EKONOMETRIKA LANJUTAN

EKI 321 (B6)

POOLING CROSS SECTION ACROSS TIME: SIMPLE PANEL DATA METHOD

Dosen Pengampu:
Ni Ketut Budiningsih, S.E., M.Sc.

Disusun oleh:
Kelompok 1

Kordilia Oktaviani Logis 2107511004

Debri Adriana Ndun 2107511023
Nanda Monika Merpaung 2107511024
Hiras Martua 2107511044

PROGRAM STUDI SARJANA EKONOMI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS UDAYANA
2023
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa, karena atas rahmat-Nya,
tugas paper pembahasan contoh kasus Pooling Cross Sections across Time: Simple Panel Data
Methods (Menggabungkan Bagian Lintas Waktu: Metode Data Panel Sederhana) dapat selesai
dengan tepat waktu. Adapun tujuan dari penulisan paper ini adalah untuk memenuhi penugasan
mata kuliah Ekonometrika Lanjutan.
Kami mengucapkan terima kasih kepada Ibu Ni Ketut Budiningsih, S.E., M.Sc. selaku
dosen pengampu mata kuliah Ekonometrika Lanjutan yang telah memberikan kepercayaan
kepada kami untuk menyelesaikan paper ini. Harapannya beberapa contoh kasus yang yang
tersaji dalam paper ini dapat menambah serta memperluas wawasan para pembaca mengenai
Pooling Cross Sections across Time: Simple Panel Data Methods.
Kami menyadari bahwa dalam penyusunan paper ini masih terdapat kekurangan baik dari
segi isi maupun penulisan. Oleh karena itu, kami mengharapkan kritik dan saran yang
membangun guna menyempurnakan paper ini. Akhir kata, semoga paper ini dapat bermanfaat
bagi perkembangan dunia pendidikan.

Jimbaran, 04 Maret 2023

Kelompok 1

2
 DAFTAR ISI

KATA PENGANTAR.............................................................................................................. 2
DAFTAR ISI............................................................................................................................. 3
BAB I
PENDAHULUAN .................................................................................................................... 4
1.1 Latar Belakang .......................................................................................................... 4
1.2 Rumusan Masalah ..................................................................................................... 4
1.3 Tujuan Penulisan ...................................................................................................... 5
BAB II
PEMBAHASAN ....................................................................................................................... 6
2.1 Pooling Independent Cross Sections across Time (Menggabungkan Penampang
Independen Lintas Waktu).................................................................................................. 6
Contoh kasus: Changes in the Return to Education and the Gender Wage Gap
(Perubahan Kembalinya Pendidikan dan Kesenjangan Upah Gender) ......................... 6
2.2 Policy Analysis with Pooled Cross Sections (Analisis Kebijakan dengan Pooled
Cross Sections) ...................................................................................................................... 9
Contoh kasus: Effect of Worker Compensation Laws on Weeks out of Work
(Pengaruh Hukum Kompensasi Pekerja pada Minggu Tidak Bekerja) ......................... 9
2.3 Two-Period Panel Data Analysis (Analisis Data Panel Dua Periode) ..................... 10
Contoh kasus: Tidur versus Bekerja ................................................................................ 10
2.4 Differencing with More Than Two Time Periods (Membedakan dengan Lebih
dari Dua Periode) ............................................................................................................... 12
Contoh kasus: Effect of Enterprise Zones on Unemployment Claims (Pengaruh Zona
Perusahaan terhadap Klaim Pengangguran) .................................................................. 12
BAB III
PENUTUP............................................................................................................................... 14
3.1 Kesimpulan ................................................................................................................... 14
DAFTAR PUSTAKA ............................................................................................................. 15

