panduan regresi data panel - agus tri basuki · fakultas ekonomi dan bisnis universitas...

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Bahan Ajar Rgresi Data Panel Agus Tri Basuki, SE., M.Si.

PANDUAN REGRESI DATA PANEL

Data panel adalah gabungan antara data runtut waktu (time series) dan data silang (cross section. Menurut Agus Widarjono (2009) penggunaan data panel dalam sebuah observasi mempunyai beberapa keuntungan yang diperoleh. Pertama, data panel yang merupakan gabungan dua data time series dan cross section mampu menyediakan data yang lebih banyak sehingga akan lebih menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time seriesdan cross section dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (omitted-variabel).

Hsiao (2014), mencatat bahwa penggunaan panel data dalam penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross section maupun time series. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan degree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di mana dapat menghasilkan estimasi ekonometri yang efisien. Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja. Dan Ketiga, panel data dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section.

Menurut Wibisono (2005) k eunggulan regresi data panel antara lain : Pertama. Panel data mampu memperhitungkan heterogenitas individu secara ekspilisit dengan mengizinkan variabel spesifik individu. Kedua. Kemampuan mengontrol heterogenitas ini selanjutnya menjadikan data panel dapat digunakan untuk menguji dan membangun model perilaku lebih kompleks. Ketiga, data panel mendasarkan diri pada observasi cross-section yang berulang-ulang (time series), sehingga metode data panel cocok digunakan sebagai study of dynamic adjustment. Keempat, tingginya jumlah observasi memiliki implikasi pada data yang lebih informative, lebih variatif, dan kolinieritas (multikol) antara data semakin berkurang, dan derajat kebebasan (degree of freedom/df) lebih tinggi sehingga dapat diperoleh



hasil estimasi yang lebih efisien. Kelima, data panel dapat digunakan untuk mempelajari model-model perilaku yang kompleks. Dan Keenam, Data panel dapat digunakan untuk meminimalkan bias yang mungkin ditimbulkan oleh agregasi data individu.

Model Regresi Panel dari judul diatas sebagai berikut ini:

Y = α + b1X1it + b2X2it +…..+ e

Keterangan:

Y = Variabel dependen (LDR) α = Konstanta X1 = Variabel independen 1 X2 = Variabel independen 2 b(1,2…) = Koefisien regresi masing-masing variabel independen e = Error term t = Waktu i = Perusahaan

Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain:

1. Common Effect Model

Merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel.

2. Fixed Effect Model

Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik variable dummy untuk menangkap



perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya sama antar perusahaan. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).

3. Random Effect Model

Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh error terms masing-masing perusahaan. Keuntungan menggunkan model Random Effect yakni menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error Component Model (ECM) atau teknik Generalized Least Square (GLS)



Gambar 1 Langkah-Langkah Penelitian Data Panel

Ya

Tidak

Studi Pustaka

(Kerangka Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan Pembentukan Model

Metode Estimasi Data Panel 1. Common Effect 2. Fixed Effect 3. Random Effect

Pemilihan Model Regresi Data Panel 1. Uji Chow 2. Uji Lagrange Multiplier 3. Uji Hausman

Pengolahan Data Uji Spesifikasi Model dan Uji

Asumsi Klasik

Estimasi Model dan Pengujian Hipotesis

Kesimpulan dan Saran

Memenuhi



Data GDP, POP, KURS, GFCF, LIR, TR, TRADE dan IVA di 5 Negara ASEAN

Tahun GDP POP Kurs GFCF LIR TR Trade IVA

IND

ON

ESIA

2000 4,121,726,241,993,900 211,540,428 8,422 1,060,872,288,362,200 18.46 99,643,790,476,190 2,944,432,464,112,750 1,967,791,836,600,200

2001 4,271,899,954,667,000 214,448,301 10,261 1,129,749,087,480,800 18.55 190,614,200,000,000 2,981,495,922,803,340 2,021,590,172,211,700

2002 4,464,113,041,849,300 217,369,087 9,311 1,182,784,395,845,000 18.95 215,467,500,000,000 2,637,374,038,628,250 2,107,764,749,213,200

2003 4,677,514,123,258,600 220,307,809 8,577 1,189,884,726,120,600 16.94 249,404,313,253,852 2,507,919,080,077,860 2,186,913,010,032,200

2004 4,912,833,962,560,100 223,268,606 8,939 1,364,599,072,554,300 14.12 283,093,000,000,000 2,935,973,057,506,130 2,273,100,844,234,100

2005 5,192,500,538,917,800 226,254,703 9,705 1,513,164,999,669,000 14.05 312,488,056,626,926 3,322,573,914,833,110 2,380,026,639,458,400

2006 5,478,137,490,010,100 229,263,980 9,159 1,552,460,084,009,500 15.98 343,625,377,952,311 3,103,755,304,808,870 2,486,855,317,982,500

2007 5,825,726,531,358,900 232,296,830 9,141 1,697,209,598,268,500 13.86 374,762,699,277,696 3,194,202,162,925,520 2,604,234,878,138,900

2008 6,176,068,457,506,700 235,360,765 9,699 1,898,942,099,974,500 13.60 658,701,000,000,000 3,616,792,130,902,920 2,701,585,275,030,700

2009 6,461,950,710,551,600 238,465,165 10,390 1,961,482,072,067,500 14.50 619,922,000,000,000 2,940,970,850,172,160 2,798,525,931,939,900

2010 6,864,133,100,000,000 241,613,126 9,090 2,127,840,682,000,000 13.25 723,307,000,000,000 3,205,637,598,235,500 2,936,192,400,000,000

2011 7,287,635,300,000,000 244,808,254 8,770 2,316,359,104,097,800 12.40 873,874,000,000,000 3,656,936,354,349,880 3,122,633,400,000,000

2012 7,727,083,400,000,000 248,037,853 9,387 2,527,728,790,484,400 11.80 980,518,000,000,000 3,831,311,903,721,210 3,288,298,000,000,000

2013 8,156,497,800,000,000 251,268,276 10,461 2,654,375,036,700,900 11.66 1,077,310,000,000,000 3,967,106,232,237,770 3,431,080,900,000,000

2014 8,566,271,200,000,000 254,454,778 11,865 2,775,733,579,064,600 12.61 1,145,282,928,434,310 4,116,716,178,297,760 3,577,694,800,000,000

2015 8,976,931,500,000,000 257,563,815 13,389 2,916,601,630,562,700 12.66 1,164,554,577,386,610 3,764,719,516,265,140 3,672,595,500,000,000

2016 8,164,934,610,302,790 260,013,489 12,935 2,542,077,573,709,210 11.56 935,748,526,661,157 4,201,921,841,339,830 3,547,268,352,813,750

2017 8,380,512,700,553,410 263,041,350 13,343 2,612,020,756,005,150 11.13 974,202,791,298,637 4,304,178,262,152,610 3,638,770,115,628,690

2018 8,596,090,790,804,030 266,069,210 13,751 2,681,963,938,301,090 10.69 1,012,657,055,936,110 4,406,434,682,965,400 3,730,271,878,443,630

SIN

GA

PO

RE

2000 183,379,000,000 4,027,887 1.72 57,109,300,000 5.83 24,606,000,000 671,297,132,015 49,397,500,000

2001 181,632,700,000 4,138,012 1.79 54,731,200,000 5.65 23,466,000,000 640,707,943,923 45,290,500,000

2002 189,282,500,000 4,175,950 1.79 50,010,400,000 5.35 21,025,000,000 670,586,235,664 47,163,100,000

2003 197,677,800,000 4,114,826 1.74 47,501,400,000 5.31 21,173,000,000 756,693,631,255 47,769,000,000

2004 216,554,400,000 4,166,664 1.69 52,075,500,000 5.30 22,563,000,000 879,843,366,239 52,653,700,000

2005 232,772,500,000 4,265,762 1.66 53,477,000,000 5.30 24,627,000,000 983,069,170,288 56,860,200,000

2006 253,396,600,000 4,401,365 1.59 58,541,200,000 5.31 27,940,000,000 1,090,511,558,656 63,055,200,000

2007 276,484,900,000 4,588,599 1.51 67,890,600,000 5.33 34,961,000,000 1,102,228,634,774 67,732,000,000




2008 281,427,400,000 4,839,396 1.41 75,333,000,000 5.38 37,679,000,000 1,237,314,366,668 67,653,400,000

2009 279,729,300,000 4,987,573 1.45 78,111,500,000 5.38 36,584,000,000 1,007,670,883,058 67,881,300,000

2010 322,361,100,000 5,076,732 1.36 84,224,800,000 5.38 41,807,100,000 1,199,503,600,000 84,111,900,000

2011 342,371,500,000 5,183,688 1.26 88,618,400,000 5.38 46,049,300,000 1,282,874,386,498 89,975,600,000

2012 354,937,000,000 5,312,437 1.25 95,931,600,000 5.38 50,081,500,000 1,303,099,571,415 92,002,000,000

2013 371,532,000,000 5,399,162 1.25 101,416,000,000 5.38 51,077,100,000 1,343,427,462,218 94,256,200,000

2014 383,644,000,000 5,469,724 1.27 98,777,300,000 5.35 54,083,600,000 1,380,249,251,424 96,904,600,000

2015 391,349,000,000 5,535,002 1.37 97,756,100,000 5.35 55,639,600,000 1,276,255,855,731 93,605,900,000

2016 378,799,288,506 5,589,202 1.25 98,542,169,425 5.04 50,567,927,816 1,422,227,212,025 94,751,036,782

2017 390,182,949,485 5,687,450 1.23 101,363,281,216 4.99 52,158,273,267 1,466,417,972,886 97,567,786,036

2018 401,566,610,463 5,785,698 1.20 104,184,393,007 4.94 53,748,618,717 1,510,608,733,747 100,384,535,291

MA

LA

YSIA

2000 1,148,003,261,100 51,360,341 3.80 128,089,585,500 7.67 48,709,000,000 2,530,283,567,400 252,963,440,700

2001 1,135,692,216,900 51,627,469 3.80 125,447,962,500 7.13 62,741,041,000 2,309,596,343,100 246,632,941,000

2002 1,234,364,173,200 54,313,322 3.80 126,172,668,100 6.53 66,859,000,000 2,460,785,113,800 256,965,744,900

2003 1,348,896,825,900 57,179,984 3.80 129,760,671,400 6.30 64,891,000,000 2,619,488,710,800 275,957,749,900

2004 1,526,959,233,900 61,743,758 3.80 134,371,788,600 6.05 72,051,000,000 3,212,322,502,500 295,216,014,600

2005 1,750,919,095,800 68,447,143 3.79 141,057,295,500 5.95 80,593,000,000 3,569,326,678,800 304,465,944,800

2006 1,922,297,721,300 72,460,107 3.67 149,892,719,300 6.49 86,630,341,000 3,894,145,623,900 317,580,854,500

2007 2,143,126,674,000 75,138,535 3.44 166,072,117,100 6.41 95,168,389,525 4,124,792,489,400 320,087,395,500

2008 2,480,079,502,800 85,628,170 3.34 170,207,590,500 6.08 112,897,300,469 4,381,521,541,195 317,288,727,200

2009 2,296,183,240,765 82,719,612 3.52 165,973,951,600 5.08 106,504,411,011 3,732,653,603,412 296,120,332,600

2010 2,645,921,057,400 90,575,721 3.22 184,291,000,000 5.00 109,515,185,226 4,179,100,235,400 310,501,000,000

2011 2,936,783,166,300 97,017,891 3.06 195,995,000,000 4.92 134,885,000,000 4,550,187,060,900 317,855,000,000

2012 3,128,496,596,100 99,526,719 3.09 233,202,000,000 4.79 151,643,000,000 4,625,225,806,500 333,553,000,000

2013 3,281,054,334,300 101,224,491 3.15 252,162,000,000 4.61 155,952,200,000 4,682,757,873,600 345,531,000,000

2014 3,564,037,632,600 105,256,037 3.27 264,235,000,000 4.59 164,204,890,000 4,929,400,721,700 366,742,000,000

2015 3,727,244,327,400 106,369,976 3.91 274,010,000,000 4.59 171,820,174,259 5,000,287,469,400 385,975,000,000

2016 3,312,462,743,639 106,050,403 3.76 240,567,558,210 4.11 148,973,844,049 5,321,087,688,624 391,630,457,386

2017 3,431,095,788,324 109,225,560 3.80 246,963,417,904 3.88 153,844,596,033 5,503,669,636,066 401,523,890,471




2018 3,549,728,833,009 112,400,717 3.84 253,359,277,598 3.65 158,715,348,016 5,686,251,583,508 411,417,323,556

PH

ILIP

HIN

ES

2000 3,580,714,144,600 77,932,247 44.19 22,780,068,912 10.91 657,897,000,000 3,750,076,902,703 1,233,773,328,500

2001 3,684,339,740,200 79,604,541 50.99 28,241,646,217 12.40 698,603,300,000 3,644,141,422,664 1,245,634,218,900

2002 3,818,667,014,300 81,294,378 51.60 32,665,121,487 9.14 777,180,201,653 3,911,654,622,596 1,281,633,984,300

2003 4,008,468,654,600 82,971,734 54.20 32,518,898,694 9.47 914,844,580,454 4,082,598,605,877 1,336,430,145,900

2004 4,276,941,311,300 84,596,249 56.04 31,791,893,213 10.08 1,032,942,517,592 4,389,960,376,553 1,406,338,222,200

2005 4,481,279,173,600 86,141,373 55.09 32,732,240,297 10.18 1,223,016,054,876 4,386,211,041,984 1,465,272,159,600

2006 4,716,230,536,300 87,592,899 51.31 27,782,334,454 9.78 1,313,608,090,000 4,477,628,221,117 1,532,814,099,000

2007 5,028,287,876,800 88,965,508 46.15 27,651,234,906 8.69 1,374,438,470,000 4,355,473,236,639 1,621,226,456,600

2008 5,237,100,460,900 90,297,115 44.32 34,110,276,561 8.75 1,493,400,000,000 3,994,978,933,960 1,699,171,312,900

2009 5,297,239,678,000 91,641,881 47.68 31,149,659,786 8.57 1,370,973,490,000 3,474,479,880,030 1,666,600,706,000

2010 5,701,538,990,500 93,038,902 45.11 40,997,390,701 7.67 1,613,942,200,000 4,072,010,141,559 1,859,515,257,400

2011 5,910,201,356,700 94,501,233 43.31 42,148,492,542 6.66 1,850,017,280,000 4,001,083,182,690 1,893,950,404,200

2012 6,305,228,000,000 96,017,322 42.23 40,341,662,592 5.68 1,908,089,229,239 4,092,057,890,248 2,031,443,000,000

2013 6,750,631,382,800 97,571,676 42.45 51,615,050,648 5.77 2,234,672,960,446 4,066,937,408,096 2,219,068,131,300

2014 7,170,414,383,100 99,138,690 44.40 54,322,486,994 5.53 2,104,916,011,848 4,392,838,913,938 2,391,188,162,800

2015 7,593,828,396,600 100,699,395 45.50 62,528,463,225 5.58 2,226,639,359,382 4,786,807,132,718 2,535,795,730,900

2016 6,709,102,527,567 102,660,095 54.71 48,133,076,269 4.38 2,046,163,554,941 5,090,859,842,252 2,180,660,780,772

2017 6,877,076,533,656 104,218,712 55.79 49,313,829,021 3.86 2,114,772,103,119 5,213,700,151,795 2,232,595,737,294

2018 7,045,050,539,745 105,777,329 56.86 50,494,581,774 3.35 2,183,380,651,297 5,336,540,461,339 2,284,530,693,817

TH

AIL

AN

D

2000 5,254,390,000,000 62,693,322 40.11 1,169,038,000,000 7.83 657,897,000,000 6,373,463,864,778 1,927,493,000,000

2001 5,435,364,000,000 63,415,174 44.43 1,190,489,000,000 7.25 698,603,300,000 6,536,987,066,250 1,972,132,000,000

2002 5,769,578,000,000 64,136,669 42.96 1,264,207,000,000 6.88 777,180,201,653 6,633,269,000,000 2,137,333,000,000

2003 6,184,372,000,000 64,817,254 41.48 1,423,985,000,000 5.94 914,844,580,454 7,216,719,210,212 2,330,706,000,000

2004 6,573,325,000,000 65,404,522 40.22 1,649,896,000,000 5.50 1,032,942,517,592 8,375,209,795,797 2,498,509,000,000

2005 6,848,605,000,000 65,863,973 40.22 1,885,491,000,000 5.79 1,223,016,054,876 9,441,069,296,356 2,629,316,000,000

2006 7,188,838,000,000 66,174,486 37.88 1,934,759,000,000 7.35 1,313,608,090,000 9,639,280,718,938 2,766,905,000,000

2007 7,579,558,000,000 66,353,572 34.52 1,968,711,000,000 7.05 1,374,438,470,000 9,843,810,058,786 2,949,715,000,000

2008 7,710,356,000,000 66,453,255 33.31 2,014,697,000,000 7.04 1,493,400,000,000 10,828,190,199,033 3,017,886,000,000




2009 7,653,432,000,000 66,548,197 34.29 1,795,686,000,000 5.96 1,370,973,490,000 9,098,188,909,247 2,958,856,000,000

2010 8,227,953,000,000 66,692,024 31.69 2,003,974,000,000 5.94 1,613,942,200,000 10,429,526,413,952 3,268,640,000,000

2011 8,296,548,000,000 66,902,958 30.49 2,101,553,000,000 6.91 1,850,017,280,000 11,520,956,231,846 3,134,519,000,000

2012 8,896,468,000,000 67,164,130 31.08 2,326,689,000,000 7.10 1,908,089,229,239 12,256,242,432,126 3,362,631,000,000

2013 9,136,861,000,000 67,451,422 30.73 2,303,576,000,000 6.96 2,234,672,960,446 12,129,469,377,752 3,408,964,000,000

2014 9,211,567,000,000 67,725,979 32.48 2,248,499,000,000 6.77 2,104,916,011,848 12,155,262,559,984 3,397,938,000,000

2015 9,472,101,000,000 67,959,359 34.25 2,354,425,000,000 6.56 2,226,639,359,382 12,010,739,741,105 3,473,353,000,000

2016 9,581,084,527,582 70,220,299 38.03 2,239,457,166,099 4.77 2,046,163,554,941 13,100,796,034,461 3,686,402,218,541

2017 9,821,753,731,260 70,740,037 38.40 2,271,216,203,380 4.47 2,114,772,103,119 13,514,300,617,845 3,784,104,999,890

2018 10,062,422,934,937 71,259,775 38.77 2,302,975,240,662 4.17 2,183,380,651,297 13,927,805,201,228 3,881,807,781,239

Sumber : Laporan Bank Dunia

Persamaan Regresi Data Panel :

GDP = f (POP, KURS, GFCF, LIR, TR, TRADE, IVA)

GDPt = α0 + α1 POPt + α2KURSt +α3GFCFt + α4LIRt + α5TRt + α6 TRADEt+ α6IVAt + εt



Ada 2 cara meregres data panel dalam program eviews, yaitu :

1. Cara Pertama

Cara memindah data dari excel ke eviews sebagai berikut :

a. Buka Excell yang datanya akan kita pindah ke eviews

b. Buka eviews



Klik File New Workfile

Maka akan muncul dilayar

Pilih Dated-regular frequency

Pilih Frequency Annual

Dan Isi Start Date 2000

End date 2018 tekan OK



Pilih Object New Object

Muncul dilayar

Isi DATAPANEL

Pilih Pool



Dilayar akan muncul :

Dan isilah

Kemudian pilih Proc Import Pool Data (ASCI,XLS,WK?)…

Sebanyak Negara yang

dijadikan sampel



Perhatikan data yang akan kita impor, file tersebut harus dalam

keadaan tertutup. Dan yang kita ingat adalah letak data pertama

Dan kita cari posisi file tersebut

Klik Open

Letak data awal yang akan di copy di kursor D3

Pilih Excel (*.xls)



Klik OK dan akan muncul dilayar

Jika muncul tampilah diatas, maka upload data panel di eviews

sukses

Lokasi Kursor di awal data

Tulislah semua symbol variabel yang

dijadikan sampel data dan diakhiri

dengan tanda tanya



Cara melakukan regresi data panel

Klik datapanel

Dilayar akan muncul

Pilih Estimate



Isilah Variabel terikatnya dan variabel bebasnya dan diakhiri

setiap variabel dengan tanda tanya

Dalam meregres data panel akan dihasilkan 3 Model : 1. Model Common Effect 2. Model Fixed Effect 3. Model Random Effect



Model Common Effect

Karena muncul tanda E

berarti perbedaan nilai antar

variabel sangat besar,

sehingga perlu kita kecilkan

dengan model logaritma



Setelah semua variabel kita log kan (kecuali LIR karena dalam persen)

didapat hasil sebagai berikut :

Menunjukan

angka elastisitas



Model Fixed Effect

Hasil Regresi



Model Random Effect

Hasil Regresi



Pemilihan Metode Pengujian Data Panel Uji Chow (Uji likelihood) Uji Chow merupakan uji untuk menentukan model terbaik antara Fixed Effect Model dengan Common/Pool Effect Model. Jika hasilnya menyatakan menerima hipotesis nol maka model yang terbaik untuk digunakan adalah Common Effect Model. Akan tetapi, jika hasilnya menyatakan menolak hipotesis nol maka model terbaik yang digunakan adalah Fixed Effect Model, dan pengujian akan berlanjut ke uji Hausman. Chow test yakni pengujian untuk menentukan model Common Effect atau Fixed Effect yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah: H0 : Common Effect Model atau pooled OLS H1 : Fixed Effect Model

Uji Hausman

Hausman test yakni pengujian untuk menentukan model Fixed Effet atau Random Effect yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:

H0 : Random Effect Model H1 : Fixed Effect Model

Jika dari hasil Uji Hausman tersebut menyatakan menerima

hipotesis nol maka model yang terbaik untuk digunakan adalah model Random Effect. Akan tetapi, jika hasilnya menyatakan menolak hipotesis nol maka model terbaik yang digunakan adalah model Fixed Effect.



Uji Chow

Regres Model Fixed Effect

Klik View Fixed/Random Effect Testing

Hasilnya sebagai berikut :

Karena nilai prob. 0.000 < dari nilai α = 0.05 maha Ho ditolak,

sehingga model terbaik adalah Model Fixed Effect



Uji Hausman

Regres Model Random effect

Hasil Uji Hausman

Karena nilai prob. 0.000 < dari nilai α = 0.05 maha Ho ditolak,

sehingga model terbaik adalah Model Fixed Effect



Dari hasil Uji Chow dan Uji Hauman memutuskan model terbaik

adalah Model Fixed Effect, sehingga Uji LM tidak perlu kita

lakukan.

Uji Asumsi Klasik

Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas, Normalitas, Multikolinieritas, Heteroskedastisitas dan Autokorelasi. Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS (Gujarati, 2003)

a. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana tingkat linieritasnya.

b. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.

c. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.

d. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat ke ciri data cross section dibandingkan time series.

e. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.

Sehingga dalam data panel cukup di uji Multikolinearitas dan Uji Heteroskedastisitas.



Uji Multikolinearitas

Salah satu asumsi regresi linier klasik adalah tidak adanya multikolinearitas sempurna (no perfect multicolinearity) tidak adanya hubungan linier antara variabel penjelas dalam suatu model regresi. Istilah ini multikoliniearitas itu sendiri pertama kali diperkenalkan oleh Ragner Frisch tahun 1934. Menurut Frisch, suatu model regresi dikatakan terkena multikoliniearitas bila terjadi hubungan linier yang sempurna (perfect) atau pasti (exact) di antara beberapa atau semua variabel bebas dari suatu model regresi. Akibatnya akan kesulitan untuk dapat melihat pengaruh variabel penjelas terhadap variabel yang dijelaskan (Maddala, 1992: 269-270).

Untuk menguji multikolinearitas bisa dibandingkan R kuadrat regresi variabel bebas terhadap variabel terikat dengan R kuadrat regresi antar variable bebasnya. Jika R2 regresi variabel bebas terhadap variabel terikat lebih besar dari R2 regresi antar variable bebasnya, maka dapat disimpulkan bahwa model tersebut tidak mengandung multikolinearitas.

Karena model terbaik adalah Fixed Effect Model, maka model

inilah yang akan kita uji apakah model tersebut memenuhi asumsi klasik. Lakukan regres seperti dibawah ini dan lihar R21 :



Didapat R21 = 0.999774

Lakukan regres seperti dibawah ini dan lihar R22 :

Didapat R22 = 0.941266




Didapat R23 = 0.995060




Didapat R24 = 0.999547


Didapat R25 = 0.997681




Didapat R26 = 0.999616




Didapat R27 = 0.964295

R21 = 0.999774 Lebih besar

R22 = 0.941266

R23 = 0.995060

R24 = 0.999547

R25 = 0.997681

R26 = 0.999616

R27 = 0.964295

Kesimpulan karena R21 > R22, R

23, R

24, R

25, R

26, R

27 maka model fixed

effect tidak mengandung multikolinearitas.



Uji Heteroskedastisitas

Heteroskedastisitas tidak merusak sifat kebiasan dan konsistensi dari penaksir OLS, tetapi penaksir tadi tidak lagi efisien yang membuat prosedur pengujian hipotesis yang biasa nilainya diragukan. Oleh karena itu jika suatu model terkena heteroskedastisitas diperlukan suatu tindakan perbaikan pada model regresi untuk menghilangkan masalah heteroskedastisitas pada model regresi tersebut.

Lakukan regres terhadap model fixed effect, kemudian klik Proc

Make Residuals



Akan muncul dilayar

Resid ini otomatis akan tersimpan



Lakukan regresi ulang klik Estimate

Gantilah Log(GDP?) dengan Log(abs(resid?)) lalu tekan OK, dan

akan muncul dilayar



Model diatas tidak mengandung heteroskedastisitas

Tidak

Signifikan



2. Cara Kedua

Copy data yang ada di excel

Dari GDP sampai IVA

Buka Eviews

Pilih File New Workfile



Pilih Balanced Panel dan isi Panel specification

Akan muncul tampilan



Klik Quick Empty Group (Edit Series)

Copy data di Excell

Dan Pastekan di sini



Sehingga muncul tampilan sebagai berikut :

Cara Meregres dengan cara kedua ini

Klik Proc Make Equation



Ganti

gdp pop kurs gfcf lir tr trade iva c

Dengan

log(gdp) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade) log(iva)

c

Klik Panel Options



Untuk Regresi Common Effeck pilih

Dan hasil regresinya



Untuk Regresi Fixed Effeck pilih




Untuk Regresi Random Effeck pilih




Untuk pemilihan Model terbaik

Uji Chow

Estimate Regresi Model Fixed Effect

Pilih View Fixed/Random Effect Testing Redundan

Fixed Effect – Likelihood Ratio



Muncul Hasil Uji Chow

Kesimpulan :

Ho ditolak artinya Model Fixed Effect adalah model terpilih

Uji Hausman

Estimate Regresi Model Random Effect Effect

Pilih View Fixed/Random Effect Testing Correlated

Random Effect – Hausman Test



Hasil Uji Hauman

Kesimpulan :

Ho ditolak artinya Model Fixed Effect adalah model terpilih

Berdasarkan Uji Chow dan Uji Hausman Model Terpilih adalah

Model Fixed Effect

Uji Asumsi Klasik

Uji Normalitas

Pilih View Residual Diagnostics Histogram – Normality

Test



Hasil Uji Normalitas

Karena nilai probabilitas < 0,05 maka data tidak berdistribusi normal

Uji Multikolinearitas

Klik gdp pop kurs gfcf lir tr trade iva

Kemudian klik kanan dan klik Copy

Kemudian klik Quick Group Statistics Correlation



Maka akan muncul

Klik OK

Klik Yes



Ceck apakah ada nilai > 0.85

Atau untuk uji multikolinearitas gunakan cara dengan membandingkan

R2 hasil regres variabel bebas terhadap variabel dengan R2 hasil regres

antar variabel bebasnya.

Uji Heteroskedastisitas

Buka hasil regresi Model Fixed Effect Model

Pilih Proc Make Residual Series

Akan muncul tampilan



Pilih OK

Kemudian klik Estimate

Ganti

log(gdp) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade) log(iva) c

Dengan

log(abs(resi01)) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade)

log(iva) c



Dan hasilnya

Tidak signifikan



Hasil Analisis

Interpretasi Regresi Data Panel Model Fixed Effect

Variable Coefficient Std. Error

C -2.823947 1.889121

LOG(POP?) 0.215406*** 0.016576

LOG(KURS?) 0.197261** 0.082540

LOG(GFCF?) -0.095415*** 0.019391

LIR? -0.030963*** 0.007783

LOG(TR?) -0.035275 0.069587

LOG(TRADE?) 0.918337*** 0.043936

LOG(IVA?) 0.150876** 0.072395

R-squared 0.999774

Keterangan :

*** signifikan pada α = 1 % ** signifikan pada α = 5 % * signifikan pada α = 10 %

Hasil regresi tersebut dapat kita susun menjadi persamaan regresi

sebagai berikut :

LOG(GDP) = - 2.8239 + 0.2154 LOG(POP) + 0.1972 LOG(KURS) - 0.0309 LIR - 0.0954 LOG(GFCF) - 0.0352 LOG(TR) + 0.9183 LOG(TRADE) + 0.1509 LOG(IVA)



DAFTAR PUSTAKA

Gujarati, D. N. (2003). Basic Econometrics” fourth edition McGraw-Hill. New York.

Hsiao, C. (2014). Analysis of panel data (No. 54). Cambridge university press.

Maddala, G. S., & Lahiri, K. (1992). Introduction to econometrics(Vol. 2). New York:

Macmillan.

Wibisono, Y. (2005). Metode statistik. Gajah Mada University, Yogyakarta.

Widarjono, A. (2009). Ekonometrika pengantar dan aplikasinya. Yogyakarta: Ekonisia.

panduan regresi data panel - agus tri basuki · fakultas ekonomi dan bisnis universitas...

Documents