13-4 Analisis Kebijakan dengan Data Panel Dua-Periode

Kumpulan data panel sangat berguna untuk analisis kebijakan dan khususnya dalam
evaluasi program. Dalam pengaturan evaluasi program yang paling sederhana, sampel individu,
perusahaan, kota, dan seterusnya diperoleh dalam periode waktu pertama. Beberapa dari unit
ini, yang berada dalam kelompok perlakuan, kemudian mengambil bagian dalam program
tertentu di masa mendatang, yang bukan merupakan kelompok kontrol. Ini mirip dengan
literatur eksperimen alami yang dibahas sebelumnya, dengan satu perbedaan penting: the
sama unit penampang muncul di setiap periode waktu.
Sebagai contoh, misalkan kita ingin mengevaluasi pengaruh program pelatihan kerja
Michigan terhadap produktivitas pekerja dari perusahaan manufaktur (lihat juga Latihan
Komputer C3) di Bab 9. Scrapit menunjukkan tingkat memo perusahaan i selama tahun t
( jumlah item, per 100, yang harus dibuang karena cacat). Grantit menjadi indikator biner yang
sama dengan satu jika perusahaan i di tahun t menerima Grant. Untuk tahun 1987 dan 1988,
modelnya adalah

Dimana y88 t adalah variabel dummy untuk tahun 1988 dan ai adalah efek perusahaan
yang tidak teramati. Pengaruh yang tidak teramati mengandung faktor-faktor seperti rata-rata
kemampuan karyawan, modal, dan manajerial. Ketrampilan ini kira-kira konstan selama periode
dua tahun. Kami prihatin ai secara sistematis terkait dengan apakah perusahaan menerima
hibah. Misalnya, administrator program mungkin memberikan prioritas kepada perusahaan
yang pekerjanya memiliki keterampilan lebih rendah. Atau, masalah sebaliknya dapat terjadi:
agar program pelatihan kerja tampak efektif, administrator dapat memberikan hibah kepada
pengusaha dengan pekerja yang lebih produktif. Sebenarnya, dalam program khusus ini, hibah
diberikan berdasarkan prinsip siapa cepat dia dapat. Tetapi apakah sebuah perusahaan dapat
mengajukan permohonan lebih awal untuk mendapatkan hibah yang dapat dikaitkan dengan
produktivitas pekerja. Dalam hal ini, analisis dengan menggunakan satu penampang atau hanya
penyatuan dari penampang akan menghasilkan penduga yang bias dan tidak konsisten.
Perbedaan dengan menghapus ai memberikan

Oleh karena itu, kami hanya menurunkan perubahan tingkat scrap pada perubahan indikator
hibah. Karena tidak ada perusahaan yang menerima hibah (grant) pada tahun 1987, granti1 = 0
untuk semua I, dan jadi ∆ grant i = granti2 – granti1 = granti2. Hanya menunjukkan apakah
perusahaan menerima hibah (grant) pada tahun 1988. Namun, umumnya penting untuk
membedakan semua variabel (termasuk variabel dummy) karena ini diperlukan untuk
menghapus ai dalam model efek yang tidak teramati (13.23).
Memperkirakan persamaan diferensial pertama menggunakan data di JTRAIN memberikan

Oleh karena itu, kami memperkirakan bahwa memiliki (grant) hibah pelatihan kerja
menurunkan tingkat memo rata-rata sebesar - 739. Tetapi perkiraan tersebut secara statistik
tidak berbeda dari nol.
Kami mendapatkan hasil yang lebih kuat dengan menggunakan log (membatalkan) dan
memperkirakan efek persentase

Memiliki hibah (grant) pelatihan kerja diperkirakan menurunkan tingkat memo sekitar 27,2%.
[Kami memperoleh estimasi ini dari persamaan (7.10): exp (-3.17) – 1 ≈ -.272.] dengan t
statistik sekitar -1,93, yaitu sedikit signifikan. Sebaliknya, menggunakan OLS gabungan dari log
(scrap) di y88 dan hibah (grant) memberikan ^β 1 =.057 (standar error = . 431). Jadi, kami tidak
menemukan hubungan yang signifikan antara tingkat memo dan pekerjaan hibah (grant)
pelatihan. Karena ini sangat berbeda dari perkiraan perbedaan pertama, hal ini menunjukkan
bahwa perusahaan yang memiliki pekerja berkemampuan lebih rendah lebih cenderung
menerima hibah.
Akan lebih berguna untuk mempelajari model evaluasi program secara lebih umum.
Membiarkan yit menunjukkan variabel hasil dan biarkan progit menjadi variabel dummy
partisipasi program. Model efek teramati yang paling sederhana adalah.

Jika partisipasi program hanya terjadi pada periode kedua, maka penduga OLS β1 dalam
persamaan differenced memiliki representasi yang sangat sederhana:

Artinya, kami menghitung rata-rata perubahan y selama dua periode waktu untuk perawatan
dan kontrol grup. Kemudian, ^β 1 adalah perbedaannya. Ini adalah versi data panel dari penaksir
perbedaan-indiferensi dalam persamaan (13.11) untuk dua penampang gabungan. Dengan data
panel, kami punya keuntungan yang berpotensi penting: kita bisa membuat perbedaan y
melintasi waktu untuk sama unit penampang. Hal ini memungkinkan kita untuk mengontrol
efek khusus orang, perusahaan, atau kota, seperti yang dijelaskan oleh model di (13.25).
 Jika partisipasi program berlangsung di kedua periode, ^β 1 tidak dapat ditulis seperti
(13.26), tetapi kami menafsirkannya dengan cara yang sama: ini adalah perubahan nilai rata-
rata y karena partisipasi program.
Mengontrol faktor yang bervariasi waktu tidak mengubah signifikansi apa pun. Kami
hanya membedakan variabel tersebut dan memasukkannya bersama dengan ∆ prog. Hal ini
memungkinkan kita untuk mengontrol variabel yang berubah-ubah waktu yang mungkin
berkorelasi dengan penunjukan program.
Metode pembeda yang sama berfungsi untuk menganalisis pengaruh kebijakan apa pun
yang bervariasi di kota atau negara bagian. Berikut ini adalah contoh sederhana.

Contoh 13.7 : Pengaruh undang-undang Mengemudi dalam Mabuk pada Kematian Lalu Lintas

Banyak negara bagian di Amerika Serikat telah mengadopsi kebijakan berbeda dalam upaya
untuk mengekang mengemudi dalam keadaan mabuk. Dua jenis hukum yang akan kita pelajari
di sini adalah hukum wadah terbuka— yang melarang penumpang untuk memiliki wadah
terbuka berisi minuman beralkohol — dan hukum administrative— yang memungkinkan
pengadilan untuk menangguhkan lisensi setelah pengemudi ditangkap karena mengemudi
dalam keadaan mabuk tetapi sebelum pengemudi tersebut dihukum. Salah satu analisis yang
mungkin adalah menggunakan satu bagian negara bagian untuk menurunkan kematian akibat
mengemudi (atau yang terkait dengan mengemudi dalam keadaan mabuk) pada indikator
variabel dummy untuk mengetahui apakah setiap undang-undang ada. Hal ini tidak mungkin
berhasil karena negara bagian memutuskan, melalui proses legislatif, apakah mereka
memerlukan undang-undang semacam itu. Oleh karena itu, keberadaan undang-undang
tersebut kemungkinan besar terkait dengan rata-rata kematian akibat mengemudi dalam
keadaan mabuk dalam beberapa tahun terakhir. Analisis yang lebih meyakinkan menggunakan
data panel selama periode waktu di mana beberapa negara bagian mengadopsi undang-undang
baru (dan beberapa negara bagian mungkin telah mencabut undang-undang yang ada). File
TRAFFIC1 berisi data tahun 1985 dan 1990 untuk semua 50 negara bagian dan District of
Columbia. Variabel terikat adalah jumlah kematian lalu lintas per 100 juta mil perjalanan
(dthrte). Pada tahun 1985, 19 negara bagian memiliki undang-undang kontainer terbuka,
sementara 22 negara bagian memiliki undang-undang serupa pada tahun 1990. Pada tahun
1985, 21 negara bagian memiliki undang-undang itu sendiri; jumlahnya meningkat menjadi 29
pada tahun 1990.
Menggunakan OLS setelah pembedaan pertama menghasilkan :
Perkiraan menunjukkan bahwa mengadopsi undang-undang peti kemas terbuka menurunkan
tingkat kematian lalu lintas sebesar 0,42, efek nontrivial mengingat bahwa tingkat kematian
rata-rata pada tahun 1985 adalah 2,7 dengan deviasi standar sekitar .6. Perkiraan tersebut
signifikan secara statistik pada tingkat 5% dibandingkan dengan alternatif dua sisi. .
Administrasi hukum memiliki efek yang lebih kecil, dan statistik t-nya hanya -1,29; tapi
perkiraan itu tandanya kita harapkan. Pemotongan dalam persamaan ini menunjukkan bahwa
kematian lalu lintas turun secara substansial untuk semua negara bagian selama periode lima
tahun, baik ada perubahan hukum atau tidak. Negara bagian yang mengadopsi hukum wadah
terbuka selama periode ini terjadi penurunan lebih lanjut, rata-rata, dalam tingkat kematian.
Undang-undang lain mungkin juga mempengaruhi kematian lalu lintas, seperti undang-
undang sabuk pengaman, undang-undang helm sepeda motor, dan batas kecepatan
maksimum.