Anda di halaman 1dari 34

ANALISIS

DATA PANEL STATIS

Prof. Dr. M. Firdaus

FEM-IPB
Pengertian Data Panel
• Data panel merupakan observasi dari unit-unit ekonomi
yang sama selama (cross-section) beberapa kurun
waktu tertentu (time series)

• Data umumnya diperoleh melalui survey yang berulang


atau dengan mengikuti perkembangan sample selama
beberapa kurun waktu

• Nama lain panel data:


Time series cross section data
longitudanal data
Micropanel data
Cohort analysis
Beberapa Tipe

• Struktur
Individu, i = 1, 2, ... , N.
Waktu, t = 1, 2, ... , T, untuk setiap i.
Lazimnya N berukuran besar dan T berukuran kecil.
• Ukuran N yang besar and T yang kecil (data
rumahtangga, industri).
• Ukuran N kecil and T besar (data makroekonomi
advanced dan emerging market).
• Kedua-duanya besar (produksi dan ekspor impor
produk pertanian)
Contoh
1. Micro panel : data industri dan rumah tangga
Panel Study of Income Dynamic, US
The Indonesia Family Life Survey
http:www.rand.org/FLS/IFLS), SUSENAS
BHPS: British Household Panel Survey (Institute for
Social and Economic Research at the University of
Essex)
GSOEP: German Socio-Economic Panel (German
Institute for Economic Research)
Canadian Survey of Labor Income Dynamics
Japanese Panel on Consumers
Korea Labor and Income Panel Surveys
Household Income and Labor Dynamics in Australia
Panel Study of Income Dynamics (PSID)
Situs: http://www.isr.umich.edu/src/psid/index.html
adalah suatu studi longitudinal dari contoh yang mewakili
individu AS dan unit keluarga di mana mereka berada.
Sampel berkembang dari 4,800 (1968) sampai 6,434 (1999).
Topik Inti:
sumber pendapatan & jumlahnya, status kemiskinan,
bantuan publik berupa makanan atau alat perumahan,
berbagai hal keuangan (e.g., pajak, inter-household transfer),
struktur keluarga dan ukuran demografis, pasar tenaga kerja,
waktu pekerjaan rumah tangga, perumahan, mobilitas, latar
belakang sosial-ekonomi dan kesehatan.
Topik Tambahan:
perumahan dan karakteristik lingkungan, motivasi prestasi,
menaksir toleransi resiko, kepedulian anak, pendukungan
anak, dan pengembangan anak, pelatihan kerja dan job
acquisition, rencana pensiun, kesehatan, kekerabatan,
kekayaan, pendidikan, pengalaman pertempuran militer,
toleransi resiko, sejarah imigrasi, dan penggunaan waktu
2. Macro panel : Purchasing Power Parity (PPP),
GDP or GNI
Sumber macro panel data antara lain:
World Development Indicators
(www.worldbank.org/data)
Statistik perdagangan dan keuangan
internasional (www.imf.org)
Manfaat Penggunaan Panel Data

1. Mampu mengontrol heterogenitas individu


2. Memberi informasi yang lebih banyak, lebih beragam
atau meminimalkan masalah kolinearitas
3. Panel data lebih baik untuk studi dynamics of
adjusment
4. Micro panel data yang diperoleh dari tingkat RT dan
perusahaan merupakan pengukuran yang lebih akurat
dibanding variabel yang sama apabila diukur pada
tingkat makro
Unobserved Heterogeneity
• Banyak karakteristik individu yang tidak dapat
diamati
Contoh: antusias, keberanian mengambil risiko,
kualitas manajemen perusahaan
• Faktor ini bervariasi antar individu digambarkan
sebagai unobserved heterogeneity
• Jika faktor ini memang berpengaruh terhadap
variabel dependen dan independen, maka bila
tidak diakomodir akan menyebabkan estimator
bias
Keterbatasan Panel Data
1. Masalah dalam disain survey panel, pengumpulan dan
manajemen data (Masalah yang umum dihadapi
diantaranya : cakupan (coverage), kemampuan daya
ingat responden (recall), frekuensi dan waktu wawancara.
2. Kesalahan pengamatan (measurement errors) yang
umumnya terjadi karena kegagalan respon (ex:
pertanyaan yg tdk jelas, ketidaktepatan informasi, etc)
3. Masalah attrition (jumlah responden yang berkurang pada
survey lanjutan)
4. Teknik estimasi masih terus berkembang
Setiap ahli ekonomi yang menggunakan
panel data atau jenis data lainnya
harus selalu menyadari bahwa setiap metode yang
digunakan memiliki keterbatasan …
Fixed Effect Panel Model
• The intercept in the regression is allowed to differ
among individuals in recognition of the fact that
each individual (unit) may have characteristics of
their own
• Fixed Effects are generally used when there is a
correlation between the individual intercept and
the independent variables.
• Also known as the least squares dummy variable
model (LSDV)
Random Effects Model

