3.6.2.

Metode Regresi Data Panel

Data panel adalah gabungan antara data runtut waktu (time series) dan data
silang (cross section). Data runtut waktu biasanya meliputi satu objek/individu
(misalnya harga saham, kurs mata uang, SBI, atau tingkat inflasi), tetapi meliputi
beberapa periode (bias harian, bulanan, kuartalan, atau tahunan). Data silang terdiri
dari atas beberapa atau banyak objek. Regresi dengan menggunakan data panel
disebut model regresi data panel. Ada beberapa keuntungan yang diperoleh dengan
menggunakan data panel. Pertama, data panel merupakan gabungan data data time
seris dan cross section mampu menyediakan data yang lebih banyak sehingga akan
menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi
dari data time series dan cross section dapat mengatasi masalah yang timbul ketika
ada masalah penghilangan variabel (ommited-variable). Model regresi linier
menggunakan data cross section dan time series.
1) Model dengan data cross section
Yi = + Xi + i ; i = 1,2,....,N
(1)
N: banyaknya data cross section
2) Mode dengan data time series
Yt = + Xt + t ; t = 1,2,....,T
(2)
N: banyaknya data time series
Mengingat data panel merupakan gabungan dari data cross section dan data time
series, maka modelnya dituliskan dengan:
Yit = + Xit + it ; i = 1,2,....,N; t = 1,2,.., T
dimana :
N
= banyaknya observasi
T
= banyaknya waktu
NxT
= banyaknya data panel

(3)

Data panel merupakan gabungan dari data cross section dan data time series,
sehingga jumlah pengamatan menjadi sangat banyak. Hal ini bisa merupakan
keuntungan tetapi model yang menggunakan data ini menjadi lebih kompleks
(parameternya banyak). Oleh karena itu diperlukan teknik tersendiri dalam mengatasi
model yang menggunakan data panel. Penggunaan data panel dalam regresi memiliki
beberapa keuntungan (Baltagi 2005), diantaranya :
1) Dengan menggabungkan data time series dan cross-section, panel
menyediakan data yang lebih banyak dan informasi yang lebih lengkap
serta bervariasi. Dengan demikian akan dihasilkan degrees of freedom
(derajat kebebasan) yang lebih besar dan mampu meningkatkan presisi
dari estimasi yang dilakukan.
2) Data panel dapat mengakomodasi tingkat heterogenitas individu-individu
yang tidak diobservasi namun dapat mempengaruhi hasil dari pemodelan
(individual heterogeneity). Hal ini tidak dapat dilakukan data time series
maupun cross section sehingga dapat menyebabkan hasil yang diperoleh
melalui kedua data ini menjadi biasa.
3) Data panel dapat digunakan untuk mempelajari kedinamisan data. Artinya
dapat digunakan untuk memperoleh informasi bagaimana kondisi
individu-individu pada waktu tertentu dibandingkan pada kondisinya
pada waktu yang lainnya.
4) Data panel dapat mengidentifikasikan dan mengukur efek yang tidak
dapat ditangkap oleh data cross-section murni maupun data time series
murni.

5) Data panel memungkinkan untuk membangun dan menguji model yang

bersifat lebih rumit dibandingkan data cross section murni maupun data
time series murni.
6) Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi
individu karena unit observasi terlalu banyak.
3.6.3. Model Data Panel
Ada tiga teknik untuk mengestimasi model regresi data panel (Nachrowi
2006), yaitu:
1) Common Effect Model (CEM) adalah metode regresi yang mengestimasi
data panel dengan metode Ordinary Least Square (OLS). Metode ini tidak
memperhatikan dimensi individu maupun waktu sehingga diasumsikan
bahwa perilaku antar individu sama dalam berbagai kurun waktu. Model
ini hanya mengkombinasikan data time series dan cross section dalam
bentuk pool, mengestimasinya dengan menggunakan pendekatan kuadrat
terkecil (pooled least square). Persamaan metode ini dapat ditulis sebagi
berikut:
Yit = + Xit + it
Dengan:
Yit
Xit
i
t

(4)

: Variabel terikat untuk individu ke- i pada waktu ke- t

: Variabel bebas untuk individu ke- i pada waktu ke- t
: Unit cross-section sebanyak N
: Unit time-series sebanyak T
: error term/ gangguan
: intercept
: slope

2) Fixed Effect Model (FEM) adalah metode regresi yang mengestimasi data
panel dengan menambahkan variabel dummy. Model ini mengasumsikan
bahwa terdapat efek yang berbeda antar individu. Perbedaan itu dapat
diakomodasi melalui perbedaan pada intersepnya. Oleh karena itu dalam

model fixed effect, setiap individu merupakan parameter yang tidak

diketahui dan akan diestimasi dengan menggunakan teknik variabel
dummy yang dapat ditulis sebagai berikut:
Yit = + Xit + 2W2t + 3 W3t + + N WNt + 2 Zi2 + 2 Zi2+ 3 Z3i + 3
Z3i + it
(5)
Dengan :
Wit dan Zit variabel dummy yang didefenisikan sebagai berikut:
Wit = 1; untuk individu i; i = 1, 2, ..., N
= 0; lainnya
Zit = 1; untuk periode t; t = 1, 2, ..., T
= 0; lainnya
Teknik seperti diatas dinamakan Least Square Dummy Variabel (LSDV).
Selain diterapakan untuk efek tiap individu, LSDV ini juga dapat
mengakomodasi efek waktu yang bersifat sismetik. Hal ini dapat
dilakukan melalui penambahan variabel dummy waktu didalam model.
3) Random Effect Model (REM) adalah metode regresi yang mengestimasi
data panel dengan menghitung error dari model regresi dengan metode
Generalized Least Square (GLS). Berbeda dengan fixed effect model, efek
spesifikasi dari masing-masing individu diperlakukan sebagai bagian dari
komponen error yang bersifat acak dan tidak berkorelasi dengan variabel
penjelas teramati. Model ini sering disebut juga dengan Error Component
Model (ECM). Persamaan random effect dapat ditulis sebagai berikut:
Yit = + Xit + it ; it = ui + Vt + Wit
(6)
Dengan:
ui = Komponen error cross-section
Vt = Komponen error time-series
Wit = Komponen error gabungan
Adapun asusmsi yang digunakan untuk komponen error tersebut adalah:
2
ui ~ N (0 , u )
2
Vt ~ N (0 , v )

Wit ~ N (0 , w )
Karena itu, metode OLS tidak bisa digunakan untuk mendapatkan estimator
yang efisien bagi model random effect. Metode yang tepat untuk mengestimasi
random effect adalah Generalized Least Square (GLS) dengan asumsi homokedastik
dan tidak ada cross-sectional.
3.6.4. Pemilihan Model
Ada perbedaan mendasar untuk menentukan pilihan antara FEM (Fixed
Effects Model) dan ECM (Error Component Model) (Nachrowi 2006), antara lain
sebagai berikut:
1) Jika T (jumlah data time series) besar dan N (jumlah unit cross-section)
kecil, perbedaan antara FEM dan ECM adalah sangat tipis. Oleh karena
itu, dapat dilakukan penghitungan secara konvensional. Pada keadaan ini,
FEM mungkin lebih disukai.
2) Ketika N besar dan T kecil, estimasi diperoleh dengan dua metode dapat
berbeda secara signifikan. Jika kita sangat yakin dan percaya bahwa
individu, ataupun unit cross-section sampel kita adalah tidak acak, maka
FEM lebih cocok digunakan. Jika unit cross-section sampel adalah
random/ acak, maka ECM lebih cocok digunakan.
3) Komponen error individu dan satu atau lebih regresor berkorelasi,
estimator yang berasal dari ECM adalah bias, sedangkan yang berasal dari
FEM adalah unbiased.
4) Jika N besar dan T kecil, serta jika asumsi untuk ECM terpenuhi, maka
estimator ECM lebih efisien dibanding estimator FEM.