19

Hun (2005) juga mengemukakan bahwa pada model regresi panel dengan

intercept bervariasi dan slope konstan, pemodelan efek tetap komponen dua arah

secara umum dilakukan dengan Least Square Dummy Variable (LSDV) dimana

model dengan peubah dummy seperti berikut

(2.21)

𝑌𝑖𝑡 = 𝛼 + 𝑦1 𝐷1𝑖𝑡 + ⋯ + 𝑦𝑛 𝐷(𝑁−1)𝑖𝑡 + 𝛿1 𝐷1𝑖𝑡 + ⋯ + 𝛿1 𝐷(𝑇−1)𝑖𝑡 + 𝛽𝑋𝑖𝑡 + 𝑢𝑖𝑡

Dengan,

𝐷𝑗𝑖𝑡 : peubah boneka ke-𝑗 (𝑗 = 1,2, … , (𝑁 − 1)) unit cross-section ke-𝑖 dan unit

waktu ke-𝑡. 𝐷𝑗𝑖𝑡 bernilai satu jika 𝑗 = 1 dan bernilai nol jika 𝑗 ≠ 𝑖.

𝐷𝑘𝑖𝑡 : peubah boneka ke-𝑘 (𝑘 = 1,2, … , (𝑇 − 1)) unit cross sectional ke-𝑖 dan

unit waktu ke-𝑡 𝐷𝑘𝑖𝑡 bernilai satu jika k = i dan dan bernilai nol jika k≠ 𝑖.

𝑎𝑗 : rata- rata peubah respon jika peubah boneka ke-j bernilai satu dan peubah

penjelas bernilai nol.

𝑎𝑘 : rata-rata nilai peubah responden jika peubah boneka ke-k bernilai satu dan

peubah penjelas bernilai nol.

2.2.2 Random Effect Model (REM)

Menurut Nachrowi dan Usman (2006, 315) sebagaimana telah diketahui

bahwa pada Model Efek Tetap (MET), perbedaan karakteristik-karakteristik

individu dan waktu diakomodasikan pada intercept sehingga intersepnya berubah

antar waktu. Sementara Model Efek Random (MER) perbedaan karakteristik

individu dan waktu diakomodasikan pada error dari model. Mengingat ada dua

komponen yang mempunyai kontribusi pada pembentukan error, yaitu individu dan
 20

waktu, maka random error pada MER juga perlu diurai menjadi error untuk

komponen waktu dan error gabungan.

Dengan demikian persamaan MER diformulasikan sebagai berikut.

(2.22)

𝑌𝑖𝑡 = 𝛼 + 𝛽𝑋𝑖𝑡 + 𝜀𝑖𝑡 ; 𝜀𝑖𝑡 = 𝑢𝑖 + 𝑣𝑡 + 𝑤𝑖𝑡

Dimana :

𝑢𝑖 : Komponen error cross section

𝑣𝑡 : Komponen error time series

𝑤𝑖𝑡 : Komponen error gabungan.

Adapun asumsi yang digunakan untuk komponen error tersebut adalah:

(2.23)

𝑢𝑖 ~𝑁(0, 𝜎𝑢2 );

𝑣𝑡 ~𝑁(0, 𝜎𝑣2 );

𝑤𝑖𝑡 ~𝑁(0, 𝜎𝑤2 )

Melihat persamaan di atas, maka dapat dinyatakan bahwa MER

menganggap efek rata-rata dari data cross section dan time series direpresentasikan

dalam intercept. Sedangkan deviasi efek secara random untuk data time series

direpresentasikan dalam 𝑣𝑡 dan deviasi untuk data cross section dinyatakan dalam

𝑢𝑖 .

𝜀𝑖𝑡 = 𝑢𝑖 + 𝑣𝑡 + 𝑤𝑖𝑡 , dengan demikian varians dari error tersebut dapat

dituliskan dengan:

(2.24)

𝑣𝑎𝑟(𝜀𝑖𝑡 ) = 𝜎𝑢2 + 𝜎𝑣2 + 𝜎𝑤2

 21

Hal ini tentunya berbeda dengan Model OLS yang diterapkan pada data

panel (pooled data), yang mempunyai variansi error sebesar:

(2.25)

𝑣𝑎𝑟(𝜀𝑖𝑡 ) = 𝜎𝑤2

Dengan demikian, Model Efek Random bias diestimasikan dengan OLS bila 𝜎𝑢2 =

𝜎𝑣2 = 0. Jika tidak demikian, Model Efek Random Bias perlu diestimasi dengan

metode lain. Adapun metode estimasi yang digunakan adalah Generalized Least

Square (GLS).

2.2.2.1 Generalized Least Square (GLS)

Untuk Random Effect Model (REM), pendugaan parameternya dilakukan

menggunakan Generalized Least Square jika matriks Ω diketahui, namun jika tidak

diketahui dilakukan dengan FGLS yaitu menduga elemen matriks Ω. Pada REM

ketidaklengkapan informasi untuk setiap unit cross section dipandang sebagai error

sehingga 𝜇𝑖 adalah bagian dari unsur gangguan. Model Efek Random dapat

dituliskan sebagai berikut.

(2.26)
𝐾

𝑌𝑖𝑡 = 𝛼 + ∑ 𝛽𝑘 𝑋𝑘𝑖𝑡 + (𝜇𝑖 + 𝑒𝑛 )

𝑘=1

Asumsi:

𝜇𝑖 ~𝑁(0, 𝜎𝜇2 ) 𝐸(𝜇𝑖 , 𝜇𝑗 ) = 0; 𝑖 ≠ 𝑗

𝑒𝑖𝑡 ~𝑁(0, 𝜎𝑣2 ) 𝐸(𝜇𝑖 , 𝑒𝑖𝑡 ) = 0

𝐸(𝑒𝑖𝑡 , 𝑒𝑖𝑠 ) = 𝐸(𝑒𝑖𝑡 , 𝑒𝑗𝑡 ) = 𝐸(𝑒𝑖𝑡 , 𝑒𝑗𝑠 ) = 0; 𝑖 ≠ 𝑗; 𝑡 ≠ 𝑠

 22

Untuk data cross section ke-𝑖 persamaan di atas dapat ditulis 𝑦𝑖 = 𝑋𝑖 𝛽 +

(𝜇𝑖 1+𝑒𝑖 ). Varians komponen dari unsur gangguan (𝜇𝑖 1+𝑒𝑖 ) untuk unit cross section

ke-𝑖 adalah:

(2.27)

𝜎𝜇2 + 𝜎𝑒2 𝜎𝜇2 ⋯ 𝜎𝜇2

𝜎𝜇2 𝜎𝜇2 + 𝜎𝑒2 ⋯ 𝜎𝜇2
Ω= ⋱
⋯ ⋯ ⋯
𝜎 2
𝜎𝜇2 ⋯ 𝜎𝜇2 + 𝜎𝑒2
[ 𝜇 ]

Varians komponen Ω identik untuk setiap unit cross section. Sehingga

varians komponen untuk selalu observasi dapat dituliskan:

(2.28)

Ω 0 ⋯ 0
0 Ω ⋯ 0
𝑊=[ ⋱ ]
⋯ ⋯ ⋯
0 0 ⋯ Ω

Jika nilai Ω diketahui maka persamaan dapat diduga menggunakan

−1 −1
Generalized Leas Square (GLS) dengan 𝛽̂ = (𝑋 ′𝑊 𝑋)−1 (𝑋 ′𝑊 𝑦). Jika Ω tidak

diketahui maka Ω perlu diduga dengan menduga 𝜎̂𝜇2 dan 𝜎̂𝑒2 , sehingga persamaan di

atas diduga dengan 𝛽̂ = (𝑋 ′ 𝑊 ̂ −1 𝑦) dimana 𝜎̂𝑒2 = 𝑒̂ ,𝑒̂

̂ −1 𝑋)−1 (𝑋′𝑊 dengan
𝑁𝑇−𝑁−𝐾

𝑒̂ = 𝑦 − 𝑋𝛽̂ adalah residu dari Least Square Dummy Variable (LSDV). Sedangkan

̂12 −𝜎
𝜎 ̂𝑒2
𝜎̂𝜇2 = .
𝑇

2.2.3 Mixed Effect Model (MEM)

Pada dasarnya efek campuran (mixed effect) digunakan untuk mengatasi

masalah-masalah yang tidak jarang ditemukan pada data panel. Model ini

dikhususkan untuk data panel dengan model dua komponen, sehingga dikatakan
 48

Fixed Effects (Cross)

