnya diasumsikan bahwa C i ~ N (0, C2 )
dan d i ~ N (0, d2 ) independen dengan komponen-komponen lain dalam model ini. Misalkan
X t ,i memenuhi OLS1 dan OLS2 dan independen terhadap C i dan d t .
Selanjutnya diasumsikan :

1
X ' Q j X M j > 0 maka estimator :
NT
4

P
1 X ) 1 X '
1Y dengan
= Q bersifat konsisten yakni
GLS = ( X '

untuk
j
j
j =1

min ( NT ) . Selanjutnya GLS memiliki sifat-sifat yang sama dengan estimator GLS
menggunakan .......

Testing
Estimasi
1. Tanpa Effect/Pooling
Y = X + u

OLS

2. FE
Y = X + (C LT ) + ( L N d )

OLS LSDV
GLS setelah eliminasi efek

3. RE
Y = X + V ,
V = u + (C LT ) + ( L N d )

2-phase GLS

E (u ) = 0, E (uu ' ) = u2 I N
Asumsi input
determinasi independen
E (u ) = 0, E (uu ' ) = u2 I N
Asumsi input
determinasi independen
Stokastik, independen
dari d dan u

31

8. Uji Spesifikasi Model Panel

8.1. Uji Breusch-Pagan
Dibawah hipotesis : H 0 : C = 0, d = 0 , model Y = X + u d s OLS = ( X ' X ) 1 X ' Y dan

u~ = Y XOLS .

LM 1

2
2
NT u~ ' ( I N LT L'T )u~
NT u~ ' ( L N L'N I T )u~
=
1
dan LM 2 =
1

2(T 1)
u~ ' u~
2( N 1)
u~ ' u~

Teorema :
Misal model Y = X + u + (C LT ) + ( L N d ) memenuhi asumsi OLS1, OLS2, OLS3
OLS 6. Misalkan Sup X t ,i < C almost sure (a.s) dan asumsikan
i ,t

1
X' X m > 0.
NT

d
Misalkan min( N , T ) maka dibawah H 0 : C = 0, d = 0 , LM = LM 1 + LM 2

22 .
d
Dibawah H 0C : C = 0, d t ~ iid , N (0, d2 ) independen dengan X dan u, LM1

12 .
d
Dibawah H 0d : d = 0, C i ~ iid , N (0, C2 ) independen dengan X dan u, LM 2

12 .

8.2. Uji Haussman

Model random efek : H 0 : E (C i | X ) = E (u ) = 0

Teorema:

~
Dibawah hipotesis H 0 : E (C i | X ) = 0 , misal Yt ,i = X t',i + u t ,i memenuhi asumsi OLS1,
~
OLS2, OLS3 OLS 6. Misal Yt ,i = Yt ,i + Ci dengan C i iid dan independent dengan u.
Definisi :

1 X ) 1 X '
1Y adalah
FE = ( X ' ( I N ET ) X ) 1 X ' ( I N ET )Y dan misalkan GLS = ( X '
estimator untuk model random effect one way. Asumsikan

1
X ' ( I N ET ) X m > 0
NT

maka statistik Haussmann :

1 X ]1 }1 ( )
M = ( GLS FE )'{ u2 [ X ' ( I N ET ) X ] 1 [ X '
GLS
FE
Di bawah kondisi H 0 konvergen ke K2 di mana k adala repressor dalam model random.

32

8.3. Uji Wald

Kondisi H 0 : R = 0 , di mana R N K , 0 K
Matriks R full row rank :

1
0

R = [0 .... 1 .... 0] , = , r =
K
0
Teorema :
Misalkan asumsi dari ( FE untuk satu arah/dua arah) dipenuhi definisi :
One-way : 2 =

1
(Y X FE )' ( I N ET )(Y X FE )
NT N K

Two-way : 2 =

1
(Y X FE )' ( E N ET )(Y X FE )
NT N T K

maka statistik Wald :

W =

1
( R FE r )' ( R ( X ' X ) R ' ) 1 ( R FE r )
2

One Way : Q = I N ET
TwoWay : Q = E N ET
d
Dibawah H 0 : W

(20)
d
1 X ) R' ) 1 ( R r ) untuk H : W
W = ( RGLS r )' ( R ( X '

(21)
GLS
0

9. Perluasan Model Standar

Model Balanced
-

Fixed effect

Random effect

Uji hipotesa

E (u ) = 0
E (u ' u ) = u2 I Homoskedastisitas

Yi ,t = X i',t + C i + d t + u i ,t
Perluasan 1
-

Model heteroskedastisitas : E (u ' u ) = u2 dimana

33

 112 12N

=
SUR (Seemingly Unrelated Regression)
2 2
NN
N1
W11
0

=

0 W
NN

Perluasan 2
-

Dynamic Panel

Yi ,t = Yi ,t 1 + X i',t + C i + d t + u i ,t : AR(1) : Autoregressive 1

Perluasan 3
Yi variable bertipe kontinu skala nominal.
Yi kategorik, 2 kategorik
-

logit

pobit

Tobit
sensored model

Perluasan 4
-

Unit root panel model / non stationary panel model
dynamic

= 1 digunakan untuk menggambarkan t i pada waktu pada variabel dependen.

-

Cointegration panel
Y = dependen
Y memilikibentuk trend
X = independen
X memiliki bentuk trend
maka kombinasi linearnya mungkin stationer
contoh : Y X = stationer (W-S stationer), Y dan X cointegrated.

34

10. Analisa data Panel dengan Eviews 4.0

10.1. Pendahuluan
Terdapat cukup banyak data (ekonometri) yang merupakan kombinasi dari cross section dan
data time series (yakni observasi satu individu/kategori yang dikumpulkan dalam suatu jangka
waktu tertentu). Model yang digunakan untuk melakukan analisa data jenis ini disebut sebagai
model panel/pooled time series.

10.2. Model
10.2.1. Pooled regression
Secara umum, bentuk model linear (yang disebut pooled regression) yang dapat digunakan
adalah
yi ,t = xi' ,t i ,t + i ,t
dimana:
yi ,t adalah observasi dari unit ke i dan diamati pada periode waktu ke t

xi' ,t adalah vektor variabel-variabel independen/input dari unit ke i dan diamati pada periode
waktu ke t. Disini diasumsikan xi',t memuat komponen konstanta.

i ,t adalah komponen error, yang diasumsikan memiliki harga mean 0 dan variansi homogen
dalam waktu (homokedastic) serta independen dengan xi' ,t .
Estimasi untuk model ini dapat dilakukan dengan metode OLS standar.
Untuk model panel data, sebagai asumsi standar i ,t = , yakni pengaruh dari perubahan
dalam X diasumsikan bersifat konstan dalam waktu dan kategori cross-section. Model pooled
regression dapat ditulis ulang, dan selanjutnya ditambahkan komponen konstanta ci dan d t

yi ,t = xi' ,t + ci + d t + i ,t
dengan
ci adalah konstanta yang bergantung kepada unit ke-i, tapi tidak kepada waktu t
d t adalah konstanta yang bergantung kepada waktu t, tapi tidak kepada unit i
Disini apabila model memuat komponen ci dan d t , maka model disebut model dua arah,
sedangkan apabila d t = 0 atau ci = 0 , maka model disebut model satu arah. Apabila
banyaknya observasi sama untuk semua kategori cross-section, dikatakan model bersifat
balance, dan sebaliknya disebut unbalanced.

10.2.2. Model Fixed-Effect

Untuk model fixed effect satu arah, sering di asumsikan bahwa komponen d t = 0 , yakni
dimiliki model
yi ,t = xi' ,t + ci + i ,t
Secara umum, model dapat diestimasi dengan dua metode yang berbeda
Secara intuitif, komponen ci dapat dimodelkan dengan menggunakan variabel dummy
zi ,t , j , dengan zi ,t , j bernilai 0 jika i j dan bernilai 1 jika i = j . Disini model
diestimasi menggunakan metode OLS standar. Meskipun model ini relatif sederhana,

35

estimasi akan relatif kompleks apabila banyaknya kategori untuk cross-section relatif
besar.
Alternatifnya, model ditransformasi untuk menghilangkan komponen ci didalam
model
'

yi ,t y i ,. = ( xi' ,t x i ,. ) + i ,t i ,.
dan selanjutnya dilakukan GLS terhadap model hasil transformasi. Pendekatan kedua
ini lebih populer didalam literatur.
Sementara itu, untuk model Fixed Effect dua arah, model memiliki kedua komponen ci dan
d t . Estimasi terhadap parameter-parameter dalam model dapat dilakukan dengan
menggunakan metode generalized least square, setelah model ditransformasi untuk
menghilangkan komponen ci dan d t dari model.

10.2.3. Model Random Effect

Dengan menggunakan model Fixed Effect, kita tidak dapat melihat pengaruh dari berbagai
karakteristik yang bersifat konstan dalam waktu, atau diantara individual. Untuk itu,
digunakan model yang disebut model Random Effect, yang secara umum dituliskan sebagai
yi ,t = xi' ,t + vi ,t
dimana vi ,t = ci + dt + i ,t . Disini, ci diasumsikan bersifat independent dan identically
distributed (i.i.d.) normal dengan mean 0 dan variansi c2 , dt diasumsikan bersifat i.i.d
normal dengan mean 0 dan variansi d2 dan i ,t bersifat i.i.d. normal dengan mean 0 dan
variansi 2 (dan i ,t , ci dan d t diasumsikan independen satu dengan lainnya). Jika komponen
d t atau ci diasumsikan 0, maka model disebut model random effect satu arah, sedangkan
pada keadaan lain disebut model dua arah.

10.2.4. Specification test

1. Uji Wald/Poolability test
Uji ini bertujuan untuk melihat hubungan antar kategori cross-section, yakni menguji
hipotesa berbentuk H0:R=r, dengan R vektor konstanta dan r adalah konstanta.
2. Uji Hausman
Uji ini bertujuan untuk melihat apakah terdapat random effect didalam panel data, yakni
menguji hipotesa berbentuk H0:terdapat random effect didalam model.
3. Uji Breusch-Pagan
Uji ini bertujuan untuk melihat apakah terdapat efek cross section/time (atau keduanya)
didalam panel data, yakni menguji hipotesa berbentuk H 0 : c2 = d2 = 0 . Test ini juga
valid untuk model fixed effects, yakni dapat juga digunakan untuk menguji adanya efek
cross-section dan/atau time dalam model fixed effect.
Secara umum, langkah uji hipotesa yang dilakukan adalah sebagai berikut. Pertama-tama
dilakukan uji Hausman terhadap data. Jika hipotesa untuk uji Hausman ditolak, maka model
fixed effect digunakan dalam pemodelan. Akan tetapi, jika hipotesa ini tidak ditolak, maka
digunakan uji Breusch-Pagan untuk melihat apakah terdapat efek didalam data. Jika hipotesa
uji Breusch Pagan tidak ditolak, maka di lakukan analisa dengan menggunakan metode
pooling OLS, meskipun data yang dimiliki dikumpulkan menggunakan framework panel
study.

