DATA PANEL

Ekonometrika| D4 Sains Data Terapan

Politeknik Elektronika Negeri Surabaya
Panel Data Regression Model
 Panel Data/ Pooled Data/ Longitudinal Data/ Micropanel
Data
 Mempunyai dua dimensi: individu (mis: perusahaan,
propinsi, negara) dan waktu
 Penggabungan data cross section dan time series
 Setiap unit data cross section diulang dalam beberapa
periode waktu
Kelebihan Penggunaan Data Panel
 Keheterogenan antar individu dapat secara eksplisit
diakomodasi
 Penggabungan antara cross section dan time series
membuat data panel menjadi
 Lebih informatif
 Lebih bervariasi
 Mengurangi kolinieritas
 Memperbanyak derajat bebas
 Lebih efisien
 Pengulangan waktu pada unit cross section yang sama
mengakomodasi perubahan dinamis setiap unit cross
section
Model Linier Data Panel
 Untuk satu peubah bebas (yang dapat dibuat umum untuk lebih
dari satu peubah bebas)

Yit = ai + X it +  it

 ai adalah variabel tak terobservasi yang spesifik bagi setiap

individu
 Diasumsikan bernilai konstan sepanjang waktu untuk setiap
individu
Beberapa model yang dapat diasumsikan
 Pooled Model / Common Effects Model
 Random Effects Model
 Fixed Effects Model
Pooled Model / Common Effects Model

Yit = a + X it +  it

 Model paling sederhana

 Diasumsikan bahwa tidak ada keheterogenan antar individu
yang tidak terobservasi
 Semua keheterogenan sudah ditangkap oleh peubah eksogen
 Model menggunakan asumsi yang sama seperti yang digunakan
pada data cross section
Pooled OLS Estimator (POLS)
 Dengan asumsi Pooled Model maka penduga parameter
model dapat dilakukan dengan menggunakan POLS
Model Fixed Effects dan Random Effects

Yit = ai + X it +  it

 Diasumsikan bahwa terdapat keheterogenan antar individu

yang tidak terobservasi: ai
 ai tidak tergantung waktu (time invariant)
 Model fixed effects (FE): diasumsikan bahwa masih terdapat
hubungan antara ai dan peubah eksogen
 Model random effects (RE): diasumsikan bahwa ai dan peubah
eksogen saling bebas
Beberapa alternatif penduga untuk asumsi
FE
 Least Square Dummy Variable (LSDV) Estimator
 Within Estimator
 Between Estimator
Least Squares Dummy Variable Estimator
(LSDV)
 Pendugaan parameter jika diasumsikan Model FE.
 ai diduga bersama-sama dengan β
 Menggunakan N peubah dummy untuk setiap unit cross section

N
Yit = 1 +   k Dki + X it +  it
k =2

 Penduga OLS diterapkan pada model di atas

 Kelemahan: Jika unit cross section terlalu besar → kehilangan
terlalu banyak derajat bebas.
Within Estimator
 Dilakukan transformasi terhadap data untuk menghilangkan
efek heterogenitas yang tidak terobservasi
 Model awal:
Yit = ai + X it +  it
 Hitung rata-rata dari seluruh waktu pengamatan bagi setiap
unit cross section:
Yi . = ai + X i . +  i .

 Transformasi: Yit − Yi . =  (X it − X i . ) + ( it −  i . )

 Penduga OLS diperoleh berdasarkan data hasil transformasi di

atas
Within Estimator
 Mengukur keragaman data hanya berdasarkan waktu
 Tidak memuat peubah yang tidak tergantung waktu (time
invariant)

Efisien dan konsisten dalam menduga model FE jika:

 Semua variabel penjelas yang mungkin dipakai di dalam
model.
 Tidak ada korelasi antar peubah X dan galat
 Ragam galat homogen dan tidak berkorelasi serial.
Between Estimator
 Hanya menunjukkan keragaman dari unit cross section
 Digunakan rata-rata seluruh waktu pada setiap unit cross
section
 Model panel tereduksi menjadi:
Yi. = ai + X i. +  i.

 Penduga OLS diterapkan pada model tereduksi tersebut

 Sayangnya penduga ini kurang konsisten jika dipakai untuk
menduga model dengan asumsi FE.
Penduga untuk model dengan asumsi RE
 Between Estimator:
 Tidak efisien jika dipakai untuk menduga model dengan asumsi
RE.
 Random effects estimator
Random Effects Estimator (Penduga RE)
 Penduga ini mengasumsikan bahwa efek individu bersifat
random bagi seluruh unit cross section

Yit = ai + X it +  it
vit = ai +  it ai ~ N (0,  a2 ),  it ~ N (0,  2 )
Yit = X it + vit
 Penduga RE mengakomodasi struktur error tersebut
 Penduga RE diperoleh berdasarkan metode pooled GLS
Random Effects Estimator (Penduga RE)

Yit − Yi =  (X it − X i ) + vit − vi

ˆ ˆ
 = 1−
ˆ2 + Tˆ a2
  = MSE within Estimator ˆ a2 = MSE between Estimator
ˆ 2

 Penduga RE mengukur keragaman berdasarkan waktu dan cross

section
 Penduga RE rata-rata terboboti antara penduga FE (Fixed
Effects Estimator) dan BE (Between Estimator)
Prosedur untuk Pendugaan pada Model
Data Panel

 Untuk memilih model terbaik dilakukan beberapa tahapan

pengujian:
 Uji Chow digunakan untuk melihat model terbaik antara
CEM dan FEM.
 Uji Hausman untuk melihat model terbaik antara FEM dan
REM.
 Uji Breusch Pagan-Lagrange Multiplier (BPLM) untuk melihat
model terbaik antara REM dan CEM.
Prosedur untuk Pendugaan pada Model
Data Panel

 Setelah melakukan pemilihan model, dilanjutkan dengan

pengujian struktur matriks varians-kovarians residual
menggunakan Uji Lagrange Multiplier (LM) untuk mengetahui
apakah residual bersifat homoskedastis dan heteroskedastis.
 Apabila residual bersifat heteroskedastis maka dilakukan Uji
Lambda Lagrange Multiplier yang digunakan untuk melihat
apakah ada cross-sectional correlation antar residu atau tidak.
 Selanjutnya dilakukan uji kelayakan model yaitu dengan melihat
koefisien determinasi, pengujian simultan dan pengujian secara
parsial. Nilai koefisien determinasi berkisar antara 0 sampai
dengan 1. Semakin mendekati nilai 1 berarti persamaan regresi
yang dihasilkan semakin tepat/baik.
Prosedur untuk Pendugaan pada Model
Data Panel
 Duga model FE dan RE
 Lakukan uji Hausman
 Menguji apakah terdapat perbedaan nyata antara penduga
model FE dan penduga model RE
 Hipotesis nol: kedua penduga tidak ada perbedaan
 Jika H0 ditolak maka penduga FE lebih sesuai
 Jika H0 diterima maka lanjutkan dengan uji Breusch Pagan

H 0 :  a2 = 0
 H 0 :  a2 = 0

Jika H0 ditolak maka:

 Komponen galat individu nyata,
 Penduga RE lebih sesuai
Jika H0 diterima maka penduga POLS (Pooled OLS) lebih sesuai
Garis besar penetapan asumsi FE atau RE
 Jika T (waktu pengamatan) cukup besar dan N (jumlah
unit cross section) kecil → kemungkinan besar tidak
banyak perbedaan antara penduga FE dan RE.
 Alasan kemudahan: gunakan penduga FE (LSDV)
 Ketika N besar dan T kecil dan unit pengamatan bukan
berupa sampel dari populasi yang lebih besar, FE model
lebih tepat
 Gunakan penduga FE (LSDV)
 Ketika N besar dan T kecil dan unit pengamatan berupa
sampel acak dari populasi yang lebih besar, RE model lebih
tepat
 Gunakan penduga RE (Random Effect Estimator)
 Jika komponen dari error berkorelasi dengan salah satu
peubah eksogen: gunakan FE model
 Penduga FE
Contoh Aplikasi
 Penelitian tentang jumlah investasi (I) berdasarkan nilai
asset perusahaan (Finv) dan modal perusahaan (Cinv)
 Penelitian berdasarkan pada data tahunan investasi 4
perusahaan (unit cross section) mulai dari tahun 1935 –
1954 (time series, 20 tahun)
 Secara a priori diharapkan bahwa investasi berkorelasi
positif terhadap nilai asset dan modal
Pemilihan asumsi RE atau FE
 Dari N (kecil) dan T(besar), semestinya penduga RE dan FE
tidak akan berbeda nyata
Akan tetapi jika diasumsikan bahwa:
 perbedaan setiap perusahaan bersifat random dan
 efek tak terobservasi setiap perusahaan tidak berhubungan
dengan peubah penjelas
 Penduga RE lebih sesuai
Jika hanya 4 perusahaan tsb yang mungkin ada maka
 Penduga FE lebih sesuai
Jika 4 perusahaan adalah sampel acak dari populasi perusahaan-
perusahaan
 Penduga RE lebih sesuai
Output hasil pendugaan, asumsi RE
 Dependent variable: I

 coefficient std. error t-ratio p-value

 ---------------------------------------------------------
 const -74.8236 84.5994 -0.8844 0.3792
 Finv 0.107965 0.0165715 6.515 6.78e-09 ***
 Cinv 0.347411 0.0262238 13.25 1.50e-021 ***

 Mean dependent var 290.9116 S.D. dependent var 284.8557

 Sum squared resid 1576262 S.E. of regression 142.1565
 Log-likelihood -509.0567 Akaike criterion 1024.113
 Schwarz criterion 1031.259 Hannan-Quinn 1026.978
 Prosedur Lanjutan
'Within' variance = 5593.42 ˆ 
2

 'Between' variance = 23981.7 ˆ 2
a
 theta used for quasi-demeaning = 0.89201
ˆ ˆ
 = 1− = 0.89201
ˆ + Tˆ a
2 2

 Hausman test -
 Null hypothesis: GLS estimates are consistent
 Asymptotic test statistic: Chi-square(2) = 1.51948
 with p-value = 0.467788 Terima H : tidak ada beda
0
penduga FE dan RE
 Breusch-Pagan test -
 Null hypothesis: Variance of the unit-specific
error = 0
 Asymptotic test statistic: Chi-square(1) = 382.288
 with p-value = 3.95186e-085
Tolak H0: RE lebih sesuai