Materi Data Panel 2022

Data Panel dan GMM
Prof. Muhammad Firdaus, PhD
Fakultas Ekonomi dan Manajemen

Institut Pertanian Bogor
CV
Nara Sumber Pendidikan
Prof. Dr. Muhammad Firdaus, S.P., M.Si. • Dr., Ilmu Ekonomi, Universiti Putra
Malaysia
Guru Besar Departemen Ilmu Ekonomi, • M.Si., Ilmu Ekonomi Pertanian, IPB
Fakultas Ekonomi dan Manajemen, IPB • S.P., Ekonomi Pertanian dan Sumberdaya,
Bidang Keahlian: Ilmu Ekonomi IPB
Pengalaman / Penugasan Saat Ini Pengalaman Lain-lain

( (
• Ketua Dewan Pakar Himpunan Alumi IPB (2021-2025 • Advisor pada ADB TA no, 9391 untuk
Leveraging ICT in Agricultural Ext.
• Staf Ahli Diretur Eksekutif LPEI • Peraih KI and WIPO award 2016 sebagai
pencipta aplikasi (SIKUH)
• Wakil Ketua Komtap Hortikultura KADIN
• Penyusun Pedoman Model Bisnis untuk:
• Chairman of SEAITFA: South East Asia International Trade and UMKM Ekspor; UMKM Naik Kelas; UMKM
Bawang Merah dan Cabai Merah
Fianance Association • Pengembang Apps untuk hortikultura
bersama peneliti PKHT dalam rangka PRN
• Penasehat Tim WTO Pertanian
• Penyusun Baseline Survey untuk YESS
• Wakil Dekan FEM IPB (2008-2018) program
• Economics
Department of Sekretaris|Pusat
FacultyKajian Hortikultura
of Economics Tropika IPB (2005-2009)
and Management
☎ +62 251 8626602 ✉ ilmu_ekonomi@ipb.ac.id 🌐 http://ekonomi.fem.ipb.ac.id @dept.ieipb
CV
KI and WIPO Awardee, 2016
Department of Economics | Faculty of Economics and Management

CV
Books on Data Analysis

REFERENCES
Definisi Data Panel
• Data panel adalah observasi terhadap banyak individu
dalam beberapa periode waktu: gabungan kerat lintang
dan deret waktu: longitudinal atau cohort anaysis
• Individu dapat:
1. Rumahtangga (lebih dari 60 juta)
2. Industri (lebih dari 26 juta usaha) ABUNDANT
3. Kabupaten/Kota (514)
4. Propinsi (34)
• Dalam model empirik, ditulis dengan subskrip it: PDBit, NIMit
Struktur Data
 x111 x 211 .. x K11  Periode 1
 
 x112 x 212 .. x K12 
Individu 1  .. .. .. .. 
 
 x11T x 21T .. x K1T  TIPE:
 x121 x 221 .. x K21  Periode T
  1. N besar, T kecil
 x122 x 222 .. x K22  Periode 1 2. N kecil, T besar
 .. .. .. ..  3. N besar, T besar
Individu 2  
 x12T x 22T .. x K2T  Periode T
  N is large over T
x x 2N1 .. x KN1  Periode 1
 1N1 
 x1N2 x 2N2 .. x KN2 
Individu N  
 .. .. .. .. 
x x KNT  Periode T
 1NT x 2NT ..

Contoh Data Panel
• Beberapa contoh data panel yang tersedia:
1. Panel study of income dynamics (USA)
2. Indonesia Family Life Surveys
3. SUSENAS (BPS)
• Penelitian dengan data panel masih sangat menarik:
1. Perdagangan internasional: banyak negara
2. Petani hortikultura: panen setiap bulan
3. Inflasi antar kabupaten kota dll.
Manfaat Data Panel
• Kegunaan utama dari data panel:
1. Dapat menangkap individual heterogeneity
2. Menangkap dynamics of adjustment
3. Lebih banyak informasi dan variasi, Hal ini akan
membantu meminimumkan kemungkinan adanya
multikolinearitas.
• Kelemahan dari data panel antara lain desain survey,
attrition dll.
Unobserved Individual Heterogeneity
• Ada karakteristik individu yang sulit diukur, misalkan:
1. Antusiasme mahasiswa
2. Kemampuan manajerial CeO
3. Sikap terhadap risiko petani
4. Budaya kerja keras di suatu wilayah
5. Unwritten trade policy dll.
• Deaton (1995): penelitian: small is beautiful?

