09/04/2021

WORKSHOP PENGOLAHAN DATA PANEL

DENGAN SOFTWARE STATA 14

Dr. Sihar Tambun, SE, M.Si, Ak.

WA 081213211000
Email: sihar.tambun@yahoo.com
www.nvconsultant.id
 CONTOH MODEL PENELITIAN

09/04/2021
X1

X2

X3

Y1 Y2

X4

X5

CX7 CX8
X6
 TAHAPAN PENGOLAHAN DATA

 Persiapan Pengolahan Data

09/04/2021
 Statistik Deskriptif

 Uji Korelasi

 Uji Regresi

 Uji Pengaruh Langsung dan Tidak Langsung

 Uji Kelayakan Data (Uji Asumsi Klasik)

 Uji Model Yang Paling Sesuai (Chow Test, LM Test,

Hausman Test)
 PERSIAPAN PENGOLAHAN DATA
 Sajikan Data di Ms. Exel dengan Format sbb:

09/04/2021
 PERSIAPAN PENGOLAHAN DATA
 Data dicopy dari Ms Excel, jika data berwarna merah, kita harus

09/04/2021
mendistring data: destring, replace
 Lakukan setting kolom untuk nomor dan tahun (sesuai yang tertulis di
data yang dicopy ke stata: xtset no year
 STATISTIK DESKRIPTIF
 Untuk melihat statistic deskriptif dari data penelitian: xtsum y1 y2 x1 x2
x3 x4 x5 x6 cx7 cx8

09/04/2021
 UJI KORELASI
 Untuk melihat correlation dari data penelitian: corr y2 y1 x1 x2 x3 x4 x5
x6 cx7 cx8

09/04/2021
 UJI REGRESI
 Uji Regresi: Pengaruh X1, X2, X3, X4, X5, X6 Terhadap Y1: regress y1 x1 x2
x3 x4 x5 x6

09/04/2021
 UJI REGRESI
 Uji Regresi: Pengaruh Y1, X1, X2, X3, X4, X5, X6, CX7, CX8 Terhadap Y2:
regress y2 y1 x1 x2 x3 x4 x5 x6 cx7 cx8

09/04/2021
 UJI PENGARUH LANGSUNG DAN TIDAK LANGSUNG
Dilakukan dengan dua langkah:
Pertama: Mengolah data SEM: sem (y1 <- x1) (y1 <- x2) (y1 <- x3) (y1 <- x4) (y1 <- x5) (y1 <-

09/04/2021
x6) (y2 <- y1 x1 x2 x3 x4 x5 x6 cx7 cx8)
 UJI PENGARUH LANGSUNG DAN TIDAK LANGSUNG
 Kedua: Melihat pengaruh langsung dan tidak langsung: estat teffects

09/04/2021
 UJI PENGARUH LANGSUNG DAN TIDAK LANGSUNG
 Melihat pengaruh tidak langsung

09/04/2021
 UJI ASUMSI KLASIK
Pengujian asumsi klasik biasanya dilakukan setelah running common
effect. Hal ini dilakukan untuk menghindari adanya kesalahan penggunaan

09/04/2021
residual. Berikut adalah langkah-langkah pengujian asumsi klasik:
 Uji Multikolinieritas, dilakukan running regresi standar atau common
effect sebelum VIF diuji: regress y1 x1 x2 x3 x4 x5 x6 untuk persamaan
1 dan regress y2 y1 x1 x2 x3 x4 x5 x6 cx7 cx8 untuk persamaan 2
dengan sintax yang dipergunakan untuk common effect: vif
 Hasilnya sebesar 2.26 dan 2.70 (Bebas masalah multikolinieritas)
 Apabila mean VIF < 10 maka dapat dikatakan bahwa model memenuhi
asumsi non multikolinieritas.
 Bila tidak lolos vif, maka data bisa ditransformasi (Contoh data di
logaritma kan)
 Masalah Multikolinieritas terjadi umumnya karena pergerakan data
Independen dengan variabel Devendennya terlalu banyak kesamaan.
 UJI ASUMSI KLASIK
 Uji Autokorelasi dilakukan running regresi standar atau common effect :
regress y1 x1 x2 x3 x4 x5 x6, dengan sintax yang dipergunakan: xtserial

09/04/2021
y1 x1 x2 x3 x4 x5 x6
 Jika belum ada command xtserial, maka install terlebih
dahulu dengan koneksi internet:
 net from http://www.stata-journal.com/software/sj3-2/
 net describe st0039
 net install st0039
 Hasilnya Prob > F = 0.5772 (bebas masalah Autokorelasi)
 Apabila nilai Prob > F lebih kecil dari tingkat signifikansi 0.05, maka
mengindikasikan terjadinya autokorelasi atau pelanggaran asumsi non
autokorelasi. Namun jika terbukti nilai prob > chi2 lebih BESAR dari
tingkat signifikansi 0.05 maka bebas autokorelasi. Masalah autokorelasi
dapat diatasi dengan metode general least square (GLS) dengan sintax
yang dipergunakan: xtgls y1 x1 x2 x3 x4 x5 x6, igls
 UJI ASUMSI KLASIK
 Uji Heteroskedastisitas dilakukan running regresi standar atau common
effect: regress y1 x1 x2 x3 x4 x5 x6, dengan sintax yang dipergunakan:

09/04/2021
hettest (hanya untuk CE). Untuk FE menggunakan sintax: xttest3
(Dilakukan Seteleh Regresi Metode FE diatasnya xtreg y1 x1 x2 x3 x4
x5 x6, fe ).
 Hasil hettest Prob > chi2 = 0.0000 (Ada masalah heteroskedastisitas).
 Apabila nilai prob > chi2 lebih kecil dari tingkat signifikansi 0.05, maka
mengindikasikan terjadinya heteroskedastisitas atau pelanggaran asumsi
homoskedastisitas. Jika terbukti terjadi pelanggaran heteroskedastisitas,
maka solusinya dilakukan regresi Robust. Sintax yang dipergunakan:
regress y1 x1 x2 x3 x4 x5 x6, robust dan khusus untuk CE, sedang untuk
FE dan RE menggunakan rumus sintax: xtreg y1 x1 x2 x3 x4 x5 x6, fe
robust dan xtreg y1 x1 x2 x3 x4 x5 x6, re robust
 Hasil regresi robust dipergunakan sebagai dasar pengambilan
kesimpulan pengujian hipotesis.
 UJI MODEL PALING SESUAI
Pengujian Model Pertama: Pengaruh X1, X2, X3, X4, X5, dan X6
Terhadap Y1:

09/04/2021
 Cara melihat Common Effect: Uji regresi biasa (Lalu disimpan): regress
y1 x1 x2 x3 x4 x5 x6 dan predict resid, r

 Cara melihat Fixed Effect (Lalu simpan model): xtreg y1 x1 x2 x3 x4 x5

x6, fe dan estimates store fixed

 Cara melihat Random Effect (Lalu simpan model): xtreg y1 x1 x2 x3 x4

x5 x6, re dilanjutkan dengan: xttest0 dan estimates store random

 Hausman Test untuk membandingkan antara Fixed Effet dan Random

Effect: hausman fixed random
 UJI MODEL PALING SESUAI
Untuk melihat model mana yang paling sesuai, lakukan dengan
melihat Chow test, LM test, dan Hausman test:

09/04/2021
Chow Test, melihat model mana yang terbaik Common Effect atau Fixed
Effect:
 Chow Test digunakan untuk membandingkan antara model common
effect dan fixed effect. Nilai yang digunakan adalah nilai rho pada
model fixed effect. Jika nilai rho > 0.5 maka model fixed effect lebih
baik daripada model common effect, jika yang terjadi sebaliknya, maka
model common effect lebih baik daripada model fixed effect.
 Hasilnya rho = 0.6388913, artinya Fixed Effect lebih baik dari Common
Effect.
 UJI MODEL PALING SESUAI
LM Test, melihat model mana yang terbaik Common Effect atau Random
Effect:

09/04/2021
 LM Test digunakan untuk membandingkan antara model common effect
dan random effect. Dilihat dari hasil Sintaks yang dipergunakan (setelah
xtreg y1 x1 x2 x3 x4 x5 x6, re) adalah: xttest0
 Untuk memutuskan mana model yang lebih baik, bisa dilihat dari nilai
prob > chibar2. Jika nilai prob>chi2 lebih kecil dari tingkat signifikansi
0.05, maka model random effect lebih baik. Jika sebaliknya, maka
common effect lebih baik.
 Hasilnya Prob > chibar2 = 0.0000 artinya Random Effect lebih baik
dari Common Effect
 UJI MODEL PALING SESUAI
Hausman Test, melihat model mana yang terbaik Fixed Effect atau Random
Effect:

09/04/2021
 Hausman Test digunakan untuk membandingkan antara model random
effect dan fixed effect. Sintaks umum yang dipergunakan adalah:
hausman nama_residual_fixed nama_residual_random. sehingga sintaks
untuk data ini adalah: hausman fixed random
 Untuk memutuskan mana model yang lebih baik, bisa dilihat dari nilai
prob> chi2. Jika nilai prob>chi2 lebih kecil dari tingkat signifikansi 0.05,
maka model fixed effect lebih baik. Jika sebaliknya, maka random effect
lebih baik.
 Hasilnya Prob > chi2 = 0.0000 artinya Fixed Effect lebih baik dari
Random Effect.
 Kesimpulan Model Paling Sesuai adalah Fixed Effet Model artinya
pengambilan kesimpulan hipotesis merekomendasikan Fixed Effect
Model lebih baik.
 KESIMPULAN
Model mana yang terbaik Fixed Effect Model, dan menggunakan Robust
untuk mengatasi masalah Heteroskedastisitas. Syntax yg dipergunakan
adalah: xtreg y1 x1 x2 x3 x4 x5 x6, fe robust

09/04/2021
 09/04/2021
SEKIAN

Terimakasih

www.nvconsultant.id