ANALISIS DATA PANEL

yit = α i + β ′ X it + ε it
Struktur Model I Struktur Model II Struktur Model III/ Struktur Model Struktur Model VI
Struktur Model V IV
• Model Common/ Pool • Model Panel • Random Coef Mod • Sama dengan • Pers. Simultan
• α1 = α 2 = = α i • α1 ≠ α 2 ≠ ≠ α i • α1 ≠ α 2 ≠ ≠ α i Model III/ V • α1 ≠ α 2 ≠ ≠ α i
• β1k = β 2 k = = βik • β1k = β 2 k = = βik • β1k ≠ β 2 k ≠ ≠ βik • β1k ≠ β 2 k ≠ ≠ βik

Homosedastik Fixed Effek Model III- • Koef salah satu • Memperhitungkan

⎡σ 2 I 0 0 ⎤ • LSDV Heterogenity coef Var Indp sama korelasi antar unit/
⎢ ⎥ • Fixed Effect • Estimator :GLS setiap individu individu serta sifat
0 σ 2I 0 ⎥
V =⎢ Model • Eviews: System exogenitas/
⎢ ⎥ endogenitas
⎢ ⎥
⎣ 0 0 σ 2I ⎦

Heterosedastik (antar Random Effect Model V- Estimasi :

individu) Heterogenity coef • OLS
⎡σ 12 I 0 0 ⎤ & serial correlation • 2SLS
⎢ ⎥ • Estimator :GLS- • 3SLS
0 σ2 I
2
0 ⎥
V =⎢ SUR
⎢ ⎥
⎢ ⎥ • Eviews: System
⎣⎢ 0 0 σ i2 I ⎥⎦

Heterosedastik & cros sec

correlation (antar individu)

SANJOYO 19 DESEMBER 2007 1

 ⎡σ 11 I σ 12 I σ 1n I ⎤
⎢ ⎥
σ I σ 22 I σ 2n I ⎥
V = ⎢ 21
⎢ ⎥
⎢ ⎥
⎢⎣σ n1 I σ n 2 I σ nn I ⎥⎦

ESTIMATOR: GLS/FGLS
( ) ( )
ˆ −1
βˆ = X ′Vˆ −1 X X ′Vˆ −1 y

EVIEW : OBJECT POOL

• Weight: no weight
• Cross Heterosedastisity
• Cross SUR
• Periode Heterosedastisity
• Periode SUR

SANJOYO 19 DESEMBER 2007 2

INPUT DATA:
• Setting workfile dattied –reguler frequency : Montly Æ tahun 2001 s/d 2003

SANJOYO 19 DESEMBER 2007 3

 Import file dari Excel : Perbankan.xls

SANJOYO 19 DESEMBER 2007 4

SANJOYO 19 DESEMBER 2007 5
SANJOYO 19 DESEMBER 2007 6
 • Hasil dari import file excel ke dalam format Eviews

SANJOYO 19 DESEMBER 2007 7

SETTING DATA UNTUK ANALISIS DATA POOL & DATA PANEL
• Object Æ New Object Æ Pool

SANJOYO 19 DESEMBER 2007 8

 • Tuliskan indentifikasi data crossection

SANJOYO 19 DESEMBER 2007 9

STRUKTUR MODEL 1 (COMMMON/ POOL)
• HOMOSEDASTIK:
o Weights : No weight
o Method : LS-Least Square

SANJOYO 19 DESEMBER 2007 10

 • HASILNYA:

• Option :
o Ordinary
o White crossection : korelasi antara cross-equation dan varians error yang berbeda dlm setai cross equation
o White periode : mengakomodasi : korelasi serial dan var berbeda antara disturbance
o White Diagonal : Æ heterisedastisity dalam disturebance

SANJOYO 19 DESEMBER 2007 11

 • HETEROSEDASTIK
o ESTIMATOR : GLS/ WLS Æ CROSS-SECTION WEIGHT

SANJOYO 19 DESEMBER 2007 12

 • HASIL:

SANJOYO 19 DESEMBER 2007 13

 • HETEROSEDASTIK & KORELASI SERIAL (SUR)
o ESTIMATOR: CROSS-SECTION SUR

SANJOYO 19 DESEMBER 2007 14

 • HASILNYA:

SANJOYO 19 DESEMBER 2007 15

STRUKTUR MODEL II (FIXED & RANDOM EFFECT)
• Menggunakan data : konsumsi_gnr2.wf1
• Model : Invit = α i + β CSi CSit + β Fi Fit + ε it
• Inv: investment (milyard Rp); CS: konsumsi (jutaan Rp); F: market value of firm(milyar Rp).
• Individu i = DKI, Jabar, Jawa Tengah, Jawa Timur, Bali

LSDV
• Model: Invit = α1 + α 2 D 2i + α 3 D3i + α 4 D 4i + α 5 D5i + β CS CSit + β F Fit + ε it
• D2=dummy DKI, D3=dummy JBR, D4=dummy JTG, D5=dummy JTM
• Estimator : OLS (homosedastik)

SANJOYO 19 DESEMBER 2007 16

SANJOYO 19 DESEMBER 2007 17
• Hasil:
o Investasi Bali: 92.53853
o Investasi DKI: 92.53853 – 168,6053= -76.0668
o ……. dst

SANJOYO 19 DESEMBER 2007 18

FIXED EFFECT MODEL
• Model Umum: yit = α i + β ′ X it + ε it
• Model: Invit = α i + β CSi CSit + β Fi Fit + ε it
• Estimator : OLS (homosedastik)

SANJOYO 19 DESEMBER 2007 19

 • Hasil:

Koef Indv Effect

C -62.5944
CS? 0.34666
F? 0.10598
Fixed Effects (Cross)
_BAL--C 155.1329 92.53851
_DKI--C -13.4724 -76.06674
_JBR--C 33.22081 -29.37358
_JTG--C -179.576 -242.17079
_JTM--C 4.69498 -57.89941

Interpretasi: Bila mana ada perubahan Consumsi dan Market Value of Firm baik antar Daerah maupun antar waktu, maka Propinsi
Bali akan mendapatkan penaruh Individu terhadap investasi sebesar : Rp 92,54 milayar

SANJOYO 19 DESEMBER 2007 20

RANDOM EFFECT MODEL
• Model Umum: yit = α + β ′ X it + μi + ε it
• Model: Invit = α i + β CSi CSit + β Fi Fit + ε it
• Estimator : GLS

SANJOYO 19 DESEMBER 2007 21

 • Hasil:

Interpretasi: Bila mana ada perubahan Consumsi dan Market Value of Firm baik antar Daerah maupun antar waktu, maka Propinsi
Bali akan mendapatkan penaruh Individu terhadap investasi sebesar : Rp 151,86 milyar

SANJOYO 19 DESEMBER 2007 22

Uji Random dan Fixed Effect: untuk melihat apakah model mengikuti random effect atau fixed effect dengan Hausman test.

Ho : random effect (individual effect uncorelated)

H1 : Fixed effect.

Statistik Uji: χ hit

2
= (b − β )'Var (b − β ) −1 (b − β )
Dimana : b= koefisien random effect; β=koefisien fixed effect

Keputusan: Tolah Ho jika χ hit

2
> χ (2k ,α ) (k=jumlah koef slope) atau p-value < α .

SANJOYO 19 DESEMBER 2007 23

SANJOYO 19 DESEMBER 2007 24
 • Hasil Pengujian

P-Value = 0,2081 > 5% Î Ho diterima Æ Model Random Effect

SANJOYO 19 DESEMBER 2007 25

Model III- Heterogenity Coefisient
• Model Umum: yi = α i + β i′X i + ε i , dimana: β i = β + vi
• Model : RDepit = α i + β i1 RSBI + β i 2 RPuab + β i 3 RIntervensi + β i 4 RDep1 + ε it
• Contoh Data Perbankan- Asist 2.wf1
• Eviews: Object Æ New Object Æ System
• Tuliskan persamaan system

SANJOYO 19 DESEMBER 2007 26

 • Estimasi Koef Æ GLS Æ Weigted LS

SANJOYO 19 DESEMBER 2007 27

 • Hasil

Iteration Option :
• Iterate coefficient to convergence Æ tidak gunakan MLE
• Simultanneous Updateing : gunakan MLE

SANJOYO 19 DESEMBER 2007 28

Model V- Heterogenity Coefisient dan korelasi antar Unit
• Model Umum: yi = α i + β i′X i + ε i
• Model : RDepit = α i + β i1 RSBI + β i 2 RPuab + β i 3 RIntervensi + β i 4 RDep1 + ε it
• Contoh Data Perbankan- Asist 2.wf1
• Eviews: Object Æ New Object Æ System
• Estimator: GLS- SUR

SANJOYO 19 DESEMBER 2007 29

 • Hasil

SANJOYO 19 DESEMBER 2007 30

Model IV- Sama dengan Model III/ V (namun…)
• Namun, Salah satu Koef Indpendent Var (mis. RSBI) sama setiap individu (bank)
• Model : RDepit = α i + β1 RSBI + βi 2 RPuab + βi 3 RIntervensi + β i 4 RDep1 + ε it
• Contoh Data Perbankan- Asist 2.wf1
• Eviews: Object Æ New Object Æ System
• Tulis Model persamaan system

SANJOYO 19 DESEMBER 2007 31

 • Estimator: GLS- SUR (Weighted)

SANJOYO 19 DESEMBER 2007 32

PEMILIHAN MODEL:
1. MODEL II: RANDOM EFFEECT VS FIXED EFFECT
• Dengan Hausman Test Æ sudah dijelaskan diatas

2. MODEL IV (KOEF VAR TERTENTU SAMA) VS MODEL V(KOEF INDP VAR BERBEDA)
• Apakah sesungguhnya efek dari suatu var independent (RSBI) sama untuk semua Individu (bank)
• Hipotesi:
• Ho: β1BNI = β1BCA = = β1CIT ; yaitu Model IV – dengan MLE
• H1: Model V dengan MLE
• Statistik Uji : WALD TEST
• Tolak Ho jika p-value < 5% (10%)
• Contoh:

SANJOYO 19 DESEMBER 2007 33

 • Kembali pada Model V:

• Lakukan restriksi pada uji wald:

o C(1)=C(2)= C(3)= C(4)=C(5)=C(6)=C(7)=C(8)=C(9)=C(10)

SANJOYO 19 DESEMBER 2007 34

SANJOYO 19 DESEMBER 2007 35
SANJOYO 19 DESEMBER 2007 36
p-Value (0,3918) > 5% Æ Ho diterima Æ Model V –dengan MLE. Maka model lebih baik adalah model dimana effek RSBI seragap
terhadap RDEP.

SANJOYO 19 DESEMBER 2007 37

 3. MODEL II ( RANDOM EFFEECT) VS MODEL V (RANDOM KOEF)
• Menguji model manakah yang lebih baik Model II (efek individu α berbeda dan efek var β sama) dengan Model V(efek
individu α berbeda dan efek var β berbeda )
• Hipotesi:
β1BNI = β1BCA = = β1CIT ,
β 2 BNI = β 2 BCA = = β 2CIT ,
• Ho: ; yaitu Model II (random effek) dengan MLE
β3 BNI = β3 BCA = = β3CIT ,
β 4 BNI = β 4 BCA =
= β 4CIT
• H1: Model V dengan MLE
• Statistik Uji : WALD TEST
• Tolak Ho jika p-value < 5% (10%)
• Contoh: Gunakan Model V
• Lakukan restriksi

C(1)=C(2)= C(3)= C(4)=C(5)=C(6)=C(7)=C(8)=C(9)=C(10)

C(11)=C(12)= C(13)= C(14)=C(15)=C(16)=C(17)=C(18)=C(19)=C(20)
C(21)=C(22)= C(23)= C(24)=C(25)=C(26)=C(27)=C(28)=C(29)=C(30)
C(31)=C(32)= C(33)= C(34)=C(35)=C(36)=C(37)=C(38)=C(39)=C(40)

SANJOYO 19 DESEMBER 2007 38

SANJOYO 19 DESEMBER 2007 39
p-Value (0,000) < 5% , Ho ditolak Æ moled V Æ Model yang lebih baik adalah model dimana efek semua variable tidak seragam
terhadap RDep dari setiap individu (bank).

SANJOYO 19 DESEMBER 2007 40

 4. MODEL II (Model ada efek indv) VS MODEL I (tidak ada fixed effect)
• Menguji Model I(Common) yaitu tidak ada efek individu dengan Model II (fixed effek) yaitu ada efek individu
• Hipotesi:
• Ho: α BNI = α BCA = = α CIT ; yaitu Model I (common) – dengan GLS
• H1: α BNI ≠ α BCA ≠ ≠ α CIT ; yaitu Model II (fixed efek) - dengan GLS
• Statistik Uji : WALD TEST
• Tolak Ho jika p-value < 5% (10%)
• Contoh: Gunakan Model II dengan system

SANJOYO 19 DESEMBER 2007 41

SANJOYO 19 DESEMBER 2007 42
 • Lakukan Restriksi: C(11)=C(12)= C(13)= C(14)=C(15)=C(16)=C(17)=C(18)=C(19)=C(20)

SANJOYO 19 DESEMBER 2007 43

 • Hasilnya

p-Value (0,2897) > 5% Æ Ho diterima Æ Model I (common) yang lebih baik.

SANJOYO 19 DESEMBER 2007 44

PENENTUAN ESTIMATOR
• Diatas telah dijelaskan penggunaan estimator OLG, WLS/ GLS, atau SUR tergantung pada struktur Covarian model tersebut
yaitu: homosedastik, heterosedastik maupun struktur adanya korelasi serial.
• Oleh karena itu, perlu dilakukan pengujian jenis struktur covarian suatu model.

A. PEMILIHAN ESTIMATOR: STRUKTUR HETERO VS HOMO

• UJI LM (Æ Estimator FGLS dg MLE)
o Hipotesis
ƒ Ho: σ i2 = σ 2 (yaitu struktur homosedastik)
ƒ H1: σ i2 ≠ σ 2 (yaitu struktur heterosedastik)
o Statistik Uji LM:
2
T n ⎡ σˆ 2 ⎤
ƒ LM = ∑ ⎢ i2 − 1⎥ ∼ χ ( n −1;α )
2 i =1 ⎣ σˆ ⎦
ƒ dimana T=jml observasi, n=jml individu; σ i2 =varian residual persamaan ke-i; σˆ 2 =varian residual persamaan
system.
o Keputusan Tolah Ho, jika LM test > ∼ χ ( n −1;α )

• UJI WALD (Æ Estimator FGLS)

o Hipotesis
ƒ Ho: σ i2 = σ 2 (yaitu struktur homosedastik)
ƒ H1: σ i2 ≠ σ 2 (yaitu struktur heterosedastik)
o Statistik Uji LM:
2
T n ⎡ σˆ 2 ⎤
ƒ LM = ∑ ⎢ 2 − 1⎥ ∼ χ ( n −1;α )
2 i =1 ⎣ σˆ i ⎦
ƒ dimana T=jml observasi, n=jml individu; σ i2 =varian residual persamaan ke-i; σˆ 2 =varian residual persamaan
system.

SANJOYO 19 DESEMBER 2007 45

 o Keputusan Tolah Ho, jika LM test > ∼ χ ( n −1;α )

• CONTOH: LM TEST
o GUNAKAN MODEL V- DATA ASIST.WF1

'LM test for Choosing Estimator Hetero VS Homo

'Created by Sanjoyo (26/09/2007) for teaching assistance econometrics 2

'needed open workfile: asist2

pool_MOD5_LM.makeresid(n=residual)
scalar T=pool_MOD5_LM.@regobs
scalar n=pool_MOD5_LM.@ncross
matrix residm = residual
matrix rescov = (@transpose(residm)*residm)/T
vector rescovd = @getmaindiagonal(rescov)
scalar ssr =pool_MOD5_LM.@ssr
vector LM1 = (rescovd/ssr-1)
vector qform = (@transpose(LM1) * LM1)*T/2

if qform(1,1)>=0 then
' set table to store results
table(4,2) result
setcolwidth(result,1,20)
setcell(result,1,1,"LM test for hetero versus homo")
setline(result,2)

!df=n-1
setcell(result,3,1,"chi-sqr(" +@str(!df) + ") = ")

SANJOYO 19 DESEMBER 2007 46

 setcell(result,3,2,qform(1,1))
setcell(result,4,1,"p-value = ")
setcell(result,4,2,1-@cchisq(qform(1,1),!df))
setline(result,5)

show result
else
statusline "Quadratic form is negative"
endif

• HASIL

LM test for hetero

versus homo

chi-sqr(9) = 174.0019
p-value = 0.000000

SANJOYO 19 DESEMBER 2007 47

B. PEMILIHAN ESTIMATOR: STRUKTUR HETERO VS SUR
• UJI LR
o Hipotesis
ƒ Ho: off diagonal =0 (yaitu struktur heterosedastik)
ƒ H1: off diagonal ≠ 0 (yaitu struktur SUR)
o Statistik Uji LM:
⎡ n ⎤
ƒ λLR = T ⎢ ∑ ( log σˆ i2 ) − log Σˆ ⎥ ∼ χ ( n( n −1);α )
⎣ i =1 ⎦
ƒ dimana T=jml observasi, n=jml individu; σ i2 =varian residual persamaan ke-i; Σ̂ =determinan residual
covarians persamaan system.
o Keputusan Tolah Ho, jika LM test > ∼ χ ( n −1;α )

• CONTOH: LR TEST
o GUNAKAN MODEL V- DATA ASIST.WF1

'LR test for Choosing Estimator Hetero VS SUR

'Created by Sanjoyo (26/09/2007) for teaching assistance econometrics 2

'needed open workfile: asist2

pool_MOD5_Lr.makeresid(n=residual)
scalar T=pool_MOD5_LR.@regobs
scalar n=pool_MOD5_LR.@ncross
matrix residm = residual
matrix rescov = (@transpose(residm)*residm)/T
vector rescovd = @getmaindiagonal(rescov)
vector(n) ones=1

SANJOYO 19 DESEMBER 2007 48

vector lrescov =log(rescovd)
vector sumdiag =@transpose(lrescov)*ones
scalar rescovdet =log(@det(rescov))
vector qform = T*(sumdiag-rescovdet)

if qform(1,1)>=0 then
' set table to store results
table(4,2) result
setcolwidth(result,1,20)
setcell(result,1,1,"LR test for hetero versus SUR")
setline(result,2)

!df=n*(n-1)/2
setcell(result,3,1,"chi-sqr(" +@str(!df) + ") = ")
setcell(result,3,2,qform(1,1))
setcell(result,4,1,"p-value = ")
setcell(result,4,2,1-@cchisq(qform(1,1),!df))
setline(result,5)

show result
else
statusline "Quadratic form is negative"
endif

LR test for hetero versus

SUR

chi-sqr(45) = 196.1543
p-value = 0.000000

SANJOYO 19 DESEMBER 2007 49

SANJOYO 19 DESEMBER 2007 50