36

10.3. Penjelasan mengenai data

Untuk contoh analisa pada bagian ini, digunakan data hasil penelitian Daryanto (1997), lihat
Mudrajat (2001). Dalam penelitian di provinsi DIY, Daryanto (1997) mengamati hubungan
antara Bantuan Pembangunan terhadap beberapa variabel independen : PAD (pendapatan asli
daerah), BHPBP (bagi hasil pajak dan bukan pajak), SDO (subsidi daerah otonom), PDRB
perkapita berdasarkan harga berlaku dan jumlah penduduk. Data yang dipergunakan adalah
adalah data panel, berupa kombinasi data runtun waktu (dengan pengamatan periode anggaran
1988/1989 sampai dengan 1994/1995) dan data cross section (mencakup seluruh Dati II di
DIY). Data untuk masing-masing variabel, disajikan pada tabel-tabel berikut:
Tabel Bantuan
Tahun
88/89
89/90
90/91
91/92
92/93
93/94
94/95

K. Progo Bantul
Gn. Kidul Sleman
Yogyakarta
1.425.546 2.314.370 2.022.850 1.611.746
947.580
1.830.884 2.598.096 2.424.461 2.496.174 2.002.179
3.663.068 4.737.875 5.045.937 5.719.510 3.328.928
4.794.094 6.738.392 6.338.937 7.161.940 3.890.322
5.844.387 7.847.546 8.895.931 8.820.114 4.804.406
7.307.389 8.041.813 8.440.303 10.262.753 5.236.682
5.792.939 8.427.426 9.300.002 10.446.460 6.544.334

Tabel YCAP
Tahun
88/89
89/90
90/91
91/92
92/93
93/94
94/95

K. Progo Bantul
Gn. Kidul Sleman
Yogyakarta
435.526 392.290 459.296
483.713
915.216
479.123 421.641 483.877
540.565 1.052.122
539.452 496.882 543.074
624.150 1.217.917
623.566 582.566 582.178
743.399 1.415.660
701.026 643.451 706.175
850.968 1.598.602
740.276 774.285 762.414 1.060.062 1.843.651
903.819 926.757 915.758 1.287.924 2.183.284

Tabel POP
Tahun
88/89
89/90
90/91
91/92
92/93
93/94
94/95

K. Progo Bantul
Gn. Kidul Sleman
419
685
654
691
704
420
421
697
707
422
710
710
423
718
713
725
717
424
426
732
721

753
759
763
766
774
774
784

Yogyakarta
430
435
440
445
449
456
462

Tabel PAD
Tahun
88/89

K. Progo Bantul
Gn. Kidul Sleman
Yogyakarta
491.157 941.406 822.101 1.751.822 3.777.696

37

89/90
90/91
91/92
92/93
93/94
94/95

840.404
981.868
1.162.409
1.189.691
1.493.146
1.881.885

1.102.415
1.370.136
1.878.962
2.454.605
2.494.205
3.118.588

939.831
1.169.435
1.387.267
1.575.922
1.888.178
2.139.780

2.114.612 4.339.078
2.384.367 4.831.770
2.955.461 3.542.722
2.900.155 7.948.501
3.467.932 10.246.384
5.168.421 12.549.223

Tabel SDO
Tahun
88/89
89/90
90/91
91/92
92/93
93/94
94/95

K. Progo Bantul
Gn. Kidul Sleman
Yogyakarta
2.011.924 2.030.145 2.341.085 2.282.936 3.406.041
2.303.464 2.549.748 2.678.916 2.590.774 3.681.633
2.499.176 2.846.302 2.789.259 2.866.663 4.168.775
2.786.335 3.380.793 3.363.586 3.366.893 5.096.644
3.230.905 4.125.549 3.487.614 3.942.863 5.635.809
3.964.174 4.837.708 4.739.240 4.866.394 6.940.780
4.280.630 5.185.432 4.525.480 5.318.509 7.417.300

Tabel BHPBP
Tahun
88/89
89/90
90/91
91/92
92/93
93/94
94/95

K. Progo Bantul
Gn. Kidul Sleman
Yogyakarta
310.644 547.729 410.276
704.368
815.620
761.856
903.965
364.723 634.903 452.447
441.603 755.445 642.191
902.256 1.280.422
642.617 807.358 692.918
993.385 1.455.636
1.222.304 1.437.279 1.338.906 1.710.535 2.200.445
1.927.980 2.166.865 2.304.287 2.525.704
405.585
2.874.947 3.199.684 3.563.796 4.087.650 5.454.344

Model yang akan diestimasi adalah sebagai berikut:

Model I:
BANTUAN = b1PAD + b2 SDO + b3YCAP + b4 POP + b5 BHPBP + ci + d t + i ,t
Model II:
BANTUAN = b1 PAD + b2 SDO + b3YCAP + b4 POP + ci + dt + i ,t
Model III:
BANTUAN = b1 PAD + b2 SDO + b3 POP + ci + dt + i ,t
Model IV:
BANTUAN = b1 PAD + b2 SDO + ci + dt + i ,t

10.4. Langkah-langkah Analisa data dengan EViews

Pemodelan terhadap data diatas dapat dilakukan dengan menggunakan model regresi dengan
variabel dummy, lihat misal Mudrajat (2001). Dengan EViews, pemodelan regresi dengan
variable dummy ini dapat dilakukan seperti analisa model regresi biasa. Berikut ini, kita akan
menggunakan analisa alternatif dengan model pooling. Sebagai catatan penting, didalam

38

EViews hanya digunakan model satu arah, yakni diasumsikan bahwa efek waktu (time) dalam
model bernilai nol. Sehingga dalam analisa berikut, pada model I-IV, diasumsikan d t = 0 .

