Yt ˆ ˆ1 X 1t ˆ 2 X 2t
time series
Yi ˆ ˆ1 X 1i ˆ 2 X 2i
cross sec tion
Y α̂ β̂ X β̂ X RSSR (common intersept & common slope )
it 1 1it 2 2it
Y α̂ i β̂ X β̂ X USSR (different intersept & common slope )
it 1 1it 2 2it
Bagaimana Mengestimasinya?
Yit 1i 2 i X 2 it 3i X 3it it
Semua slope bervariasi tiap unit dan waktu
E ( it ) ~ N (0, )
2
Hasil Estimasi Data Panel dg PooledOLS:
Hasil Estimasi Data Panel dg PooledGLS:
Fixed Effect Model
Memasukkan variabel boneka (dummy) dalam
model agar intersep dimugkinkan berubah
bersama berjalannya waktu serta bersama unit
lintas sektoral yang berbeda. Model FEM atau
LSDV dpt dirumuskan sbb:
F
R R /m
2
UR
2
R
1 R / n k
2
UR
Hasil Restricted F Test:
F
R R / m
2
UR
2
R
1 R / n k
2
UR
(0.9345 0.7565) / 3
F 67.110
(1 0.9345) / 74
var( it )
2
2
(homoskedastik)
cov( it , is ) (t s)
2
(error dari unit yang sama pada
waktu yang beda berkorelasi)
Koefisien korelasinya adalah:
2
corr ( it , is )
cov( it , js ) 0(i j ) 2 2
(error dari unit yang beda tidak
berkorelasi)
Jika tidak memperhitungkan korelasi
tadi dan diestimasi dengan OLS maka
estimatornya akan tidak efisien dan
tidak optimal.
Metode yang biasa dipakai adalah
Generalized Least square (GLS).
Estimasi dg GLS lbh efisien dari
estimasi dg model covariance, krn
estimasi GLS dilakukan dg membobot
observasi dg variance masing-masing.
Hasil Estimasi Data Panel dg Random Effect
Fixed Effect vs Random Effect
Menurut Judge (1985), ada beberapa hal yang
harus diperhatikan untuk menentukan
pendekatan mana yang dipilih (FEM atau
ECM):
1. Jika εi dan X berkorelasi lebih baik digunakan
FEM, dan jika εi dan X tidak berkorelasi lebih
baik digunakan ECM.
2. Jika T besar dan N kecil, perbedaan antara
keduanya relatif kecil. Tapi FEM lebih disukai.
Lanjutan FEM vs ECM …
3. Jika N besar dan T kecil, digunakan FEM jika
unit tidak random dari sampel yang besar dan
digunakan ECM jika unit diambil secara random.
4. Jika N besar dan T kecil dan jika asumsi ECM
terpenuhi, estimator ECM lebih efisien dibanding
FEM.
ˆ fe ˆ re ) 2
W ~ 2 (1)
V ( ˆ fe ) V ( ˆ re )
untuk multivaria te :
W (βˆ fe ˆ re )[V ( ˆ fe ) V ( ˆ re )] 1 ( ˆ fe ˆ re ) ~ 2 (k )
Beberapa Hal Yang Belum Didiskusikan: