Kuliah 3

Model Regresi Data panel

Telah dijelaskan pada semester lalu bahwa tipe data yang tersedia
secara umum untuk analisis empiris yaitu
- Data time series (runtun waktu)
- Cross section (individual)
- Data panel
Dalam data time series kita mengobservasi nilai dari satu atau
lebih variabel selama satu periode waktu
Dalam data cross section nilai dari satu atau lebih variabel yang
diambil dari beberapa unit sampel atau subjek pada periode waktu
yang sama
Dalam data panel unit individu yang sama disurvei dari waktu ke
waktu. Atau secara singkat data panel memiliki dimensi ruang dan
waktu.
Contoh data panel adalah produksi telur dan harganya di 50 negara bagian
di Amerika Serikat untuk tahun 1990 – 1991. untuk yang mana saja data
telur dan harganya mewakili sebuah sampel yang individual. Untuk negara
bagian mana saja terdapat dua observasi time series bagi telur dan
harganya. Oleh karena itu kita memiliki secara keseluruhan 100 observasi
untuk telur dan harganya (Pooled/ menumpuk observasi runtun waktu
dengan individual).
Dalam regresi data panel haruslah berhati-hati karena sangat luas,
demikian pula matematika dan statistika yang dilibatkan cukuplah rumit,
tetapi untungnya software komputer yang salah satunya eviews telah
membuat implementasi perhitungan data panel menjadi cukup gampang.
 Mengapa data panel?
Baltagi membuat daftar keuntungan menggunakan data panel dibandingkan dengan
data time series dan cross section sbb:
Oleh karena data yang berhubungan dengan individu, perusahaan, negara bagian,
dll dari waktu ke waktu ada batasan heterogenitas dalam unit-unit nya. Teknik
estimasi data penel dapat mengatasi heterogenitas tersebut secara eksplisit
dengan memberikan variabel spesifik-subjek yang akan kita pelajari
Dengan menggabungkan antara observasi time sries dan cross section, data panel
memberi lebih banyak informasi, lebih banyak variasi, sedikit kolinearitas antar
variabel, lebih banyak degree of freedom dan lebih efisien.
Dengan mempelajadi data cross section yang berulang ulang, data panel paling
cocok untuk mempelajari dinamika perubahan. Misalnya tk pengangguran,
perputaran pekerjaan dan mobilitas tenaga kerja, adalah paling tepat dipelajari
menggunakan data panel.
Data panel paling baik untuk mendeteksi dan mengukur dampak yang
secara sederhana tidak bisa dilihat pada data cross section murni atau
time series murni. Misal dampak dari aturan upah minimum pada
ketenagakerjaan dan pendapatan dapat dengan baik dipelajari jika kita
memasukkan secara berurutan data peningkatan upah minimum regional
dan atau upah minimum negara bagian
Data panel memudahkan untuk mempelajari model perilaku yang rumit.
Seperti fenomena perekonomian dan perubahan teknologi lebih tepat
dipelajari menggunakan data panel daripada data cross section murni atau
time series murni.
Dengan membuat data menjadi berjumlah beberapa ribu unit, data panel
dapat meminimumkan bias yang bisa terjadi jika kita mengagregasi
individu-individu atau perusahaan-perusahaan ke dalam agregasi besar.
 Regresi OLS Pooled atau Model Koefisien Konstan
Model ini memperlakukan semua individu seakan akan sama. Secara sederhana
model ini akan menggabungkan observasi waktu dan individu tanpa
memperhatikan perbedaan karakteristik antar individu. Kemudian melakukan
regresi OLS (Ordinary Least Square) seperti regresi pada umumnya. Modelnya
adalah sebagai berikut:
𝑌𝑖𝑡 = 𝛼 + 𝛽𝑋𝑖𝑡 + 𝑈𝑖𝑡 ; dimana
𝑌𝑖𝑡 =Variabel terikat individu ke i periode ke t
𝛼 = intersep gabungan
𝛽 = koefisien regresi atau slope
𝑋𝑖𝑡 = variabel penjelas individu ke i periode ke t
𝑈𝑖𝑡 = error individu ke i periode ke t
i = 1,2 ,.....
t = 1,2,.....
Dari persamaan 𝑌𝑖𝑡 = 𝛼 + 𝛽𝑋𝑖𝑡 + 𝑈𝑖𝑡 ; terlihat bahwa model ini tidak
membedakan karekteristik antar individu yang terlihat dari nilai
intersepnya yang sama untuk semua individu
Hal inilah yang menjadi masalah dalam model tersebut, karena
karakteristik individu yang dianggap sama akan menutupi keunikan atau
heterogenitas dari masing-masing individu (Keunikan atau heterogenitas
tersebut terdapat atau ditutupi oleh variabel gangguan/error)
Akibatnya, kemungkinan adanya korelasi antara error tersebut dengan
variabel penjelas dalam model cukup besar
Jika terjadi korelasi antara variabel gangguan dengan variabel penjelas
akan menyebabkan persamaan tersebut menjadi bias dan tidak konsisten.
Ingat asumsi klasik pada regresi tentang hal ini
Misalkan kita mempunyai variabel terikat (Y) adalah produksi total
perusahaan dengan dua variabel penjelas dalam model yaitu, jumlah
pekerja (X1) dan bahan baku (X2).
Jika kita menggunakan model ini, tentu kita akan menganggap bahwa
karakteristik antar perusahaan adalah sama.
Hal ini tentu tidak bisa kita terima, karena pada kenyataannya tiap
perusahaan tentu akan berbeda, seperti strategi produksi, tingkat
pendidikan pekerja, dan jenis perusahaan (swasta atau negeri).
Perbedaan karakteristik tersebut tentu akan berpengaruh terhadap
tingkat produksi dari masing-masing perusahaan.
Dengan demikian, jika kita ingin menggunakan model ini haruslah sangat
berhati-hati.
 Model Efek Tetap (MET) atau Fixed Effect Model (FEM)
Berbeda dengan model koefisien konstan model ini sudah bisa mengakomodasi
perbedaan karakteristik
antarindividu yang menjadi masalah pada model koefisien konstan (Pooled
Regression).
Perbedaan karekteristik tersebut diakomodir melalui intersepnya. Kita
misalkan variabel gangguan/error
awal merupakan error gabungan dari heterogenitas individu dan
heterogenitas yang lainnya yang tidak tercakup
dalam model.
Kita dapat menuliskan 𝑼𝒊𝒕 = 𝜸𝒊 + 𝜺𝒊𝒕 dimana 𝜸𝒊 mewakili heterogenitas individu
dan 𝜺𝒊𝒕 mewakili heterogenitas yang lain.
Model ini juga membiarkan adanya korelasi antara individu dengan
variabel penjelasnya.
Adapun modelnya 𝒀𝒊𝒕 = 𝜶 + 𝜸𝒊 + 𝜷𝑿𝒊𝒕 + 𝜺𝒊𝒕 dimana
𝒀𝒊𝒕 = variabel terikat individu ke i periode ke t;
𝜶 = intersep gabungan;
𝜷 = koefisien regressi/slope;
𝑿𝒊𝒕 = variabel penjelas individu ke i periode ke t;
𝜸𝒊 = intersep individu ke i;
𝜺𝒊𝒕 = error individu ke i periode ke t
Estimasi model ini dilakukan dengan Ordinary Least Square.
Model ini dikenal sebagai model efek tetap atau fixed effect karena
tiap-tiap individu dalam model memiliki intersep yang tidak berubah
sepanjang waktu meskipun intersep antarindividu berbeda.
Akan tetapi, model ini memiliki beberapa peringatan dalam
menggunakannnya seperti dalam model sebelumnya
 Model Efek Acak (MET) atau Random Effect Model (REM)

Model ini berbeda dengan fixed effect model meskipun kedua-duanya mampu
mengatasi masalah adanya heterogenitas antarindividu. Akan tetapi random
effect model mengatasi masalah heterogenitas individu pada variabel
gangguannya.
Ini untuk menjawab permasalah yang ada pada fixed effect model jika
terdapat individu yang banyak akan membutuhkan variabel dummy yang lebih
banyak sehingga dapat mengurangi efisiensi model.
Modelnya adalah 𝒀𝒊𝒕 = 𝜶 + 𝜷𝑿𝒊𝒕 + (𝜺𝒊𝒕 +𝜸𝒊 ) dimana
𝑌𝑖𝑡 = variabel terikat individu ke i periode ke t;
𝛼 = intersep gebungan;
𝛽 = koefisien regressi/slope;
𝑋𝑖𝑡 = variabel penjelas individu ke i periode ke t;
𝛾𝑖 = error individu ke i;
𝜀𝑖𝑡 = error individu ke i periode ke t (indiosyncratic term)
Metode estimasi yang digunakan dalam model ini adalah generalized least
square (GLS).
Asumsi terpenting pada random effect model adalah tidak terdapat
korelasi atau hubungan antar error individu dengan variabel penjelas
dalam model.
Inilah yang membedakan random effect model dengan fixed effect
model.