Anda di halaman 1dari 21

REGRESI DATA PANEL

DIFINISI
Regresi data panel merupakan teknik regresi yang menggabungkan data time series dengan cross section

KEUNTUNGAN
Data panel yang merupakan gabungan dua data time series dan cross section mampu menyediakan data yang lebih banyak sehingga akan menghasilkan degree of freedom yang lebih besar. Menggabungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (ommited-variabel)

KEUNGGULAN

Panel data mampu memperhitungkan heterogenitas individu secara ekspilisit dengan mengizinkan variabel spesifik individu; Kemampuan mengontrol heterogenitas ini selanjutnya menjadikan data panel dapat digunakan untuk menguji dan membangun model perilaku lebih kompleks. Data panel mendasarkan diri pada observasi cross-section yang berulangulang (time series), sehingga metode data panel cocok digunakan sebagai study of dynamic adjustment. Jumlah observasi memiliki implikasi pada data yang lebih informative, lebih variatif, dan kolinieritas (multiko) antara data semakin berkurang, dan derajat kebebasan (degree of freedom/df) lebih tinggi sehingga dapat diperoleh hasil estimasi yang lebih efisien. Data panel dapat digunakan untuk mempelajari model-model perilaku yang kompleks. Data panel dapat digunakan untuk meminimalkan bias yang mungkin ditimbulkan oleh agregasi data individu. (Dengan keunggulan tersebut maka implikasi pada tidak harus dilakukannya pengujian asumsi klasik dalam model data panel)

COMMON EFFECT
Teknik yang digunakan dalam metode Common Effect hanya dengan mengkombinasikan data time series dan cross section. Dengan hanya menggabungkan kedua jenis data tersebut maka dapat digunakan metode OLS untuk mengestimasi model data panel. Dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu, dan dapat diasumsikan bahwa perilaku data antar perusahaan sama dalam berbagai rentang waktu. Asumsi ini jelas sangat jauh dari realita sebenarnya, karena karakteristik antar perusahaan baik dari segi kewilayahan jelas sangat berbeda

Model common effects merupakan pendekatan data panel yang paling sederhana. Model ini tidak memperhatikan dimensi individu maupun waktu sehingga diasumsikan bahwa perilaku antar individu sama dalam berbagai kurun waktu. Model ini hanya mengkombinasikan data time series dan cross section dalam bentuk pool, mengestimasinya menggunakan pendekatan kuadrat terkecil/pooled least square.

Adapun persamaan regresi dalam model common effects dapat ditulis sebagai berikut:

dimana i menunjukkan cross section (individu) dan t menunjukkan periode waktunya. Dengan asumsi komponen error dalam pengolahan kuadrat terkecil biasa, proses estimasi secara terpisah untuk setiap unit cross section dapat dilakukan.

Fixed Effect
Teknik yang digunakan dalam penelitian ini adalah metode Fixed Effect. Metode dengan menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. Metode ini mengasumsikan bahwa koefisien regresi (slope) tetap antar perusahaan dan antar waktu, namun intersepnya berbeda antar perusahaan namun sama antar waktu (time invariant). Namun metode ini membawa kelemahan yaitu berkurangnya derajat kebebasan (degree of freedom) yang pada akhirnya mengurangi efisiensi parameter

Model Fixed effects mengasumsikan bahwa terdapat efek yang berbeda antar individu. Perbedaan itu dapat diakomodasi melalui perbedaan pada intersepnya. Oleh karena itu, dalam model fixed effects, setiap merupakan parameter yang tidak diketahui dan akan diestimasi dengan menggunakan teknik variabel dummy yang dapat ditulis sebagai berikut

Teknik seperti diatas dinamakan Least Square Dummy Variabel (LSDV). Selain diterapkan untuk efek tiap individu , LSDV ini juga dapat mengakomodasi efek waktu yang besifat sistemik. Hal ini dapat dilakukan melalui penambahan variabel dummy waktu di dalam model.

Random Effect
Tenik yang digunakan dalam Metode Random Effect adalah dengan menambahkan variabel gangguan (error terms) yang mungkin saja akan muncul pada hubungan antar waktu dan antar kabupaten/kota. Teknik metode OLS tidak dapat digunakan untuk mendapatkan estimator yang efisien, sehingga lebih tepat untuk menggunakan Metode Generalized Least Square (GLS).

Berbeda dengan fixed effects model, efek spesifik dari masing-masing individu diperlakukan sebagai bagian dari komponen error yang bersifat acak dan tidak berkorelasi dengan variabel penjelas yang teramati , model seperti ini dinamakan random effects model (REM). Model ini sering disebut juga dengan error component model (ECM). Dengan demikian, persamaan model random effects dapat dituliskan sebagai berikut:

Karena itu, metode OLS tidak bisa digunakan untuk mendapatkan estimator yang efisien bagi model random effects. Metode yang tepat untuk mengestimasi model random effects adalah Generalized Least Squares (GLS) dengan asumsi homokedastik dan tidak ada crosssectional correlation.

Dari ketiga model yang telah dibahas sebelumnya, kemudian dipilih yang mana model yang paling tepat digunakan dalam penelitian. Pemilihan model dapat dilakukan secara formal maupun informal dengan mempertimbangkan beberapa hal tertentu.

1)

2)

3) 4)

Ada perbedaan mendasar untuk menentukan pilihan antara FEM (Fixed Effects Model) dan ECM (Error Component Model) antara lain sebagai berikut (Gujarati, 2004): Jika T (jumlah data time series) besar dan N (jumlah unit cross-section) kecil, perbedaan antara FEM dan ECM adalah sangat tipis. Oleh karena itu, dapat dilakukan penghitungan secara konvensional. Pada keadaan ini, FEM mungkin lebih disukai. Ketika N besar dan T kecil, estimasi diperoleh dengan dua metode dapat berbeda secara signifikan. Pada ECM, , dimana adalah komponen random cross-section dan pada FEM, ditetapkan dan tidak acak. Jika kita sangat yakin dan percaya bahwa individu, ataupun unit cross-section sampel kita adalah tidak acak, maka FEM lebih cocok digunakan. Jika unit crosssection sampel adalah random/acak, maka ECM lebih cocok digunakan. Komponen error individu dan satu atau lebih regresor berkorelasi, estimator yang berasal dari ECM adalah bias, sedangkan yang berasal dari FEM adalah unbiased. Jika N besar dan T kecil, serta jika asumsi untuk ECM terpenuhi, maka estimator ECM lebih efisien dibanding estimator FEM.

Secara formal, ada tiga prosedur pengujian yang akan digunakan, yaitu uji statistik F yang digunakan untuk memilih antara model commoneffects atau fixed effects; uji Langrange Multiplier (LM) yang digunakan untuk memilih antara model common effects atau model random effects; dan uji Hausman yang digunakan untuk memilih antara model fixed effects atau model random effects.

Estimated Generalized Least Squares / Serial Correlation


The Cochrane-Orcutt Estimator Four Steps: Run OLS on original equation Regress residuals on lagged residuals to estimate rho. Transform variables using this estimate of rho. Run OLS on the transformed variables

1. Begin with a model of a dependent variable Y as a function of s set of independent variables X1 Xk. [1] Yt = b0 + b1 X1t + b2 X2t + b3X3t + ... + bkXkt + et 2. Regress et on et-1 to estimate rho, the impact of lag 1 errors on contemporary errors. [2] et = ret-1 + ut

Anda mungkin juga menyukai