Bias dari Estimasi OLS
60
50
40
Individual 1
Individual 2
30
Individual 3
Individual 4
OLS Bias?
20
10
0
-5 0 5 10 15 20

Bias dari Estimasi OLS
60
A
50
40
Individual 1
Individual 2
Individual 3
30
Individual 4
Linear (Individual 1) Koefisien BB
Linear (Individual 2)
bukan AA
20
B
10
B
A
0
-5 0 5 10 15 20

Error Components Model
Pfitit = 0 + 1Rawit+ 2Laborit+ it
Parameter it = i + uit u it ~ N(0, σ )

2
u
dugaaan
Gauss-Markov
Individual Galat
heterogeneity

One-way dan Two-way ECM
One way ECM it = i + uit
Efek individu Efek waktu Galat
Two-way ECM
 it = =i ++t + u+it u
it i t it

Kondisi Gauss-Markov
1. E {i} = 0, i = 1,.........., N
2. V{i} = σ2, i = 1,.........., N: homoskedastisitas
3. Cov{i, j} = 0, i = 1,.........., N , i ≠ j: autokorelasi
4. {1, .... N} dan {X1, .... XN} independen: untuk data panel
Menjadi penentu apakah FEM atau REM

Fixed-Effects Model
Pfitit = 0 + 1Rawit+ 2Laborit+ i + uit
λi diamsusikan sebagai parameter yang fiks:

Pfitit = (0 + i ) + 1Rawit+ 2Laborit + uit
uit ~ N (0,  u2 )

Teknik Estimasi Fixed-Effects Model
• OLS atau LSDV: deviasi individu terhadap variasi total
Yit − Y it = β1 X 1it − X 1it + β2 X 2it − X 2 it + (uit − ui. )

• Within Group: deviasi individu terhadap variasi total
Yit − Y i. = β1 X 1it − X 1i . + β2 X 2it − X 2 i . + (uit − ui. )

• Between
Bobot yang benar: REM
Y i. = β1 X 1i . + β2 X 2 i . + it EFISIEN
Random-Effects Model
Pfitit = 0 + 1Rawit+ 2Laborit+ i + uit
λi diamsuikan sebagai bagian dari galat/random elements:

Pfitit = 0 + 1Rawit+ 2Laborit + i + uit
• GLS: bGls = (X’()-1 X)-1.X’()-1Y

Struktur Galat Data Panel
E (uit ) = E (i ) = 0; E (uit2 ) =  u2 ; Gauss-Markov
E ( ) =   ;
2
i
2
E (uit i ) = 0 for all i, t
E ( ) =  +   t = s; E ( it  is ) =   , t  s;
2
it
2
u
2 2
and
E ( xkit i ) = 0 for all k , t , i
Asumsi ini paling krusial untuk mendapatkan penduga yang

konsisten, yang berikutnya akan diuji dengan uji Hausman
Uji Hausman dan DPD
• Uji Hausman
• Pengertian dan Contoh Data Panel Dinamik (DPD)
• Pendekatan Estimasi untuk DPD
• Evaluasi Model DPD

Uji Hausman: Pemilihan Model
FEM
The FEM is appropriate when the crosss-sectional used in estimation
represents a broadly exhaustive sampel of economic agents, as might be the
case in the study which covers full sample of countries, regions and firms in a
particular industry
REM
If, on the other hand the sample is drawn from a larger population (so that the
sample of cross-sectional agenst may not be reasonably be considered
exhaustive), then it may be more appropriate to view the individual-spesific
terms in the sample as randomly distributed effects
Uji Hausman
• Untuk menguji apakah model REM atau FEM yang tepat, maka
diajukan hipotesis H0 : E(i|xit) = 0 atau H0 : REM
• Jika tidak ada korelasi antara variabel independen dan efek individu,
maka penduga FEM dan penduga REM keduanya konsisten, tetapi
FE tidak efisien
• Jika terdapat korelasi antara variabel independen dan efek individu,
maka penduga FEM konsisten tetapi penduga REM tidak konsisten
• Formula:
W = (  RE −  FE )' ˆ −1 (  RE −  FE ) ~  2 (k ) Bilamana tolak H0?

Pengertian DPD
• Dynamic of adjustments: PDRB, investasi, infasi dll.
• Model DPD: ada variabel beda kala dari variabel dependen muncul
sebagai variabel independen (analisis konvergensi):
PDRBit = PDRBi,t−1 + x’it β + it dimana i = 1,..., N; t = 1,..., T

dan it = i + νit
• PDRBi,t−1 berkolerasi dengan it meskipun tidak ada autokorelasi pada νit
• Koefisien penduga OLS akan bias dan tidak konsisten (endogeneity)
Teknik Estimasi DPD: GMM
• Method of moments: paling tua dibanding OLS, ML, Bayes
• GMM Dikembangkan oleh Hansen (1982): konsisten,
asimptotik normal dan efisien
• GMM akan mempunyai karakteristik di atas bila disestimasi
dengan ukuran data yang besar
• Arellano-Bond (1991): First-differenced GMM
• Blundell-Bond (1998): System GMM

Teknik Estimasi DPD: GMM
• Hsiao (1981): Estimation of Dynamic Models with Error Components",
Journal of the American Statistical Association
• Hansen (1982): “Large Sample Properties of Generalized Method of

Moments Estimators”, Econometrica
• Arellano (1991): “Some Tests of Specification for Panel Data: Monte Carlo Evidence
and an Application to Employment Equations”, The Review of Economic Studies
• Blundell and Bond (1998): “Initial conditions and moment restrictions in

dynamic panel data models”, Journal of Econometrics
Teknik Estimasi DPD: AB (1991)
This paper presents specification tests that are applicable after
estimating a dynamic model from panel data by the generalized
method of moments (GMM), and studies the practical performance of
these procedures using both generated and real data. Our GMM
estimator optimally exploits all the linear moment restrictions that
follow from the assumption of no serial correlation in the errors, in an
equation which contains individual effects, lagged dependent variables
and no strictly exogenous variables. We propose a test of serial
correlation based on the GMM residuals and compare this with Sargan
tests of over-identifying restrictions and Hausman specification tests
• Dalam notasi matriks, koefisen dugaan AB:
−1
ˆ1 = ( y−1 ) W (W ( I N  G )W ) −1W (y−1 ) 
 
x ( y−1 )W (W ( I N  G )W ) W (y−1 ) 
 ‘
 −1
• dengan instrumen:  yi  0 
 
 yi1 , yi 2 
yit − yi ,t −1 =  ( yi ,t −1 − yi ,t −2 ) − (vit − vi ,t −1 ) Wi =  

 
 0  yi1 ,..., yi ,T −2  

Koefisien dugaan
dari GMM memiliki
simpangan baku
yang lebih kecil 3
sampai 5 kali dari
Anderson-Hsiao
GMM EFISIEN

Teknik Estimasi DPD: Pengembangan
• One-step dan two-step Arellano Bond
• Arellano and Bover
• Ahn and Schmidt
• System-GMM Blundell and Bond: lagged first differences

Evaluasi Model DPD
Beberapa kriteria dapat digunakan untuk menemukan model DPD ideal:
1. Konsistensi. Arellano–Bond m1 and m2 statistics are relied on to
check the serial correlation property of the level residuals.
2. Validitas instrumen. Moment conditions diperiksa dengan
menggunakan Uji Sargan.
3. Tidak Bias. OLS akan menyebabkan estimasi biased upwards dan
efek tetap akan menyebabkan estimasi biased downwards.
FEM REM GMM OLS

Kesimpulan
MODEL DATA PANEL
Model Data Panel Statis Model Data Panel Dinamis
misal yit = Xit  + it , dimana it = i + it Ketika lag peubah dependen muncul:
masalah Endogeneity
Estimasi diproses dengan stacking the data
adalah OLS.
• Jika I (time-invariant effect) berkorelasi • Penduga tidak konsisten dan bias
dengan Xit (regressors), model disebut
model FIXED-EFFECTS • Arellano and Bond (1991) menyarankan
• Jika i tidak berkorelasi dengan Xit, model sebuah moment condition yang dapat
disebut model RANDOM-EFFECTS didekati melalui kerangka GMM.
UJI HAUSMAN 1. First-differenced GMM (FD-GMM)

(H0: REM benar) 2. System GMM (SYS-GMM)
Aplikasi Model Data Panel Statik
• Topik Penelitian dengan FEM dan REM
• Estimasi FEM dan REM: Stata
• Aplikasi Uji Hausman
• Beberapa Uji untuk Asumsi Galat

Topik Penelitian dengan FEM dan REM
• Data panel dapat digunakan untuk berbagai topik penelitian
ekonomi dan manajemen seperti:
1. Integrasi pasar daerah dengan pasar induk
2. Kinerja keuangan lembaga keuangan atau koperasi
3. Daya serap anggaran KL
4. Efisiensi produksi UMKM
5. Dampak infrastruktur pada PDRB Kabupaten/Kota
6. Ekspor komoditas ke berbagai negara
7. Daya saing propinsi dan kabupaten/kota
dll.

Estimasi FEM dan REM: STATA
1. Persiapan dan Pendefenisian Jenis Data
Input Data Panel.xlsx ke aplikasi STATA dengan cara klik Data -> Data Editor ->
Data Editor (edit). Copy-Paste data dari excel ke worksheet data editor. Saat paste
pilih juga variable names.

Province merupakan variabel jenis “string” Selanjutnya pendefenisian penel data
sehingga harus diubah menjadi “numeric” dengan cara ketik tsset id year pada
dengan cara ketik egen id = command
group(province) pada command.
Langkah terkahir sebelum melakukan proses estimasi yaitu melakukan

transformasi logaritma untuk semua variabel yang digunakan
Ketik syntax disamping pada

gen lgdp = log(realgdp) command untuk mendapatkan
gen lgpop = log(population) variabel hasil transformasi
gen lginv = log(investment) logaritma.
Catatan: Identifikasi satuan dari setiap data atau variabel. Data dengan
satuan persen tidak perlu melakukan trasformasi logaritma.

2. Estimasi Data
Pada dasarnya ada 2 cara yang
dapat dilakukan untuk mengestimasi
model data panel pada STATA, yakni
dengan memanfaatkan kolom
command atau dengan
menggunakan fasilitas short cut
yang telah disediakan pada property
STATA. Pada estimasi FEM dan
REM short cut pada STATA yaitu
Statistics -> Longitudinal/panel
data -> linear models -> linear
regression (FE, RE, PA, BE).

Akan muncul window di

samping, isi kolom
dependen dan independen
variabel kemudian pilih
Fixed-effects untuk
estimasi FEM dan klik OK.
Sementara itu, pilih GLS

random-effects untuk
estimasi REM.

Berikut output hasil estimasi FEM. Dapat dilihat
selain menggunakan short cut, kita bisa
menggunakan command dengan syntax berikut.
xtreg lgdp lginv lgpop hdi, fe
estimates store fem Simpan hasil estimasi

dengan syntax di
samping. “fem”
merupakan nama
sehingga bisa diubah.

Selanjutnya estimasi REM. Sama seperti sebelumnya, bisa menggunakan
short cut atau menggunakan command dengan syntax:
xtreg lgdp lginv lgpop hdi, re
Simpan hasil
estimates store rem estimasi dengan
syntax di samping.

