Ekonometrika Data Panel

Ekonometrika
• Econometrics: gabungan Economics dan Metrics atau
economic measurement (mengukur variabel-variabel
ekonomi) (Gujarati, 2004)
• Beberapa definisi tentang Econometrics:
– The quantitative analysis of actual economic phenomena based on the
concurrent development of theory and observation, related by
appropriate methods of inference (Samuelson, et al., 1954)
– The social science in which the tools of economic theory, mathematics,
and statistical inference are applied to the analysis of economic
phenomena (Goldberger, 1964)
– Concern with the empirical determination of economic laws (Theil,
1971)
• Istilah ekonometrika diperkenalkan tahun 1926 oleh
Ragner Frisch (pakar ekonomi dan statistik Norwegia)

2
 Penggolongan Ekonometrika
1. Ekonometrika Teoritik
Terkait pengembangan metode-metode yang
cocok untuk mengukur hubungan-hubungan
ekonomi yang ditetapkan dalam model
ekonometrika.

2. Ekonometrika Terapan
Membahas penggunaan atau penerapan metode-
metode ekonomi yang telah dikembangkan
dalam ekonometrika teoritik.

3
 Ekonometrika merupakan gabungan dari....

Teori Ekonomi Matematika Ekonomi Statistika Ekonomi

Menyatakan teori ekonomi Proses pengumpulan data,

Menjelaskan fenomena
dalam bentuk matematik pengolahan, dan penyajian
ekonomi secara kuantitatif
(hubungan antar variabel) data (grafik dan tabel)

1. Deskriptif (S-D curves,

Contoh: 1. Linear equation (slope,
market equilibrium,
Jika P↓ maka D↑ (T. mikro) etc)
elasticity, etc)
 hubungan (-) P dan D 2. Differential (elasticity,
2. Inferensi (t-test, F-test,
 Berapa perubahan D (?) utility, etc)
R2)

Econometrics
Gabungan ketiganya untuk analisis:
- Koefisien hubungan antar variabel
- Interpretasi hasil secara ekonomi

Tools/alat: SPSS, E-Views, SAS, STATA, R, etc.

4
 Tujuan Ekonometrika
1. Verifikasi
Membuktikan atau menguji validitas teori-teori
ekonomi.

2. Estimasi (penaksiran)
Menghitung nilai estimasi koefisien hubungan
antar variabel ekonomi.

3. Forecasting (peramalan)
Meramal suatu variabel ekonomi tertentu di masa
yang akan datang.

5
Metode Ekonometrika
1. Economic theory

2. Mathematical model of theory

3. Econometric model of theory

4. Data

5. Estimation of econometric model

6. Hypothesis testing

7. Forecasting or prediction

8. Using the model for control or policy

purposes

6
Tahapan Analisis Ekonometrika
Identifikasi dan perumusan masalah
Teori ekonomi dan konsep2 terkait
Kerangka Pemikiran
Kajian studi-studi terdahulu

Pemilihan variabel terkait

Spesifikasi Model
Hipotesis (tanda dan besaran)

Cross-Section
Data Primer
Pengumpulan Data Time Series
Data Sekunder
Panel

Estimasi Parameter OLS, MLE, ILS, 2SLS, etc  BLUE

Krit. Ekonomi (besaran & tanda)

Evaluasi/Validasi Model Krit. Statistik (signifikansi, koef det)

Krit. Ekonometrika (asumsi )

Aplikasi Model untuk Rumusan Kebijakan 7
Metodologi Ekonometrika
Berdasarkan Jenis Data
DATA

Cross Section Time Series PANEL

Univariate Multivariate

Regression Correlation
Correlation
AR, MA Regression Pooled
Regression
ARMA Granger Causality Fixed Effect
Multivariate
analysis ARIMA VAR Random Effect
ARCH, GARCH ECM, VECM

8
 PANEL DATA
• Data panel merupakan observasi dari unit-unit yang sama
(cross-section) selama beberapa kurun waktu tertentu
(time series).
• Secara sederhana, data panel merupakan gabungan dari
data cross section dan time series
• Data umumnya diperoleh melalui survey yang berulang
atau dengan mengikuti perkembangan sample selama
beberapa kurun waktu.
• Nama lain data panel: Pooled Data, Longitudinal Data,
Event History Analysis, ataupun Cohort Analysis. (Gujarati,
2003)

9
 PANEL DATA (2)
Beberapa keuntungan penggunaan data panel (Baltagi
dalam Gujarati, 2003):
• Dapat mengontrol unobserved heterogeneity
• Memberikan data yang lebih informatif, lebih bervariasi,
mengurangi kolinearitas antarpeubah, memperbesar
derajat kebebasan, dan lebih efisien.
• Dapat mempelajari bentuk perubahan individu yang
dinamis.
• Dapat mendeteksi dan mengukur efek suatu peubah
pada peubah lainnya dengan lebih baik
• Dapat digunakan untuk mempelajari model perilaku
(behavioral model) yang lebih kompleks
10
 PANEL DATA (3)
Beberapa keterbatasan dalam data panel (Gujarati,2003):
• Masalah dalam desain survey panel, pengumpulan dan
manajemen data (masalah yang umum dihadapi di
antaranya: cakupan (coverage), kemampuan daya ingat
responden (recall), frekuensi dan waktu wawancara.
• Kesalahan pengamatan (measurement errors) yang
umumnya terjadi karena kegagalan respon (ex:
pertanyaan yg tdk jelas, ketidaktepatan informasi, etc).
• Masalah attrition (jumlah responden yang berkurang pada
survey lanjutan).

11
 Model Umum Regresi Data Panel
•
Di mana:
i = 1, 2, …, N, menunjukkan rumah tangga, individu,
perusahaan, dsb (dimensi data silang)
t = 1, 2, …, T, menunjukkan dimensi deret waktu
α = koefisien intersep yang merupakan skalar
β = koefisien slope dengan dimensi Kx1, dimana K
adalah banyaknya peubah bebas
Yit = peubah tak bebas unit individu ke-i dan unit
waktu ke-t
Xit = peubah bebas untuk unit individu ke-i dan unit
waktu ke-t
 Komponen Error

1. One way error components model

Error term hanya memasukkan komponen error yang
merupakan efek dari individu (µi)
Komponen errornya

2. Two way error components model

Komponen error terdiri dari efek dari individu (µi) dan
efek dari waktu (λt)
Komponen errornya
= unobservable individual-specific effect
= disturbance
 Pendekatan dalam Regresi Data Panel
• Estimasi regresi data panel tergantung asumsi intersep, slope dan
sisaan uit

• Terdapat beberapa kemungkinan (Gujarati,2003) :

 Intersep dan slope adalah konstan menurut waktu dan individu
sedangkan sisaan berbeda antar waktu dan individu
 Slope tetap tetapi intersep berbeda antar individu
 Slope tetap tetapi intersep berbeda antar individu antar waktu
 Semua koefisien (slope dan intersep) berbeda antar individu
 Semua koefisien berbeda antar individu dan antar waktu

• Berdasarkan variasi-variasi asumsi tsb, terdapat tiga pendekatan

perhitungan model regresi data panel yaitu:
1. Pooled OLS Method (PLS)
2. Fixed Effect Model (FEM)
3. Random Effect Model (REM)
 Pendekatan dalam Regresi Data Panel
Pooled Ordinary Least Square (PLS)
• Menggunakan metode estimasi OLS biasa.
• Setiap unit individu memiliki intersep dan slope yang sama (tidak ada
perbedaan pada dimensi kerat waktu).
• Regresi panel data yang dihasilkan berlaku untuk setiap individu.

Fixed Effect Model (FEM)

• Intersep dibedakan antar individu.
• Dalam membedakan intersepnya dapat digunakan peubah dummy,.
• Metode ini dikenal dgn model Least Square Dummy Variable (LSDV).

Random Effect Model (REM)

• Intersep tidak dianggap konstan, namun dianggap sebagai peubah
random dengan suatu nilai rata-rata
• Metode random dikenal dgn sebutan Error Components Model (ECM)
 Common Effect Model (CEM)
•• Merupakan pendekatan data panel yang paling sederhana
• Model ini mengasumsikan perilaku individu sama dalam
berbagai kurun waktu.
• Mengasumsikan tidak adanya heterogenitas dan asumsi
adanya dampak yang sama berlaku untuk semua individu

Model persamaan CEM:

i = 1,2, ..., N dan t = 1, 2, ..., T

 Common Effect Model (CEM)
• Kelemahan common effects model (CEM) adalah tidak dapat
menganalisis perbedaan antar individu dan antar waktu
sehingga terdapat kemungkinan estimator yang dihasilkan
bersifat bias.
 Fixed Effect Model (FEM)
•• FEM mengasumsikan bahwa perbedaan antar individu
dapat diakomodir melalui perbedaan intersept-nya.
(Gujarati, 2003)

• Model persamaannya sebagai berikut:

α + i = 1,2, ..., N
(α + t = 1, 2, ..., T
α+

• Berdasarkan asumsi struktur matriks varians-kovarians

errornya, terdapat 3 metode estimasi yang dapat
digunakan pada FEM, yaitu: OLS, GLS, dan FGLS/SUR.
AA adalah slope hasil estimasi dengan teknik pooled OLS
 Fixed Effect Model (FEM) dengan LSDV
•• Idenya adalah dengan merepresentasikan perbedaan
intersep, yaitu dengan dummy variable.
α + i = 1,2, ..., N
(α + t = 1, 2, ..., T
α+

=+
 Fixed Effect Model (FEM)
Hati-hati dalam menggunakan LSDV, karena:
1. Penggunaan variabel dummy yang terlalu banyak akan
meningkatkan dof, sehingga observasi akan kurang cukup
untuk menghasilkan analisis statistik yang bermakna.
2. Semakin banyak variabel yang terdapat di dalam model,
resiko kemungkinan terjadi multikolinearitas juga semakin
meningkat.
3. LSDV model tidak dapat mengidentifikasi dampak dari
variabel time invariant.
 Fixed Effect Model (FEM)
•Hati-hati dalam menggunakan LSDV, karena:
4. Perlu berhati-hati dalam error term (). Hal tersebut karena
menunjukkan observasi secara cross section dan
menunjukkan observasi secara time series, sehingga asumsi
klasik untuk perlu dimodifikasi. Berikut beberapa
kemungkinannya:
– Varians dari error bersifat homoskedastis untuk semua
unit cross section, atau heteroskedastis
– Setiap individu tidak terjadi autokorelasi dari waktu ke
waktu, atau terjadi autokorelasi
– Error term berkorelasi antar individu, atau tidak
berkorelasi
 Random Effect Model (REM)
•• Perbedaan karakteristik antar individu merupakan
komponen error sehingga perbedaan intercept untuk
masing-masing individu merupakan variabel
random/stokastik. Persamaan REM dapat ditulis sebagai
berikut (Gujarati, 2003):
α + i = 1,2, ..., n
α +) t = 1, 2, ..., T
α+
• Pada REM, metode OLS tidak bisa digunakan untuk
mendapatkan estimator yang efisien karena adanya korelasi
antara dan .
• Sehingga, metode yang digunakan untuk mengestimasi
parameter REM adalah GLS.
 Random Effect Model (REM)
• Asumsi yang harus dipenuhi:
•
•
•
• untuk semua , , dan
• untuk atau
• untuk
Contoh
 Contoh
• Model:

Di mana
Real value of the firm
Real capital stock
Real gross investment
 Contoh
Dependent Variable: Y?
Model CEM
Method: Pooled Least Squares
Date: 10/24/14 Time: 09:06
Sample: 1935 1954
Included observations: 20
Cross-sections included: 4
Total pool (balanced) observations: 80

Variable Coefficient Std. Error t-Statistic Prob.

C -63.30414 29.61420 -2.137628 0.0357

X1? 0.110096 0.013730 8.018809 0.0000
X2? 0.303393 0.049296 6.154553 0.0000

R-squared 0.756528 Mean dependent var 290.9154

Adjusted R-squared 0.750204 S.D. dependent var 284.8528
S.E. of regression 142.3682 Akaike info criterion 12.79149
Sum squared resid 1560690. Schwarz criterion 12.88081
Log likelihood -508.6596 Hannan-Quinn criter. 12.82730
F-statistic 119.6292 Durbin-Watson stat 0.218717
Prob(F-statistic) 0.000000
 Contoh

• Model dengan LSDV:

untuk GM, untuk lainnya

untuk US, untuk lainnya
untuk WEST, untuk lainnya
 Contoh
Dependent Variable: Y?
Method: Pooled Least Squares
Date: 10/28/14 Time: 11:56
Sample: 1935 1954
Included observations: 20
Cross-sections included: 4
Total pool (balanced) observations: 80

Variable Coefficient Std. Error t-Statistic Prob.

C -73.84947 37.52291 -1.968117 0.0528

X1? 0.107948 0.017509 6.165319 0.0000
X2? 0.346162 0.026664 12.98212 0.0000
Fixed Effects (Cross)
_GE--C -171.9429
_GM--C -10.37070
_US--C 167.6899
_WE--C 14.62366

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.934563 Mean dependent var 290.9154

Adjusted R-squared 0.930141 S.D. dependent var 284.8528
S.E. of regression 75.28890 Akaike info criterion 11.55258
Sum squared resid 419462.9 Schwarz criterion 11.73123
Log likelihood -456.1032 Hannan-Quinn criter. 11.62421
F-statistic 211.3706 Durbin-Watson stat 0.807158
Prob(F-statistic) 0.000000
Contoh
 Pemilihan Model Terbaik

Common Effect
Model
Uji Chow
Uji BP-LM Fixed Effect
Model Uji
Hausman
Random Effect
Model

(Baltagi, 2005)
 Uji Chow (CEM vs FEM)
(seluruh intersep tidak memiliki efek individu )
dimana (sekurang-kurangnya terdapat satu intersep yang
memiliki efek individu )

Jika maka asumsi intersept sama tidak berlaku, sehingga FEM

lebih baik dari CEM.

(Greene, 2005)
 Uji Hausman (REM vs FEM)
(tidak terdapat korelasi antara efek individu dengan variabel
independen )
(terdapat korelasi antara efek individu dengan variabel
independen )
REM mengasumsikan tidak ada korelasi antara variabel
independen dan efek individu [
FEM mengasumsikan ada korelasi antara variabel independen
dan efek individu [

Jika , maka dapat disimpulkan FEM lebih baik dari REM

(Baltagi, 2005)
 Uji BP-LM (CEM vs REM)
atau (varians residual bersifat homoskedastis )
atau (varians residual bersifat heteroskedastis)

residual CEM

Jika LM > maka model estimasi yang tepat adalah REM.

(Greene, 2003)
Pemeriksaan Struktur Varians-Kovarians
Residual
• Data panel yang merupakan data gabungan dari dimensi
ruang dan waktu akan memiliki struktur residual yang lebih
kompleks dibanding data cross section atau time series saja.
• Perlu dilakukan uji untuk mendeteksi pelanggaran asumsi
klasik pada data panel, khususnya asumsi homoskedastis
dan non-cross sectional correlation.
• Untuk menguji kedua asumsi tersebut dapat dilihat dari
struktur varians-kovarians residual yang dihasilkan.
Berdasarkan asumsi struktur matriks varians-kovarians errornya, ada 3
•metode estimasi (Greene, 2003):

Ordinary Lest Square (OLS)

Error diasumsikan berdistribusi normal, tidak ada autokorelasi, dan

homoskedastis.

Generalized Least Square (GLS)

Error diasumsikan tidak ada autokorelasi dan heteroskedastis.

Feasible Generalized Least Square (FGLS)/Seemingly Unrelated

Correlation (SUR)

Error FGLS tidak memerlukan uji asumsi.

Penentuan Struktur Varians-Kovarians
Residual

Homoskedastis

Uji LM

Heteroskedastis

Uji
Ada cross-sectional
correlation

(Greene, 2003)
 Uji LM
• Digunakan untuk melihat keheteroskedastisitas pada
struktur varians-kovarians pada residual yang dihasilkan.

= estimasi varians error individu ke-i kondisi homoskedastis

= sum square error FEM

• Jika , maka tolak Ho, artinya varians antarindividu tidak sama

 lanjut uji
 Uji
• Digunakan untuk melihat terjadi cross-section correlation
atau tidak pada struktur varians-kovarians residual.

untuk (cov (ui, uj) = 0 atau tidak terdapat korelasi antar

individu)
untuk (cov (ui, uj) ≠ 0 atau terdapat korelasi antar individu )

= korelasi error individu ke-i dengan individu ke-j dan i j

Hipotesis nol ditolak jika .
 Metode Estimasi: CEM
Struktur Matriks Varians-kovarians
Residual
Metode Estimasi
Variance- Cross-sectional
Covariance correlation
Homocedastis Tidak ada Ordinary Least Square (OLS)
Generalized Least Square (GLS)/ Weighted
Heterocedastis Tidak ada Least Square (WLS)/ Cross Sectional
Weight
Feasible Generalized Least Square (FGLS)/
Heterocedastis Ada Seemingly Unrelated Regression (SUR)
atau Maximum Likelihood Estimator (MLE)
Ada Serial Feasible Generalized Least Square (FGLS)
Heterocedastis
Correlation dengan proses Autoregressive (AR)
 Metode Estimasi: FEM

Struktur Matriks Varians-kovarians

Residual
Metode Estimasi
Cross-sectional
Variance-Covariance correlation
Homocedastis Tidak ada Ordinary Least Square (OLS)/LSDV
Heterocedastis Tidak ada Weighted Least Square (WLS)
Heterocedastis Ada Seemingly Unrelated Regression
(SUR)
 Metode Estimasi: REM

Metode OLS tidak bisa digunakan untuk mendapatkan

estimator yang efisien bagi model random effects. Metode
yang tepat untuk mengestimasi model random effects adalah
Genaralized Least Squares (GLS).
Flowchart
Flowchart (2)
 Kestasioneran Data
(Konstannya rata-rata dan varians observasi)

Data dikatakan stasioner bila:

• Rataan series kontan untuk setiap periode amatan
• Varians series kontan untuk setiap periode amatan
• Data bersifat flat
• Tidak mengandung komponen trend
• Tidak terdapat fluktuasi periodik

Akibat dari tidak stasionernya observasi

• Adanya spurious regression (regresi palsu)
 Nachrowi (2006): Adanya otokorelasi 
mengakibatkan data menjadi tidak stasioner

• Tidak stasionernya data berarti mempunyai sifat

autokorelasi
• Bila data dapat distasionerkan maka otokorelasi akan hilang
dengan sendirinya
• Karena metode transformasi data untuk membuat data
menjadi stasioner sama dengan transformasi data untuk
menghilangkan autokorelasi
 Transformasi data:
Tidak stasioner > stasioner

Yaitu dengan pembedaan (difference)

• First difference
• Second difference (dilakukan bila data yang diperoleh
setelah dilakukan pembedaan pertama masih menunjukkan
trend)
 Uji Stasioneritas
1. Grafik: plot nilai observasi dan waktu (t)
2. Uji Formal
– ASUMSI CROSS-SECTIONAL INDEPENDENCE
• Uji Levin, Lin dan Chu (LLC)
• Uji Im, Pesaran dan Shin (IPS)
• Uji Breitung
• Uji Kombinasi p-value (Combining P-value test)
• Residual Based LM Test
– ASUMSI CROSS-SECTIONAL DEPENDENCE

50
 Uji LLC
• Levin, Lin dan Chu (LLC) : uji UNIT ROOT bagi masing-
masing individu (cross-section) mempunyai keterbatasan
dalam hipotesis alternatif. Hal ini disebabkan secara
persisten terjadi deviasi yang cukup besar terhadap
keseimbangannya, terutama terjadi pada ukuran sample
yang kecil.

• Oleh karena itu, disarankan suatu uji UNIT ROOT bagi DATA
PANEL yang lebih powerful daripada hanya uji pada masing-
masing cross-sectionnya.
 Uji LLC
• Uji LLC dinyatakan dalam persamaan berikut:
pi
Dyit = ri yi ,t -1 +  iL Dyi ,t - L + zit  + uit
L =1
zit - fixed / random effect
• Karena ordo lag tidak diketahui, maka perlu
dilakukan tiga tahap prosedur uji LLC:
1. Lakukan uji Augmented Dickey-Fuller (ADF)
masing-masing secara terpisah
2. Lakukan estimasi long-run standard deviation
melalui persamaan s) = 1 �Dy + 2�w �
2
yi �
1 T

�Dy Dy
2
it
k
)
T

it i .t - L
�
�
T -1 T
� - 1
t =2 L =1
KL
t = 2+ L �
3. Hitung uji statistik untuk panel dengan
mengestimasi pooled regresi persamaan:
it = rn i ,t + e it
e% % %
 Uji LLC
• Adjusted t-statistic:
t - %%sˆ -%2sˆ ( rˆ ) m * %
NTS
t r* = r N e mT

sˆ mT
*
%

• Kelemahan uji LLC:

1. Uji ini sangat tergantung pada asumsi interdependensi
antar individu dan juga tidak dapat diaplikasikan jika
terjadi korelasi antar cross-section.
2. Adanya asumsi yang sangat restriktif dimana
dinyatakan bahwa semua cross-section bisa
mengandung atau tidak mengandung UNIT ROOT
 Levin-Lin-Chu Test
• Adopsi dari uji ADF
• Hipotesis:
H0 : setiap TS memiliki unit root (non stasioner)
H1 : setiap TS stasioner
• N dan T besar
• Homogeneous panel data
pi
Dyit = ryi ,t -1 +  iL Dyi,t - L + zit  + uit
L =1
zit - fixed / random effect

54
 Uji IPS
• Uji LLC sangatlah terbatas dimana dalam uji ini diperlukan r
yang homogen sepanjang cross-section (i).
• Oleh karena itu, IPS mempertimbangkan koefisien yang
heterogen dan mengusulkan alternatif prosedur pengujian
berdasarkan rata-rata uji UNIT ROOT masing-masing
individu dengan mengggunakan uji ADF.
• Hipotesis nol menyatakan bahwa masing-masing series
dalam panel mengandung UNIT ROOT (untuk setiap i) dan
hipotesis alternatifnya bahwa beberapa (tetapi tidak
semua) series individu yang mempunyai UNIT ROOT
 Uji IPS
• t statistic uji IPS merupakan rata-rata t-statistik uji ADF
masing-masing cross-section, yakni
N
1
t =
N
�tr
i =1
i

t r i adalah t-statistik individual

 Im-Pesaran-Shin Test
• Lebih baik dari uji LLC
• Hipotesis:
H0 : ri = 0;  i
H1 : ri  0
• Menggunakan rata-rata unit root test statistik individu
• Heterogenous panel data
pi
Dyit = ri yi ,t -1 +  iL Dyi ,t - L + zit  + uit
L =1
zit - fixed / random effect

57