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 :
-
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 :
-
.......
.
Kab. Sleman
PAD
.......
.
Kodya Jogja
PAD
.......
.
Tahun
1994/1995
2004/2005
PAD
PAD
F(x) = P(X x)
4. Ekspektasi
E ( x ) = x( )dP( )
5. Kovariansi
6. Variansi
V(X) = Cov(X,X)
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)
X 0 jika P( X n X 0 > ) 0
random X0 dalam probabilitas ditulis X n
X 0 jika untuk setiap titik X yang merupakan titik kontinu dari F0(x)
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 )
g( X 0 )
X0 + a
d
(ii) X n Yn
aX 0
Y =
dan
(s) <
maka
s =
1 T
P
Yt
T t =1
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
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.
d
t (Yt 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
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
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
R K
R K
S ( )
= 0 2 X ' Y + 2 X ' X = 0
'
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
d
T ( OLS )
2 1
di mana Z ~ N (0, 2 M 1 ) dan OLS ~ AN ,
M
T
Ket :
= ( 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 ut ) <
(jika
2 <)
maka
diperoleh
dari
LLN,
1 n
P
E( X t t ) )
X t t
n t =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 )
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
= P ( X + u ) = P u
T
E
SSE = 2
T K
X'X
= 2
konsisten untuk 2 M 1 .
d
T ( OLS )
Z dimana Z ~ N (0, 2 M 1 ) .
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
10
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 .....)
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 )
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
0 0
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
12
Bukti : Karena GLS adalah OLS estimator untuk model linear Y = X + u , dimana
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
E ( OLS ) = E ( X +Y ) = E ( X + ( X + u ))
= E ( X + X ) + E ( X +u ) =
13
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
Catatan :
1. Untuk
menghindari
kejadian
multikolinearitas
pada
X t',i
tidak
terdapat
C
i =1
=0
Metode :
14
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)
~
~ ~
y1
y
dimana : Y = 2
y
N TN x 1
x1 '
'
~
X = =
'
'
xN '
x ; Z t , N ,1 ; Z t , N , 2 ; .... ; Z t , N , N x2' N ; 0 ; 0 ; ... ; 1
1N
'
'
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
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)
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
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
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
Yt ,i = X t',i + C i + u t ,i
QFE
QFE ( N x N )
= Q E (uu ' ) Q = 2 Q 2 = 2 Q
dimana
=Q
diketahui dan
singular
A A 1
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
dan
QFE X i M > 0 maka QFE
d
N ( QFE )
N (0, 2 M 1 ) .
19
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
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 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
FE ~ N (0, 2 ( X ' 1 X ) 1
NT FE ~ N (0, 2 NT ( X ' 1 X ) 1 )
21
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
G ] maka
F ' F
u'u =
G ' F
F ' G I r
=
G ' G 0
0
= IT
I T r
S r
=
G ' G 0
0
0
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).
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
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
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
x
m
mn
1
xn
xn
x1
vec( A X B) = ( B' A) vec( X )
P
FE
jika N , T tetap
LSDV jika T tetap, N estimatornya tidak konsisten. Hal ini disebabkan banyaknya
parameter
Persamaan :
'
Dapat ditunjukkan bahwa FE akan sama dengan. LSDV = B FE
, C i , ...., C N '
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
~ ~
xN
x1
=
x
N
LT
= [x I N LT ]
LT
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
M3
( 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
X
t =1
it
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
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 )
27
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
L L'
ET ET = I T T T
T
L L'
I T T T
T
LT L'T
= ET
T
~ ~
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
Sehingga C2 =
12 u2
T
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
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
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
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
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 .
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
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
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
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
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
-
33
112 12N
=
SUR (Seemingly Unrelated Regression)
2 2
NN
N1
W11
0
=
0 W
NN
Perluasan 2
-
Dynamic Panel
logit
pobit
Perluasan 4
-
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
10.2. 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.
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.
36
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
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 .
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.
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?
dan
poolbantuan.ls(r) bantuan? pad? sdo? ycap? pop? bhpbp?
Untuk model II
dan
poolbantuan.ls(r) bantuan? pad? sdo? ycap? pop?
Untuk model IV
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
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
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
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.
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
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:
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
5345868.
2775482.
3.89E+13
49.71939
0.000000
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
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
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
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.
52