GE—C 1.57944
US—C 388.19534
WEST—C 23.35487

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.897904 Mean dependent var 223.3323

Adjusted R-squared 0.886124 S.D. dependent var 197.6547
S.E. of regression 66.69961 Akaike info criterion 11.36184
Sum squared resid 115669.8 Schwarz criterion 11.54867
Log likelihood -166.4276 Hannan-Quinn criter. 11.42161
F-statistic 76.22099 Durbin-Watson stat 1.138924
Prob(F-statistic) 0.000000

Hasil Estimasi contoh data Investasi dari tiga Perusahaan di Amerika

Serikat dari tahun 2007 sampai 2016 dengan Fixed effect model

𝑦̂1𝑡 = 1,57620 + 0,230094𝑋1𝑡

𝑦̂2𝑡 = 387,6953 + 0,230094𝑋2𝑡

𝑦̂3𝑡 = 23,35587 + 0,230094𝑋3𝑡

Bentuk umum model regresi data panel dengan model Random effect

model sebagai berikut

𝑌𝑖𝑡 = 𝛼 + 𝛽𝑋𝑖𝑡 + 𝜀𝑖𝑡 ; 𝜀𝑖𝑡 = 𝑢𝑖 + 𝑣𝑡 + 𝑤𝑖𝑡

Dimana :

𝑢𝑖 : Komponen error cross section

𝑣𝑡 : Komponen error time series

𝑤𝑖𝑡 : Komponen error gabungan

Estimasi yang dilakukan yaitu dengan mengasumsikan cross-sectional

unit dan time series yang digunakan dalam model tidak ditentukan terlebih

dahulu melainkan hasil pengambilan sampel acak dari suatu populasi yang besar.

Random effect digunakan untuk mengatasi permasalahan yang ditimbulkan dari

 49

model fixed effect. Pendekatan model fixed effect dengan peubah semu (dummy)

untuk data panel menimbulkan permasalaha hilangnya derajat bebas dari model.

Selain itu, peubah dummy bisa menghalangi untuk mengetahui model aslinya.

Oleh karena itu, estmasi perlu dilakukan dengan model komponen error atau

model effect random.

𝛽̂ = (𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌 − 𝑋 ′ 𝜇)

𝛽̂𝐺𝐿𝑆 = 𝑌 ′ (1 − 𝑃)𝑌

= 𝑌 ′ (1 − 𝑋(𝑋 ′ 𝑊𝑋)−1 𝑋 ′ 𝑊)(1 − 𝑋(𝑋 ′ 𝑊𝑋)−1 𝑋 ′ 𝑊)𝑌

= 𝑌 ′ (1 − 𝑋(𝑋 ′ 𝑊𝑋)−1 𝑋 ′ 𝑊)𝑌

𝛽̂𝐺𝐿𝑆 = (𝑋 ′ 𝑊𝑋)−1 (𝑋 ′ 𝑊𝑌 − 𝑋 ′ 𝜇)

1 319,6 213,8 92,4

1 346 232,6 86
1 456,4 264,8 111,1
𝑋= ⋮ ⋮ ⋮ ⋮
⋮ ⋮ ⋮ ⋮
1 800,9 623,6 174,8
(1 888,9 669,7 213,5)

1 1 1 ⋯ ⋯ 1 1
319,6 346 456,4 ⋯ ⋯ 800,9 888,9
𝑋′ = ( ⋯ ⋯ )
213,8 232,6 264,8 623,6 669,7
92,4 86 111,1 ⋯ ⋯ 174,8 213,5

𝑋′𝑋

1 319,6 213,8 92,4

1 1 1 ⋯ ⋯ 1 1 1 346 232,6 86
319,6 346 456,4 ⋯ ⋯ 800,9 888,9 1 456,4 264,8 111,1
=( ) ⋮ ⋮ ⋮ ⋮
213,8 232,6 264,8 ⋯ ⋯ 623,6 669,7
⋮ ⋮ ⋮ ⋮
92,4 86 111,1 ⋯ ⋯ 174,8 213,5 800,9 623,6 174,8
1
(1 888,9 669,7 213,5)

395355 2531037 879523,4

𝑋′𝑋 = ( 2531037 1666450 568814,4)
879523,4 568814,4 198257,1
 50

3,13856𝐸 − 05 −6,93487𝐸 − 06 −0,00012

(𝑋′𝑋)−1 = (−6,9349𝐸 − 06 3,05355𝐸 − 05 −5,7𝐸 − 05)
−0,00011934 −5,68437𝐸 − 05 0,000698

1 (∑𝑛𝑖−1 𝑋𝑖 )(∑𝑛𝑖−1(𝑌𝑖 /𝑋𝑖 )) − 𝑛 ∑𝑛𝑖−1 𝑌𝑖

𝛽̂ = [ ]
∑𝑛𝑖−1 𝑋𝑖 [∑𝑛𝑖−1(1/𝑋𝑖 )] − 𝑛2 (∑𝑛𝑖−1 𝑌𝑖 )(∑𝑛𝑖−1(1/𝑋𝑖 )) − ∑𝑛𝑖−1(𝑋𝑖 /𝑌𝑖 )

1 [[11185,4 × 20,07707] − [30 × 6699,97]]

𝛽̂ = 2
×
[11185,4 × 0,126851] − 30 [[6699,97 × 0,126851] − [30 × 79,11076]]

= 0,239917

6699,97 × 0,126851 − 30 × 666,97

𝛽̂1 =
6699,97 × 0,1268551 − 90

= 1,67944

Apabila diestimasi dengan bantuan software eviews diperoleh output sebagai

berikut

Dependent Variable: Y?
Method: Pooled EGLS (Cross-section random effects)
Date: 12/10/17 Time: 16:44
Sample: 2007 2016
Included observations: 10
Cross-sections included: 3
Total pool (balanced) observations: 30
Swamy and Arora estimator of component variances

Variable Coefficient Std. Error t-Statistic Prob.

C 137.6122 180.2136 0.763606 0.4515

X1? 0.229907 0.089927 2.556593 0.0163
Random Effects (Cross)
GE—C 1.67944
US—C 399.19534
WEST—C 24.35487

Effects Specification
S.D. Rho

Cross-section random 305.9630 0.9546

Idiosyncratic random 66.69961 0.0454

Weighted Statistics

R-squared 0.194896 Mean dependent var 15.35948

Adjusted R-squared 0.166143 S.D. dependent var 71.72722
 51

S.E. of regression 65.49828 Sum squared resid 120120.7

F-statistic 6.778135 Durbin-Watson stat 1.096637
Prob(F-statistic) 0.014597

Unweighted Statistics

R-squared 0.067323 Mean dependent var 223.3323

Sum squared resid 1056680. Durbin-Watson stat 0.124663

Hasil Estimasi contoh data Investasi dari tiga Perusahaan di Amerika

Serikat dari tahun 2007 sampai 2016 dengan Random effect model

𝑦̂1𝑡 = 1,67944 + 0.229907𝑋1𝑡

𝑦̂2𝑡 = 399,19534 + 0.229907𝑋2𝑡

𝑦̂3𝑡 = 24,35487 + 0.229907𝑋3𝑡

2.9 Kerangka Berfikir

Analisis regresi dapat dibedakan menjadi 3 bagian yaitu analisis regresi

sederhana (linear dan berganda), analisis regresi spasial, dan analisis regresi data

panel. Penelitian dalam skripsi ini hanya akan membahas tentang analisis regresi

data panel. Regresi data panel merupakan hasil dari pengamatan pada beberapa

individu atau (unit cross-sectional) yang merupakan masing-masing diamati dalam

beberapa periode waktu yang berurutan (unit waktu) atau gabungan antara data

runtun waktu (time series) dan data silang (cross section) (Baltagi, 2005).

Metode yang biasa digunakan untuk mengestimasi model regresi data panel

diantaranya model efek tetap (Fixed Effect Model), efek random (Random Effect

Model), dan efek campuran (Mixed Effect Model) (Mouchart ,2009). Suatu faktor

dikatakan tetap (fixed) jika dalam suatu penelitian faktor tersebut telah mewakili

semua tingkat kemungkinan faktor yang ada yang telah ditetapkan sebelumnya.

Suatu faktor dikatakan acak (random) jika faktor tersebut merupakan sampel yang