Ekonometrika

Data Panel
 DATA
 Time series  Yt = α0 + α1X1t + α2X2t + µt
t = symbol waktu (missal 1990-2016), banyaknyaT

 Cross Section  Yi = α0 + α1X1i + α2X2i + µi

i = Negara, kabupaten, perusahaan, individu, dll
banyaknyaN

 Data Panel = pool data = longitudinal data

Yit = α0 + α1X1it + α2X2it + µit
 DATA PANEL
 Data panel merupakan gabungan dari data time series dan
cross section, sehingga jumlah pengamatannya menjadi
sangat banyak.

 Jikasetiap data dari cross section sama dengan unit data

dari time series maka data panel tersebut disebut balance
panel, sebaliknya unbalanced panel.

T=N  Balance Panel ; T≠N  Unbalance Panel

 Data panel mampu mengatasi Omitted Variable Bias
Omitted Variable Bias adalah bias yang ditimbulkan karena
tidak memasukkan variabel yang relevan ke dalam model
 KELEBIHAN DATA PANEL
 Data panel memberi lebih banyak informasi, lebih banyak
variasi, sedikit kolinearitas antar variabel, degree of
freedom lebih besar dan lebih efisien.
 Data panel mampu untuk mengontrol heterogenitas
individual yang dapat menyebabkan bias pada estimasi.
 Data panel adalah data yang paling baik untuk mendeteksi
dan mengukur dampak yang secara sederhana tidak bisa
dilihat pada data times series atau cross section.
 Asumsi Klasik yang dilakukan pada data panel: uji
heteroskedastisitas dan autokorelasi.
 Estimasi data panel
1. Common Effect PLS (Pooled Least Square)
2. Fixed Effect Model (FEM)
3. Random Effect Model (REM)
 Common Effect PLS
(Pooled Least Square)
 Parameter diestimasi dengan menggunakan metode
Ordinary Least Square (OLS) atau metode kuadrat
terkecil.
 Data dikombinasikan tanpa memperhatikan
perbedaan antar waktu dan antar individu.
 Di setiap observasi terdapat regresi sehingga datanya
berdimensi tunggal.
 Metode ini mengasumsikan bahwa nilai intersep masing-
masing individu adalah sama begitu pun dengan slope
koefisien.
 Model ini mengasumsikan bahwa perilaku data
(karakteristik) antar individu sama dalam berbagai kurun
waktu
 Fixed Effect Model (FEM)
Mengasumsikan konstanta (intercept) berbeda antara
individu sedangkan slope tetap (sama antar individu).
Misalnya:
Yit = β0i + β1X1it + β2X2it + µit
i = jumlah kabupaten taput, tapsel, tapteng (N=3)
t = 2005-2008 (T=4)
β0i =Intercept { i menunjukkan perbedaan 3 kabupaten)
β1; β2 =Slope
Ada karakteristik (β0i ) yang tidak berubah dan berkolerasi
dengan variabel bebas (X).
Maka β0i dapat dihilangkan dengan rata-ratanya
 Fixed Effect Model (FEM)/
Least Square Dummy Variables (LSDV)
Yit = β0i + β1X1it + β2X2it + µit
Dalam membedakan satu subjek dengan subjek lainnya
digunakan variabel dummy
 D= n-1 {menentukan banyak variable dummy yang
dibentuk)
n= banyak kategori, misalnya: tingkat pendidikan (SD, SMP,
SMA) dalam hal ini n=3
berarti dummy yang dibentuk D=3-1 =2 (2 var. dummy)
 Yit= α1 + α2D1it + α3D2i + β 2X1it + β 3X2i + µit
D1i = 1 jika SMP, 0 jika lainnya
D2i = 1 jika SMA, 0 jika lainnya
 Random Effect Model (REM)
 Random effect disebabkan variasi dalam nilai dan arah
hubungan antar subjek diasumsikan random yang
dispesifikasikan dalam bentuk residual.
 Variabel residual diduga memiliki hubungan antar waktu dan
antar subjek.
 Mengatasi kelemahan model fixed effect yang menggunakan
variabel dummy. Metode analisis data panel dengan model
random effect harus memenuhi persyaratan yaitu jumlah cross
section harus lebih besar daripada jumlah variabel penelitian.
 REM tidak dapat dianalisis menggunakan OLS, tetapi
menggunakan GLS (Generalized Least Square) karena
konstanta dan residual terkait dari waktu ke waktu (Serial
Correlation)
 Persamaan 1
FEM: Yit = β0i + β1X1it + β2X2it + µit
 Persamaan 2
REM: β0i random
β0i = β0 + ei
dimana,
ei adalah error term dengan rata-rata Y=0
β0i= β0
Substitusikan persamaan 2 ke persamaan 1
 Yit = β0 + β1X1it + β2X2it + ei + µit
 Yit = β0 + β1X1it + β2X2it + wit
Dimana, wit = ei + µit

Β0i tidak berkorelasi dengan X, maka tidak perlu dihilangkan

karena menjadi bagian dari model
 • Sama dengan metode OLS (Regresi
PLS Biasa). Intinya, intersep dan slopenya
tetap antar waktu dan individu.

FEM • Slopenya tetap, intersep berbeda

antar individu

• Intersep dianggap sebagai variabel

REM acak/random yang punya nilai rata-
rata. Intersep tidak dianggap konstan.
 Pemilihan Model
PLS VS FEM
Caranya dengan melakukan Chow Test
 Ho: menggunakan PLS
 Ha: menggunakan FEM
Jika probability > α (0,01; 0,05; 0,10) Ho diterima
Jika probability < α (0,01; 0,05; 0,10) Ha diterima, Ho
ditolak
Chow Test
 Pemilihan Model
FEM VS REM
Caranya dengan melakukan Hausman Test
Menggunakan distribusi chi-square.
 Jika, T>N = Ho: menggunakan FEM; Ha: menggunakan REM
 Jika T<N = Ho: menggunakan REM; Ha: menggunakan FEM

Jika probability > α (0,01; 0,05; 0,10) Ho diterima

Jika probability < α (0,01; 0,05; 0,10) Ha diterima, Ho ditolak

 Download dan lihat table chi-square (x2), Df =k jumlah variable

bebas
 Jika, Hausman Tests (H-Test) < nilai chi-square (x2) = Ho diterima
 Jika, Hausman Tests (H-Test) > nilai chi-square (x2) = Ha diterima
(menolak Ho)
HAUSMAN TEST
JIKA
PLS VS FEM yang terpilih adalah PLS
Dan
FEM VS REM yang terpilih adalah REM

Maka dilakukan uji Lagrangian Multiplier

(PLS VS REM)
 Pemilihan Model
PLS VS REM
Caranya dengan melakukan Lagrangian Multiplier Test

Ho: menggunakan PLS

Ha: menggunakan REM

Jika probability > α (0,01; 0,05; 0,10) Ho diterima

Jika probability < α (0,01; 0,05; 0,10) Ha diterima, Ho
ditolak