NPM : 1811021025
TUGAS EKONOMETRIKA II
Data panel (panel pooled data) adalah gabungan data cross section dan data time series.
Regresi dengan menggunakan data panel disebut model regresi data panel. Ada beberapa
keuntungan yang diperoleh dengan menggunakan data panel, diantaranya :
Data panel mampu menyediakan data lebih banyak sehingga akan menghasilkan
degree of freedom yang lebih besar.
Menggabungkan data time series dan cross section dapat mengatasi masalah
penghilangan variable (omitted-variable).
Contoh : Jika kita ingin mengetahui perilaku investasi perusahaan dengan mengambil data
untuk mewakili variable keuntungan yang diwakilkan dengan harga nilai saham perusahaan (
V t ) dan variable kebutuhan kapital yang diinginkan diwakilkan dengan nilai actual kapital
diawal tahun ( K t ). Model ekonomi perilaku investasi yang dapat ditulis sbb:
I =f (V t , K t ) (18.1)
Di mana :
Y = nilai investasi
i = jenis perusahaan
t = waktu
18.2 Estimasi Regresi Data Panel
Secara umum dengan menggunakan data panel kita akan menghasilkan intersep dan slope
koefisien yang berbeda pada setiap perusahaan dan setiap periode waktu. Oleh karena itu , di
dalam mengestimasi, persamaan (18.2) akan sangat tergantung dari asumsi yang kita buat
tentang intersep, koefisien slope dan variable gangguannya, diantaranya :
Diasumsikan intersep dan slope adalah tetap sepanjang waktu dan individu
(perusahaan) dan perbedaan intersep dan slope dijelaskan oleh variable gangguan.
Diasumsikan slope adalah tetap tetapi intersep berbeda antarindividu.
Diasumsikan slope tetap tetapi intersep berbeda baik antarwaktu maupun
antarindividu.
Diasumsikan intersep dan slope berbeda antarindividu.
Diasumsikan intersep dan slope berbeda antarwaktu dan antarindividu.
Teknik yang paling sederhana untuk mengestimasi data panel adalah hanya dengan
mengkombinasikan data time series dan cross section. Dengan hanya menggabungkan data
tersebut tanpa melihat perbedaan antarwaktu dan individu maka kita bisa menggunakan
metode OLS untuk mengestimasi model data panel. Metode ini dikenal denagn estimasi
Commont Effect. Dalam pendekatan ini tidak memperhatikan dimensi individu maupun
waktu. Diasumsikan bahwa perilaku data antarperusahaan sama dalam berbagai kurun waktu.
Sebagai contoh adalah perilaku investasi empat perusahaan US steel, IBM, Goodyear, Union
Oil. Data ini akan digabungkan dan menghasilkan data sebanyak 80 data yakni 4 perusahaan
selama kurun waktu 20 tahun (1935-1954). Dengan menggunakan Teknik common effect ini
maka model persamaan regresinya sbb :
lnY it =β 0 + β 1 ln X 1 it + β 2 ln X 2 it +e it
Di mana :
Y = nilai investasi
i = jenis perusahaan
t = waktu
Gambar di atas merupakan hasil dari estimasi regresi yang menunjukkan bahwa tanda
variable keuntungan yang diharapkan X 1 dan stock kapital X 2 berhubungan positif terhadap
variable investasi Y. uji statistic juga menunjukkan semua koefisien signifikan secara statistic
dengan uji t pada α = 1% maupun uji serempak dengan uji F. jika harga saham naik 1%
maka nilai investasi akan naik sebesar 0,91%, ceteris paribus. Kemudian jika nilai kapital
naik 1% maka harga nilai investasi akan naik 0,30%. Sedangkan nilai koefisien determinasi
sebesar 0,8464686 yang berarti model mampu menjelaskan variasi investasi sebesar 84,65%.
Model regresi Fixed Effect yaitu model yang mengasumsikan adanya perbedaan intersep di
dalam persamaan dibawah (Model Fixed Effect dengan Teknik variable dummy).
