Nama : Haya Aisyah Fatin

NIM : 21423145
Kelas : Praktikum Ekonometrika A

1. Kenapa data yang digunakan dalam video tersebut disebut data dengan struktur data
panel? Berapa entitas dan waktunya serta jumlah observasinya?

Karena, menggabungkan antara data time series dan data cross section.
Entitas = 7
Komponen waktu = 10 tahun (1990-1999)
Jumlah observasi = 70

2. Kita dapat saja menggunakan regresi OLS biasa untuk data dengan struktur panel
(disebut regresi pooling/pooled regression), namun apa potensi negatif yang akan kita
dapatkan?

Jika yang digunakan regresi OLS biasa maka heterogenitas antar country dan year tidak
terdeteksi padahal setiap country memiliki karakteristik yang berbeda-beda dengan
menggunakan regresi OLS biasa heterogenitas antar country diabaikan itulah yang
menjadi potensi negatif jika digunakan regresi OLS biasa untuk data dengan struktur
panel.

3. Apa informasi yang bisa didapatkan dengan fungsi “plot means”? Berikan 2 contoh
gambar hasil “plot means” dan penjelasan gambarnya.

Informasi yang didapatkan dengan fungsi “plot means” adalah tentang rata-rata
heterogenitas antar country dan year, dan dapat melihat rata-rata heterogenitas tertinggi
dan terendah.

Plot diatas menunjukkan nilai rata-rata heterogenitas antar country, dimana nilai rata-rata
tertinggi adalah D&F
 Plot diatas menunjukkan nilai rata-rata heterogenitas antar tahun, ditemukan bahwa pada
tahun 1993, 1994, dan 1995 mengalami peningkatan dan pada tahun 1997 dan 1998
mengalami penurunan drastis heterogenitas.

4. Anda ingin mendapatkan dalam satu gambar, berisi garis regresi OLS (pooling) dan
garis-garis regresi OLS setiap entitas maka jumlah garis regresi adalah sejumlah entitas
+ 1. Bagaimana caranya? Tuliskan Script yang diperlukan beserta penjelasannya.

- #garis regresi fixed effect LSDV dengan regresi OLS (pooling)

yhat<-fixed.dum$fitted
scatterplot(yhat~Panel$x1|Panel$country,xlab="x1",ylab="yha
t")abline(ols,lwd=3,col="red")

Script diatas menampilkan antara yhat (menambahkan variabel dummy country) garis
warna warni berikut menunjukkan perbedaan setiap country. Lalu ditambahkan garis dari
hasil OLS pooling yang dibandingkan dengan hasil regresi fixed effect. Hasilnya adalah
regresi fixed effect LSDV menampilkan gradien yang lebih besar, ditunjukkan dengan
garis yang lebih besar, ditunjukkan dengan garis yang cenderung naik ke kanan atas.
5. Jelaskan cara mendapatkan output hasil regresi dalam format “htm” secara otomatis dari
RStudio. Tuliskan Script dan penjelasannya.

#perbandingan estimasi parameter OLS (pooling) dengan LSDV library(stargazer)

setwd("C:/This PC/Documents/PRAKTIKUM R")
stargazer(ols,fixed.dum, type = "text", digits = 2, out = "OLS&SLDV.htm")

- Penggunaan setwd ditunjukkan untuk menyimpan hasil output “htm”, seperti

contoh : kita membuat folder dokumen dengan nama PRAKTIKUM R maka
setwd akan menyimpan output tersebut pada folder dokumen PRAKTIKUM R.
- Script stargazer menampilkan hasil perbandingan OLS dan juga fixed.dum
dengan file yang tersimpan, sesuai dengan output yang dituliskan pada script
tersebut.

========================================================
=================
Dependent variable:
-----------------------------------------------------
y
(1) (2)
-------------------------------------------------------------------------
x1 494,988,914.00 2,475,617,827.00**
(778,861,261.00) (1,106,675,594.00)
factor(country)A 880,542,404.00
(961,807,052.00)

factor(country)B -1,057,858,363.00
(1,051,067,684.00)

factor(country)C -1,722,810,755.00
(1,631,513,751.00)

factor(country)D 3,162,826,897.00***
(909,459,150.00)

factor(country)E -602,622,000.00
(1,064,291,684.00)

factor(country)F 2,010,731,793.00*
(1,122,809,097.00)

factor(country)G -984,717,493.00
 (1,492,723,118.00)

Constant 1,524,319,070.00**
(621,072,624.00)

-------------------------------------------------------------------------
Observations 70 70
R2 0.01 0.44
Adjusted R2 -0.01 0.37
Residual Std. Error 3,028,276,248.00 (df = 68) 2,795,552,571.00 (df = 62)
F Statistic 0.40 (df = 1; 68) 6.09*** (df = 8; 62)
========================================================
=================
Note: *p<0.1; **p<0.05; ***p<0.01

6. Package apa yang digunakan untuk melakukan analisis regresi data panel? Apa
perbedaan inti antara Script untuk analisis regresi data panel dengan pendekatan common
effect, fixed effect, dan random effect.
- Package yang digunakan adalah untuk data panel dengan package “plm”. Berikut
scriptnya :
# ======= REGRESI
install.packages("plm")
library(plm)
#regresi data panel FE
fixed <- plm(y ~ x1, data=Panel, index=c("country", "year"),
model="within")
summary(fixed)
#intersep tiap entitas
fixef(fixed)

##### OLS atau FE ?

# menguji: OLS atau FE ? (pilih FE jika p-value sign)
pFtest(fixed, ols)
# uji chow
pool <- plm(y ~ x1, data=Panel, index = c("country", "year"), model =
"pooling") pooltest(pool,fixed)

#Regresi data panel RE

random <- plm(y ~ x1, data = Panel, index = c("country", "year"),
model = "random")
summary(random)

Perbedaan inti adalah pendekatan CE, FE, dan RE hanya terdapat pada model
dalam script yang digunakan. Pada FE = model “within”, RE = model
“random”, CE atau OLS = model “pool”.
7. Pada regresi data panel fixed effect, intersep tiap entitas berbeda? Jelaskan maksud
intersep dengan mencantumkan sebuah gambar.

Intercept pada fixed effect diatas beda-beda. Pada plot diatas Intercept merupakan garis
perpotongan garis ke sumbu y berbeda dengan garis perpotongan garis country F. untuk
melihat hasilnya adalah menggunakan script FIXEF(FIXED).

8. Dalam uji Chow, model yang dibandingkan adalah ... dan ... . Dalam uji Haussman,
model yang dibandingkan adalah ... dan ... . Script dalam RStudio untuk melakukan uji
chow adalah ... ; sedangkan untuk melakukan uji Hausman adalah ...

Di dalam uji chow ini yang dibandingkan adalah CE dan FE. Dalam uji haussman yang
dibandingkan adalah FE dan RE. Untuk melakukan uji chow maka diperlakukan fungsi
plm untuk menguji model sehingga untuk CE perlu diubah kedalam model plm maka
script yang digunakan pada RStudio untuk melakukan uji chow adalah sebagai berikut :

# uji chow pool <- plm(y ~ x1, data=Panel, index = c("country", "year"), model
= "pooling")

Setelah mengubah regresi OLS pooling menjadi fungsi plm script yang digunakan untuk
uji chow sebagai berikut :

pooltest(pool,fixed)

Sedangkan untuk melakukan uji hausman script yang digunakan pada RScript adalah
phtest(fixed, random)