Data Panel DATA Time series Yt = α0 + α1X1t + α2X2t + µt t = symbol waktu (missal 1990-2016), banyaknyaT
Cross Section Yi = α0 + α1X1i + α2X2i + µi
i = Negara, kabupaten, perusahaan, individu, dll banyaknyaN
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