3. Uji Hausman
Ketik syntax hausman fem pada command. Terkadang nilai p-value tidak
muncul karena hasil chisq negatif. Oleh sebab itu, bisa juga dengan
syntax hausman rem fem
Hasil uji hauman di atas

menunjukan nilai p-value < 0.05
yang artinya tolak H0 atau model
FEM yang dipilih

4. Uji Heteroskedastisitas dan Uji Autokorelasi
Model FEM perlu melakukan uji ini. Estimasi kembali model FEM dan
uji dengan syntax di bawah ini.
Uji Heteroskedastisitas
xttest3
Model yang baik
Terdapat heteroskedastisitas yaitu homoskedastis
dan tidak terdapat
autokorelasi
Uji Autokorelasi
xtserial deptvar indeptvar

Terdapat autokorelasi
Aplikasi Model Data Panel Dinamik
• Topik Penelitian dengan DPD

• Estimasi DPD: Stata
• Beberapa Uji untuk Evaluasi Model

Topik Penelitian dengan DPD
• DPD dapat diaplikasikan untuk berbagai topik penelitian ekonomi
dan manajemen karena ada dynamics of adjustment seperti:
1. Investasi perusahaan di sektor keuangan
2. Konsumsi healthy diet
3. Keputusan investasi wilayah kabupaten kota
4. Upah dan produktivitas tenaga kerja propinsi di Indonesia
5. Model inflasi volatile food propinsi di Indonesia
6. Permintaan jasa media sosial di Indonesia
7. Dinamika harga saham di BEJ
dll.

Contoh Model DPD: Baltagi & Levin
• Baltagi and Levin(1992) estimate a dynamic demand model for cigarettes based
on panel data from 46 American states. This data, updated from 1963–92.
• The estimated equation is
ln Cit = α + β1 lnCi,t−1 + β2 ln Pi,t + β3 ln Yit + β4 ln Pnit + uit
where the subscript i denotes the ith state (i =1,...,46) and the subscript t
denotes the tth year (t =1,...,30).
Cit is real per capita sales of cigarettes by persons of smoking age (14
years)
Pit is theaverage retail price of a pack of cigarettes
Yit is real per capita disposable income
Pnit denotes the minimum real price of cigarettes in any neighboring state.
This last variable is a proxy for the casual smuggling
• INDONESIA?

Estimasi Model DPD: STATA
Short cut pada STATA yaitu Statistics -> Longitudinal/panel data -
> Dynamic Panel Data
1. Arellano-Bond FD-GMM
2. Blundell-Bond untuk System-GMM

Akan muncul window di

samping, isi kolom
dependen dan independen
variabel kemudian centang
two step estimator.

Berikut output
hasil estimasi
FD-GMM.

Selanjutnya melakukan uji m-stats dan uji sargan untuk melihan konsistensi
dan validitas model.
m-statistic pada order 1

harus signifikan atau tolak
H0 sedangkan pada order 2
tidak tolak H0. Hal ini agar
estat abond untuk m-statistic
sesuai dengan kriteria
(order 1 dan 2) konsistensi atau keadaan
tersebut menunjukan bahwa
model GMM belum
konsisten
Uji sargan menujukan nilai

estat sargan untuk uji Sargan p-value > 0.05 artinya
model valid.

Selanjutnya estimasi Blundell-Bond atau System-GMM. Berikut hasil
estimasi System-GMM dan uji konsistensi serta validitasnya.

m-statistic pada order 1 tidak signifikan atau tolak H0 sedangkan pada

order 2 tidak tolak H0. Hal ini belum sesuai dengan kriteria konsistensi
atau keadaan tersebut menunjukan bahwa model GMM belum konsisten
Uji sargan menujukan nilai p-value > 0.05 artinya model valid.

Menentukan FD-GMM atau System-GMM
Estimasi model dengan menambahkan var. dependen lag 1 atau lgdp(-1) dengan
OLS, FEM dan REM. Anda dapat melakukannya syntax berikut ini.
reg lgdp l.lgdp lginv lgpop hdi

Syntax OLS
xtreg lgdp l.lgdp lginv lgpop hdi, fe
Syntax FEM
xtreg lgdp l.lgdp lginv lgpop hdi, re
Syntax REM

OLS FEM REM FD-GMM SYS-GMM
lgdp(-1) 0.9868852 0.7792647 0.988363 0.7186816 0.8458647

(0.000) (0.000) (0.000) (0.000) (0.000)
R-square 0.9996 0.9729 0.9681
AB m1 0.1456 0.1354
AB m2 0.0540 0.2135
Uji Sargan 0.0540 0.1898
Bandingkan nilai koefisien lgcap(-1). Koefisien SYS-GMM kurang dari OLS dan
lebih dari FEM. Kondisi tersebut memenuhi uji kriteria atau dapat dikatakan
model SYS-GMM tidak bias dan merupakan model terbaik.

Thank you
Tell me and I forget. Teach me and
I remember. Involve me and I learn.
Benjamin Franklin
Department of Economics - IPB University

IPB Dramaga Campus, Bogor 16680
Telp.: 0251-8622602
E-mail: ilmu_ekonomi@ipb.ac.id
Web : http://ilmuekonomi.fem.pb.ac.id

Materi Data Panel 2022

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi Data Panel 2022

Diunggah oleh

Hak Cipta:

Format Tersedia

Data Panel dan GMM

Prof. Muhammad Firdaus, PhD

Fakultas Ekonomi dan Manajemen

Pengalaman / Penugasan Saat Ini Pengalaman Lain-lain

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Parameter it = i + uit u it ~ N(0, σ )

Department of Economics | Faculty of Economics and Management

Efek individu Efek waktu Galat

Department of Economics | Faculty of Economics and Management

Menjadi penentu apakah FEM atau REM

Department of Economics | Faculty of Economics and Management

Pfitit = 0 + 1Rawit+ 2Laborit+ i + uit

λi diamsusikan sebagai parameter yang fiks:

Department of Economics | Faculty of Economics and Management

Yit − Y it = β1 X 1it − X 1it + β2 X 2it − X 2 it + (uit − ui. )

Yit − Y i. = β1 X 1it − X 1i . + β2 X 2it − X 2 i . + (uit − ui. )

Pfitit = 0 + 1Rawit+ 2Laborit+ i + uit

λi diamsuikan sebagai bagian dari galat/random elements:

• GLS: bGls = (X’()-1 X)-1.X’()-1Y

Asumsi ini paling krusial untuk mendapatkan penduga yang

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

PDRBit = PDRBi,t−1 + x’it β + it dimana i = 1,..., N; t = 1,..., T

Department of Economics | Faculty of Economics and Management

• Hansen (1982): “Large Sample Properties of Generalized Method of

• Blundell and Bond (1998): “Initial conditions and moment restrictions in

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

• Arellano and Bover

• Ahn and Schmidt

• System-GMM Blundell and Bond: lagged first differences

Department of Economics | Faculty of Economics and Management

FEM REM GMM OLS

Department of Economics | Faculty of Economics and Management

UJI HAUSMAN 1. First-differenced GMM (FD-GMM)

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Langkah terkahir sebelum melakukan proses estimasi yaitu melakukan

Ketik syntax disamping pada

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Akan muncul window di

Sementara itu, pilih GLS

Department of Economics | Faculty of Economics and Management

xtreg lgdp lginv lgpop hdi, fe

estimates store fem Simpan hasil estimasi

Department of Economics | Faculty of Economics and Management

xtreg lgdp lginv lgpop hdi, re

Department of Economics | Faculty of Economics and Management

Hasil uji hauman di atas

Department of Economics | Faculty of Economics and Management

xtserial deptvar indeptvar

• Topik Penelitian dengan DPD

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Department of Economics | Faculty of Economics and Management

Akan muncul window di