Dimana:
α = Konstanta
β = Vektor berukuran P x 1 merupakan parameter hasil estimasi
Xit = Observasi ke-it dari P variabel bebas
αi = efek individu yang berbeda-beda untuk setiap individu ke-i
Eit = error regresi seperti halnya pada model regresi klasik.
Model Data Panel
Two Way Model adalah model yang mempertimbangkan
efek dari waktu atau memasukkan variabel waktu. Berikut
Persamaannya:
6.5
5.5
5
0 5 10 15 20 25 30 35 40
Contoh regresi data panel – fixed effect
• Jika data diplot untuk setiap
perusahaan maka akan terlihat 8
berbeda
5.5
5
0 5 10 15 20 25 30 35 40
Hasil regresi
dengan Fixed Estimate Std. Error t value Pr(>|t|)
effect X 0.099915 0.005263 18.98<2e-16***
Koefisien regresi
Perusahaan1 5.365268 0.051571 104.04<2e-16***
fixed effect
Perusahaan2 3.201247 0.178413 17.94<2e-16***
Perusahaan3 5.611434 0.062499 89.78<2e-16***
Perusahaan4 2.989852 0.183541 16.29<2e-16***
Perusahaan5 5.605458 0.079650 70.38<2e-16***
Perusahaan6 4.195386 0.157990 26.55<2e-16***
Perusahaan7 4.512411 0.103141 43.75<2e-16***
Konstanta untuk
masing-masing Perusahaan8 3.994000 0.142792 27.97<2e-16***
perusahaan Perusahaan9 6.297705 0.051571 122.12<2e-16***
Perusahaan10 5.912651 0.051571 114.65<2e-16***
Perusahaan11 4.231716 0.147844 28.62<2e-16***
Perusahaan12 4.368264 0.132738 32.91<2e-16***
Perusahaan13 4.267610 0.157990 27.01<2e-16***
Perusahaan14 5.188914 0.103141 50.31<2e-16***
Perusahaan15 4.977247 0.075176 66.21<2e-16***
Contoh regresi data panel – fixed effect
8
Untuk regresi linier biasa, persamaan regresinya adalah:
y = 6.3570963 + 0.014959 * x
perusahaan
Perusahaani: besaran b0 untuk perusahaan ke i + 0.099915xit 6.5
11
12
contoh: untuk perusahaan 1 tahun ke 1, maka besaran Ŷ fixed: 3 8
10 2 4
5.365268 + 0.099915*3 = 5.665013, dst
6
Dapat dilihat bahwa hasil dalam menggunakan fixed effect adalah 7
15
lebih mendekati nilai aktual dari Y (upah) error menggunakan
1
data panel < error regresi linier biasa
5.5
Y = a + bX
Metode estimasi paling umum dari model linier adalah Ordinary Least
Squares (OLS)
Jika model yang ada memenuhi asumsi OLS untuk regresi linier, hasil
regresi akan memberikan estimasi terbaik
Pengujian asumsi klasik regresi linier
Terjadi jika dalam suatu model regresi dengan dua atau lebih variabel
independen dimana variabel-variabel independen saling memiliki
korelasi yang tinggi satu sama lain
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝜀𝑖
𝑋1𝑖 = 𝛼0 + 𝛼1 𝑋2𝑖
Penyebab terjadinya multikolinearitas
1
𝑉𝐼𝐹𝑖 = 𝑅𝑖2 didapat dari mengkorelasikan salah satu variabel
1 − 𝑅𝑖2 independen dengan variabel independen lainnya,
kemudian hasilnya dikuadratkan (menghasilkan
• 𝑉𝐼𝐹𝑖 : VIF untuk variabel koefisien determinasi)
ke i (i – 1 s/d n)
• 𝑅𝑖2 : koefisien determinasi
untuk variabel ke i
VIF dan pengukuran multikolinearitas
• Mengacu pada seberapa tinggi korelasi antara nilai-nilai dari variabel yang sama
pada berbagai observasi dalam data
