Oleh:
S1 Statistika
Universitas Airlangga
2019
BAB I
PENDAHULUAN
TINJAUAN PUSTAKA
𝜷 = (𝛼 , 𝛽1, 𝛽2, … , 𝛽𝑝)′ dan 𝜺 = (𝜀11 , … , 𝜀1𝑇 , 𝜀21, … , 𝜀2𝑇, … , 𝜀𝑁1, … , 𝜀𝑁𝑇)′
𝜕(𝜺′𝜺)
=𝟎
∂𝛃
̂ = 𝑿′ 𝒚
𝑿′ 𝑿𝜷
̂ = (𝑿′ 𝑿)−𝟏 𝑿′ 𝒚
(𝑿′ 𝑿)−𝟏 (𝑿′ 𝑿)𝜷
̂ = (𝑿′𝑿)−𝟏𝑿′
𝜷
Model (2.10) dapat ditulis dalam notasi matriks dengan T observasi untuk individu
i sebagai berikut
𝒚𝒊 = 𝒆𝑻 𝛂𝒊 + 𝑿𝒊𝜷 + 𝜺𝒊 (2.11)
𝐲𝟏 𝐞𝑻 𝟎 ⋯ 𝟎 α1 𝐗𝟏 𝜺𝟏
𝐲𝟐 𝟎 𝐞𝑻 ⋯ 𝟎 α2 𝐗𝟐 𝜺𝟐
[ ⋮ ]=[ ][ ]+ [ ]𝛃 + [ ]
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮
𝐲𝑵 𝟎 𝟎 ⋯ 𝐞𝑻 α𝑁 𝐗𝑵 𝜺𝑵
𝑦 = 𝐷𝑁 𝛼 + 𝑋𝛽 + 𝜀 (2.12)
Matriks 𝐷𝑁 berisi satu set N dummy individu dengan representasi produk kronecker
sebagai berikut
𝐷𝑁 = 𝐼𝑁 ⊗ 𝒆𝑻 (2.13)
Metode estimasi yang digunakan oleh FEM dengan efek individu adalah Ordinary
Least Square (OLS), penduga OLS dari α dan β dapat dituliskan (Matyas,2008).
Model (2.17) dapat ditulis dalam notasi matriks dengan N observasi untuk waktu t
sebagai berikut
𝑦𝑖 = 𝐼𝑇 𝜆 + 𝑋𝑖 𝛽 + 𝜀𝑖 ; 𝑖 = 1,2, … , 𝑁 (2.18)
𝐲𝟏 𝑰𝑻 λ 1 𝐗𝟏 𝜺𝟏
𝐲𝟐 𝑰𝑻 λ 2 𝐗𝟐 𝜺𝟐
[ ⋮ ]=[ ][ ]+ [ ]𝛃 + [ ]
⋮ ⋮ ⋮ ⋮
𝐲𝑵 𝑰𝑻 λ 𝑻 𝐗𝑵 𝜺𝑵
𝑦 = 𝐷𝑇 𝜆 + 𝑋𝛽 + 𝜀 (2.19)
Matriks 𝐷𝑇 berisi satu set T dummy waktu dengan representasi produk kronecker
sebagai berikut
𝑫𝑻 = 𝒆𝑵 ⊗ 𝑰𝑇
Metode estimasi yang digunakan oleh FEM dengan efek waktu adalah Ordinary
Least Square (OLS), penduga OLS dari λ dan β dapat dituliskan (Matyas,2008).
𝝀̂ = (𝑫′ 𝑻 𝑫𝑻 ) − 𝟏𝑫′ 𝑻 (𝒚 − 𝑿 𝜷̂ ) =
𝟏 ̂)
𝑫′ 𝑻 (𝒚 − 𝑿𝜷 (2.21)
𝑵
Model yang akan diduga dalam pemodelan efek tetap dengan efek individu
dan waktu akan melibatkan dummy efek individu dan dummy efek waktu, dalam
prosesnya tidak semua koefisien N untuk α𝑖 dan koefisien T untuk 𝜆𝑡 dapat
diidentifikasi jika kolom matriks [𝐷𝑁𝐷𝑇] memiliki kolinieritas sempurna (jumlahan
dari kolom pertama 𝐷𝑁𝑒𝑁 = 𝑒𝑁𝑇 sama dengan jumlahan kolom terakhir 𝐷𝑇𝑒𝑇 =
𝑒𝑁𝑇) oleh karena itu untuk identifikasi harus dikurangi satu kolom menjadi N-1 dan
T-1 dummy, dengan model sebagai berikut.
i
i<N i=N
t
t<T 𝑐 + 𝛼∗𝑖 + 𝜆∗𝑡 𝑐 + 𝜆∗𝑡
t=T 𝑐 + 𝛼∗𝑖 𝑐
Model (2.23) dapat ditulis dengan notasi matriks sebagai berikut
𝒚 = 𝑫𝜸 + 𝑿𝜷 + 𝜺 (2.24)
dengan
𝜀𝑖 ~ N(0, 𝜎ε2 )
𝑢𝑖𝑡~ N(0, 𝜎u2 )
E (𝜀𝑖 𝑢𝑖𝑡 ) = 0 E (𝜀𝑖 𝜀𝑗 ) = 0 (𝑖 ≠ 𝑗)
Dari persamaan (2.15) dapat dinyatakan bahwa error tidak saling berkorelasi dan
tidak berautokorelasi antar unit individu dan waktu. Berdasarkan asumsi tersebut
didapat persamaan berikut.
𝐸(𝑤𝑖𝑡 ) = 0
Σ 𝟎 ⋯ 𝟎
𝟎 Σ ⋯ 𝟎
Ω=[ ] (2.32)
⋮ ⋮ ⋱ ⋮
𝟎 𝟎 ⋯ Σ
𝐹hitung = [𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆]/(𝑛−1)
(2.34)
𝑈𝑅𝑆𝑆/(𝑛𝑇−𝑛−𝑘)
Dengan
n adalah jumlah individu;
T adalah jumlah periode waktu;
K adalah jumlah parameter yang diestimasi;
URSS adalah unrestricted error sums of squares yang berasal dari model efek tetap;
Jika nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹(𝑛−1,𝑛𝑇−𝑛−𝐾) atau p-value < 𝛼 (𝛼 = 0,05), maka tolak hipotesis awal
sehingga model yang terpilih adalah model efek 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 (Matyas, 2008). Hipotesis yang digunakan
untuk uji Hausman yaitu:
𝐻0 ∶ Korelasi (𝑋𝑖𝑡,𝛼𝑖) = 0 ( tidak ada korelasi antara efek individu dengan variabel
prediktor, model yang sesuai adalah REM)
𝐻1 : Korelasi (𝑋𝑖𝑡,𝛼𝑖) ≠ 0 ( ada korelasi antara efek individu dengan variabel
prediktor, model yang sesuai adalah FEM)
Statistik uji yang digunakan berdasarkan hipotesis uji Hausman yaitu :
𝐻0 ditolak jika nilai statistik uji 𝑄𝐻 > 𝑋α2 atau p-value < 𝛼 (𝛼 = 0,05) ,jika 𝐻0 ditolak
maka ada korelasi antara efek individu dengan variabel prediktor sehingga fixed
effect model lebih sesuai daripada random effect model.
2.3.3. Uji Lagrange Multiplier
Pengujian Lagrange Multiplier digunakan untuk menguji antar model cross
effect dengan model random effect. Hipotesis yang digunakan dalam uji Lagrange
Multiplier yaitu :
𝐻0 : 𝜎u2 = 0 (variansi error efek individu atau waktu = 0)
𝐻1 : 𝜎u2 ≠ 0 (variansi error efek individu atau waktu ≠ 0)
Berdasarkan hipotesis uji Lagrange Multiplier digunakan statistik uji sebagai
berikut:
𝑁𝑇 ∑𝑁 𝑇e
̅𝑖.
LM = [∑𝑁 𝑖=1
∑𝑇 ̅2it
− 1].2 ~ 𝜒2 (1). (2.36)
2(𝑇−1) 𝑖=1 𝑡=1 e
𝐻0 ditolak jika LM > 𝑋α2 atau p-value < 𝛼 (𝛼 = 0,05). Jika 𝐻0 ditolak maka terdapat
random effect yang signifikan dalam data panel, dan model random effect lebih
baik mengatasi heterogenitas daripada model common effect (Baltagi, 2001).
