Anda di halaman 1dari 21

Analisa Data : Analisis Data pada Model Regresi Data Panel (Pooled Data)

Posted on April 20, 2011

Data panel atau panel data atau Pooled Data adalah gabungan dari data time series(antar waktu) dan data cross section (antar individu/ruang). Untuk menggambarkanpanel data / data panel / Pooled Data secara singkat, misalkan pada data cross section, nilai dari satu variabel atau lebih dikumpulkan untuk beberapa unit sampel pada suatu waktu waktu. Dalam panel data / data panel / pooled data , unit cross section yang sama di-survey dalam beberapa waktu (Gujarati, 2003:637). Regresi dengan menggunakan panel data / data panel / pooled data, memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series. Begini, misalkan kita punya data 50 Bank, masing masing Bank dicari ROI, NOPAT, dan lainnya untuk

tahun 2007 saja, maka data tersebut disebut dengan data Cross Section. Tapi, kalau kita punya data 1 Bank, namun data ROI, NOPAT, dan data lainnya dari Bank tersebut kita miliki sejak tahun 1998 hingga 2007, maka data tersebut disebut dengandata Time Series. Gabungan dari keduanya, yaitu 50 Bank dengan beberapa satuan waktu misalkan 1998 hingga 2007 disebut dengan Data Panel (Pooled Data). Keunggulan dan Permasalahan Regresi dengan Data Panel Hsiao (1986), mencatat bahwa penggunaan panel data / data panel / pooled data dalam penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross section maupun time series. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkandegree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di

mana dapat menghasilkan estimasiekonometri yang efisien. Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja. Ketiga, panel data / data panel dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section. Di samping berbagai keunggulan dimiliki model panel data / data panel / pooled datatersebut, ada beberapa permasalahan yang muncul dalam pemanfaatan data panel, yaitu permasalahan autokorelasi dan heterokedas tisitas. Sementara itu ada permasalahan baru yang muncul seperti korelasi silang (crosscorrelation) antar unit individu pada periode yang sama. Estimasi Regresi dengan Data Panel Estimasi model data panel ergantung kepada asumsi yang dibuat peneliti terhadap

intersep/konstanta (intercept), koefisien kemiringan (slope coefficients) dan variabel error (error term). Model-model estimasi ini akan ditinjau pada kesempatan lain. Regresi dengan data panel adalah unik. Unik karena memiliki dua dimensi, yaitudimensi time series dan dimensi cross section. Dengan kata lain, regresi data panelmerupakan regresi gabungan jangka pendek dan jangka panjang. Ada dua autokorelasi di dalam regresi data panel / data panel : autokorelasi residual time series, dan korelasiantar residual. Begitu juga dengan heteroskedastisitas : heteroskedastisitas resi dualcross-section, heteroskedastisitas antar residual. Analisis data panel / data panel merupakan pengembangan dari analisis regresi. Terdapat tiga metode regresi dasar yang ada, yaitu Common Pooled Least Square (OLS), Fixed Effect Regression, dan Random Effect.

Metode mana yang paling sesuai ? Untuk mengetahui jawabannya, harus dilakukan 2 buah Uji, yaitu Uji Hausmann dan Uji Chow.

Romypradhanaarya's Blog
Just another WordPress.com weblog

econometri data panel


dengan 2 komentar Panel Data 1. Sekilas Mengenai Data Panel. Data panel atau pooled data adaalh kombinasi dari data time series dan data cross section. Dengan mengakomodasi informasi baik yang terkait dengan variabel variabel cross section maupun time series, data panel secara substansial mampu menurunkan masalah omitted-variables, model yang mengabaikan variabel yang relevan (Gujarati, 2003:637). Untuk mengatasi interkorelasi diantara variabel-variabel bebas yang pada akhirnya dapat mengakibatkan tidak tepatnya penaksiran regresi, metode data panel lebih tepat untuk digunakan. Data panel juga bisa berguna untuk alasan pragmatis. Dalam sebuah penelitian terkadang ditemukan suatu persoalan mengenai ketersediaan data (data

