oleh
Styfanda Pangestika
4111411057
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
ii
iii
MOTTO
Barangsiapa yang menapaki suatu jalan dalam rangka mencari ilmu maka Allah
akan memudahkan baginya jalan ke Surga.
(H. R. Ibnu Majah & Abu Dawud)
Maka nikmat Tuhan kamu yang manakah yang kamu dustakan?
(QS. Ar Rahman [55])
Life is what you make it. Always has been, always will be
(Eleanor Roosevelt)
PERSEMBAHAN
iv
PRAKATA
Alhamdulillah, puji syukur senantiasa penulis panjatkan ke hadirat Allah
SWT atas limpahan karunia-Nya sehingga penulis dapat menyelesaikan skripsi
yang berjudul Analisis Estimasi Model Regresi Data Panel dengan
Pendekatan Common Effect Model (CEM), Fixed Effect Model (FEM), dan
Random Effect Model (REM).
Penulis menyadari dalam penyusunan skripsi ini penulis telah mendapat
banyak bantuan, bimbingan, dan dorongan dari berbagai pihak. Oleh karena itu,
penulis menyampaikan terima kasih kepada:
1.
2.
Prof. Dr. Wiyanto, M.Si., Dekan Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Negeri Semarang.
3.
4.
5.
6.
Drs. Sugiman, M.Si., selaku ketua penguji, yang telah berkenan untuk
menguji skripsi ini.
7.
Alamsyah, S.Si., M.Kom., selaku dosen wali yang telah membimbing dan
memberikan masukan selama 4 tahun penulis menjalani perkuliahan.
8.
Badan Pusat Statistik Provinsi Jawa Tengah yang telah membantu dalam
penyediaan data untuk melakukan penelitian.
9.
10. Teman-teman M2M, KKN Lolipop dan teman-teman trouble maker kos yang
telah memberikan motivasinya.
11. Sahabat-sahabatku, Elok, Danang, Arya, Puji, Ari, Iin, Bravura, Mila, Rizky,
Mira, Rangga, Rifan, dan Taufiq yang selalu memberikan dukungan dan
motivasinya.
12. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah
membantu dalam penyelesaian skripsi ini.
Penulis menyadari, bahwa masih banyak keterbatasan pengetahuan dan
kemampuan yang penulis miliki. Penulis mengharapkan kritik dan saran yang bisa
membangun penelititan-penelitian yang lain. Semoga skripsi ini dapat berguna
dan bermanfaat bagi pembaca.
Penulis
vi
ABSTRAK
Pangestika, Styfanda. 2015. Analisis Estimasi Model Regresi Data Panel dengan
Pendekatan Common Effect Model (CEM), Fixed Effect Model (FEM), dan
Random Effect Model (REM). Skripsi. Jurusan Matematika Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas Negeri Semarang. Pembimbing Utama
Dr. Scolastika Mariani, M.Si., dan Pembimbing Pendamping Prof. Dr. Zaenuri,
S.E, M.Si,Akt.
Kata kunci : Regresi Data Panel, Fixed Effect Model, Random Effect Model.
Penelitian ini mengkaji tentang estimasi parameter model regresi data panel.
Penelitian ini bertujuan untuk (1) menjelaskan estimasi parameter model regresi
data panel dengan pendekatan Common Effect Model (CEM), Fixed Effect Model
(FEM) dan Random Effect Model (REM) untuk data pengaruh angka melek huruf,
rata-rata lama sekolah, dan pengeluaran riil per kapita disesuaikan terhadap Indeks
Pembangunan Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah dari
tahun 2008 sampai dengan 2012; (2) mengetahui estimasi parameter model regresi
data panel terbaik; dan (3) menganalisis estimasi parameter model regresi data
panel terbaik dengan menggunakan kriteria uji diagnostik. Pengambilan data
dilakukan dengan cara mendokumentasikan data di Badan Pusat Statistik (BPS)
Jawa Tengah.
Data yang diambil berupa Angka Melek Huruf, Rata-rata Lama Sekolah,
Pengeluaran Riil Per Kapita Disesuaikan dan Indeks Pembangunan Manusia
(IPM). Untuk selanjutnya dilakukan estimasi model regresi data panel terbaik.
Analisis data dilakukan dengan menggunakan penghitungan manual dan dengan
menggunakan software R.
Dari tahapan analisis yang dilakukan, yaitu mengestimasi parameter model
regresi data panel, melakukan uji pemilihan model terbaik, uji diagnostik pada
model terbaik, pemeriksaan persamaan regresi, menguji signifikansi parameter
regresi data panel, menguji asumsi regresi data panel, dan interpretasi model
regresi maka diperoleh kesimpulan yaitu estimasi model regresi data panel terbaik
dengan pendekatan fixed effect model dengan efek individu dengan nilai
dan model persamaan hasil estimasi sebagai berikut:
vii
DAFTAR ISI
Halaman
HALAMAN JUDUL ............................................................................................. i
PERNYATAAN KEASLIAN TULISAN ............................................................ ii
HALAMAN PENGESAHAN ............................................................................. iii
MOTTO DAN PERSEMBAHAN ....................................................................... iv
PRAKATA ............................................................................................................ v
ABSTRAK .......................................................................................................... vii
DAFTAR ISI ..................................................................................................... viii
DAFTAR TABEL ............................................................................................. xiv
DAFTAR GAMBAR .......................................................................................... xv
DAFTAR LAMPIRAN ...................................................................................... xvi
BAB
1.
PENDAHULUAN ......................................................................................... 1
1.1 Latar Belakang ........................................................................................ 1
1.2 Batasan Masalah ..................................................................................... 7
1.3 Rumusan Masalah ................................................................................... 7
1.4 Tujuan Penelitian .................................................................................... 8
1.5 Manfaat Penelitian .................................................................................. 8
1.6 Sistematika Penulisan ............................................................................. 9
2.
viii
ix
METODE PENELITIAN............................................................................. 53
3.1 Fokus Penelitian ................................................................................... 53
3.2 Klasifikasi Penelitian Berdasarkan Tujuan dan Pendekatan ................. 54
3.3 Pengumpulan Data ................................................................................ 54
3.4 Pemecahan Masalah .............................................................................. 55
3.5 Menarik Kesimpulan ............................................................................. 57
4.
xi
xii
xiii
DAFTAR TABEL
Tabel
Halaman
xiv
DAFTAR GAMBAR
Gambar
Halaman
dengan
........................................................................................... 90
4.3 Plot
dengan
........................................................................................... 90
4.4 Plot
dengan
........................................................................................... 91
................................................................................ 92
................................................................................ 92
................................................................................ 93
xv
DAFTAR LAMPIRAN
Lampiran
Halaman
1. Data untuk Estimasi Model dengan Regresi Data Panel ............................... 112
2. Estimasi Common Effect Model .................................................................... 117
3. Estimasi Fixed Effect Model ......................................................................... 118
4. Estimasi Random Effect Model ..................................................................... 122
5. Uji Chow ....................................................................................................... 125
6. Uji Hausman ................................................................................................. 126
7. Uji Breusch-Pagan ........................................................................................ 128
8. Uji Korelasi Serial ......................................................................................... 129
9. Pesarans CD Test ........................................................................................ 130
10. Unit Root Tests ............................................................................................ 131
11. Uji Heterokedastisitas ................................................................................. 132
12. Residual Fixed Effect Model ....................................................................... 133
13. Uji Jarque Bera ............................................................................................ 138
xvi
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Analisis regresi dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab-akibat antara satu variabel dengan variabel atau variabel-variabel
yang lain. Variabel penyebab disebut dengan bermacam-macam istilah seperti
variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas
dinamakan dengan variabel
sebagai absis, atau sumbu
yang dipengaruhi, dependen, variabel terikat, atau variabel . Kedua variabel ini
dapat merupakan variabel acak (random), namun variabel yang dipengaruhi harus
selalu variabel acak.
Regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886
(Mudrajat Kuncoro, 2001: 91). Analisis regresi adalah salah satu analisis yang
paling popular dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk
melakukan prediksi dan ramalan. Analisis ini juga digunakan untuk memahami
variabel bebas mana saja yang berhubungan dengan variabel terikat dan untuk
mengetahui bentuk-bentuk hubungan tersebut.
Data panel adalah gabungan antara data runtun waktu (time series) dan data
silang (cross section). Data runtun waktu biasanya meliputi satu objek tetapi
meliputi beberapa periode (bisa harian, bulanan, kuartalan, atau tahunan). Data
silang terdiri dari atas beberapa atau banyak objek, sering disebut responden
(misalnya perusahaan) dengan beberapa jenis data (misalnya laba, biaya iklan,
laba ditahan, dan tingkat investasi) dalam suatu periode waktu tertentu.
Karena data panel merupakan gabungan dari data cross section dan data time
series maka tentunya akan mempunyai observasi lebih banyak dibanding data
cross section atau time series saja. Akibatnya, ketika digabungkan menjadi pool
data, guna membuat regresi maka hasilnya cenderung akan lebih baik dibanding
regresi yang hanya menggunakan data cross section atau time series saja
(Nachrowi & Usman, 2006). Analisis regresi data panel adalah analisis regresi
dengan struktur data merupakan data panel. Umumnya pendugaan parameter
dalam analisis regresi dengan data cross section dilakukan dengan pendugaan
Metode Kuadrat Terkecil (MKT). metode ini akan memberikan hasil pendugaan
yang bersifat Best Linear Unbiased Estimator (BLUE) jika semua asumsi Gauss
Markov terpenuhi diantaranya adalah non-autocorrelation. Kondisi terakhir ini
tentunya sulit terpenuhi pada saat kita berhadapan dengan data panel. Sehingga
pendugaan parameter tidak lagi bersifat BLUE. Jika data panel dianalisis dengan
pendekatan model-model time series seperti fungsi transfer, maka ada informasi
keragaman dari unit cross section yang diabaikan dalam pemodelan. Salah satu
keuntungan dari analisis regresi data panel adalah mempertimbangkan keragaman
yang terjadi dalam unit cross section (Jaya & Sunengsih, 2009).
Dalam suatu penelitian ada kalanya seorang peneliti tidak dapat melakukan
analisis hanya dengan menggunakan data time series maupun data cross section.
Misalnya seorang peneliti hendak membuat model tentang keuntungan suatu
perusahaan (dalam suatu industri) yang ditinjau melalui: banyaknya modal fisik,
banyaknya pekerja, dan total penjualan. Kalau peneliti hanya menggunakan data
cross section yang diamati hanya pada suatu saat (misalnya satu tahun), maka
peneliti tersebut tidak dapat melihat bagaimana pertumbuhan keuntungan
perusahaan tersebut dari waktu ke waktu pada suatu periode tertentu (katakanlah
dalam kurun waktu 10 tahun). Padahal sangat mungkin kondisi antara suatu tahun
dengan tahun lainnya berbeda. Dengan menggunakan data panel, maka peneliti
dapat melihat fluktuasi keuntungan satu perusahaan pada periode waktu tertentu
dan perbedaan keuntungan beberapa perusahaan pada suatu waktu (Nachrowi &
Usman, 2006).
Menurut Hsiao (1992), keuntungan-keuntungan menggunakan analisis regresi
data panel adalah memperoleh hasil estimasi yang lebih baik karena seiring
dengan peningkatan jumlah observasi yang otomatis berimplikasi pada
peningkatan derajat kebebasan (degree of freedom) dan menghindari kesalahan
penghilangan variabel (omitted variable problem).
Selain itu, keunggulan regresi data panel menurut Wibisono (2005) antara
lain :
(1) Data Panel mampu memperhitungkan heterogenitas individu secara ekspilisit
dengan mengizinkan variabel spesifik individu;
(2) Kemampuan mengontrol heterogenitas ini selanjutnya menjadikan data panel
dapat digunakan untuk menguji dan membangun model perilaku lebih
kompleks;
(3) Data panel mendasarkan diri pada observasi cross-section yang berulangulang (time series), sehingga metode data panel cocok digunakan sebagai
study of dynamic adjustment;
(4) Tingginya jumlah observasi memiliki implikasi pada data yang lebih
informative, lebih variatif, dan kolinearitas (multiko) antara data semakin
berkurang, dan derajat kebebasan (degree of freedom/ df) lebih tinggi
sehingga dapat diperoleh hasil estimasi yang lebih efisien;
(5) Data panel dapat digunakan untuk mempelajari model-model perilaku yang
kompleks; dan
(6) Data panel dapat digunakan untuk meminimalkan bias yang mungkin
ditimbulkan oleh agregasi data individu.
Beberapa penelitian yang telah dilakukan menggunakan data panel
(Chadidjah & Elfiyan, 2009) antara lain (1) penelitian yang dilakukan oleh Pujiati
(2007) mengenai analisis pertumbuhan ekonomi di Karesidenan Semarang Era
Kebijakan Fiskal yaitu 6 kabupaten/kota di wilayah Karesidenan Semarang dari
tahun 2002-2006. Dalam analisisnya menggunakan pooled model, fixed effect
model, dan random effect model. Hasilnya bahwa fixed effect model lebih baik
sehingga efek dari perbedaan wilayah berarti, akan tetapi dalam pemilihan model
terbaik antara fixed effect model, dan random effect model hanya menggunakan
perbandingan nilai goodness of fit tanpa pengujian; (2) penelitian yang dilakukan
oleh Sugiharso dan Ester (2007) mengenai determinan investasi portofolio
internasional negara-negara ASEAN, Amerika Serikat dan Jepang menggunakan
data panel. Penelitian ini mencoba mengkaji lebih jauh determinan-determinan
(2002) dapat diterapkan dalam kondisi umum dan mudah untuk diterapkan.
Penelitian didukung dengan menggunakan program Stata.
Manusia adalah kekayaan bangsa yang sesungguhnya. Tujuan utama
pembangunan adalah menciptakan lingkungan yang memungkinkan rakyat
menikmati umur panjang, sehat, dan menjalankan kehidupan yang produktif. Hal
ini nampaknya sederhana. Tetapi seringkali terlupakan oleh kesibukan jangka
pendek untuk mengumpulkan harta dan uang. (UNDP: Humant Development
Report, 2000: 16).
Untuk
melihat
sejauh
mana
keberhasilan
pembangunan
dan
b.
c.
b.
c.
Bagi Penulis
1) Untuk mengembangkan dan mengaplikasikan pengetahuan dan keilmuan
di bidang matematika.
2) Dapat menjelaskan model estimasi regresi data panel dengan pendekatan
common effect model, fixed effect model dan random effect model.
3) Dapat mengaplikasikan estimasi model regresi data panel hingga
menemukan estimasi model terbaik.
b.
Bagi Pembaca
Sebagai bahan informasi dan tambahan pengetahuan pada bidang matematika
khususnya estimasi model regresi data panel dan diharapkan kepada pembaca
untuk melakukan penelitian selanjutnya.
c.
Bagi Lembaga
Sebagai bahan informasi dan tambahan referensi pada bidang matematika.
manusia,
komponen
pembangunan
manusia,dan
penelitian terdahulu.
BAB 3 : Metode penelitian menyajikan gagasan pokok yang terdiri dari tahap
permasalahan, investigasi awal, persiapan penelitian, penyelesaian,
tahap pelaporan hasil, dan penarikan kesimpulan.
BAB 4 : Hasil dan pembahasan berisi hasil dan pembahasan dalam menjelaskan
model estimasi data panel dengan pendekatan Common Effect Model
10
(CEM), Fixed Effect Model (FEM) dan Random Effect Model (REM)
untuk data pengaruh angka melek huruf, rata-rata lama sekolah, dan
pengeluaran riil per kapita disesuaikan terhadap Indeks Pembangunan
Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah dari tahun
2008 sampai dengan 2012.
BAB 5 : Penutup berisi kesimpulan dan saran.
BAB 2
TINJAUAN PUSTAKA
2.1 Model Regresi Linear
2.1.1 Model Regresi Linear Sederhana
Menurut Sumodiningrat (1994, 100), hubungan atau persamaan dalam teori
ekonomi biasanya mempunyai spesifikasi hubungan yang pasti (exact) atau
hubungan deterministic di antara variabel-variabel. Mengingat bahwa hubungan
yang tidak exact tidak pernah ada dalam ekonomi maka faktor-faktor stokastik
harus ada dalam hubungan ekonomi. Dengan semakin banyaknya tuntutan akan
perlunya menguji teori-teori ekonomi, variabel stokastik juga perlu diuji
keberadaannya di dalam hubungan ekonomi.
Bentuk paling sederhana dari hubungan stokastik antara dua variabel
dan
dan
adalah
adalah parameter-
dan .
11
12
(2.2)
Dengan
= intercept
= slope
= error,
= observasi (pengamatan) ke i
= banyaknya observasi
Oleh karena i menunjukan observasi maka terdapat n persamaan:
(2.3)
Dengan
(2.5)
(
(
( )
13
vektor nol
[
d. Tidak ada korelasi antara
e. Variansi setiap
[ ]
dan ( ). (
(2.8)
0 1
14
15
variabel terikat (dependent variable) dengan satu atau lebih variabel bebas
(independent variable). Beberapa alternatif model yang dapat diselesaikan dengan
data panel yaitu,
Model 1: semua koefisien baik intercept maupun slope koefisien konstan.