( ∑𝑁 𝑇 ̂it−y̅𝑖 )2 )/𝐾−1
𝑖=1 ∑𝑡=1(y
F = ∑𝑁 𝑇 ̂it )2 /𝑁𝑇−𝐾−1
(2.37)
𝑖=1 ∑𝑡=1(yit− y
dengan
ŷit adalah nilai dugaan individu ke-i untuk periode waktu ke-t pada variabel
respon;
y̅ adalah nilai rata-rata variabel respon pada individu ke-i;
K adalah banyak parameter dalam model;
Kriteria uji yang digunakan adalah H0 ditolak jika nilai statistik uji 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 >
𝐹(𝑛−1,𝑛𝑇−𝑛−𝐾) atau p-value < 𝛼 (𝛼 = 0,05) yang artinya paling sedikit terdapat satu 𝛽𝑘
≠ 0 dengan k = 1, 2,..., K.
2.4.2. Uji Individu
Uji individu dilakukan untuk mengetahui parameter yang berpengaruh
signifikan secara individu terhadap model. . Hipotesis yang digunakan dalam uji
individu yaitu:
𝐻0 : 𝛽𝑘=0
𝐻1 : 𝛽𝑘 ≠ 0 dengan k = 1, 2,..., K
Berdasarkan hipotesis uji serentak digunakan statistik uji sebagai berikut:
̂
𝛽
𝑡𝐻𝑖𝑡𝑢𝑛𝑔 = 𝑘 (2.38)
𝑆𝐸(𝛽̂ )
𝑘
dengan
𝛽̂ k adalah koefisien regresi dugaan pada variabel prediktor ke-k;
𝑆𝐸(𝛽̂ k) adalah standar error dari koefisien regresi pada variabel prediktor ke-k;
Kriteria uji yang digunakan adalah H0 ditolak jika nilai statistic uji t > 𝑡α/2 (NT−K−1)
atau p-value < 𝛼 (𝛼 = 0,05) yang artinya 𝛽𝑘 ≠ 0 dengan k = 1, 2,..., K
𝑆𝑘 2 (𝐾−3)2
𝐽𝐵 = 𝑁 [ + ] (2.39)
6 24
dengan
N adalah banyaknya data;
𝑆𝑘 adalah skewness;
K adalah kurtosis;
1 𝑁
̂4
µ ∑ (𝑥 −𝑥̅ )4
𝑁 𝑖=1 𝑖
𝐾 = = (2.40)
̂22
µ 1
( ∑𝑁 (𝑥 −𝑥̅ )2 )
2
𝑁 𝑖=1 𝑖
1 𝑁
̂3
µ ∑ (𝑥 −𝑥̅ )3
𝑁 𝑖=1 𝑖
𝑆𝑘 = = 3/2 (2.41)
̂2 3/2
µ 1
( ∑𝑁 (𝑥 −𝑥̅ )2 )
𝑁 𝑖=1 𝑖
Kriteria uji yang digunakan adalah H0 ditolak jika nilai statistik uji Jarque Bera lebih
dari 𝜒 2 (0,05;2) = 5,99 atau p-value < 𝛼 (𝛼 = 0,05) yang artinya error tidak
berdistribusi normal.
2.5.3. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui apakah ada
ketidaksamaan variansi error untuk seluruh pengamatan pada model regresi linear.
Apabila asumsi heteroskedastisitas tidak terpenuhi maka model regresi dinyatakan
tidak valid sebab variansi membesar dan tidak konsisten sehingga mengakibatkan
penaksir Ordinary Least Square (OLS) tidak efisien. Salah satu uji
heteroskedastisitas yang biasa digunakan adalah dengan uji Park dengan persamaan
(2.32) (Gujarati, 2004). Hipotesis yang digunakan dalam uji Park yaitu:
𝐻0 : Variansi error homoskedastisitas (𝑉𝑎𝑟(𝜀𝑖𝑡|𝑋𝑖𝑡) = 𝛼2)
𝐻1 : Variansi error heterokedastisitas (𝑉𝑎𝑟(𝜀𝑖𝑡|𝑋𝑖𝑡) ≠ 𝛼2)
Karena 𝜎2 tidak diketahui maka dalam model diperkirakan dengan 𝜀𝑖𝑡2 menjadi :
( ∑𝑁 𝑇
𝑖=1 ∑𝑡=1(𝑦̂𝑖𝑡 −𝑦̅𝑖 )2 )/𝐾−1
𝐹 = 𝑁 𝑇 ̂ 𝑖𝑡 )2 /𝑁𝑇−𝐾−1
∑𝑖=1 ∑𝑡=1(𝑦𝑖𝑡 − 𝑦
(2.43)
Kriteria uji yang digunakan adalah H0 ditolak jika nilai statistik uji 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 >
𝐹(𝑛−1,𝑛𝑇−𝑛−𝐾) atau p-value < 𝛼 (𝛼 = 0,05) yang artinya paling sedikit terdapat satu 𝛽𝑘
≠ 0 dengan k = 1, 2,..., K. Heteroskedastisitas terjadi jika 𝛽 signifikan. Pada data
panel masalah heteroskedastisitas dapat diatasi dengan White’s robust error.
2.5.4. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada tidaknya kovarian antar
error. Digunakan uji Durbin Watson dengan hipotesis sebagai berikut :
𝐻0 : 𝜌 = 0 (tidak terjadi autokorelasi)
𝐻1 : 𝜌 ≠ 0 (terjadi autokorelasi)
Statistik Uji yang digunakan untuk uji autokorelasi yaitu:
∑𝑁 𝑇 ̂ 𝑖𝑡 −𝜀̂ 𝑖𝑡−1)2
𝑖=1 ∑𝑡=1(𝜀
𝑑 = ∑𝑁 𝑇 ̂2 (2.44)
𝑖=1 ∑𝑡=1 𝜀 𝑖𝑡
dengan
ε̂𝑖𝑡 adalah komponen error unit individu ke-i waktu ke-t
ε̂𝑖𝑡−1 adalah komponen error unit individu ke-i waktu ke-t-1
𝐻0 ditolak jika 𝑑 < 𝑑𝑈 atau (4 − 𝑑) < 𝑑𝑈 atau pvalue < α (dengan α = 0,05).
Uji autokorelasi tidak perlu dilakukan apabila model regresi panel yang terpilih
adalah Fixed Effect Model (FEM), sebab FEM tidak menggunakan asumsi
komponen error tidak berkorelasi dengan variabel bebas atau dengan kata lain hasil
uji autokorelasi dapat diabaikan (Nachrowi, 2006).
∑𝑁 𝑇 ̂it )2
𝑖=1 ∑𝑡=1(yit− y
𝑅2 = 1 − 𝑁 𝑇
∑𝑖=1 ∑𝑡=1(yit−y̅𝑖 )2
(2.45)
APS (13-15) = {(Jumlah penduduk berumur 13-15 tahun yang masih sekolah :
Jumlah penduduk umur 13-15 tahun) X 100%}
APS (16-18)= {(Jumlah penduduk berumur 16-18 tahun yang masih sekolah :
Jumlah penduduk umur 16-18 tahun) X 100%}
APS (19-24)= {(Jumlah penduduk berumur 19-24 tahun yang masih sekolah :
Jumlah penduduk umur 19-24 tahun) X 100%}
METODE PENELITIAN
Penelitian ini terdiri dari variabel respon (Y ) dan variabel prediktor ( X ) yang
ditunjukan pada tabel 3.1 sebagai berikut:
Struktur data panel yang dioleh berdasarkan variabel penelitianya sebagai berikut:
Provinsi Tahun Y X1 X2 X3 X4
Greene, W. H. 2003, Econometric Analysis (5th ed). New Jersey: Prentice Hall
International.
Hun, M. P. 2005, Linear Regression Models for Panel Data Using SAS, STATA,
LIMDEP, and SPSS, The Trustees of Indiana University.
Jaya, I. G. N. M., dan N. Sunengsih, 2008, Kajian Analisis Regresi dengan Data Panel.
Prosiding Seminar Nasional Penelitian. Yogyakarta: Universitas Negeri
Yogyakarta.
Matyas, L, dan Sevestre, P, 2008, The Econometrics Of Panel Data, Springer, Budapest
Hungary.
Sutrisno. (2018). Anak Putus Sekolah Paling Banyak di Indonesia Timur, Papua Termasuk.
Diakses melalui (https://kicaunews.com/2018/04/28/anak-putus-sekolah-paling-
banyak-di-indonesia-timur-papua-termasuk/ pada 24 Agustus 2019)