• Didiskusikan pada data runtun waktu dimana observasi untuk variabel yang sama
terjadi pada titik waktu yang berbeda
• Mengukur korelasi antara nilai suatu variabel di saat ini dengan nilai variabel
tersebut diperiode sebelumnya
Penyebab terjadinya autokorelasi
Regression Statistics
Multiple R 0.3597
R Square 0.1294
Adjusted R Square 0.0977
Standard Error 0.0719
Observations 58.0000
ANOVA
df SS MS F Significance F
Regression 2.0000 0.0423 0.0211 4.0874 0.0221
Residual 55.0000 0.2846 0.0052
Total 57.0000 0.3269
Persamaan Regresi
Fhitung = 4,0874, Ftabel = 3,1650 Hasil uji signifikan karena Fhitung > Ftabel
Significance F = 0,0221 Hasil uji signifikan karena Significance F < 0,05
(Hasil uji menggunakan perbandingan Fhitung dan Ftabel akan sama dengan
hasil uji menggunakan Significance F)
3,1650 4,0874
Uji Simultan (Uji F)
Kesimpulan:
Model yang digunakan signifikan: Perubahan yang terjadi pada variabel Y
tidak terjadi secara kebetulan saja, variabel-variabel X yang ada dapat
menjelaskan perubahan yang terjadi pada variabel Y adanya berbagai
variabel X memberikan penjelasan yang lebih baik mengenai perubahan
pada variabel Y dibandingkan dengan tanpa adanya variabel X
Uji koefisien regresi individual (Uji t)
Hipotesis:
• H0: bi = 0 Xi tidak memiliki pengaruh yang signifikan terhadap Y
• H1: bi ≠ 0 Xi memiliki pengaruh yang signifikan terhadap Y
• Uji t digunakan untuk memeriksa signifikansi dari koefisien regresi individual dalam
model regresi linier
• Mengapa melakukan uji t: untuk mengetahui apakah variabel X yang digunakan
menyebabkan model regresi menjadi lebih efektif: Menambahkan variabel yang
signifikan kedalam suatu model regresi akan menyebabkan model menjadi lebih
efektif, sementara menambahkan variabel yang tidak penting akan menyebabkan
model menjadi lebih buruk
𝑋𝑖 − 𝜇
𝑡𝑖 =
𝑆𝑒𝑖
𝑋1 − 𝜇1 0.6385 − 0
𝑡1 = = = 2.5576
𝑆𝑒1 0.2497
𝑋2 − 𝜇2 −0.2038 − 0
𝑡2 = = = −1.6066
𝑆𝑒2 0.1268
Uji Parsial (Uji t)
• t StatX1 = 2,5576, ttabel = ±2,0040 Hasil uji signifikan karena tStatX1 > ttabel
P-valueX1 = 0,0133 Hasil uji signifikan karena P-valueX1 < 0,05
Kesimpulan: X1 memiliki pengaruh signifikan terhadap Y
• t StatX2 = -1,6066, ttabel = ±2,0040 Hasil uji tidak signifikan karena -tStatX1 > -ttabel
P-valueX2 = 0,1139 Hasil uji tidak signifikan karena P-valueX2 < 0,05
Kesimpulan: X2 tidak memiliki pengaruh signifikan terhadap Y
• Besaran R2 antara 0 – 1
• Semakin besar (kecil) R2 berarti semakin besar (kecil) varians yang
dapat dijelaskan oleh model
• Jika R2 = 0 maka tidak ada varians yang dijelaskan oleh model
• Jika R2 = 1 maka seluruh varians yang ada (varians total) dapat
dijelaskan oleh model
Menghitung R2
2
𝑣𝑎𝑟𝑖𝑎𝑛𝑠 𝑦𝑎𝑛𝑔 𝑑𝑖𝑗𝑒𝑙𝑎𝑠𝑘𝑎𝑛 𝑜𝑙𝑒ℎ 𝑚𝑜𝑑𝑒𝑙
𝑅 =
𝑣𝑎𝑟𝑖𝑎𝑛𝑠 𝑡𝑜𝑡𝑎𝑙
2
𝑆𝑆𝑅𝑒𝑔𝑟𝑒𝑠𝑠𝑖𝑜𝑛
𝑅 =
𝑆𝑆𝑇𝑜𝑡𝑎𝑙
2
0,0423
𝑅 = = 0,1294
0,3269
Uji keeratan hubungan (koefisien korelasi) dan kemampuan model
regresi menjelaskan hasil regresi (koefisien determinasi + koefisien
determinasi disesuaikan (adjusted R-square))