10.4.1. Mempersiapkan data

Buatlah file kerja baru dengan menggunakan menu File/New/Workfile. Untuk data diatas,
gunakan pilihan Irregular or undated untuk Frequency dengan Range bernilai 1-7
(sesuaikan nilai input frequency dan range dengan tipe data yang anda miliki). Selanjutnya,
buatlah objek pool baru, dengan menggunakan menu Objects/New Object . Sebagai Type
of object, pilih Pool, dan namakan objek baru ini sebagai PoolBantuan. Pada window objek
PoolBantuan, isikan daftar kategori cross-section dari model. Disini kita gunakan tanda garis
bawah untuk memberikan identifikasi dari nama kategori cross section nama kabupaten,
yakni kita gunakan identifier berikut: _KLPROGO, _BANTUL, _GNKIDUL, _SLEMAN, _YOGYA.
Jika telah selesai, klik menu Define.

Selanjutnya, kita akan mengimport data kedalam EViews. Data ini merupakan hasil
penumpukan (stacked) data dari tabel menurut kategori cross-section (ekuivalennya, data
dapat juga ditumpuk menurut waktu). Hasil penumpukan/data pooling diberikan pada
tabel berikut
Tabel : Data Pooling
Obs
88/89
89/90
90/91
91/92
92/93
93/94
94/95
88/89
89/90
90/91
91/92
92/93
93/94
94/95
88/89

BANTUAN
1.425.546
1.830.884
3.663.068
4.794.094
5.844.387
7.307.389
5.792.939
2.314.370
2.598.096
4.737.875
6.738.392
7.847.546
8.041.813
8.427.426
2.022.850

YCAP
435.526
479.123
539.452
623.566
701.026
740.276
903.819
392.290
421.641
496.882
582.566
643.451
774.285
926.757
459.296

POP
419
420
421
422
423
424
426
685
691
697
710
718
725
732
654

PAD
491.157
840.404
981.868
1.162.409
1.189.691
1.493.146
1.881.885
941.406
1.102.415
1.370.136
1.878.962
2.454.605
2.494.205
3.118.588
822.101

SDO
2.011.924
2.303.464
2.499.176
2.786.335
3.230.905
3.964.174
4.280.630
2.030.145
2.549.748
2.846.302
3.380.793
4.125.549
4.837.708
5.185.432
2.341.085

BHPBP
310.644
364.723
441.603
642.617
1.222.304
1.927.980
2.874.947
547.729
634.903
755.445
807.358
1.437.279
2.166.865
3.199.684
410.276

39

89/90
90/91
91/92
92/93
93/94
94/95
88/89
89/90
90/91
91/92
92/93
93/94
94/95
88/89
89/90
90/91
91/92
92/93
93/94
94/95

2.424.461
5.045.937
6.338.937
8.895.931
8.440.303
9.300.002
1.611.746
2.496.174
5.719.510
7.161.940
8.820.114
10.262.753
10.446.460
947.580
2.002.179
3.328.928
3.890.322
4.804.406
5.236.682
6.544.334

483.877
543.074
582.178
706.175
762.414
915.758
483.713
540.565
624.150
743.399
850.968
1.060.062
1.287.924
915.216
1.052.122
1.217.917
1.415.660
1.598.602
1.843.651
2.183.284

704
707
710
713
717
721
753
759
763
766
774
774
784
430
435
440
445
449
456
462

939.831
1.169.435
1.387.267
1.575.922
1.888.178
2.139.780
1.751.822
2.114.612
2.384.367
2.955.461
2.900.155
3.467.932
5.168.421
3.777.696
4.339.078
4.831.770
3.542.722
7.948.501
10.246.384
12.549.223

2.678.916
2.789.259
3.363.586
3.487.614
4.739.240
4.525.480
2.282.936
2.590.774
2.866.663
3.366.893
3.942.863
4.866.394
5.318.509
3.406.041
3.681.633
4.168.775
5.096.644
5.635.809
6.940.780
7.417.300

452.447
642.191
692.918
1.338.906
2.304.287
3.563.796
704.368
761.856
902.256
993.385
1.710.535
2.525.704
4.087.650
815.620
903.965
1.280.422
1.455.636
2.200.445
405.585
5.454.344

Data di atas adalah hasil penumpukan, terurut menurut kategori crosssection, yakni:
Observasi 1-7: Kulon Progo
Observasi 8-14: Bantul
Observasi 15-21: Gunung Kidul
Observasi 22-28: Sleman
Observasi 29-35: Yogyakarta
Data diberikan pada file Bantuan Pembangunan di DIY.xls. Untuk mengimpor data,
dari jendela objek PoolBantuan, pilih menu Procs/Import Pool data
(ASCII,XLS,WK?). Arahkan ke file Bantuan Pembangunan di DIY.xls dan isikan
informasi yang diperlukan, lihat pada gambar berikut:

40

Disini, karena pada file excel yang diimport, data ditumpuk menurut kategori cross
section, maka pada pilihan Group Observations, dipilih by Cross section. Disini
variabel OBS (yang terdapat pada file excel) tidak diimport kedalam file kerja. Klik OK.
Untuk melihat hasil impor data, dari jendela objek POOLBANTUAN, pilih menu
View/Spreadsheet (Stacked data). Isikan daftar semua variabel yang ingin
ditampilkan, lihat contoh berikut:

Didalam contoh diatas, kita akan menampilkan semua variabel hasil impor. Jika semua
dilakukan dengan benar, akan diperoleh tampilan data berikut:

41

Selanjutnya, dengan menggunakan menu File/Save atau File/Save As..., simpan file kerja
yang telah dibuat dengan nama panel.wf1.

10.4.2. Analisa model

A. Uji Hausman
Untuk analisa dari model, pertama-tama akan dilakukan uji Hausman terhadap data. Sebagai
illustrasi, kita akan gunakan model III, yakni
BANTUAN = b1 PAD + b2 SDO + b3 POP + ci + dt + i ,t
Uji Hausman tidak tersedia langsung pada objek pool, tetapi dapat dilakukan dengan
menggunakan program Hausman.prg yang tersedia pada direktori Panel. Isi dari Hausman.prg
adalah sbb:
'Hausman test for fixed versus random effects
'Edited from HAUSMAN.prg by Dedi Rosadi, 29/11/05
' set sample
smpl @all
' estimate fixed effects and store results for pooldata poolbantuan
model III
poolbantuan.ls(f) bantuan? pad? sdo? pop?
vector beta = poolbantuan.@coefs
matrix covar = poolbantuan.@cov
' keep only slope coefficients
vector b_fixed = @subextract(beta,1,1,2,1)
matrix cov_fixed = @subextract(covar,1,1,2,2)
' estimate random effects and store results
model III
poolbantuan.ls(r) bantuan? pad? sdo? pop?
beta = poolbantuan.@coefs
covar = poolbantuan.@cov
' keep only slope coefficients
vector b_gls = @subextract(beta,2,1,3,1)
matrix cov_gls = @subextract(covar,2,2,3,3)
' compute Hausman test stat
matrix b_diff = b_fixed - b_gls
matrix var_diff = cov_fixed - cov_gls
matrix qform = @transpose(b_diff)*@inverse(var_diff)*b_diff

42

if qform(1,1)>=0 then
' set table to store results
table(6,3) HausmannTest
setcolwidth(HausmannTest,1,20)
setcell(HausmannTest,1,1,"Hausman test for fixed versus random effects")
setline(HausmannTest,2)
!df = @rows(b_diff)
setcell(HausmannTest,3,1,"chi-sqr(" + @str(!df) + ") = ")
setcell(HausmannTest,3,2,qform(1,1))
setcell(HausmannTest,4,1,"p-value = ")
setcell(HausmannTest,4,2,1-@cchisq(qform(1,1),!df))
setline(HausmannTest,5)
show HausmannTest
else
statusline "Quadratic form is negative"
endif

Catatan:
Untuk model I, II dan IV, ganti pada baris
poolbantuan.ls(f) bantuan? pad? sdo? pop?

dan
poolbantuan.ls(r) bantuan? pad? sdo? pop?

dengan informasi berikut

Untuk model I
poolbantuan.ls(f) bantuan? pad? sdo? ycap? pop? bhpbp?

dan
poolbantuan.ls(r) bantuan? pad? sdo? ycap? pop? bhpbp?

Untuk model II

poolbantuan.ls(f) bantuan? pad? sdo? ycap? pop?

dan
poolbantuan.ls(r) bantuan? pad? sdo? ycap? pop?

Untuk model IV

poolbantuan.ls(f) bantuan? pad? sdo?

dan
poolbantuan.ls(r) bantuan? pad? sdo?

Untuk menjalankan program ini, dalam keadaan file kerja panel.wf1 sedang aktif, pilih menu
File/Run, dan isikan lokasi dan nama file yang akan di jalankan (run). Alternatifnya, buka
file hausman.prg dengan menggunakan menu File/Open/Program Selanjutnya, dari
jendela program hausman.prg, pilih menu Run. Klik OK dan untuk model III diatas, akan
diperoleh tampilan output berikut.

43

Dengan cara yang ekuivalen, dapat dilakukan analisa untuk model I dan II. Disini pada model
I dan II, EViews akan memberikan pesan adanya kesalahan. Hal ini disebabkan dalam
estimasi dari model panel random effects diperoleh estimasi untuk variansi dari komponen
variansi dari efek cross-section c2 yang berharga negatif (lihat user guide untuk EViews versi
4 pada halaman 559). Dalam keadaan ini, kita hanya dapat menggunakan model fixed effect
dalam model I dan II. Rangkuman untuk hasil uji Hausman, diberikan dalam tabel berikut

Model
Model I
Model II
Model III
Model IV

Statistik Uji p-value

10.025511
5.3595485

Kesimpulan Uji untuk

tingkat kesalahan 5%
Model fixed effect
Model fixed effects
0.0066525 Hipotesa H0 ditolak, digunakan model fixed effects
0.068578 Hipotesa H0 diterima, digunakan model random effects