avaibility) untuk mewakili variabel yang digunakan dalam penelitian. Dengan menggabungkan data time series dan cross section (pooling), maka jumlah observasi

bertambah secara signifikan tanpa melakukan treatment apapun terhadap data. Ada tiga metode yang bisa digunakan untuk bekerja dengan data panel. Menurut Verbeek (2000:313-19) metode yang pertama adalah pendekatan pooled least

square (PLS) secara sederhana menggabungkan (pooled) seluruh data time series dan cross section dan kemudian
mengestimasi model dengan menggunakan metodeordinary least square (OLS). Kedua, pendekatan fixed effect (FE) memperhitungkan kemungkinan bahwa peneliti menghadapi masalah omitted variables dimana omitted

variables mungkin membawa perubahan padaintercept time series atau cross section. Model dengan FE menambahkan dummy variables untuk mengizinkan adanya perubahan intercept ini. Ketiga, pendekatan efek acak (random effect) memperbaiki efisiensi proses least square dengan memperhitungkan error dari cross section dan time series. Model random effect adalah variasi dari estimasi generalized least square. Metode fixed effect dan random effect disebut juga metodegeneralized least square (GLS). Model data panel
untuk masing-masing teknik regresi adalah sebagai berikut (Gujarati, 2003:640): 1. pooled least square

Yit = 1 + 2 + 3X3it +.+ nXnit + uit ..(3.1) 1. fixed effect Yit = 1 + 2D2 + ..+ nDn + 2X2it + + nXnit + uit ..(3.2) 1. random effect Yit = 1 + 2X2it + + nXnit + it + uit ..(3.3) Pada dasarnya penggunaan metode data panel memiliki beberapa keunggulan. Keunggulan metode data panel seperti yang disebutkan oleh Wibisono (2005) adalah: pertama, panel data mampu memperhitungkan heterogenitas individu secara eksplisit dengan mengijinkan variabel spesifik individu. Kedua, Kemampuan mengontrol heterogenitas individu ini, pada gilirannya menjadikan data panel dapat digunakan untuk menguji dan membangun model perilaku yang lebih kompleks. Ketiga, data panel mendasarkan diri pada observasicross section yang berulang-ulang (time

series), sehingga metode data panel cocok untuk digunakan sebagai study of dynamic adjusment.
Keempat, tingginya jumlah observasi memiliki implikasi pada data yang lebih informatif, lebih variatif, kolinearitas antar variabel yang semakin berkurang, dan peningkatan derajat kebebasan (degree of freedom), sehingga dapat diperoleh hasil estimasi yang lebih efisien. Kelima, data panel dapat digunakan untuk mempelajari model-model

perilaku yang kompleks. Keenam, data panel dapat meminimalisir bias yang mungkin ditimbulkan oleh agregasi data individu. Keunggulan-keunggulan tersebut diatas memiliki implikasi pada tidak harus dilakukan pengujian asumsi klasik dalam model data panel, sesuai apa yang ada dalam beberapa literatur yang digunakan dalam penelitian ini (Verbeek, 2000; Gujarati, 2003; Wibisono, 2005; Aulia, 2004). Pemilihan Model Estimasi dalam Data Panel Dari tiga pendekatan metode data panel, dua pendekatan yang sering digunakan untuk mengestimasi model regresi dengan data panel adalah pendekatan fixed effect

model dan pendekatan random effect model. Untuk menentukan metode antara pooled least square dan fixed effect dengan menggunakan uji F sedangkan uji Hausman digunakan untuk memilih antara random effect atau fixed effect. Dalam fixed effect, bentuk umum regresi data
panel adalah (Aulia, 2004:28): Yit = 1 + 2X2it + 3X3it + + nXnit + uit (3.4) Selain itu, dalam teknik estimasi model regresi data panel, terdapat uji F dan CHOW test dan uji Hausman. Uji F dapat digunakan untuk memilih teknik dengan model pooled least square (PLS) atau model fixed

effectdengan rumus sebagai berikut (Gujarati, 2003:643):