(2.10)
Model 2: slope koefisien konstan, tetapi intercept berbeda akibat perbedaan unit
cross section.
(2.11)
Model 3: slope koefisien konstan, tetapi intercept berbeda akibat perbedaan unit
cross section dan berubahnya waktu.
(2.12)
Model 4: intercept dan slope koefisien berbeda akibat perbedaan unit cross
section.
(2.13)
16
Model 5: intercept dan slope koefisien berbeda akibat perbedaan unit cross
section dan berubahnya waktu.
(2.14)
Dengan,
17
Dengan:
= Variabel respon pada unit observasi ke-i dan waktu ke-t
= Variabel prediktor pada unit observasi ke-i dan waktu ke-t
= Koefisien slope atau koefisien arah
= Intercept model regresi
= Galat atau komponen error pada unit observasi ke-i dan waktu ke-t
2.2.1.1 Ordinary Least Square (OLS)
Menurut Nachrowi & Usman (2006, 312) bahwa data panel tentunya akan
mempunyai observasi lebih banyak dibanding data cross section atau time series
saja. Akibatnya, ketika data digabungkan menjadi pooled data, guna membuat
regresi maka hasilnya cenderung akan lebih baik dibanding regresi yang hanya
menggunakan data cross section atau time series saja. Dipunyai model berikut.
(2.16)
Bila
dan
kita dapat estimasi model tersebut dengan memisahkan waktunya sehingga ada
regresi dengan
(2.17)
18
dengan:
(2.18)
dan
x pengamatan.
(2.19)
19
(2.21)
, maka scalar
galat minimum, yaitu dengan cara menurunkan persamaan (1) terhadap parameter
yang kemudian hasil turunan tersebut disamakan dengan nol atau
sehingga diperoleh:
(2.23)
20
Pada pemodelan efek tetap grup, variabel boneka yang dibentuk adalah
sebanyak
Sedangkan untuk pemodelan efek tetap waktu, variabel boneka yang dibentuk
bedasarkan unit waktu, dimana variabel boneka yang terbentuk yang terbentuk
sebanyak
Hun (2005) juga mengemukakan bahwa pada model regresi panel dengan
intercept bervariasi dan slope konstan, pemodelan efek tetap komponen dua arah
secara umum dilakukan dengan Least Square Dummy Variable (LSDV) dimana
model dengan peubah dummy seperti berikut.
(2.26)
Dengan,
21
= rata-rata peubah respon jika peubah boneka ke-j bernilai satu dan peubah
penjelas bernilai nol.
= rata-rata nilai peubah respon jika peubah boneka ke-k bernilai satu dan
peubah penjelas bernilai nol.
2.2.3 Random Effect Model (REM)
Menurut Nachrowi & Usman (2006, 315) sebagaimana telah diketahui bahwa
pada Model Efek Tetap (MET), perbedaan karakteristik-karakteristik individu dan
waktu diakomodasikan pada intercept sehingga intercept-nya berubah antar
waktu. Sementara Model Efek Random (MER) perbedaan karakteristik individu
dan waktu diakomodasikan pada error dari model. Mengingat ada dua komponen
yang mempunyai kontribusi pada pembentukan error, yaitu individu dan waktu,
maka random error pada MER juga perlu diurai menjadi error untuk komponen
waktu dan error gabungan.
Dengan demikian persamaan MER diformulasikan sebagai berikut.
(2.27)
Dimana:
: Komponen error cross section
: Komponen error time series
22
.
, dengan demikian varians dari error tersebut dapat
dituliskan dengan:
(2.29)
Hal ini tentunya berbeda dengan Model OLS yang diterapkan pada data panel
(pooled data), yang mempunyai varian error sebesar:
(2.30)
Jika tidak demikian, MER perlu diestimasi dengan metode lain. Adapun metode
estimasi yang digunakan adalah Generalized Least Square (GLS).
23
. Pada
Asumsi:
(
[
Varians komponen
]
identik untuk setiap unit cross section. Sehingga varians
24
(2.33)
Jika nilai
dan , sehingga
dimana
dengan
(LSDV). Sedangkan
Jika
25
Keterangan:
Jumlah individu (cross section)
Jumlah periode waktu (time series)
Jumlah variabel penjelas
restricted residual sums of squares yang berasal dari model koefisien
tetap
unrestricted residual sums of squares yang berasal dari model efek tetap
Jika nilai
maka tolak hipotesis awal
tetap.
2.3.2 Uji Hausman
Uji ini digunakan untuk memilih model efek acak (random effect model)
dengan model efek tetap (fixed effect model). Uji ini bekerja dengan menguji
apakah terdapat hubungan antara galat pada model (galat komposit) dengan satu
atau lebih variabel penjelas (independen) dalam model. Hipotesis awalnya adalah
tidak terdapat hubungan antara galat model dengan satu atau lebih variabel
penjelas. Prosedur pengujiannya sebagai berikut (Baltagi, 2008: 310).
Hipotesis:
Korelasi
regresor lain)
Korelasi
lain)
26
Statistik uji yang digunakan adalah uji chi-squared berdasarkan kriteria Wald,
yaitu
(2.35)
[
(
)[
]
(
)]
Keterangan:
27
28
Hipotesis:
(tidak ada korelasi serial orde p)
(ada korelasi serial)
Statistik Uji:
(2.38)
Keputusan tolak
jika
29
menyatakan bahwa
dimana
diberikan
(2.40)
(2.41)
30
Statistik uji yang digunakan merupakan uji LM yang mengikuti distribusi chisquared dengan derajat bebas
berukuran besar
terbatas yang merupakan situasi yang biasa ditemui dalam kasus empiris,
yang terbatas
yang besar.
. /
cukup besar.
Tidak seperti statistik LM, statistik CD mempunyai mean 0 untuk nilai yang
tepat pada
dan
Dimana
antara i dan j.
(2.45)
31
Dan
(2.46)
Statistik yang telah diubah menjelaskan fakta bahwa residuals untuk subset
dari t belum tentu 0 (Hoyos & Sarafidis, 2006).
2.4.3 Unit Root Tests
Menurut Enders, sebagaimana dikutip oleh Maaruf & Wihastuti (2008), unit
root tests adalah pengujian terhadap serangkaian data ditahap awal yang bertujuan
untuk mengetahui statsioneritas data. Data yang stasioner dibutuhkan agar hasil
estimasi tidak bersifat lancung (spurious regression).
Menurut Croissant & Millo (2008) diketahui model berikut.
(2.47)
berikut.
(2.48)
32
Beberapa unit root tests untuk data panel didasarkan pada hasil awal yang
diperoleh dari Augmented Dickey Fuller regression.
Pertama, harus menentukan jumlah optimal dari lags
menggunakan:
1.
2.
3.
Hall Method, yang dipilih dengan menghilangkan lags yang tertinggi ketika
nilai tidak signifikan
ADF regression berjalan pada observasi
, adalah
Estimasi variansi
(2.49)
33
minimal
ada
satu
(struktur
variance-covariance
residual
heterokedastisitas);
Statistik uji yang digunakan merupakan uji LM yang mengikuti distribusi chisquared, yaitu
(2.50)
Keterangan:
T = Banyaknya data time series
N = Banyaknya data cross section
variance residual persamaan ke-i
variance residual persamaan sistem
Jika nilai
tolak hipotesis awal
heterokedastisitas.
34
Untuk struktur seperti ini metode estimasi yang digunakan adalah Ordinary
Least Square (OLS).
2.5.2 Struktur Heterokedastik dan Tidak Ada Korelasi Serial
Struktur variance-covariance residual yang bersifat heterokedastik dan tidak
ada korelasi serial adalah sebagai berikut.
(2.52)
35
seperti pada regresi dengan OLS. Formula yang digunakan untuk mengestimasi
parameter regresi dengan metode ini adalah sebagai berikut.
(2.53)
Dimana matriks
pada
Untuk struktur seperti ini estimasi yang digunakan adalah Robust Variance
Matrix Estimator.
2.5.3.1 Serial Correlation and the Robust Variance Matrix Estimator
Model efek linear teramati untuk periode waktu
sebagai berikut.
(2.55)
and
Ketika heterokedastisitas pada
masalah yang biasa terjadi, korelasi serial terkadang sangat penting untuk diingat
36
pada aplikasi tertentu. Ketika menerapkan perkiraan fixed effect, perlu diingat
bahwa tidak ada aturan untuk korelasi serial pada {
}. Ketika benar
, didominasi
oleh adanya
Terkadang, {
( )
yang besar.
yang digunakan pada fixed effect, hanya dapat memperkirakan time demeaning
dalam errors. Seperti apa yang telah ditunjukkan di persamaan
, time-demeaned errors berkorelasi negatif jika
Ketika
tidak berkorelasi.
}. Secara natural,
dapat digunakan residual dari fixed effect, . Pengujian sangatlah kompleks dari
fakta bahwa { } berkorelasi serial pada hipotesis nol. Ada dua kemungkinan
untuk menentukannya. Pertama, hanya dapat menggunakan dua waktu periode
untuk menguji persamaan
sederhana, pakailah regresi
menggunakan regresi
37
(2.56)
pada
, dimana
(2.58)
( )
( )
( )
( )
yang disarankan oleh Arellano (1987) dan mengikuti dari kesimpulan umum
White (1984, chapter 6). The robust variance matrix estimator valid untuk semua
heterokedastisitas atau serial korelasi di {
kecil relatif ke
38
(2.60)
,
Oleh karena
(2.62)
39
40
Statistik uji:
(2.63)
Dengan
= koefisien determinasi
= jumlah cross section
= jumlah time series
= jumlah variabel independen
Kriteria uji:
ditolak jika
, artinya bahwa
(koefisien
regresi populasi), apakah sama dengan nol, yang berarti variabel bebas tidak
mempunyai pengaruh signifikan terhadap variabel terikat, atau tidak sama dengan
nol, yang berarti variabel bebas mempunyai pengaruh signifikan terhadap variabel
terikat.
41
(2.65)
Tetapi, karena
), maka nilai
dalam persamaan harus diganti dengan nol. Maka formula Uji t menjadi
(2.67)
Nilai t diatas akan dibandingkan dengan nilai t Tabel. Bila ternyata setelah
dihitung |
statistically significance.
42
Khusus untuk Uji t ini dapat dibuat batasan daerah penolakan secara praktis,
yaitu bila derajat bebas
, maka hipotesis
akan
ditolak jika
(2.68)
| |
2.6.2.3 Koefisien Determinasi
Menurut Nachrowi & Usman (2006), Koefisien Determinasi (Goodness of
Fit), yang dinotasikan dengan
regresi, karena dapat menginformasikan baik atau tidaknya model regresi yang
terestimasi. Atau dengan kata lain, angka tersebut dapat mengukur seberapa
dekatkah garis regresi yang terestimasi dengan data sesungguhnya.
Nilai Koefisien Determinasi
dari variabel terikat
. Bila nilai
tidak dapat
, artinya variasi
secara
, maka semua
pengamatan berada tepat pada garis regresi. Dengan demikian baik atau buruknya
suatu persamaan regresi ditentukan oleh
dan satu.
43
dan Estimator (BLUE). BLUE dapat dicapai bila memenuhi asumsi klasik.
Apabila persamaan yang terbentuk tidak memenuhi kaidah BLUE, maka
persamaan tersebut diragukan kemampuannya dalam menghasilkan nilai-nilai
prediksi yang akurat. Tetapi bukan berarti persamaan tersebut tidak bisa
digunakan
untuk
memprediksi.
Agar
suatu
persamaan
tersebut
dapat
44
45
Statistik uji:
(2.69)
*
Dengan:
N : Banyaknya data
: Skewness (kemencengan)
Kurtosis (peruncingan)
Dengan
(2.70)
(2.71)
Kriteria uji:
ditolak jika
Uji Linearitas
versus
dan
46
dan
adalah linear.
versus
Jika plot menggambarkan garis lurus maka asumsi pertama ini telah
terpenuhi.
(3) Plot antara residu versus
Jika plot menggambarkan diagram pencar maka linearitas ini sudah
terpenuhi.
2.7.3 Multikolinearitas
Istilah multikolinearitas mula-mula ditemukan oleh Ragnar Frisch. Pada
mulanya multikoliearitas berarti adanya hubungan linear yang sempurna atau
pasti, di antara beberapa atau semua variabel yang menjelaskan dari model
regresi. Istilah kolinearitas (collinearity) sendiri berarti hubungan linear tunggal
(single linear relationship), sedangkan kolinearitas ganda (multikolinearity)
menunjukkan adanya lebih dari satu hubungan linear yang sempurna.
Asumsi multikolinearitas adalah asumsi yang menunjukan adanya hubungan
linear yang kuat diantara beberapa variabel prediktor dalam suatu model regresi
linear berganda. Model regresi yang baik memiliki variabel-variabel prediktor
yang
independen
atau
tidak
berkorelasi.
Penyebab
terjadinya
kasus
multikolinearitas adalah terdapat korelasi atau hubungan linear yang kuat diantara
beberapa variabel prediktor yang dimasukkan kedalam model regresi.
47
yang terlampau tinggi (lebih dari 0,8) tetapi tidak ada atau sedikit t-
48
United
Nations
Development
Programme
(UNDP)
telah
49
(1) Longevity, diukur dengan variabel harapan hidup saat lahir atau life
expectancy of birth dan angka kematian bayi per seribu penduduk atau infant
mortality rate;
(2) Educational Achievment, diukur dengan dua indikator, yakni melek huruf
penduduk usia 15 tahun ke atas (adult literacy rate) dan tahun rata-rata
bersekolah bagi penduduk 25 tahun ke atas (the mean years of schooling);
dan
(3) Access to resource, dapat diukur secara makro melalui PDB riil perkapita
dengan terminologi purchasing power parity dalam dolar AS dan dapat
dilengkapi dengan tingkatan angkatan kerja.
Dari penjelasan tersebut dapat disimpulkan bahwa komponen-komponen
yang mempengaruhi IPM antara lain:
(1) Indeks Harap Hidup
Indeks harapan hidup menunjukkan jumlah tahun hidup yang diharapkan
dapat dinikmati penduduk suatu wilayah.
(2) Indeks Hidup Layak
Untuk mengukur dimensi standar hidup layak (daya beli), UNDP
menggunakan indikator yang dikenal dengan real per kapita GDP adjusted.
Untuk perhitungan IPM sub nasional (provinsi atau kabupaten/kota) tidak
memakai PDRB per kapita karena PDRB per kapita hanya mengukur
produksi suatu wilayah dan tidak mencerminkan daya beli riil masyarakat
yang merupakan konsentrasi IPM.
50
51
Jurnal Aplikasi Regresi Data Panel dengan Pendekatan Fixed Effect Model
(Studi Kasus: PT PLN Gianyar) oleh Ni Putu Anik Mas Ratnasari menyatakan
bahwa salah satu pendekatan dalam pemodelan regresi data panel adalah dengan
menggunakan Fixed Effect Model (FEM) Metode pendugaan parameter regresi
adalah Least Square Dummy Variable (LSDV). Berdasarkan penelitian tentang
motivasi tenaga kerja di PT PLN Gianyar diperoleh banwa existence (EX)
berpengaruh positif dan signifikan terhadap motivasi tenaga kerja nonoutsourcing di PT PLN Gianyar dan growth (GR) berpengaruh positif dan
signifikan terhadap motivasi tenaga kerja outsourcing di PT PLN Gianyar.
Jurnal Peramalan Jumlah Kepemilikan Sepeda Motor dan Penjualan Sepeda
Motor di Jawa Timur dengan Menggunakan Regresi Data Panel oleh Hilda
Rosdiana dan Dwi Endah menyatakan bahwa karakteristik kepemilikan dan
penjualan sepeda motor disetiap wilayah cenderung tidak sama, sehingga
digunakan metode regresi data panel. Model kepemilikan sepeda motor adalah
Random Effect Model (REM) dan model penjualan sepeda motor adalah Fixed
Effect Model (FEM) cross section weight.
Jurnal Panel Data Econometrics in R: The plm Package oleh Yves
Croissant dan Giovanni Millo menyatakan bahwa data panel jelas merupakan
salah satu bidang utama dalam ekonometrika, namun terkadang model-model
yang digunakan sulit untuk diestimasi dengan program R. Plm adalah paket untuk
program R yang bertujuan untuk membuat estimasi model panel linear sederhana.
Plm menyediakan fungsi untuk memperkirakan berbagai macam model dan
membuatnya robust (tahan). Berdasarkan penelitian, plm bertujuan untuk
52
BAB 3
METODE PENELITIAN
3.1 Fokus Penelitian
Fokus permasalahan yang dilakukan dalam penelitian ini adalah sebagai
berikut
a.
b.
Metode yang digunakan adalah Ordinary Least Square (OLS), Least Square
Dummy Variable (LSDV), dan Generalized Least Square (GLS).
c.
Uji Pemilihan model terbaik menggunakan Uji Chow, Uji Hausman dan Uji
Breusch-Pagan.
d.
Uji Diagnostik pada model regresi data panel terpilih, antara lain uji korelasi
serial menggunakan Uji Breusch-Godfrey, Tests for Cross Sectional
Dependence dengan menggunakan Pesarans CD Tests, Unit Root Tests
dengan menggunakan Augmented Dickey-Fuller Test dan Uji Heteroskedastik
dengan menggunakan Uji Lagrange Multiplier yang mengikuti distribusi chisquared.
e.
f.
Uji Asumsi model regresi data panel terbaik antara lain Uji Normalitas, Uji
Linearitas dan Uji Multikolinearitas.
53
54
g.
h.
i.
Lokasi yang digunakan adalah Badan Pusat Statistik Provinsi Jawa Tengah.
55
dengan cara mengambil data sekunder yang diperoleh dari Badan Pusat Statistik
Provinsi Jawa Tengah (BPS Jateng).
2.
3.
4.
5.
6.
Input data
Estimasi Model Regresi
Data Panel
Uji
Chow
Ya
Diagnostics
Tidak
Uji
Hausman
Ya
Tidak
56
Pemeriksaan
Persamaan Regresi
Interpretasi Model
Regresi
Selesai
Common Effect
Model
Fixed Effect
Model
Random Effect
Model
57
Diagnostics
Pearans
CD Tests
Unit
Root
Tests
Uji BreuschGodfrey
Uji
Heterokedastisitas
58
terbaik. Selanjutnya dilakukan uji diagnostik, yaitu uji korelasi serial, pengujian
ketergantungan cross sectional (testing for cross sectional dependence), Unit Root
Tests, dan Uji Heteroskedastik. Pemeriksaan persamaan regresi, menguji
signifikansi parameter regresi data panel, melakukan uji asumsi regresi data panel,
serta tahapan terakhir adalah interpretasi model regresi data panel Indeks
Pembangunan Manusia (IPM) dari tahun 2008 sampai dengan 2012. Sehingga
simpulan yang diperoleh adalah estimasi model terbaik dari pengaruh Angka
Melek Huruf, Rata-rata Lama Sekolah, dan Pengeluaran Riil Per Kapita
Disesuaikan terhadap Indeks Pembangunan Manusia (IPM) di seluruh
Kabupaten/Kota di Jawa Tengah.
BAB 5
PENUTUP
5.1 Simpulan
Berdasarkan hasil analisis dan pembahasan pada bab 4, maka dapat diperoleh
beberapa kesimpulan sebagai berikut,
a.
Setelah memenuhi uji diagnostik dan uji asumsi model regresi, maka model
regresi data panel yang lebih sesuai untuk pemodelan Indeks Pembangunan
Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah dari tahun 2008
sampai dengan 2012 adalah Fixed Effect Model (FEM) dengan efek individu,
dengan model persamaan hasil estimasi sebagai berikut
Dengan
: nilai variable respon (Indeks Pembangunan Manusia) untuk wilayah ke-i
tahun ke-t
: nilai Angka Melek Huruf (AMH) untuk wilayah ke-i tahun ke-t
: nilai Rata-rata Lama Sekolah (RLS) untuk wilayah ke-i tahun ke-t
: nilai Pengeluaran Riil Per Kapita Disesuaikan (PPP) untuk wilayah ke-i
tahun ke-t
: konstanta yang bergantung pada unit ke-i, tetapi tidak pada waktu t
b.
107
108
sedangkan
yang berarti
5.2 Saran
Berdasarkan hasil penelitian diperoleh estimasi parameter model regresi data
panel terbaik dengan pendekatan Fixed Effect Model (FEM) dengan efek individu
yang selanjutnya dapat digunakan untuk memperkirakan nilai-nilai populasi pada
Indeks Pembangunan Manusia (IPM) yang dipengaruhi oleh variabel-variabel
Angka Melek Huruf, Rata-rata Lama Sekolah, dan Pengeluaran Riil Per Kapita
Disesuaikan pada wilayah tertentu di seluruh Kabupaten/Kota di Jawa Tengah
dengan tahun tertentu yang telah ditentukan terlebih dahulu.
Karena keterbatasan penulis dalam melakukan penelitian, analisis data, dan
keterbatasan waktu yang dimiliki oleh penulis maka peneliti selanjutnya yang
secara khusus membahas mengenai estimasi model regresi data panel diharapkan
dapat menganalisis secara detail mengenai pemilihan model regresi data panel
terbaik yang salah satunya adalah menggunakan Uji Breusch-Pagan dengan
menggunakan statistik Uji Lagrange Multiplier.
Penelitian ini juga masih dapat dikembangkan dengan menggunakan metode
lain pada uji diagnostik untuk masalah terdeteksinya korelasi serial dan
heteroskedastik pada data selain dengan menggunakan metode the robust
variance matrix estimator. Pembaca juga dapat mengkaji mengenai estimasi
parameter pada model data panel dinamik dan regresi non linear data panel.
DAFTAR PUSTAKA
109
110
111
112
Lampiran 1
Data Penelitian
Kab/Kota
Tahun AMH RLS
Kab. Cilacap
2008 90.10 6.60
Kab. Cilacap
2009 90.28 6.72
Kab. Cilacap
2010 90.28 6.85
Kab. Cilacap
2011 91.48 6.86
Kab. Cilacap
2012 91.49 6.87
Kab. Banyumas
2008 93.92 7.49
Kab. Banyumas
2009 93.98 7.72
Kab. Banyumas
2010 93.98 7.73
Kab. Banyumas
2011 94.06 7.76
Kab. Banyumas
2012 94.24 7.79
Kab. Purbalingga
2008 93.01 6.46
Kab. Purbalingga
2009 93.02 6.81
Kab. Purbalingga
2010 93.48 7.18
Kab. Purbalingga
2011 93.50 7.21
Kab. Purbalingga
2012 93.52 7.23
Kab. Banjarnegara
2008 88.24 5.98
Kab. Banjarnegara
2009 88.43 6.20
Kab. Banjarnegara
2010 88.43 6.33
Kab. Banjarnegara
2011 88.48 6.34
Kab. Banjarnegara
2012 88.49 6.35
Kab. Kebumen
2008 90.39 6.65
Kab. Kebumen
2009 90.40 6.84
Kab. Kebumen
2010 90.74 6.87
Kab. Kebumen
2011 91.53 6.92
Kab. Kebumen
2012 91.54 6.93
Kab. Purworejo
2008 89.20 7.30
Kab. Purworejo
2009 89.78 7.70
Kab. Purworejo
2010 91.51 7.75
Kab. Purworejo
2011 91.74 7.84
Kab. Purworejo
2012 92.79 7.93
Kab. Wonosobo
2008 88.91 6.11
Kab. Wonosobo
2009 89.27 6.27
Kab. Wonosobo
2010 90.47 6.27
Kab. Wonosobo
2011 91.16 6.55
Kab. Wonosobo
2012 91.43 6.56
Kab. Magelang
2008 91.34 7.10
Kab. Magelang
2009 91.35 7.26
Kab. Magelang
2010 91.35 7.26
PPP
631.17
633.50
634.50
636.62
639.78
626.94
630.75
634.52
638.27
641.78
627.57
630.44
631.04
634.44
638.41
628.33
632.76
634.04
638.79
641.53
627.57
632.43
635.81
639.16
641.78
633.27
633.61
634.97
636.29
638.51
626.77
629.26
629.76
630.41
632.71
630.88
633.26
636.96
IPM
70.90
71.39
71.73
72.34
72.77
71.80
72.27
72.60
72.96
73.33
70.90
71.51
72.07
72.50
72.97
69.00
69.63
69.91
70.39
70.70
70.20
70.73
71.12
71.62
71.86
71.30
71.88
72.55
72.91
73.53
69.50
70.08
70.52
71.06
71.45
71.40
71.76
72.08
113
Kab. Magelang
Kab. Magelang
Kab. Boyolali
Kab. Boyolali
Kab. Boyolali
Kab. Boyolali
Kab. Boyolali
Kab. Klaten
Kab. Klaten
Kab. Klaten
Kab. Klaten
Kab. Klaten
Kab. Sukoharjo
Kab. Sukoharjo
Kab. Sukoharjo
Kab. Sukoharjo
Kab. Sukoharjo
Kab. Wonogiri
Kab. Wonogiri
Kab. Wonogiri
Kab. Wonogiri
Kab. Wonogiri
Kab. Karanganyar
Kab. Karanganyar
Kab. Karanganyar
Kab. Karanganyar
Kab. Karanganyar
Kab. Sragen
Kab. Sragen
Kab. Sragen
Kab. Sragen
Kab. Sragen
Kab. Grobogan
Kab. Grobogan
Kab. Grobogan
Kab. Grobogan
Kab. Grobogan
Kab. Blora
Kab. Blora
Kab. Blora
Kab. Blora
Kab. Blora
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
93.29
93.31
85.96
85.97
85.97
87.96
87.97
89.28
89.70
89.90
89.92
89.93
90.36
90.38
90.69
90.72
90.73
82.03
82.14
82.18
83.50
84.32
84.76
84.96
86.91
88.90
88.95
81.15
82.26
84.36
84.41
84.41
90.18
90.36
90.36
90.41
90.94
82.97
83.19
83.19
85.06
85.06
7.33
7.55
7.10
7.29
7.37
7.42
7.43
7.75
7.93
8.27
8.28
8.31
8.15
8.36
8.36
8.52
8.53
6.10
6.29
6.32
6.35
6.65
7.05
7.17
7.39
7.41
8.27
6.50
6.88
6.99
7.02
7.22
6.60
6.76
6.76
6.81
6.83
6.02
6.25
6.25
6.45
6.46
638.16
641.45
626.14
629.49
632.00
632.19
634.86
641.86
643.92
644.21
646.39
649.49
643.38
644.60
646.94
649.96
652.39
639.55
644.24
647.21
649.51
653.07
645.79
647.87
647.94
649.70
651.05
626.26
627.15
628.04
630.01
633.90
627.60
629.42
631.25
635.15
638.68
633.90
637.29
642.36
642.83
645.28
72.69
73.14
70.00
70.44
70.72
71.25
71.50
72.90
73.41
73.83
74.10
74.46
73.00
73.29
73.57
73.97
74.21
70.50
71.04
71.33
71.86
72.59
72.20
72.55
73.19
73.82
74.62
69.60
70.27
71.00
71.33
71.85
70.20
70.60
70.83
71.27
71.77
69.60
70.14
70.61
71.25
71.49
114
Kab. Rembang
Kab. Rembang
Kab. Rembang
Kab. Rembang
Kab. Rembang
Kab. Pati
Kab. Pati
Kab. Pati
Kab. Pati
Kab. Pati
Kab. Kudus
Kab. Kudus
Kab. Kudus
Kab. Kudus
Kab. Kudus
Kab. Jepara
Kab. Jepara
Kab. Jepara
Kab. Jepara
Kab. Jepara
Kab. Demak
Kab. Demak
Kab. Demak
Kab. Demak
Kab. Demak
Kab. Semarang
Kab. Semarang
Kab. Semarang
Kab. Semarang
Kab. Semarang
Kab. Temanggung
Kab. Temanggung
Kab. Temanggung
Kab. Temanggung
Kab. Temanggung
Kab. Kendal
Kab. Kendal
Kab. Kendal
Kab. Kendal
Kab. Kendal
Kab. Batang
Kab. Batang
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
88.79
89.43
91.17
91.36
91.37
86.28
86.38
86.42
87.59
87.61
91.98
92.48
93.71
93.73
93.74
92.92
93.09
93.09
93.15
93.29
90.82
90.95
91.36
92.53
92.54
93.51
93.62
93.62
93.67
94.20
95.93
95.94
95.94
95.96
95.97
88.93
88.96
89.15
89.31
89.77
87.62
87.74
6.65
6.85
6.85
6.89
7.05
6.80
6.95
6.95
6.98
7.01
7.80
8.11
8.11
8.12
8.49
7.22
7.40
7.40
7.52
7.58
7.00
7.26
7.59
7.60
7.62
7.15
7.40
7.75
7.87
8.07
6.70
6.86
7.01
7.09
7.10
6.69
6.90
6.91
6.93
7.11
6.02
6.34
639.29
640.28
641.28
644.43
646.90
639.68
643.48
646.15
648.77
652.22
633.57
635.90
636.90
639.98
642.02
627.68
631.04
632.48
636.45
639.89
630.13
631.72
632.22
632.87
635.62
632.18
633.14
634.97
637.71
640.67
630.82
633.87
635.01
638.07
640.56
631.64
635.70
637.09
639.78
642.55
626.02
628.82
71.10
71.55
72.07
72.45
72.81
72.30
72.72
72.96
73.49
73.81
72.00
72.57
72.95
73.24
73.69
71.90
72.45
72.64
73.12
73.54
71.60
72.10
72.58
73.09
73.52
73.30
73.66
74.10
74.45
74.98
73.40
73.85
74.11
74.47
74.74
69.40
70.07
70.41
70.85
71.48
69.20
69.84
115
Kab. Batang
Kab. Batang
Kab. Batang
Kab. Pekalongan
Kab. Pekalongan
Kab. Pekalongan
Kab. Pekalongan
Kab. Pekalongan
Kab. Pemalang
Kab. Pemalang
Kab. Pemalang
Kab. Pemalang
Kab. Pemalang
Kab. Tegal
Kab. Tegal
Kab. Tegal
Kab. Tegal
Kab. Tegal
Kab. Brebes
Kab. Brebes
Kab. Brebes
Kab. Brebes
Kab. Brebes
Kota Magelang
Kota Magelang
Kota Magelang
Kota Magelang
Kota Magelang
Kota Surakarta
Kota Surakarta
Kota Surakarta
Kota Surakarta
Kota Surakarta
Kota Salatiga
Kota Salatiga
Kota Salatiga
Kota Salatiga
Kota Salatiga
Kota Semarang
Kota Semarang
Kota Semarang
Kota Semarang
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
88.09
89.90
89.93
89.94
90.60
92.05
92.08
92.11
87.34
87.75
90.76
90.79
90.80
89.09
89.26
89.26
89.47
90.64
84.85
85.21
86.14
86.15
86.69
97.17
97.25
97.25
97.29
97.52
96.66
96.67
96.68
96.71
96.73
96.49
96.50
96.50
96.52
96.55
95.94
96.44
96.44
96.47
6.71
6.72
6.73
6.50
6.66
6.66
6.70
6.80
6.10
6.49
6.49
6.51
6.54
6.24
6.42
6.56
6.60
6.62
5.50
5.62
5.70
5.72
6.07
10.00
10.10
10.21
10.22
10.36
10.15
10.32
10.32
10.34
10.49
9.50
9.75
9.94
9.97
9.98
9.80
9.98
9.98
10.11
630.11
631.55
634.28
637.47
638.79
639.95
643.53
646.96
632.39
634.26
635.26
637.71
641.52
634.24
637.09
639.95
643.48
646.19
629.64
633.23
634.36
637.29
640.06
645.91
648.06
649.52
651.91
655.08
646.45
648.23
652.43
655.77
658.92
643.96
644.65
647.54
650.39
653.16
643.55
644.63
646.94
649.21
70.41
71.06
71.41
70.30
70.83
71.40
71.86
72.37
68.40
69.02
69.89
70.22
70.66
69.50
70.08
70.59
71.09
71.74
67.10
67.69
68.20
68.61
69.37
76.10
76.37
76.60
76.83
77.26
77.20
77.49
77.86
78.18
78.60
75.80
76.11
76.53
76.83
77.13
76.50
76.90
77.11
77.42
116
Kota Semarang
Kota Pekalongan
Kota Pekalongan
Kota Pekalongan
Kota Pekalongan
Kota Pekalongan
Kota Tegal
Kota Tegal
Kota Tegal
Kota Tegal
Kota Tegal
2012
2008
2009
2010
2011
2012
2008
2009
2010
2011
2012
117
Lampiran 2
Estimasi Common Effect Model
Dependent Variable: IPM?
Method: Pooled Least Squares
Date: 08/11/15 Time: 13:29
Sample: 2008 2012
Included observations: 5
Cross-sections included: 35
Total pool (balanced) observations: 175
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AMH?
RLS?
PPP?
1.259155
0.134088
1.162309
0.078804
6.073378
0.020514
0.080689
0.009044
0.207324
6.536498
14.40482
8.713534
0.8360
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.904571
0.902897
0.707584
85.61547
-185.7587
540.3019
0.000000
72.46886
2.270707
2.168671
2.241009
2.198014
0.027539
118
Lampiran 3
Estimasi Fixed Effect Model
Dependent Variable: IPM?
Method: Pooled Least Squares
Date: 08/11/15 Time: 13:30
Sample: 2008 2012
Included observations: 5
Cross-sections included: 35
Total pool (balanced) observations: 175
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AMH?
RLS?
PPP?
Fixed Effects (Cross)
_KABCILACAP--C
_KABBANYUMAS--C
_KABPURBALINGGA--C
_KABBANJARNEGARA
C
_KABKEBUMEN--C
_KABPURWOREJO--C
_KABWONOSOBO--C
_KABMAGELANG--C
_KABBOYOLALI--C
_KABKLATEN--C
_KABSUKOHARJO--C
_KABWONOGIRI--C
_KABKARANGANYAR--C
_KABSRAGEN--C
_KABGROBOGAN--C
_KABBLORA--C
_KABREMBANG--C
_KABPATI--C
_KABKUDUS--C
_KABJEPARA--C
_KABDEMAK--C
_KABSEMARANG--C
_KABTEMANGGUNG--C
_KABKENDAL--C
_KABBATANG--C
_KABPEKALONGAN--C
_KABPEMALANG--C
_KABTEGAL--C
_KABBREBES--C
_KOTAMAGELANG--C
-20.23965
0.267274
0.904716
0.096503
1.578004
0.011851
0.058625
0.002733
-12.82611
22.55254
15.43214
35.31564
0.0000
0.0000
0.0000
0.0000
0.392628
-0.492695
-0.048235
-0.398571
-0.458090
0.069523
0.118157
-0.163748
0.319867
0.396275
-0.427291
1.416597
0.963999
1.811197
-0.140293
0.954025
-0.133817
1.457715
-0.650160
0.232327
0.577850
1.018214
1.076041
-0.921703
0.232049
-0.745634
-1.251721
-0.743125
-0.948619
-1.077396
119
_KOTASURAKARTA--C
_KOTASALATIGA--C
_KOTASEMARANG--C
_KOTAPEKALONGAN--C
_KOTATEGAL--C
-0.031999
-0.495142
0.085591
-0.501730
-1.492086
Effects Specification
0.998785
0.998456
0.089217
1.090473
196.0260
3042.616
0.000000
72.46886
2.270707
-1.806012
-1.118801
-1.527260
0.597962
> library(foreign)
> fixed.dum<-lm(IPM~AMH+RLS+PPP+factor(Kab.Kota)-1,data=datapanel)
> summary(fixed.dum)
Call:
lm(formula = IPM ~ AMH + RLS + PPP + factor(Kab.Kota) - 1, data =
datapanel)
Residuals:
Min
1Q
-0.215230 -0.055129
Median
0.001421
3Q
0.040477
Max
0.215151
Coefficients:
Estimate Std. Error t value
Pr(>|t|)
AMH
<2e-16 ***
RLS
<2e-16 ***
PPP
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
0.267274
0.011851
22.55
0.904716
0.058625
15.43
0.096503
0.002733
35.32
Banjarnegara -20.638222
1.605175
-12.86
Banyumas
-20.732346
1.572931
-13.18
Batang
-20.007603
1.584585
-12.63
Blora
-19.285627
1.596732
-12.08
Boyolali
-19.919784
1.546904
-12.88
Brebes
-21.188271
1.613991
-13.13
120
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kab.
<2e-16 ***
factor(Kab.Kota)Kota
<2e-16 ***
factor(Kab.Kota)Kota
<2e-16 ***
factor(Kab.Kota)Kota
<2e-16 ***
factor(Kab.Kota)Kota
<2e-16 ***
factor(Kab.Kota)Kota
<2e-16 ***
Cilacap
-19.847023
1.594429
-12.45
Demak
-19.661802
1.568295
-12.54
Grobogan
-20.379945
1.588131
-12.83
Jepara
-20.007325
1.576904
-12.69
Karanganyar
-19.275652
1.583054
-12.18
Kebumen
-20.697742
1.593439
-12.99
Kendal
-21.161354
1.587961
-13.33
Klaten
-19.843377
1.562881
-12.70
Kudus
-20.889812
1.559908
-13.39
Magelang
-20.403400
1.583089
-12.89
Pati
-18.781937
1.596981
-11.76
Pekalongan
-20.985286
1.615973
-12.99
Pemalang
-21.491372
1.605232
-13.39
Purbalingga
-20.287886
1.592437
-12.74
Purworejo
-20.170128
1.560866
-12.92
Rembang
-20.373468
1.606809
-12.68
Semarang
-19.221438
1.576252
-12.19
Sragen
-18.428454
1.543633
-11.94
Sukoharjo
-20.666942
1.561441
-13.24
Tegal
-20.982776
1.612155
-13.02
Temanggung
-19.163611
1.613447
-11.88
Wonogiri
-18.823055
1.605511
-11.72
Wonosobo
-20.121495
1.596807
-12.60
Magelang
-21.317048
1.532583
-13.91
Pekalongan
-20.741381
1.557623
-13.32
Salatiga
-20.734794
1.536511
-13.49
Semarang
-20.154061
1.527860
-13.19
Surakarta
-20.271651
1.529816
-13.25
121
factor(Kab.Kota)Kota Tegal
-21.731738
1.594599 -13.63
<2e-16 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.08922 on 137 degrees of freedom
Multiple R-squared:
1,
Adjusted R-squared:
1
F-statistic: 3.041e+06 on 38 and 137 DF, p-value: < 2.2e-16
> g=NULL
>
g=plm(IPM~AMH+RLS+PPP,data=datapanel,model="within",effect="indivi
dual")
> summary(g)
Oneway (individual) effect Within Model
Call:
plm(formula = IPM ~ AMH + RLS + PPP, data = datapanel, effect =
"individual",
model = "within")
Balanced Panel: n=35, T=5, N=175
Residuals :
Min. 1st Qu.
-0.21500 -0.05510
Median
0.00142
3rd Qu.
0.04050
Max.
0.21500
Coefficients :
Estimate Std. Error t-value Pr(>|t|)
AMH 0.2672744 0.0118512 22.552 < 2.2e-16 ***
RLS 0.9047163 0.0586255 15.432 < 2.2e-16 ***
PPP 0.0965029 0.0027326 35.316 < 2.2e-16 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Total Sum of Squares:
71.505
Residual Sum of Squares: 1.0905
122
Lampiran 4
Estimasi Random Effect Model
Dependent Variable: IPM?
Method: Pooled EGLS (Cross-section random effects)
Date: 08/11/15 Time: 13:30
Sample: 2008 2012
Included observations: 5
Cross-sections included: 35
Total pool (balanced) observations: 175
Swamy and Arora estimator of component variances
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AMH?
RLS?
PPP?
Random Effects (Cross)
_KABCILACAP--C
_KABBANYUMAS--C
_KABPURBALINGGA--C
_KABBANJARNEGARA-C
_KABKEBUMEN--C
_KABPURWOREJO--C
_KABWONOSOBO--C
_KABMAGELANG--C
_KABBOYOLALI--C
_KABKLATEN--C
_KABSUKOHARJO--C
_KABWONOGIRI--C
_KABKARANGANYAR--C
_KABSRAGEN--C
_KABGROBOGAN--C
_KABBLORA--C
_KABREMBANG--C
_KABPATI--C
_KABKUDUS--C
_KABJEPARA--C
_KABDEMAK--C
_KABSEMARANG--C
_KABTEMANGGUNG--C
_KABKENDAL--C
_KABBATANG--C
_KABPEKALONGAN--C
_KABPEMALANG--C
_KABTEGAL--C
_KABBREBES--C
-20.09610
0.259485
0.899776
0.097444
1.551283
0.011468
0.054524
0.002629
-12.95450
22.62670
16.50240
37.06588
0.0000
0.0000
0.0000
0.0000
0.390441
-0.461352
-0.025511
-0.418951
-0.456108
0.074823
0.115984
-0.151764
0.293739
0.383571
-0.431833
1.336981
0.921150
1.753553
-0.140619
0.889755
-0.143238
1.412758
-0.626306
0.253802
0.587763
1.041106
1.112663
-0.933039
0.217566
-0.745891
-1.261327
-0.757249
-0.989957
123
_KOTAMAGELANG--C
_KOTASURAKARTA--C
_KOTASALATIGA--C
_KOTASEMARANG--C
_KOTAPEKALONGAN--C
_KOTATEGAL--C
-1.021426
0.014693
-0.446726
0.133293
-0.458176
-1.464168
Effects Specification
S.D.
Cross-section random
Idiosyncratic random
0.723681
0.089217
Rho
0.9850
0.0150
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.980851
0.980515
0.091036
2919.663
0.000000
3.989395
0.652172
1.417159
0.454595
Unweighted Statistics
R-squared
Sum squared resid
0.880428
107.2758
72.46886
0.006005
Call:
plm(formula = IPM ~ AMH + RLS + PPP, data = datapanel, model =
"random")
Balanced Panel: n=35, T=5, N=175
Effects:
var std.dev share
idiosyncratic 0.00796 0.08922 0.015
individual
0.52372 0.72368 0.985
theta: 0.945
Residuals :
Min. 1st Qu.
Median
-0.26400 -0.05500 -0.00181
3rd Qu.
0.05690
Max.
0.25300
Coefficients :
Estimate Std. Error t-value
(Intercept) -20.0960996
1.5829062 -12.696
AMH
0.2594853
0.0117019 22.175
RLS
0.8997756
0.0556354 16.173
PPP
0.0974438
0.0026825 36.325
--Signif. codes: 0 *** 0.001 ** 0.01 *
<
<
<
<
Pr(>|t|)
2.2e-16
2.2e-16
2.2e-16
2.2e-16
***
***
***
***
0.05 . 0.1 1
124
125
Lampiran 5
Uji Chow
Redundant Fixed Effects Tests
Pool: DATA
Test cross-section fixed effects
Effects Test
Statistic
d.f.
Prob.
312.328775
763.569568
(34,137)
34
0.0000
0.0000
Coefficient
Std. Error
t-Statistic
Prob.
1.259155
0.134088
1.162309
0.078804
6.073378
0.020514
0.080689
0.009044
0.207324
6.536498
14.40482
8.713534
0.8360
0.0000
0.0000
0.0000
Cross-section F
Cross-section Chi-square
C
AMH?
RLS?
PPP?
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.904571
0.902897
0.707584
85.61547
-185.7587
540.3019
0.000000
72.46886
2.270707
2.168671
2.241009
2.198014
0.027539
126
Lampiran 6
Uji Hausman
Correlated Random Effects - Hausman Test
Pool: DATA
Test cross-section random effects
Chi-Sq.
Statistic
Chi-Sq. d.f.
Prob.
10.042744
0.0182
Random
Var(Diff.)
Prob.
0.259485
0.899776
0.097444
0.000009
0.000464
0.000001
0.0092
0.8186
0.2069
Coefficient
Std. Error
t-Statistic
Prob.
-20.23965
0.267274
0.904716
0.096503
1.578004
0.011851
0.058625
0.002733
-12.82611
22.55254
15.43214
35.31564
0.0000
0.0000
0.0000
0.0000
Test Summary
Cross-section random
Fixed
0.267274
0.904716
0.096503
C
AMH?
RLS?
PPP?
Effects Specification
Cross-section fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
0.998785
0.998456
0.089217
1.090473
196.0260
3042.616
72.46886
2.270707
-1.806012
-1.118801
-1.527260
0.597962
127
Prob(F-statistic)
>
>
>
>
>
0.000000
#uji hausman
gf=NULL; gr=NULL
gf=plm(IPM~AMH+RLS+PPP,data=datapanel,model="within")
gr=plm(IPM~AMH+RLS+PPP,data=datapanel,model="random")
phtest(gf,gr)
Hausman Test
128
Lampiran 7
Uji Breusch-Pagan
>
>
>
>
#Uji Breusch-Pagan
g=NULL
g=plm(IPM~AMH+RLS+PPP,data=datapanel,model="within")
plmtest(g,effect="twoways",type="bp")
Lagrange Multiplier Test - two-ways effects (Breusch-
Pagan)
data: IPM ~ AMH + RLS + PPP
chisq = 315.9397, df = 2, p-value < 2.2e-16
alternative hypothesis: significant effects
> plmtest(g,effect="individual",type="bp")
Lagrange Multiplier Test - (Breusch-Pagan)
data: IPM ~ AMH + RLS + PPP
chisq = 315.7848, df = 1, p-value < 2.2e-16
alternative hypothesis: significant effects
> plmtest(g,effect="time",type="bp")
Lagrange Multiplier Test - time effects (Breusch-Pagan)
data: IPM ~ AMH + RLS + PPP
chisq = 0.1549, df = 1, p-value = 0.6939
alternative hypothesis: significant effects
129
Lampiran 8
Uji Korelasi Serial
> #uji korelasi serial
> fixed<plm(IPM~AMH+RLS+PPP,data=datapanel,index=c("Kab.Kota","Tahun"),mod
el="within")
> pbgtest(fixed)
Breusch-Godfrey/Wooldridge test for serial correlation in
panel models
data: IPM ~ AMH + RLS + PPP
chisq = 48.4765, df = 5, p-value = 2.839e-09
alternative hypothesis: serial correlation in idiosyncratic errors
130
Lampiran 9
Pesarans CD Test
> fixed<plm(IPM~AMH+RLS+PPP,data=datapanel,index=c("Kab.Kota","Tahun"),mod
el="within")
> pcdtest(fixed,test=c("cd"))
Pesaran CD test for cross-sectional dependence in panels
data: formula
z = -1.419, p-value = 0.1559
alternative hypothesis: cross-sectional dependence
131
Lampiran 10
Unit Root Tests
> panel.set<-plm.data(datapanel,index=c("Kab.Kota","Tahun"))
> library(tseries)
Loading required package: quadprog
tseries version: 0.10-22
tseries is a package for time series analysis and
computational finance.
See library(help="tseries") for details.
> adf.test(datapanel.set$IPM,k=4)
Augmented Dickey-Fuller Test
data: datapanel.set$IPM
Dickey-Fuller = -3.9368, Lag order = 4, p-value = 0.01386
alternative hypothesis: stationary
132
Lampiran 11
Uji Heteroskedastik
> library(lmtest)
>
bptest(IPM~AMH+RLS+PPP+factor(Kab.Kota),data=datapanel,studentize=
F)
Breusch-Pagan test
data: IPM ~ AMH + RLS + PPP + factor(Kab.Kota)
BP = 86.4939, df = 37, p-value = 7.704e-06
> plot(AMH,IPM,pch=20,cex=1.2,xlab="AMH(%)",ylab="IPM",main="Plot
X1 dan Y",col=c("slateblue","firebrick","darkolivegreen"))
> abline(lm(datapanel$IPM~datapanel$AMH),lwd=3,col="red")
133
Lampiran 12
Residual Fixed Effect Model
-0.21523
-0.10676
0.019127
0.094765
0.208096
0.152114
0.030317
-0.01255
-0.06295
-0.10693
-0.07807
-0.06435
-0.01994
0.049459
0.112903
0.008091
-0.03924
-0.00037
-0.00117
0.03269
0.160153
0.04658
-0.00761
-0.08728
-0.11184
-0.08754
-0.05725
-0.02612
0.063602
0.107303
-0.15478
-0.05604
0.014975
0.054508
0.14134
0.085353
134
0.068249
0.031189
-0.05646
-0.12833
0.097098
0.039244
0.004645
-0.0608
-0.08018
-0.07175
-0.03565
-0.0047
0.040536
0.071563
0.054588
0.031518
0.002846
-0.04137
-0.04759
0.161369
0.047475
0.013029
-0.05887
-0.163
0.12265
0.109903
0.022925
-0.06689
-0.18859
0.022607
-0.03375
-0.05043
0.048955
0.012615
-0.05918
-0.02767
0.025725
0.030765
0.03036
0.090322
0.036293
135
0.017023
-0.06908
-0.07456
0.032505
0.034969
-0.00659
-0.01755
-0.04334
0.138489
0.029343
0.00099
-0.0617
-0.10712
0.107816
0.038865
-0.00639
-0.02801
-0.11229
-0.03277
-0.01531
0.035729
0.00801
0.004339
-0.15441
-0.07782
-0.05421
0.071301
0.215151
0.052717
0.064495
0.011244
-0.0251
-0.10335
-0.01355
-0.00531
0.008971
-0.00405
0.013937
-0.21497
-0.13478
0.011253
136
0.130802
0.207694
-0.07009
-0.02188
-0.00466
0.013567
0.083049
-0.1517
-0.07024
0.000269
0.070582
0.151088
0.001421
-0.02146
-0.05246
0.014995
0.057505
-0.1801
-0.08341
0.023927
0.090956
0.148628
-0.12796
-0.08919
-0.00918
0.097304
0.129012
0.066677
0.017342
0.006929
-0.01345
-0.0775
0.069771
0.031521
-0.00646
-0.0349
-0.05993
0.006708
0.02127
-0.00952
-0.01704
137
-0.00142
0.041128
0.040418
0.027497
-0.0072
-0.10185
0.016768
-0.00565
-0.01118
-0.00904
0.009096
-0.08639
-0.0587
0.0025
0.058419
0.084173
138
Lampiran 13
Uji Jarque-Bera
30
Series: RESID_IPM
Sample 2008 2012
Observations 175
25
20
15
10
0
-0.2
-0.1
-0.0
0.1
0.2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
1.41e-17
0.001421
0.215151
-0.215230
0.079165
0.005695
3.423466
Jarque-Bera
Probability
1.308511
0.519829