B. Uji Breusch-Pagan
Selanjutnya, akan dilakukan uji Breusch-Pagan untuk model I-III. Sebagai illustrasi, akan
digunakan model I, yakni
BANTUAN = b1PAD + b2 SDO + b3YCAP + b4 POP + b5 BHPBP + ci + d t + i ,t
Uji Breusch-Pagan tidak dapat dilakukan secara langsung dari objek pool, namun dapat
dilakukan menggunakan program BreuschPagan.prg. File BreuschPagan.prg diberikan
sebagai berikut:
'Breusch-Pagan Test for Random Effects
'Only for balanced panel model
'Created by Dedi Rosadi, 29/11/ 05
'Doing pooling regression
poolbantuan.ls bantuan? pad? sdo? ycap? pop? bhpbp?
'Save the value of ssr from pooling regression
matrix ssro =poolbantuan.@ssr
'Start calculate ssresidual for eachgroup dan obs from pooling regression
poolbantuan.makeresid
poolbantuan.makegroup(tempgrp) resid?
!ncross=poolbantuan.@ncross
matrix(!ncross,1) ssgrp

44

series tempser
' loop over each crosssection and compute sum residual for each group
for !i =1 to !ncross
tempser=tempgrp(!i)
ssgrp(!i,1)=@sum(tempser)
next
'For our data, we use indexing using year. For different freq use an appropriate frequency
series obs=@year
!lastyear = @max(obs)
matrix(!lastyear, 1) ssobs
matrix tempser2
' loop over each year and compute sum residual for each year
for !i = 1 to !lastyear
smpl if (obs = !i)
tempser2 =tempgrp
'ssobs(!i,1) = @mean(tempser2*@transpose(tempser2))
ssobs(!i,1) = @sum(tempser2)
next
delete tempgrp tempser tempser2 obs
smpl @all

matrix AA=1-((@transpose(ssgrp)*ssgrp)/ssro(1,1))(1,1)
matrix BB=1-((@transpose(ssobs)*ssobs)/ssro(1,1))(1,1)
matrix LM1=(!ncross*!lastyear*2*(AA(1,1)^2))/(2*(!lastyear-1))
matrix LM2=(!ncross*!lastyear*2*(BB(1,1)^2))/(2*(!ncross-1))
matrix LM =LM1(1,1) + LM2(1,1)
' set table to store results
table(10,4) BreuschPaganTest
setcolwidth(BreuschPaganTest,1,30)
setcell(BreuschPaganTest,1,1,"Breusch-Pagan Test")
setline(BreuschPaganTest,3)
setcell(BreuschPaganTest,4,1,"Hypothesa")
setcell(BreuschPaganTest,4,2,"Statistic")
setcell(BreuschPaganTest,4,3,"p-value")
setline(BreuschPaganTest,5)
setcell(BreuschPaganTest,6,1,"H0:sigma^2_c=0")
setcell(BreuschPaganTest,6,2,LM1(1,1))
setcell(BreuschPaganTest,6,3,1-@cchisq(LM1(1,1),1))
setcell(BreuschPaganTest,7,1,"H0:sigma^2_d =0 ")
setcell(BreuschPaganTest,7,2,LM2(1,1))
setcell(BreuschPaganTest,7,3,1-@cchisq(LM2(1,1),1))
setcell(BreuschPaganTest,8,1,"H0:sigma^2_d =sigma^2_c=0 ")
setcell(BreuschPaganTest,8,2,LM(1,1))
setcell(BreuschPaganTest,8,3,1-@cchisq(LM(1,1),2))
setline(BreuschPaganTest,9)
show BreuschPaganTest

Catatan :
Untuk menguji model yang lain, ganti pada baris :
poolbantuan.ls bantuan? pad? sdo? ycap? pop? bhpbp?

Dengan
Untuk model II
poolbantuan.ls bantuan? pad? sdo? pop? ycap?

45

Untuk model III

poolbantuan.ls bantuan? pad? sdo? pop?

Jalankan BreuschPagan.prg, akan diperoleh output berikut (untuk model I)

Didalam EViews, hanya digunakan model satu arah dengan komponen efek time bernilai nol.
Dengan demikian, pada output uji Breusch-Pagan diatas, hanya uji hipotesa H 0 : c2 = 0 yang
relevan. Rangkuman output untuk uji Breusch-Pagan diberikan dalam tabel berikut :
Model

Hipotesa

Statistik Uji

p-value

Model I

H0:c=0

0.467

0.495

Model II

H0:c=0

2.773

0.096

Model III

H0:c=0

2.771

0.096

Model IV

H0:c=0

22.168787

2.497E06

Kesimpulan uji untuk

tingkat kesalahan 5%
Model fixed effect dengan hipotesa tidak
ada efek cross section tidak ditolak yakni
digunakan model pooling regression
Model fixed effect dengan hipotesa tidak
ada efek cross section tidak ditolak yakni
digunakan model pooling regression
Model fixed effect dengan hipotesa tidak
ada efek cross section tidak ditolak yakni
digunakan model pooling regression
Model random effect dengan hipotesa
tidak ada efek cross section ditolak yakni
digunakan model random effect satu arah
dengan efek cross-section

Pada model II dan III, terlihat pada tingkat kesalahan uji 10%, hipotesa model fixed effect
dengan hipotesa tidak ada efek cross section ditolak. Dengan kata lain, dengan =10%, dapat
digunakan model fixed effect satu arah dengan komponen cross-section.

C. Estimasi model
Dari hasil uji Hausman dan uji Breusch Pagan, diperoleh pada tingkat kesalahan uji 5%, untuk
model I, II dan III, estimasi akan dilakukan model pooling regression. Dengan menggunakan
tingkat kesalahan uji 10%, diperoleh kesimpulan berbeda, yakni dengan model model I,
estimasi hanya dapat dilakukan dengan model pooling regression, sedangkan dengan model II
dan III, dapat digunakan model model fixed effect satu arah dengan komponen cross-section.