..( 3.5) Di mana:

R2r = R2 model PLS R2ur = R2 model FEM m = jumlah restricted variabel n = jumlah sample k = jumlah variabel penjelas
Hipotesis nol dari pada restricted F test adalah : H0 = Model Pooled Least Square (restricted) H1 = Model Fixed Effect (unrestricted) Dari rumus diatas, jika kita mendapatkan hasil nilai F
hitung

>F

tabel

pada tingkat keyakinan ( ) tertentu

maka kita menolak hipotesis H0 yang menyatakan kita harus memilih teknik PLS, sehingga kita menerima hipotesis H1 yang menyatakan kita harus menggunakan model Fixed Effect untuk teknik estimasi dalam penelitian ini. Sedangkan uji Hausman digunakan untuk memilih antara metode fixed effect atau metode random effect. Uji Hausman didapatkan melalui command eviews yang terdapat pada direktori panel (Widarjono, 2005:272). Rumus untuk mendapatkan nilai Chi Square uji Hausman adalah:

Matrix b_diff Matrix var_diff Matrix qform

= b_fixed b_random = cov_fixed cov_random =

@transpose(b_diff)*@inverse(var_diff)*b_diff Hipotesis nol dari pada uji Hausman adalah : H0 = random effect H1 = fixed effect Apabila Chi Sqare hitung > Chi Square tabel dan p-value signifikan maka H0 ditolak dan model fixed effectlebih tepat untuk digunakan ( Aulia, 2004:31). Contoh data panel dalam e-views. Misal dalam Gujarati (2003: 639)kita ingin mengetahui bagaimana investasi (Y) tergantung pada nilai perusahaan (X2) dan stok modal (X3). Untuk hal tersebut ada empat data perusahaan yaitu General Electric (GE), General Motor (GM), U.S. Steel (US), dan Westinghouse (WEST). Data untuk tiap perusahaan dengan tiga variabel tersebut tersedia untuk periode 1935-1954. Maka ada empat cross-sectional units dan 20 time period. Untuk keseluruhan terdapat 80 observasi. X2 dan X3 diperkirakan berhubungan positif terhadap Y.

Pooling atau combining semua 80 observasi, kita dapat menulis fungsi investasi sebagai berikut:

i menunjukkan unit cross-sectional kei dan t menunjukkan periode waktu i. Apabila setiap unit cross-section memiliki observasi time series yang sama maka panel (data) disebut balanced panel. Jika masing-masing unit cross-section memiliki
observasi time series yang tidak sama banyaknya maka panel disebut unbalanced panel. Pada contoh empat perusahaan diatas memiliki bentukbalanced panel. Untuk menganalisa fungsi investasi dari empat perusahaan tadi maka kita lakukan olah data dengan menggunakan perangkat Eviews. langkah-langkahnya adalah: Buka program Eviews. Klik File New Workfile Selanjutnya akan muncul Workfile baru. Pada Workfile tersebut Klik Objects New Object. Selanjutnya pada direktori New Object pilih Pool dan Klik OK. Setelah Klik OK muncul Pool. Dibawah cross section identifiers kita isikan unit cross-section. Kita tulis GE, GM, US, West sesuai dengan data yang ada dalam program excel.

Setelah itu masih tetap pada Pool, Klik Procs Import Pool data. Kemudian kita cari file data panel yang telah disimpan sebelumnya. Maka tampilan pada Eviews akan tampak sebagai berikut: Pada Series order pilih sesuai dengan model penempatan data dalam program excel. Jika series diurutkan dalam kolom maka pilih In Columns. Pada Upper left data cell kita tulis C2 karena data yang kita tulis dimulai pada cell C2. Berikutnya kita tulis Y? X2? X3? pada Ordinary and Pool series to read. Pada kolomExcel5 + sheet name kita tulis sesuai sheet lokasi data kita. Setelah semua lengkap Klik OK, maka pada lembar Workfile akan muncul tampilan berikut: Pada lembar Pool, Klik Procs Estimate. Kemudian muncul tampilan berikut: Ketik Y? pada dependent variabel, X2? dan X3? ketik pada common coefficient. Pada Intercept pilih none, common, fixed effect, atau random effect. Misal kita Klik Common OK. Maka estimasi pooled least

square tampak sebagai berikut:

Selanjutnya kita coba dengan model fixed efect. Pada Pool Klik Objects Copy Object. Kemudian muncul dua Pool yang sama. Beri nama salah satu Pool dengan Klik Name Object Name, misalnya kita beri nama pls karena menunjukkan hasil estimasi pooled least square. Pada Pool yang belum kita beri nama Klik Estimate dan langkahnya sama seperti semula. Sekarang pada Intercept Klik fixed effect OK. Estimasi Fixed effect akan muncul sebagai berikut: Dengan langkah yang sama kita beri nama Pool estimasi fixed effect dan random effect. Jika estimasi fixed effect kita beri nama fix, kemudian estimasi random effect diberi nama ran maka padaWorkfile muncul ketiga Pool. Hasilnya terlihat pada tampilan berikut: Jika kita ingin menjalankan program tes Hausman ada beberapa langkah yang harus dikalankan. Pertama, Workfile tersebut kita simpan dalam Eviews data. Caranya Klik File Save As. Cari Program Eviews Example Files Data. Beri nama filenya misal lat2 lalu Klik OK. Kemudian Klik File Open Program. Cari Folder Eviews folder Example files folder cpr Hausman. prg Open

Maka muncul program Hausman seperti tampilan dibawah ini. Pada program ada beberapa command yang harus disesuaikan menurut Workfile kita. Command tersebut adalah : load..\data\lat2 Pada estimate fixed effects and store results: fix.ls(f) y? x2? x3? vector beta = fix.@coefs matrix covar = fix.@cov Pada keep only slope coefficients: !nrow=@rows(beta) vector b_fixed = @subextract(beta,1,1,!nrow,1) matrix cov_fixed = @subextract(covar,1,1,!nrow,!nrow) Pada estimate random effects and store results: ran.ls(r) y? x2? x3? beta = ran.@coefs

covar = ran.@cov Pada keep only slope coefficients: !nrow=@rows(beta) vector b_gls = @subextract(beta,2,1,!nrow,1) matrix cov_gls = @subextract(covar,2,2,!nrow,!nrow) Setelah itu, Pada program Hausman Klik Run Setelah itu akan muncul tampilan seperti dibawah ini. Pada Run Program, isi Program name or path sesuai dengan lokasi Workfile disimpan. Jika sudah Klik OK Hasil tes Hausman akan muncul seperti di bawah ini. Ada dua nilai yaitu chi-square dan nilai probabilitas. Contoh data Panel berikutnya: Misalnya analisis konvergensi pertumbuhan ekonomi menurut Sala-i-Martin (1996) hipotesisnya adalah: Growthi,t = a log(Yi,t-1) + u i,t. Konvergensi eksis apabila > 0. Sekarang kita ingin mengetahui bagaimana konvergensi pertumbuhan ekonomi antara Kediri, Blitar, Malang, Probolinggo, Pasuruan, Mojokerto, Madiun, Surabaya selama tahun 2001-2005. Y adalah PDRB perkapita. Growth adalah pertumbuhan ekonomi yaitu log