Random Effects models assume that the intercept


of an individual unit is a random drawing from a
much larger population with a constant mean value

The Hausman test is distributed Chi-Squared


Asymptotic around the null hypothesis that
Random Effects is appropriate.
Struktur Data
 x111 x211 .. xK 11  Periode 1
 
 x112 x212 .. xK 12 
Individu 1  .. .. .. .. 
 
 x11T x21T .. xK 1T  Periode T
 x121 x221 .. xK 21 
  Periode 1
 x122 x222 .. xK 22 
Individu 2  .. .. .. .. 
 
 x12T x22T .. xK 2T  Periode T
 
x x2 N 1 .. xKN 1 
 1N 1  Periode 1
 x1N 2 x2 N 2 .. xKN 2 
Individu N  
 .. .. .. .. 
x .. xKNT 
 1NT x2 NT Periode T
Contoh Kemungkinan Estimasi
Error Components Model

yit   0  1 x1it   2 x2it  ...   k xkit   it

Regressor
Normally distributed
 it  i  uit error -
uit ~ N (0,  u2 )

Bervariasi antar individu


Composite error term
One-way dan two-way error components

 it  i  uit

Efek individu Random


Efek waktu error

 it  i  t  uit
Fixed Effects Model

Memperlakukan i sebagai konstanta


untuk setiap individu

yit   0  i   1 x1it   2 x2it  ...   k xkit  uit

 Bagian dari konstanta


Dalam grafik bentuknya sebagai berikut
Different Constant for Each Individual
60

50

40

Individual 1
Individual 2
30
Individual 3
Individual 4

20

10

0
-5 0 5 10 15 20
Slope adalah BB. AA adalah slope yang diestimasi
dengan teknik pooled OLS

60
A

50

40
Individual 1
Individual 2
Individual 3
Individual 4
30
Linear (Individual 1)
Linear (Individual 3)
Linear (Individual 2)
Linear (Individual 4)
20

B
10

B
A
0
-5 0 5 10 15 20
FD untuk mengestimasi Fixed-Effects Model

yit   0  i  1 x1it   2 x2it  ...   k xkit  uit

yit  yit 1   0  i  1 x1it   2 x2it  ...   k xkit  uit


  0  i  1 x1it 1   2 x2it 1  ...   k xkit 1  uit 1

yit  yit 1  1  x1it 1  x1it 1    2  x2it  x2it 1   ...


  k  xkit  xkit 1   uit  uit 1 

yit  1x1it   2 x2it  ...   k xkit  uit


Alternatif: Deviasi dari Rataan Total dan Individu

Within estimator

yit  yi.  1 x1it  x1i.   ...   k xkit  xki.   uit


Disebut within karena menggunakan deviasi dari rataan
data setiap individu sepanjang waktu

Ada estimator lain yang disebut “between”


estimator. yaitu yang hanya menggunakan rataan data
setiap individu sepanjang waktu

The Random Effects model is a combination of the


Fixed Effects (“within”) estimator and the “between”
estimator.
Random Effects Model

Pers asal

yit   0  1 x1it   2 x2it  ...   k xkit   it


yit   0  1 x1it   2 x2it  ...   k xkit  i  uit

Ingat  it  i  uit i sekarang bagian dari error term

Pendekatan ini tepat bila observasi lebih merupakan


sampel, bukan keseluruhan populasi
Struktur Varians pada Random Effects
Pada random effects, diasumsikan li adalah bagian dari
error term eit. Untuk mendapatkan estimator yang efisien,
harus dilakukan modifikasi pada struktur error .
Penerapan GLS dapat memberikan estimator yang efisien
yang menghendaki berbagai asumsi berikut
E (uit )  E (i )  0; E (uit2 )   u2 ;
E (i2 )   2 ; E (uit i )  0 for all i, t
E ( it2 )   u2   2 t  s; E ( it  is )   2 , t  s;
and
E ( xkit i )  0 for all k , t , i
Asumsi ini paling krusial untuk
mendapatkan estimator yang konsisten,
yang berikutnya akan diuji dengan
Hausman test.
Struktur Varians pada Random Effects

Mislakan terdapat matriks T x T yang menggambarkan


struktur varians it untuk individu i.

 i'  ( i1 ,  i 2 ,... iT ); then E ( i i' ) 


 u2   2  2  2 
 2
 
  2
  2
u   2
  2
   2 I   2 ee'  

  i2 .. .. 
u

 2
    2 ..  u    
2 2

where e'  111.....1 is a unit vector of size T


Random Effects Estimator (GLS)

-1 N
N

 RE =   (X i  X i ) 
ˆ ' 1
 i  yi
X ' 1

 i 1  i 1

Dimana

1    u
 I T  ee'  where  = 1 -
1 / 2
 
u  T  T 2   u2
Fixed Effects Estimator (GLS)

-1 T
 T
 1
ˆ FE =  ( X i MX i )
'
 X Myi where M  I T  ee'
i
'

 i 1  i 1 T
Hubungan Fixed dan Random Effects
Random effects estimator adalah rataan terbobot dari
“within” dan “between” estimator.

RE = Between + (Ik - ) Within

The overall estimator is a weighted average of the


“within” and “between” estimators. It will only be
efficient if these weights are correct. The random
effects estimator uses the correct weights.
Verbeek: Teknik Estimasi Random Effects Estimator

From within estimator, we have variance components:

2= [1/N(T-1)](yit – yi – (xit – xi)’FE)2

From between estimator, we have variance components:

2B= (1/N)(yi – B – xi’B)2

If the error variance of between estimator:


2B = 2 + (1/T) 2 or  2 = 2B - (1/T) 2
Verbeek: Teknik Estimasi Random Effects Estimator

To derive a feasible GLS (EGLS) estimator, we have

= (2 ) / (2 + T 2 )


Then we have
 = 1 - 1/2
This means that the EGLS estimator can be obtained from
a transformed regression where  times individual mean os
substracted from the original data.

OLS imposes  = 0 and within estimator employs  = 1.


The random estimates are in between and within estimates.
Random atau Fixed Effects?
The fixed effects model is appropriate when the
crosss-sectional used in estimation represents a
broadly exhaustive sampel of economic agents, as
might be the case in the study which covers full
sample of countries, regions and firms in a particular
industry. If, on the other hand the sample is drawn
from a larger population (so that the sample of cross-
sectional agenst may not be reasonably be considered
exhaustive), then it may be more appropriate to view
the individual-spesific terms in the sample as
randomly distributed effects across the full cross-
section agents,
Hausman Test

Untuk menguji apakah model random effects (RE) atau model


fixed effects (FE) yang tepat

H0: E(i|xit) = 0 untuk model one-way error components

Jika tidak ada korelasi antara regresor dan efek individu, maka
FE dan RE keduanya konsisten, tetapi FE tidak efisien

Jika terdapat korelasi antara regresor dan efek individu, maka


FE estimator konsisten tetapi RE tidak konsisten

Di bawah hipotesis nol, dimana tidak ada korelasi, seharusnya


tidak ada perbedaan antara kedua estimator
Hausman Test
Pengujian dilakukan dengan menggunakan statistik Wald yaitu

W = (  RE ˆ
  FE )'  (  RE   FE ) ~  (k )
1 2