C.1. Estimasi untuk model pooling regression

46

Untuk estimasi model pooling regression, akan digunakan menu yang telah tersedia pada
jendela objek poolbantuan (yang secara ekuivalen dapat dilakukan menggunakan command
line). Dengan EViews akan digunakan model pooling regression
yi ,t = xi',t i + i ,t
yakni diasumsikan pengaruh dari variabel-variabel x konstan dalam waktu. Sebagai ilustrasi,
akan digunakan model I. Dalam keadaan jendela objek poolbantuan sedang aktif, klik menu
Procs/Estimate atau Estimate dalam jendela ini. Untuk mengestimasi model I dengan
pooling yakni model I tanpa effect cross section, isikan informasi berikut

Disini akan diestimasi model I yang memiliki variabel dependen bantuan dan variabel
independen pad,sdo,ycap,pop dan bhpbp dengan model yang digunakan adalah model
regresi pooling dengan konstanta intercept pada model (gunakan pilihan Intercept=None jika
ingin di estimasi model regresi pooling tanpa intercept). Untuk model II dan III, pada kolom
isian variabel independent gunakan:
untuk model II isikan : pad? sdo? ycap? pop?
untuk model III isikan : pad? sdo? pop?
Output hasil estimasi untuk model I diberikan sebagai berikut:
Dependent Variable: BANTUAN?
Method: Pooled Least Squares
Date: 11/30/05 Time: 07:49
Sample: 1 7
Included observations: 7
Number of cross-sections used: 5
Total panel (balanced) observations: 35
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
PAD?
SDO?

-5297381.
-0.726754
2.349483

1917182.
0.333142
0.613155

-2.763108
-2.181517
3.831793

0.0098
0.0374
0.0006

47

YCAP?
POP?
BHPBP?
R-squared
Adjusted R-squared
S.E. of regression
Log likelihood
Durbin-Watson stat

-0.954451
6340.572
0.549788
0.763555
0.722788
1461316.
-543.1916
1.183969

3.198857
2282.621
0.334092

-0.298372
2.777759
1.645621

Mean dependent var

S.D. dependent var
Sum squared resid
F-statistic
Prob(F-statistic)

0.7675
0.0095
0.1106
5345868.
2775482.
6.19E+13
18.72999
0.000000

Terlihat dari uji t, komponen YCAP dan BHPBP tidak signifikan dan dapat dihilangkan dari
model I.

C.2. Estimasi untuk model Fixed Effect dengan efek cross section
Untuk mengilustrasikan analisa model diatas, dapat digunakan model II dan III. Untuk
estimasi model II dengan fixed effect dan efek cross section, isikan informasi berikut:

Klik OK, maka diperoleh output berikut

Dependent Variable: BANTUAN?
Method: Pooled Least Squares
Date: 11/30/05 Time: 07:57
Sample: 1 7
Included observations: 7
Number of cross-sections used: 5
Total panel (balanced) observations: 35
Variable

Coefficient

Std. Error

t-Statistic

Prob.

PAD?
SDO?
YCAP?
POP?
Fixed Effects

-0.672971
1.423021
4.110451
48369.86

0.290249
0.795484
3.788257
25239.26

-2.318601
1.788874
1.085051
1.916453

0.0285
0.0853
0.2879
0.0664

48

_KLPROGO--C
_BANTUL--C
_GNKIDUL--C
_SLEMAN--C
_YOGYA--C
R-squared
Adjusted R-squared
S.E. of regression
Log likelihood
Durbin-Watson stat

-22147950
-34721875
-34496121
-36900551
-26569170
0.851563
0.805890
1222821.
-535.0444
1.627656

Mean dependent var

S.D. dependent var
Sum squared resid
F-statistic
Prob(F-statistic)

5345868.
2775482.
3.89E+13
49.71939
0.000000

Dengan uji t hanya variabel PAD yang berpengaruh secara signifikan.

Catatan: EViews hanya melakukan estimasi untuk model satu arah dengan komponen cross
section, yakni diasumsikan dt=0 (baik fixed effects maupun random effects).
Untuk III, pada kolom isian variabel independent isikan: pad? sdo? pop?. Hasil estimasi
untuk model III diberikan sbb:
Dependent Variable: BANTUAN?
Method: Pooled Least Squares
Date: 11/30/05 Time: 07:58
Sample: 1 7
Included observations: 7
Number of cross-sections used: 5
Total panel (balanced) observations: 35
Variable

Coefficient

Std. Error

t-Statistic

Prob.

PAD?
SDO?
POP?
Fixed Effects
_KLPROGO--C
_BANTUL--C
_GNKIDUL--C
_SLEMAN--C
_YOGYA--C

-0.466595
2.145016
44438.84

0.219964
0.437358
25059.78

-2.121234
4.904480
1.773313

0.0432
0.0000
0.0875

R-squared
Adjusted R-squared
S.E. of regression
Log likelihood
Durbin-Watson stat

-20302348
-32416959
-31875343
-33814609
-23955215
0.844841
0.804615
1226830.
-535.8194
1.683061

Mean dependent var

S.D. dependent var
Sum squared resid
F-statistic
Prob(F-statistic)

5345868.
2775482.
4.06E+13
73.50762
0.000000

Dari output diatas, terlihat dengan uji t, hanya variabel PAD dan SDO yang berpengaruh
secara signifikan. Selanjutnya, dari hasil pengujian diatas, kita mengusulkan penggunaan
model ke V,
BANTUAN = b1 PAD + b2 SDO + ci + i ,t
Untuk model ini, diperoleh hasil estimasi sebagai berikut
Dependent Variable: BANTUAN?
Method: Pooled Least Squares
Date: 11/30/05 Time: 07:59
Sample: 1 7
Included observations: 7
Number of cross-sections used: 5
Total panel (balanced) observations: 35

49

Variable

Coefficient

Std. Error

t-Statistic

Prob.

PAD?
SDO?
Fixed Effects
_KLPROGO--C
_BANTUL--C
_GNKIDUL--C
_SLEMAN--C
_YOGYA--C

-0.538638
2.670436

0.224306
0.333796

-2.401354
8.000195

0.0232
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Log likelihood
Durbin-Watson stat

-3042067.
-2677235.
-2296799.
-1385285.
-6409299.
0.826770
0.789649
1272947.
-537.7474
1.609535

Mean dependent var

S.D. dependent var
Sum squared resid
F-statistic
Prob(F-statistic)

5345868.
2775482.
4.54E+13
133.6349
0.000000

Terlihat kedua variabel PAD dan SDO berpengaruh secara signifikan terhadap variabel
bantuan. Dengan kata lain, model fixed effect terbaik secara statistika untuk data diatas
diberikan oleh model ke V. Model-model lain (seperti model I, atau model lain) dapat juga
digunakan didalam analisis, jika penggunaannya hanya untuk melihat hubungan antar variabel
dependen dengan variabel independen lainnya. Dari tabel output untuk model V diatas,
diperoleh model berikut (dari jendela poolbantuan, dapat dilihat dari menu
View/Representation):
BANTUAN_KLPROGO = -3042067.186 - 0.5386376095*PAD_KLPROGO +
2.670435647*SDO_KLPROGO
BANTUAN_BANTUL = -2677234.606 - 0.5386376095*PAD_BANTUL + 2.670435647*SDO_BANTUL
BANTUAN_GNKIDUL = -2296799.045 - 0.5386376095*PAD_GNKIDUL +
2.670435647*SDO_GNKIDUL
BANTUAN_SLEMAN = -1385285.137 - 0.5386376095*PAD_SLEMAN +
2.670435647*SDO_SLEMAN
BANTUAN_YOGYA = -6409299.494 - 0.5386376095*PAD_YOGYA + 2.670435647*SDO_YOGYA

Catatan: Model fixed effect II dan III diatas diestimasi dengan asumsi tingkat kesalahan uji
10%, sedangkan analisa pada bagian C1 dan C3 menggunakan kesalahan uji 5%
C.3. Estimasi untuk model Random Effect dengan efek cross section
Untuk mengilustrasikan analisa model ini, dapat digunakan model IV. Untuk estimasi model
IV dengan random effect dan efek cross section, isikan informasi berikut:

50

Bagian terpenting dari output hasil estimasi model IV diberikan pada tabel berikut:
Dependent Variable: BANTUAN?
Method: GLS (Variance Components)
Date: 11/30/05 Time: 08:07
Sample: 1 7
Included observations: 7
Number of cross-sections used: 5
Total panel (balanced) observations: 35
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
PAD?
SDO?
Random Effects
_KLPROGO--C
_BANTUL--C
_GNKIDUL--C
_SLEMAN--C
_YOGYA--C

-3094323.
-0.693794
2.769522

1091107.
0.215108
0.338965

-2.835948
-3.225334
8.170532

0.0079
0.0029
0.0000

-60351.11
320106.1
603621.8
1610978.
-2474354.

Terlihat kedua variabel PAD dan SDO signifikan. Dari tabel output untuk model IV diatas,
diperoleh model berikut (dari jendela poolbantuan, dapat dilihat dari menu
View/Representation):
BANTUAN_KLPROGO = -60351.10691 - 3094323.396 - 0.69379376*PAD_KLPROGO +
2.769521979*SDO_KLPROGO
BANTUAN_BANTUL = 320106.0637 - 3094323.396 - 0.69379376*PAD_BANTUL +
2.769521979*SDO_BANTUL
BANTUAN_GNKIDUL = 603621.7783 - 3094323.396 - 0.69379376*PAD_GNKIDUL +
2.769521979*SDO_GNKIDUL

51

BANTUAN_SLEMAN = 1610977.503 - 3094323.396 - 0.69379376*PAD_SLEMAN +

2.769521979*SDO_SLEMAN
BANTUAN_YOGYA = -2474354.238 - 3094323.396 - 0.69379376*PAD_YOGYA +
2.769521979*SDO_YOGYA

Referensi
1. Baltagi, B.H. 2003, Econometrics Analysis of Data Panel. MIT Press.
2. Dietmar, B., 2002, Econometrics Method In the analysis of the effects of the
Marketing Action, Technical University of Vienna,
3. Greene, W.H., 2000, Econometrics, 4th Ed., Prentice Hall
4. Hsiao, C, 2001, Analysis of Panel Data, Cambridge University Press
5. Maddala, G.S., 2005, Introduction to Econometrics, 3rd Edition, Wiley
6.

Mc Creel, 2004, Econometrics, Dept. Of Economics And Economic History,

Universitat Autnoma De Barcelona

7. Schott J.R, 1997, Matrix Analysis for Statistics, Wiley

8. Woodridge, 2001, Econometrics Analysis of Cross Section Data Panel, Cambridge.

52