Di mana :
Teknik model Fixed Effect adalah Teknik mengestimasi data panel dengan menggunakan
variable dummy untuk menangkap adanya perbedaan intersep. Pengertian Fixed Effect ini
didasarkan adanya perbedaan intersep antara perusahaan dan antarwaktu,
Kita hanya mempunyai empat perusahaan yang berbeda maka kita hanya memerlukan tiga
variable dummy untuk mengetahui perbedaan intersep antara keempat perusahaan tersebut.
Berikut saya telah mengestimasi ulang data panel dengan pendekatan Fixed Effect
signifikansinya variable dummy ini menunjukkan bahwa intersep antara keempat perusahaan
tersebut berbeda. Dengan demikian model Fixed Effect mampumenjelaskan adanya
perbedaan perilaku keempat perusahaan tersebut. Intersep untuk US steel sebesar -0,302850,
intersep untuk IBM sebesar -1,071512 (=-0,302850 – 0,768662), intersep untuk Goodyear
sebesar -1,615893 (= -0,302850 – 1,313043) dan intersep untuk Union Oil sebesar -1,041914
(= -0,302850 – 0,739064).
Contoh 3 : Estimasi Regresi dengan Fixed Effect Ketika ada heteroskedastisitas
Berikut adalah hasil estimasi ulang yang dilakukan dengan menggunakan eviews yang
memiliki masalah heteroskedastisitas. Persoalan heteroskedastisitas ini bisa diatasi dengan
menggunakan metode GLS.
Effects Specification
Weighted Statistics
Unweighted Statistics
Contoh 4 estimasi data panel dengan Teknik fixed effect software eviews
hasil estimasi fixed effect sama dengan hasil pada perhitungan sebelumnya pada tabel 18.1.
baik nilai koefisiennya maupun intersepnya. Nilai koefisien untuk variable harga saham X 1 =
0,5704 dan stock kapital X 2 = 0,3521. Kedua variable juga secara statistic signifikan pada α =
1% yang berarti harga saham dan stok kapital berpengaruh positif terhadap investasi.
Dependent Variable: LOG(Y)
Method: Panel Least Squares
Date: 04/13/21 Time: 00:42
Sample: 1935 1954
Periods included: 20
Cross-sections included: 4
Total panel (balanced) observations: 80
Effects Specification
Dimasukkannya variable dummy di dalam model Fixed Effect bisa mengurangi derajat
kebebasan yang pada akhirnya mengurangi efiseisensi parameter. Masalah ini bisa diatasi
dengan mengunakan variable gangguan yang dikenal sebagai metode random effects. Di
dalam model ini kita akan mengestimasi data panel di mana variable gangguan mungkin
saling berhubungan antarwaktu dan antarindividu. Berikut adalah persamaan untuk metode
random effect:
lnY it = β́ 0 + β 1 ln X 1 it + β 2 ln X 2 it +v it
Di mana vit =e it + μi
Nama metode random effect berasal dari pengertian bahwa variable gangguan vit terdiri dari
dua komponen yait variable gangguan secara menyeluruh e it yaitu kobinasi time series dan
cross section dan variable gangguan secara individu e it . Dalam hal ini variable gangguan μi
adalah berbeda-beda antar individu tetapi tetap antar waktu. Karena itu model random effect
juga sering disebut dengan Error Component Model (ECM).
Metode yang tepat digunakan untuk mengestimasi model random effect adalah Generalized
Least Squares (GLS).
Effects Specification
S.D. Rho
Weighted Statistics
Unweighted Statistics
nilai koefisien untuk variable harga saham X 1 = 0,6084 dan stock kapital X 2 = 0,3419 secara
statistic signifikan pada α = 1% yang berarti harga saham dan stok kapital berpengaruh
positif terhadap investasi. Kedua nilai koefisien tersebut juga tidak jauh berbeda dengan
metode fixed effect sebelumnya.
18.3 Pemilihan Teknik Estimasi Regresi Data Panel
Uji F statistic digunakan untuk mengetahui apakah Teknik regresi data panel dengan tanpa
variable dummy (common effect) dengan melihat sum of squared residuals (RSS). Adapun uji
F statistiknya sbb:
SSR R−SSRU /q
F¿
SSRu /( n−k )
Di mana SSRR dan SSRU merupakansum of squared residualsteknik tanpa variable dummy
(common effect) yaitu sebagai restricted model dan Teknik fixed effect dengan variable
dummy sebagai unrestricted model.
Hipotesis nolnya adalah bahwa intersep adalah sama. Nilai statistic F hitung akan mengikuti
distribusi statistic F dengan derajat kebebasan (df) sebanyak q untuk numerator dan sebanyak
n – k untuk denumerator.
Untuk mengetahui bahwa Teknik fixed effect lebih baik dari asumsi koefisien sama maka bisa
dilihat dari nilai koefisien determinasi maupun nilai statistic dari Durbin Watson , model
fixed effect nilainya lebih tinggi sehingga model fixed effect lebih baik. Namun, jika kita
hanya memperhitungkan koefisien determinasi saja maka analisis ini sangat bias karena nilai
koefisien determinasi model fixed effect akan lebih besar karena jumlah variable independent
lebih banyak dengan bertambahnya variable dummy.
13,29828−4,452503 /3
F¿ =49,00698
4,452503/74
Untuk mengetahui apakah model random effect lebih baik dari metode OLS digunakan uji
Lagrange Multiplier (LM). Uji signifikansi random effect ini dikembangkan oleh Breusch-
Pagan. Uji LM ini didasarkan pada distribusi chi-squares dengan degree of freedom sebesar
jumlah variable independent. Jika nilai LM statistic lebih besar nilai kritis statistic chi-
squares maka kita menolak hipotesis nol. Artinya, estimasi yang tepat untuk model regresi
data panel adalah metode random effect daripada metode OLS. Sebaliknya jika nilai LM
statistic lebih kecil dari nilai statistic chi-squares sebagai nilai kritis maka kita gagal menolak
hipotesis nol. Estimasi random effect dengan demikian tidak bisa digunakan untuk regresi
data panel, tetapi digunakan metode OLS.
Uji Hausman ini didasarkan pada ide bahwa kedua metode OLS dan GLS konsisten tetapi
OLS tidak efisien di dalam hipotesis nol. Karena itu uji hipotesis nolnya adalah hasil estimasi
keduanya tidak berbeda sehingga uji Hausman bisa dilakukan berdasarkan perbedaan
estimasi tersebut. Statistic uji Hausman ini mengikuti distribusi statistic chi square dengan
degree of freedom sebanyak k di mana k adalah jumlah variable independent. Jika kita
menolak hipotesis nol yaitu Ketika nilai statistic Hausman lebih besar dari nilai kritisnya
maka model yang tepat adalah model fixed effect sedangkan sebaliknya bila kita gagal
menolak hipotesis nol yaitu Ketika nilai statistic Hausman lebih kecil dari nilai kritisnya
maka model yang tepat adalah model random effect.
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Cross-section random 1.011286 2 0.6031
Nilai chi-square sebesar 1,0113 dengan p-value sebesar 0,608437. Sedangkan nilai kritis chi-
square dengan df sebesar 2 pada α = 5% dan α = 1% masing-masing sebesar 5,9915 dan
9,2103. Berdasarkan nilai chi square danp value , kita gagal menolak hipotesis nol sehingga
berdasarkan uji Haussman model yang tepat untuk menganalisis perilaku investasi keempat
perusahaan tersebut adalah model random effect datipada model fixed effect. Bagian bawah
menunjukkan uji perbedaan setiap koefisien antara fixed effect dan random effect secara
individu. Berdasarkan nilai p value, kita gagal menolak hipotesis nol pada setiap koefisien
sehingga model random effect lebih tetap dibandingkan dengan model fixed effect.