3
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Data cross section yang dikumpulkan secara independen diperoleh dengan mengambil
sampel secara acak dari populasi besar pada titik waktu yang berbeda (biasanya, tetapi tidak
harus, tahun yang berbeda). Misalnya, setiap tahun, kita dapat mengambil sampel acak tentang
upah per jam, pendidikan, pengalaman, dan sebagainya, dari populasi orang yang bekerja di
Amerika Serikat. Atau, setiap dua tahun sekali, kami mengambil sampel acak tentang harga
jual, luas persegi, jumlah kamar mandi, dan sebagainya, dari rumah yang dijual di wilayah
metropolitan tertentu. Dari sudut pandang statistik, kumpulan data ini memiliki fitur penting:
mereka terdiri dari pengamatan sampel independen. Ini juga merupakan aspek kunci dalam
analisis data cross sectional kami: antara lain, mengesampingkan korelasi dalam istilah
kesalahan di berbagai pengamatan.
Data cross section yang dikumpulkan secara independen berbeda dari sampel acak
tunggal dalam pengambilan sampel dari populasi pada titik waktu yang berbeda kemungkinan
mengarah pada pengamatan yang tidak terdistribusi secara identik. Misalnya, distribusi upah
dan pendidikan telah berubah dari waktu ke waktu di sebagian besar negara. Seperti yang akan
kita lihat, ini mudah ditangani dalam praktiknya dengan membiarkan intersep dalam model
regresi berganda, dan dalam beberapa kasus kemiringan, berubah dari waktu ke waktu. Dipaper
ini akan disajikan beberapa contoh kasus yang diharapkan dapat memudahkan pemahaman
mengenai Pooling Cross Sections across Time: Simple Panel Data Methods (Menggabungkan
Bagian Lintas Waktu: Metode Data Panel Sederhana)

1.2 Rumusan Masalah

1. Bagaimana perubahan kembalinya pendidikan dan kesenjangan upah gender?

2. Bagaimana pengaruh hukum kompensasi pekerja pada minggu tidak bekerja?
3. Bagaimana pengaruh undang-undang mengemudi dalam keadaan mabuk terhadap
kematian lalu lintas?
4. Bagaumana pengaruh zona perusahaan terhadap klaim pengangguran?

4
1.3 Tujuan Penulisan

1. Untuk mengetahui serta memahami perubahan kembalinya pendidikan dan

kesenjangan upah gender
2. Untuk mengetahui serta memahami pengaruh hukum kompensasi pekerja pada
minggu tidak bekerja
3. Untuk mengetahui serta memahami pengaruh undang-undang mengemudi dalam
keadaan mabuk terhadap kematian lalu lintas
4. Untuk mengetahui serta memahami pengaruh zona perusahaan terhadap klaim
pengangguran

5
 BAB II

PEMBAHASAN

2.1 Pooling Independent Cross Sections across Time (Menggabungkan Penampang

Independen Lintas Waktu)

Contoh kasus: Changes in the Return to Education and the Gender Wage Gap
(Perubahan Kembalinya Pendidikan dan Kesenjangan Upah Gender)

Persamaan (di mana upah adalah upah per jam) dikumpulkan sepanjang tahun 1978
(dasar tahun) dan 1985 adalah:

log(𝑤𝑎𝑔𝑒) = 𝛽₀ + 𝛿₀𝑦85 + 𝛽₁𝑒𝑑𝑢𝑐 + 𝛿₁𝑦85 + 𝛽₂𝑒𝑥𝑝𝑒𝑟 + 𝛽₃𝑒𝑥𝑝𝑒𝑟2 + 𝛽₄ 𝑢𝑛𝑖𝑜𝑛

+ 𝛽₅𝑓𝑒𝑚𝑎𝑙𝑒 + 𝛿₅𝑦85. 𝑓𝑒𝑚𝑎𝑙𝑒 + 𝑢

Di mana sebagian besar variabel penjelas seharusnya sudah familiar. Serikat variabel
adalah variabel dummy yang sama dengan satu jika orang tersebut termasuk dalam serikat
pekerja, dan nol jika tidak. Variabel y85 adalah variabel dummy sama dengan satu jika
pengamatan berasal dari tahun 1985 dan nol jika berasal dari tahun 1978. Ada 550 orang dalam
sampel pada tahun 1978 dan kelompok yang berbeda 534 orang pada tahun 1985.

Intersep untuk 1978 adalah 𝛽₀dan intersep untuk 1985 adalah 𝛽₀ + 𝛿₀ Kembali ke
pendidikan pada 1978 adalah 𝛽₁ dan kembali ke pendidikan di 1985 𝛽₁ + 𝛿₁ .Oleh karena itu,
𝛿₁ mengukur bagaimana kembalinya ke tahun pendidikan lain telah berubah selama periode
tujuh tahun. Akhirnya, pada tahun 1978, log(upah) diferensial antara perempuan dan laki-laki
𝛽₅; diferensial epsilon pada tahun 1985 adalah 𝛽₅ + 𝛿₅. Dengan demikian, kita dapat menguji
hipotesis nol bahwa tidak ada yang terjadi pada perbedaan gender selama periode tujuh tahun
ini dengan menguji H₀: 𝛿₅ = 0 Alternatif bahwa perbedaan gender telah dikurangi adalah
H₁; 𝛿₅ > 0 . Untuk penyederhanaan, kami berasumsi bahwa pengalaman dan keanggotaan
serikat memiliki efek yang sama pada upah di kedua periode waktu.

6
 Sebelum kami menyajikan perkiraan, ada satu masalah lain yang perlu kami tangani
yaitu, upah per jam di sini adalah dalam nominal (atau saat ini) dolar. Karena upah nominal
tumbuh hanya karena inflasi, kita benar-benar tertarik pada pengaruh setiap variabel penjelas
terhadap upah riil. Misalkan kita memutuskan untuk mengukur upah dalam dolar 1978. Hal ini
membutuhkan penurunan upah tahun 1985 menjadi dolar 1978. (Menggunakan Indeks Harga
Konsumen untuk Laporan Ekonomi Presiden 1997, faktor deflasi adalah 6/65,2 = 1,65.)
Meskipun kita dapat dengan mudah membagi setiap upah tahun 1985 dengan 1,65, ternyata ini
tidak perlu, asalkan tahun 1985 dummy termasuk dalam regresi dan log(upah) (sebagai lawan
dari upah) digunakan sebagai variabel dependen.
Menggunakan upah riil atau nominal dalam bentuk fungsi logaritma hanya
mempengaruhi koefisien pada dummy tahun, y85. Untuk melihat ini, biarkan P85
menunjukkan faktor deflasi untuk tahun 1985: upah (1,65, jika kita menggunakan CPI).
Kemudian, log upah riil untuk setiap orang i dalam sampel tahun 1985 adalah

log (𝑤𝑎𝑔𝑒𝑖/𝑃85) − log (𝑃85)

Sekarang, sementara upah, berbeda antar orang, P85 tidak. Oleh karena itu, log(P85)
akan diserap ke dalam intersep untuk tahun 1985. (Kesimpulan ini akan berubah jika, misalnya,
kami menggunakan indeks harga ent yang berbeda untuk orang yang tinggal di bagian negara
yang berbeda.) Intinya adalah, untuk mempelajari bagaimana kembalinya ke pendidikan atau
kesenjangan gender telah berubah, kita tidak perlu mengubah upah nominal menjadi upah riil
dalam persamaan (13.1). Latihan Komputer C13.2 meminta Anda untuk memverifikasi ini
untuk contoh saat ini.
Jika kita lupa untuk mengizinkan penyadapan yang berbeda pada tahun 1978 dan 1985,
penggunaan upah nominal dapat menghasilkan hasil yang sangat menyesatkan. Jika kita
menggunakan upah daripada log(upah) sebagai variabel dependen, penting untuk
menggunakan upah riil dan memasukkan dummy tahun. Diskusi sebelumnya umumnya
berlaku ketika menggunakan nilai dolar baik untuk variabel dependen atau independen.
Asalkan jumlah dolar muncul dalam bentuk logaritma dan variabel dummy digunakan untuk
semua periode waktu (kecuali, tentu saja, periode dasar), penggunaan deflator harga gerbang
agregat hanya akan mempengaruhi penyadapan; tak satupun dari perkiraan kemiringan akan
berubah.

7
 Sekarang, digunakan data di CPS78_85.RAW untuk memperkirakan persamaan:

Kembalinya pendidikan pada tahun 1978 diperkirakan sekitar 7,5%; kembalinya

pendidikan pada tahun 1985 sekitar 1,85 poin persentase lebih tinggi, atau sekitar 9,35%.
Karena statistik t pada suku interaksi adalah .0185/.0094 = 1,97, perbedaan hasil pendidikan
secara statistik signifikan pada tingkat 5% terhadap alternatif dua sisi.
Bagaimana dengan kesenjangan gender? Pada tahun 1978, hal lain dianggap sama, seorang
wanita berpenghasilan sekitar 31,7% lebih sedikit daripada pria (27,2% adalah perkiraan yang
lebih akurat). Pada tahun 1985, kesenjangan dalam log(upah) adalah -.317+.085=-232. Oleh
karena itu, kesenjangan gender tampaknya telah menurun dari tahun 1978 hingga 1985 sekitar
8,5 poin persentase. Statistik pada istilah interaksi adalah sekitar 1,67, yang berarti signifikan
pada tingkat 5% terhadap alternatif satu sisi positif.

Apa yang terjadi jika kita berinteraksi semua variabel independen dengan y85 dalam
persamaan (13.2)? Ini identik dengan menaksir dua persamaan terpisah, satu untuk 1978 dan
satu lagi untuk 1985. Terkadang, ini diinginkan. Misalnya, dalam Bab 7, kami membahas studi
Krueger (1993) di mana dia memperkirakan kembalinya penggunaan komputer di tempat kerja.
Krueger memperkirakan dua persamaan terpisah, satu menggunakan CPS 1984 dan yang
lainnya menggunakan CPS 1989.
Dengan membandingkan bagaimana pengembalian pendidikan berubah sepanjang waktu dan
apakah penggunaan komputer dikendalikan atau tidak, ia memperkirakan bahwa sepertiga
hingga setengah dari peningkatan yang diamati dalam pengembalian pendidikan selama
periode lima tahun dapat dikaitkan dengan peningkatan penggunaan komputer. (Lihat Tabel
VIII dan IX di Krueger [1993].)

8
2.2 Policy Analysis with Pooled Cross Sections (Analisis Kebijakan dengan Pooled
Cross Sections)

Contoh kasus: Effect of Worker Compensation Laws on Weeks out of Work (Pengaruh
Hukum Kompensasi Pekerja pada Minggu Tidak Bekerja)

Meyer, Viscusi, dan Durbin (1995) (selanjutnya, MVD) mempelajari lamanya waktu
(dalam minggu) pekerja yang terluka menerima kompensasi pekerja. Pada tanggal 15 Juli 1980,
Kentucky menaikkan batas penghasilan mingguan yang ditanggung oleh kompensasi pekerja.
Kenaikan topi tidak berpengaruh pada manfaat bagi pekerja berpenghasilan rendah, tetapi
membuat lebih murah bagi pekerja berpenghasilan tinggi untuk tetap pada kompensasi pekerja.
Oleh karena itu, kelompok kontrol adalah pekerja berpenghasilan rendah, dan kelompok
perlakuan adalah pekerja berpenghasilan tinggi; pekerja berpenghasilan tinggi didefinisikan
sebagai mereka yang tunduk pada batas perubahan pra-kebijakan.

Dengan menggunakan sampel acak sebelum dan sesudah perubahan kebijakan, MVD
dapat menguji apakah kompensasi pekerja yang lebih murah hati menyebabkan orang tidak
bekerja lebih lama (segalanya diperbaiki). Mereka mulai dengan analisis perbedaan-dalam-
perbedaan, menggunakan log(durat) sebagai variabel dependen. Biarkan afchnge menjadi
variabel dummy untuk observasi setelah perubahan kebijakan dan dapatkan variabel dummy
untuk yang berpenghasilan tinggi. Menggunakan data di INJURY, persamaan yang
diperkirakan, dengan kesalahan standar dalam tanda kurung, adalah

Oleh karena itu, 𝛿1 = .191 (t = 2,77), yang menyiratkan bahwa rata-rata lama waktu
pekerja untuk berpenghasilan tinggi meningkat sekitar 19% karena peningkatan batas

9
pendapatan. Koefisien pada afchnge kecil dan tidak signifikan secara statistik: seperti yang
diharapkan, peningkatan batas pendapatan tidak berpengaruh pada durasi untuk pekerja
berpenghasilan rendah.

Ini adalah contoh yang baik tentang bagaimana kita bisa mendapatkan perkiraan yang
cukup tepat tentang pengaruh perubahan kebijakan, meskipun kita tidak dapat menjelaskan
banyak variasi dalam variabel dependen Variabel dummy di (13,12) hanya menjelaskan 2,1%
dari variasi dalam log (durat).

Ini masuk akal: jelas ada banyak faktor, termasuk keparahan cedera, yang mempengaruhi
berapa lama seseorang menerima kompensasi pekerja. Untungnya, kami memiliki ukuran
sampel yang sangat besar, dan ini memungkinkan kami untuk mendapatkan statistik t yang
signifikan. MVD juga menambahkan berbagai kontrol untuk jenis kelamin, status perkawinan,
usia, industri, dan jenis cedera.
Hal ini memungkinkan fakta bahwa jenis orang dan jenis cedera mungkin berbeda secara
sistematis dalam dua tahun. Mengontrol faktor-faktor ini ternyata tidak banyak berpengaruh
pada estimasi 𝛿1, (Lihat Latihan Komputer (C.4.)

2.3 Two-Period Panel Data Analysis (Analisis Data Panel Dua Periode)

Contoh kasus: Tidur versus Bekerja

Kami menggunakan dua tahun data panel di SLP75_81, dari Biddle dan Hamermesh
(1990), untuk memperkirakan tradeoff antara tidur dan bekerja. Dalam Soal 3.3, hanya
menggunakan penampang 1975. Kumpulan data panel untuk tahun 1975 dan 1981 memiliki
239 orang, yang jauh lebih kecil dari penampang tahun 1975 yang mencakup lebih dari 700
orang. Model efek yang tidak teramati untuk total menit tidur permenit adalah

Efek tak teramati, ai akan disebut efek individu tak teramati atau efek tetap individu.
Hal ini berpotensi penting untuk memungkinkan, untuk dikorelasikan dengan 𝑓𝑜𝑡𝑤𝑟𝑘𝑖𝑡 , faktor

10
yang sama (beberapa biologis) yang menyebabkan orang tidur lebih atau kurang (ditangkap
dalam 𝑎𝑖 ,) kemungkinan berkorelasi dengan jumlah waktu yang dihabiskan untuk bekerja.

Beberapa orang hanya memiliki lebih banyak energi, dan ini menyebabkan mereka
kurang tidur dan bekerja lebih banyak. Variabel educ adalah tahun pendidikan, marr adalah
variabel dummy pernikahan, yngkid adalah variabel dummy yang menunjukkan adanya anak
kecil, dan gdhlth adalah variabel dummy " “good health (kesehatan yang baik)". Perhatikan
bahwa kami tidak menyertakan jenis kelamin atau ras (seperti yang kami lakukan dalam
analisis cross-sectional), karena ini tidak berubah seiring waktu; mereka adalah bagian dari 𝑎𝑖 .
Minat utama kami adalah 𝛽₁. Selisih selama dua tahun memberikan persamaan yang dapat
diperkirakan

Dengan asumsi bahwa perubahan dalam kesalahan idiosinkratik, Au, tidak berkorelasi
dengan perubahan di semua variabel penjelas, kita bisa mendapatkan estimator yang konsisten
menggunakan OLS. Ini memberi

Koefisien pada Atotwrk menunjukkan trade off antara tidur dan bekerja: menahan
faktor lain tetap, satu jam kerja lagi dikaitkan dengan 227(60) = 13,62 menit lebih sedikit tidur.
Statistik t (-631) sangat signifikan. Tidak ada perkiraan lain, kecuali intersep, yang secara
statistik berbeda dari nol. Uji F untuk signifikansi bersama semua variabel kecuali Atotwrk
memberikan nilai p = 49, yang berarti secara bersama-sama tidak signifikan pada tingkat
signifikansi yang wajar dan dapat dikeluarkan dari persamaan.

Kesalahan standar pada ∆educ sangat besar dibandingkan dengan perkiraan. Ini adalah
fenomena yang dijelaskan sebelumnya untuk persamaan upah. Dalam sampel 239 orang, 183
(76,6%) tidak mengalami perubahan pendidikan selama periode enam tahun; 90% masyarakat

11
mengalami perubahan pendidikan paling lama satu tahun. Seperti yang dicerminkan oleh
kesalahan standar 𝛽̂₂ yang sangat besar, hampir tidak ada variasi yang cukup dalam pendidikan
untuk memperkirakan 𝛽̂₂ dengan presisi apapun. Pokoknya, 𝛽̂₂ bisa dibilang sangat kecil.

2.4 Differencing with More Than Two Time Periods (Membedakan dengan Lebih dari
Dua Periode)

Contoh kasus: Effect of Enterprise Zones on Unemployment Claims (Pengaruh Zona

Perusahaan terhadap Klaim Pengangguran)

Papke (1994) mempelajari pengaruh program zona perusahaan Indiana (EZ) pada klaim
pengangguran. Dia menganalisis 22 kota di Indiana selama periode 1980 hingga 1988. Enam
zona masuk ditentukan pada 1984, dan empat lagi ditetapkan pada 1985. Dua belas kota dalam
sampel tidak menerima zona perusahaan selama periode ini, mereka melayani sebagai
kelompok kontrol. Model evaluasi kebijakan yang sederhana adalah

dimana 𝑢𝑐𝑙𝑚𝑠𝑖𝑡 , adalah jumlah klaim pengangguran yang diajukan selama tahun t di kota i.
Parameter 𝜃𝑡 hanya menunjukkan intersep yang berbeda untuk setiap periode waktu.
Umumnya, klaim pengangguran turun di seluruh negara bagian selama periode ini, dan ini
harus tercermin dalam intersep tahun yang berbeda. Variabel biner 𝑒𝑧𝑖𝑡 sama dengan satu jika
kota i pada waktu t adalah zona perusahaan; kami tertarik pada 𝛽1 Efek yang tidak
teramati 𝑎𝑖 merupakan faktor tetap yang mempengaruhi iklim ekonomi di kota i. Karena
penunjukan zona perusahaan tidak ditentukan secara acak-zona perusahaan biasanya
merupakan daerah yang tertekan secara ekonomi-kemungkinan bahwa 𝑒𝑧𝑖𝑡 dan 𝑎𝑖 berkorelasi
positif (tinggi 𝑎𝑖 berarti klaim pengangguran lebih tinggi, yang mengarah pada peluang lebih
tinggi untuk diberikan EZ ). Jadi, kita harus membedakan persamaan untuk menghilangkan 𝑎𝑖 :

12
 Variabel dependen dalam persamaan ini, perubahan logluklm,), adalah perkiraan tingkat
pertumbuhan tahunan dalam klaim pengangguran dari tahun t −1 to t. Kita dapat
memperkirakan persamaan ini untuk tahun 1981 hingga 1988 menggunakan data dalam
EZUNEM; total ukuran sampel adalah 22.8 = 176. Estimasi β adalah β̂ = −182 (standard error
= 078).
Oleh karena itu, tampak bahwa kehadiran EZ menyebabkan sekitar 16,6%

jatuh dalam klaim pengangguran. Ini adalah efek yang besar secara ekonomi dan signifikan
secara statistik. Tidak ada bukti heteroskedastisitas dalam persamaan, uji Breusch-Pagan F
menghasilkan F = 85 p-value = 557.
Namun, ketika kita menambahkan residu OLS yang tertinggal ke persamaan yang
berbeda (dan kehilangan tahun 1981), kita mendapatkan p = − 197(t = − 2,44). Jadi ada bukti
korelasi serial negatif minimal pada kesalahan first-different. Tidak seperti korelasi serial
positif, kesalahan standar OLS biasa mungkin tidak terlalu mengecilkan kesalahan standar
yang benar ketika kesalahan berkorelasi negatif (lihat Bagian 12.1). Dengan demikian,
signifikansi variabel dummy zona perusahaan mungkin tidak akan terpengaruh.

13
 BAB III

PENUTUP

3.1 Kesimpulan

Metode untuk menganalisis kumpulan data cross-sectional dan panel yang dikumpulkan
secara independen. Penampang melintang independen muncul ketika sampel acak yang
berbeda diperoleh dalam periode waktu yang berbeda (biasanya tahun). OLS menggunakan
data yang dikumpulkan adalah metode estimasi terkemuka, dan prosedur inferensi yang biasa
tersedia, termasuk koreksi untuk heteroskedastisitas. (Korelasi serial tidak menjadi masalah
karena sampel independen sepanjang waktu). Adanya asumsi intersep waktu yang berbeda. Hal
ini sangat penting dalam literatur evaluasi kebijakan untuk eksperimen alam. Kumpulan data
panel semakin banyak digunakan dalam pekerjaan terapan, terutama untuk analisis kebijakan.
Ini adalah kumpulan data di mana unit penampang yang sama diikuti dari waktu ke waktu.
Kumpulan data panel paling berguna saat mengontrol fitur konstan waktu orang,
perusahaan, kota, dan sebagainya yang kami pikir mungkin berkorelasi dengan variabel
penjelas dalam model kami. Salah satu cara untuk menghilangkan efek yang tidak teramati
adalah dengan membedakan data dalam periode waktu yang berdekatan.

Kemudian, analisis OLS standar pada perbedaan dapat digunakan. Menggunakan dua
periode data menghasilkan regresi cross sectional dari data yang berbeda. Prosedur inferensi
biasa berlaku asimtotik di bawah homoskedastisitas; inferensi yang tepat tersedia di bawah
normalitas. Untuk lebih dari dua periode waktu, kita dapat menggunakan kumpulan OLS pada
data yang berbeda; kita kehilangan periode waktu pertama karena perbedaan. Selain
homoskedastisitas, kita harus mengasumsikan bahwa kesalahan yang berbeda tidak berkorelasi
secara serial untuk menerapkan statistik t dan F yang biasa. (Apendiks bab berisi daftar asumsi
yang cermat.) Secara alami, variabel apapun yang konstan dari waktu ke waktu keluar dari
analisis.

14
 DAFTAR PUSTAKA

Wooldridge, M Jeffrey. (2006). Indtroductory Econometrics A Modern Approach. South-

Western: Michigan State University.

15