(Yi,t / Yi,t-1). Data yang dibutuhkan adalah pertumbuhan ekonomi (Growth) di wilayah Kediri, Blitar, Malang, Probolinggo, Pasuruan, Mojokerto, Madiun, dan Surabaya selama tahun 2001-2005. Data PDRB Perkapita (Y) untuk masing masing wilayah tersebut selama tahun 20002004. Langkah langkah analisis data panel dengan menggunakan e-views: Pada jendela Eviews klik file new workfile. Data yang digunakan adalah data 8 kota selama tahun 2001 hingga 2005. Pada Workfile range klik annualdan isi range data. Start date 2001 dan End date 2005 kemudian klik OK. Setelah memasukkan range data kemudian akan muncul workfile. Pada workfile tersebut, klik objects new object. pada new object pilih pool dan Klik OK.. Pada lembar pool, ketik individu yang terdapat pada data yaitu kediri, blitar, malang, probolinggo, pasuruan, mojokerto,madiun, surabaya. Jika sudah Klik Procs Import pool data (ASCII, XLS, WK?) untuk mentransfer data dari excel ke program Eviews. Kemudian muncul excel spreadsheet import. Pada series order pilih sesuai dengan bentuk penempatan series data pada excel. Pada grup observations juga pilih sesuai

bentuk data yang telah diketik dalam excel. Ketik nama series yaitu growth dan pdrb diikuti dengan tanda tanya (?) pada kolom ordinary and pool (specified with?) series to read. Klik OK, pada workfile akan muncul data growth dan pdrb untuk masing-masing individu. Melakukan estimasi masih dalam pool. Klik procs estimate dan muncul pooled estimation. Growth adalah dependent variable dan pdrb adalah independent variable menurut rumusan teori konvergensi. Ketik pdrb pada kolom common coefficient dan growth pada kolom dependent variable. Intercept dapat dipilih salah satu yakni none, common, fixed effects, dan random effects. Klik common untuk melakukan estimasi dalam model pooled least

square. Klik fixed effect jika ingin menggunakan model fixed effect dan klik random effect untuk estimasi dengan model random effect. Misal kita pilih model pooled least square maka klik
common pada intercept. Setelah muncul hasil estimasi pooled least square sekarang kita coba bagaimana hasil estimasi fixed

effectdan random effect. Agar estimasi pooled least square tetap muncul maka pada pool klik object copy
object kemudian akan muncul dua hasil estimasi pooled least square yang sama. Di salah satu pool kita klik name.

Pada object name kita beri nama pls untuk estimasi pooled least square. Pada pool yang belum diberi nama klik estimate. Pada intercept klik fixed effect untuk mendapatkan estimasi fixed effect dan jangan lupa untuk memberi nama object (misalnya fix). Kemudian dengan langkah yang sama kita copy object lagi dan mendapatkan estimasi random effect, kemudian kita beri nama (misalnya ran). Dengan cara ini model pooled least

square, fixed effect, dan random effect muncul


dalam workfile dan kita dapat membandingkan hasilnya. Dari ketiga model kita uji mana yang paling baik untuk digunakan. Pertama membandingkan pooled least

square dengan fixed effect menggunakan restricted F test. Jika fixed effect menjadi pilihan, langkah selanjutnya membandingkan fixed effect dengan random effect menggunakan tes Hausman. Supaya program
Hausman dapat berjalan, langkah pertama adalah menyimpan Workfile kita. Klik File Save As. Selanjutnya simpan dalam Program file Eviews Example files Data. Beri nama filenya (misal lat1) dan Klik Save. Membuka program tes Hausman Klik File Open Program.

Pada Open, Look in dalam folder cpr dalam program Eviews. Klik Hausman.prg Klik Open. Langkah langkah command program Hausman sama seperti sebelumnya: load workfile load ..\data\lat1 estimate fixed effects and store results fix.ls(f) growth? log(pdrb?) vector beta = fix.@coefs matrix covar = fix.@cov keep only slope coefficients !nrow=@rows(beta) vector b_fixed = @subextract(beta,1,1,!nrow,1) matrix cov_fixed = @subextract(covar,1,1,!nrow,!nrow) estimate random effects and store results ran.ls(r) growth? log(pdrb?)

beta = ran.@coefs covar = ran.@cov keep only slope coefficients !nrow=@rows(beta) vector b_gls = @subextract(beta,2,1,!nrow,1) matrix cov_gls = @subextract(covar,2,2,!nrow,!nrow) Kemudian Klik Run. Hasilnya tampak seperti dibawah ini: