Analisis Regresi Data Panel
description
Transcript of Analisis Regresi Data Panel
TUGAS RESUME
ANALISIS REGRESI DATA PANEL
Dosen pengampu : Dr. Nur Karomah Dwidayati, M.Si
Disusun oleh:
Nama : Ginanjar Priyo Adhi Wibowo
Kelas : A2 Reguler
NIM : 0401515045
PROGRAM STUDI PENDIDIKAN MATEMATIKA
FAKULTAS PENDIDIKAN PASCASARJANA
UNIVERSITAS NEGERI SEMARANG
2015
ANALISIS REGRESI DATA PANEL
1. Data Panel
Data panel adalah kombinasi dari data time series dan cross section. Dengan
mengakomodasi informasi yang terkait dengan variabel-variabel cross-section maupun time
series, data panel secara substansial mampu mengatasi masalah yang ditimbulkan akibat
mengabaikan variabel yang relevan (Ommited-Variables). Untuk mengatasi interkorelasi di
antara variabel-variabel bebas yang pada akhirnya dapat mengakibatkan tidak tepatnya
penaksiran regresi maka digunakan metode regresi data panel. Selain itu, dalam sebuah
penelitian terkadang ditemukan persoalan mengenai ketersediaan data (data avability) untuk
mewakili variabel yang digunakan dalam penelitian sehingga dengan menggabungkan data
time series dan cross section maka jumlah observasi bertambah secara signifikan tanpa
melakukan treatment apapun terhadap data (Gujarati, 2003).
Data cross section merupakan data yang dikumpulkan pada satu waktu terhadap
banyak individu, sedangkan data time series adalah data yang dikumpulkan dari waktu ke
waktu terhadap suatu individu. Data cross section yang dikumpulkan atau diobservasi pada
periode waktu tertentu dikenal dengan nama data panel.
Keuntungan menggunakan panel data yaitu dapat meningkatkan jumlah sampel
populasi dan memperbesar degree of freedom, serta pengabungan informasi yang berkaitan
dengan variabel cross section dan time series. Keuntungan menggunakan data panel
(Gujarati, 2003) yaitu :
a. Di dalam penggunaan data panel yang meliputi data cross section dalam rentang
waktu tertentu, rentan dengan adanya heterogenitas. Penggunaan teknik estimasi data
panel akan memperhitungkan secara eksplisit heterogenitas tersebut.
b. Dengan menggunakan kombinasi, data akan memberikan informasi,
tingkatkolineraritas yang lebih kecil antar variabel dan lebih efisien.
c. Penggunaan data panel dapat meminimumkan bias yang dihasilkan jika
mengagresikan data individu ke dalam regregasi yang lebih luas.
d. Dalam data panel, variabel akan tetap menggambarkan perubahan lainnya akibat
penggunaan data time series. Selain itu penggunaan data yang tidak
lengkap(unbalanced data) tidak akan mengurangi ketajaman estimasi.
Sedangkan menurut Hsiao (1986), mencatat bahwa penggunaan panel data dalam
penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross
section maupun time series.
a. 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.
b. Panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan
hanya oleh data cross section atau time series saja.
c. Panel data dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan
dinamis dibandingkan data cross section.
Data panel biasa disebut data longitudinal atau data runtun waktu silang (cross-
sectional time series), dimana banyak kasus (orang, perusahaan, Negara dan lain-lain) diamati
pada dua periode waktu atau lebih yang diindikasikan dengan penggunaan data time series.
Data panel dapat menjelaskan dua macam informasi yaitu: informasi cross-section
pada perbedaan antar subjek, dan informasi time series yang merefleksikan perubahan pada
subjek waktu. Ketika kedua informasi tersebut tersedia, maka analisis data panel dapat
digunakan.
Analisis data panel dapat diterapkan pada beberapa bidang keilmuan dan terapan
misalnya, pada ilmu ekonomi kita dapat mempelajari perilaku perusahaan dan system
penggajian karyawan pada beberapa periode waktu tertentu, dalam ilmu politik kita dapat
mempelajari perilaku parta dan organisasi pada beberapa jangka waktu tertentu, dan dalam
bidang pendidikan, peneliti dapat mempelajari kelas-kelas siswa dan lulusan pada beberapa
waktu.
Dengan pengamatan berulang terhadap data cross section yang cukup, analisis data
panel memungkinkan seseorang dalam mempelajari dinamika perubahan dengan dengan data
time series. Kombinasi data time series dan cross section dapat meningkatkan kualitas dan
kuantitas data dengan pendekatan yang tidak mungkin dilakukan dengan menggunakan hanya
salah satu dari data tersebut (Gujarati, 2003). Analisis data panel dapat mempelajari
sekelompok subjek jika kita ingin mempertimbangkan baik dimensi data maupun dimensi
waktu.
Model yang digunakan dalam analisis data panel adalah:
Terdapat beberapa model analisis dalam data panel yaitu model koefisien tetap (fixed
effects models), dan model efek acak (random effects models). Diantara tipe-tipe model
tersebut terdapat data panel dinamik (dynamic panel), robust, dan model struktur kovarians
(covariance structure models).
Contoh data panel adalah pada data perbandingan antara tiga perusahaan garmen yang
memiliki variabel yang sama misalnya jumlah karyawan, jumlah pemesanan, jumlah
produksi, unit produksi, market share. Semua variabel tersebut dikumpulkan setiap tahun
selama 10 tahun. Kelompok data panel tersebut akan memiliki pengamatan sebanyak
pengamatan karena 3 perusahaan garmen menggunakan data selama 10 tahun.
2. Model Regresi Data Panel
Model ini memfokuskan pada analisis regresi dengan kombinasi data time series dan
cross section, yang populer disebut dengan pooled time series. Pooled time series merupakan
kombinasi antara time series yang memiliki observasi temporal biasa pada suatu unit analisis
dengan data cross section yang miliki obserevasi-observasi pada unit analisis pada titik tertentu
(Syars dalam Mudrajat Kuncoro, 2001). Ciri khusus pada data time series adalah berupa urutan
numerik di mana interval antar observasi atas sejumlah variabel bersifat konstan dan tetap sedang
data cross section adalah suatu unit analisis pada suatu titik tertentu dengan observasi atas
sejumlah variabel. Unit analisis dalam hal ini dapat individu, kota, kabupaten, provinsi, negara,
bisnis, rumah tangga, atau industri. Jadi bila sejumlah variabel untuk sejumlah cross section yang
berbeda obsevasi selama kurun waktu tertentu, maka akan diperoleh data pooling.
Alasan penggunaan data pooling:
a. Penggunaan data pooling meningkatkan jumlah observasi (sampel).
Dengan kata lain, cara ini mengatasi masalah keterbatasan jumlah data runtun waktu.
b. Dengan data pooling akan diperoleh variasi antar unit yang berbeda
Menurut ruang dan variasi yang muncul menurut waktu. Dengan demikian, analisis
dengan data ini memungkinkan untuk menguraikan, menganalisis, dan menguji hipotesis
baik hasil maupun proses bagaimana memperoleh hasil.
Analisis regresi data panel adalah analisis regresi dengan struktur data yang merupakan
data panel. Umumnya pendugaan parameter dalam analisis regresi dengan data cross section
dilakukan menggunakan pendugaan metode kuadrat terkecil atau disebut Ordinary Least Square
(OLS). Sebagaimana telah diketahui data panel adalah gabungan antara data cross section dan
data time series, dimana unit cross section yang sama diukur pada waktu yang berbeda. Maka
dengan kata lain, data panel merupakan data dari beberapa individu sama yang diamati dalam
kurun waktu tertentu. Jika kita memiliki T periode waktu (t = 1,2,...,T) dan N jumlah individu (i =
1,2,...,N), maka dengan data panel kita akan memiliki total unit observasi sebanyak NT. Jika
jumlah unit waktu sama untuk setiap individu, maka data disebut balanced panel. Jika sebaliknya,
yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced panel.
Sedangkan jenis data yang lain, yaitu: data time-series dan data cross-section. Pada data
time series, satu atau lebih variabel akan diamati pada satu unit observasi dalam kurun waktu
tertentu. Sedangkan data cross-section merupakan amatan dari beberapa unit observasi dalam satu
titik waktu.
Persamaan Regresi data panel ada 2 macam , yaitu One Way Model dan Two Way Model. One
Way Model adalah model satu arah, karena hanya mempertimbangkan efek individu (αi) dalam
model. Berikut Persamaannya:
Dimana:
α = Konstanta
β = Vektor berukuran P x 1 merupakan parameter hasil estimasi
Xit = Observasi ke-it dari P variabel bebas
αi = efek individu yang berbeda-beda untuk setiap individu ke-i
Eit = error regresi seperti halnya pada model regresi klasik.
Sedangkan Two Way Model adalah model yang mempertimbangkan efek dari waktu
atau memasukkan variabel waktu. Berikut Persamaannya:
Persamaan di atas menunjukkan dimana terdapat tambahan efek waktu yang
dilambangkan dengan deltha yang dapat bersifat tetap ataupun bersifat acak antar tahunnya.
Metode Regresi Data Panel akan memberikan hasil pendugaan yang bersifat Best Linear
Unbiased Estimation (BLUE) jika semua asumsi Gauss Markov terpenuhi diantaranya adalah
non-autcorrelation. Non-autcorrelation inilah yang sulit terpenuhi pada saat kita melakukan
analisis pada data panel. Sehingga pendugaan parameter tidak lagi bersifat BLUE. Jika data
panel dianalisis dengan pendekatan model-model time series seperti fungsi transfer, maka ada
informasi keragaman dari unit cross section yang diabaikan dalam pemodelan. Salah satu
keuntungan dari analisis regresi data panel adalah mempertimbangkan keragamaan yang
terjadi dalam unit cross section. Tidak seperti regresi biasanya, regresi data panel harus
melalui tahapan penentuan model estimasi yang tepat. Berikut diagram tahapan dari regresi
data panel:
3. Pendekatan Model Regresi Data Panel
a. Fixed Effect Model (FEM)
Model fixed effect pada data panel mengasumsikan bahwa koefisien slope konstan
tetapi intersep bervariasi sepanjang unit individu. Istilah fixed effect berasal dari kenyataan
bahwa meskipun intersep berbeda antar individu namun intersep antar waktu sama (time
invarian), sedangkan slope tetap sama antar individu dan antar waktu. Bentuk umum model
fixed effect adalah sebagai berikut.
Menurut Greene (2007), secara umum pendugaan parameter model efek tetap
dilakukan dengan LSDV (Least Square Dummy Variable), di mana LSDV merupakan suatu
metode yang dipakai dalam pendugaan parameter regresi linier dengan menggunakan MKT
pada model yang melibatkan variable boneka sebagai salah satu variabel prediktornya. MKT
merupakan teknik pengepasan garis lurus terbaik untuk menghubungkan variable prediktor
(X) dan variabel respon (Y). Berikut adalah prinsip dasar MKT:
sehingga didapatkan Jumlah Kuadrat Galat sebagai berikut:
di mana, jika matriks transpose ( ) , maka skalar = . Untuk
mendapatkan penduga parameter yang menyebabakan jumlah kuadrat galat minimum, yaitu
dengan cara menurunkan persamaan (1) terhadap parameter yang kemudian hasil turunan
tersebut disamakan dengan nol atau , sehingga diperoleh:
Pada pemodelan efek tetap grup, variabel boneka yang dibentuk adalah sebanyak N-1,
sehingga model yang akan diduga dalam pemodelan efek tetap grup adalah sebagai berikut:
Sedangkan untuk pemodelan efek tetap waktu, variabel boneka yang dibentuk
berdasarkan unit waktu, di mana variabel boneka yang terbentuk sebanyak T-1, sehingga
model yang akan diduga dalam pemodelan efek tetap waktu adalah sebagai berikut :
Hun (dalam 2005) juga mengemukakan bahwa pada model regresi panel dengan intersep
bervariasi dan slope konstan, pemodelan efek tetap komponen dua arah secara umum dilakukan
dengan Least Square Dummy Variable (LSDV), di mana model dengan peubah dummy seperti
berikut:
dengan,
Djit : peubah boneka ke-j (j = 1, 2, ..., (N-1)) unit cross-sectional ke-i dan unit waktu ke-t.
Djit bernilai satu jika j = i dan bernilai nol jika j ≠ i
Dkit : Peubah boneka ke-k (k = 1, 2, ..., (T-1)) unit cross-sectional ke-i dan unit waktu ke-t. Dkit
bernilai satu jika k = i dan bernilai nol jika k ≠ i
: rata-rata nilai peubah respon jika peubah boneka ke-j bernilai satu dan peubah penjelas
bernilai nol.
: rata-rata nilai peubah respon jika peubah boneka ke-k bernilai satu dan peubah penjelas
bernilai nol.
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.
b. Random Effect Model (REM)
Pada model random effect digunakan untuk mengatasi permasalahan yang
ditimbulkan oleh model fixed model effect. Pendekatan model fixed effect dengan peubah
semu (dummy) pada data panel menimbulkan permasalahan hilangnya derajat bebas dari
model
Model efek acak atau disebut juga dengan error component model memiliki asumsi
pengaruh unit cross-sectional dan unit waktu merupakan peubah acak yang dimasukkan
dalam model sebagai bentuk galat (Judge, et al., 1980). Model efek acak yang hanya
mempertimbangkan unit crosssectional atau unit waktu saja disebut dengan model efek acak
satu arah. Sedangkan model efek acak yang mempertimbangkan unit cross-sectional dan unit
waktu disebut model efek acak dua arah
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) .
c. Common Effect Model atau Pooled Least Square (PLS)
Model ini 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.
4. Pendugaan model Regresi Panel
a. Pendugaan Fixed Effect Model (FEM)
Greene (2007) mengungkapkan secara umum pemodelan efek tetap dilakukan
menggunakan LSDV (Least Square Dummy Variable). Dalam pendekatan LSDV ci diduga
bersama-sama dengan , menggunakan N peubah boneka (dummy) untuk setiap unit cross
section.
b. Pendugaan Random Effect Model (REM)
Metode pendugaan parameter model efek acak (Random Effect Model) menggunakan
GLS (Generalized Least Square) dan FGLS (Feasible Generalized Least Square).
5. Pemilihan Model Regresi Panel
Untuk memilih model yang paling tepat digunakan dalam mengelola data panel,
terdapat beberapa pengujian yang dapat dilakukan yakni:
1. Uji Chow
Chow test yakni pengujian untuk menentukan model Fixed Effet atau
Random Effect yang paling tepat digunakan dalam mengestimasi data panel. Chow 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 : Common Effect Model atau pooled OLS
H1 : Fixed Effect Model
Dasar penolakan terhadap hipotesis diatas adalah dengan membandingkan
perhitungan F-statistik dengan F-tabel. Perbandingan dipakai apabila hasil F hitung lebih
besar (>) dari F tabel maka H0 ditolak yang berarti model yang paling tepat digunakan
adalah Fixed Effect Model. Begitupun sebaliknya, jika F hitung lebih kecil (<) dari F
tabel maka H0 diterima dan model yang digunakan adalah Common Effect Model
(Widarjono, 2009).
Perhitungan F statistik didapat dari Uji Chow dengan rumus (Baltagi, 2005):
Dimana:
SSE1 : Sum Square Error dari model Common Effect
SSE2 : Sum Square Error dari model Fixed Effect
n : Jumlah perusahaan (cross section)
nt : Jumlah cross section x jumlah time series
k : Jumlah variabel independen
Sedangkan F tabel didapat dari:
Dimana:
α : Tingkat signifikasi yang dipakai (alfa)
n : Jumlah perusahaan (cross section)
nt : Jumlah cross section x jumlah time series
k : Jumlah variabel independen
2. Uji Hausman
Setelah selesai melakukan uji Chow dan didapatkan model yang tepat adalah Fixed
Effct, maka selanjutnya kita akan menguji model manakah antara model Fixed Effect atau
Random Effect yang paling tepat, pengujian ini disebut sebagai uji Hausman.
Uji Hausman dapat didefinisikan sebagai pengujian statistik untuk memilih apakah
model Fixed Effect atau Random Effect yang paling tepat digunakan. Pengujian uji Hausman
dilakukan dengan hipotesis berikut:
H0 : Random Effect Model
H1 : Fixed Effect Model
Uji Hausman akan mengikuti distribusi chi-squares sebagai berikut:
Statistik Uji Hausman ini mengikuti distribusi statistic Chi Square dengan degree of
freedom sebanyak k, dimana k adalah jumlah variabel independen. Jika nilai statistik
Hausman lebih besar dari nilai kritisnya maka H0 ditolak dan model yang tepat adalah model
Fixed Effect sedangkan sebaliknya bila nilai statistik Hausman lebih kecil dari nilai kritisnya
maka model yang tepat adalah model Random Effect.
3. Uji Lagrange Multiplier
Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model Random Effect
atau model Common Effect (OLS) yang paling tepat digunakan. Uji signifikasi Random
Effect ini dikembangkan oleh Breusch Pagan. Metode Breusch Pagan untuk uji signifikasi
Random Effect didasarkan pada nilai residual dari metode OLS. Adapun nilai statistik LM
dihitung berdasarkan formula sebagai berikut:
Dimana :
n = jumlah individu
T = jumlah periode waktu
e = residual metode Common Effect (OLS)
Hipotesis yang digunakan adalah :
H0 : Common Effect Model
H1 : Random Effect Model
Uji LM ini didasarkan pada distribusi chi-squares dengan degree of freedom sebesar
jumlah variabel independen. Jika nilai LM statistik lebih besar dari nilai kritis statistik chi-
squares maka kita menolak hipotesis nul, yang artinya estimasi yang tepat untuk model
regresi data panel adalah metode Random Effect dari pada metode Common Effect.
Sebaliknya jika nilai LM statistik lebih kecil dari nilai statistik chi-squares sebagai nilai kritis,
maka kita menerima hipotesis nul, yang artinya estimasi yang digunakan dalam regresi data
panel adalah metode Common Effect bukan metode Random Effect (Widarjono, 2009).
Pada kesempatan ini uji LM tidak digunakan karena pada uji Chow dan uji Hausman
menunjukan model yang paling tepat adalah Fixed Effct Model. Uji LM dipakai manakala
pada uji Chow menunjukan model yang dipakai adalah Common Effect Model, sedangkan
pada uji Hausman menunjukan model yang paling tepat adalah Random Effect Model. Maka
diperlukan uji LM sebagai tahap akhir untuk menentukan model Common Effect atau
Random Effect yang paling tepatUntuk mengetahui apakah model Random Effect lebih baik
daripada metode Common Effect (OLS) digunakan uji Lagrange Multiplier (LM).
Dari ketiga uji untuk menentukan Metode Estimasi di atas, digambarkan dalam grafik
di bawah ini:
4. Uji Asumsi Model Regresi Panel
Menurut Yudiatmaja (2013), model regresi data panel dapat disebut sebagai model
yang baik jika model tersebut memenuhi kriteria Best, Linier, Unbiased, dan Estimator
(BLUE). BLUE dapat dicapai bila memenuhi asumsi klasik. Apabila persamaan yang
terbentuk tidak memenuhi kaidah BLUE, maka persamaan tersebut diragukan
kemampuannya dalam menghasilkan nilai-nilai prediksi yang akurat. Tetapi bukan berarti
persamaan tersebut tidak bisa digunakan untuk memprediksi. Agar suatu persamaan tersebut
dapat dikategorikan memenuhi kaidah BLUE, maka data yang digunakan harus memenuhi
beberapa asumsi yang sering dikenal dengan istilah uji asumsi klasik.
Uji asumsi klasik mencakup uji normalitas, uji multikolinieritas, uji linieritas, uji
heteroskedastisitas dan uji autokorelasi. Persamaan yang terbebas dari kelima masalah pada
uji asumsi klasik akan menjadi estimator yang tidak bias (Widarjono, 2007).
Metode uji asumsi yang lain biasa digunakan seperti Metode Ordinary Least Squares
pertama kali diperkenalkan oleh Carl Friedrich Gauss, seorang ahli matematika
berkebangsaan Jerman (Mulyono, 2000:59). Dalam OLS, terdapat sepuluh asumsi yang harus
dipenuhi, yang dikenal dengan asumsi klasik. Asumsi-asumsi ini meliputi:
1. Linear Regression Model, yang berarti model harus linier dalam parameter.
2. Nilai X (variabel bebas) adalah tetap (nonstochastic).
3. Nilai rata-rata ei (error term) adalah nol (0).
4. Homoskedastisitas, yaitu varians masing-masing ei (error term) adalah sama (konstan)
untuk setiap X.
5. Tidak ada autokorelasi antar ei (error term)
6. Tidak ada covarians antara ei (error term) dan X (variabel bebas).
7. Jumlah observasi (n) harus lebih besar dari pada jumlah parameter untuk diestimasi.
8. Variabilitas dalam nilai X (variabel bebas).
9. Model regresi tidak bias atau error.
10. Tidak terdapat multikolinearitas yang sempurna.
5. Penerapan Model Regresi Data Panel
Penerapan regresi data panel dengan model fixed effect pada bantuan pembangunan di
Propinsi Daerah Istimewa Yogyakarta. Data diambil dari Mudrajad Kuncoro (2001, 127).
Seorang peneliti ingin mengetahui bagaimana pengaruh Pendapatan Asli Daerah dan Subsidi
Daerah Otonom terhadap bantuan pembangunan di Propinsi Daerah Istimewa Yogyakarta.
Misalkan Y adalah perkembangan bantuan pembangunan pada semua Daerah Tingkat II di
Propinsi Daerah Istimewa Yogyakarta, X1 adalah Pendapatan Asli Daerah dan X2 adalah
Subsidi Daerah Otonom dengan A adalah Kulon Progo, B adalah Bantul, C adalah Gunung
Kidul, D adalah Sleman, E adalah Yogyakarta. Data untuk setiap Dati II di Propinsi Daerah
Istimewa Yogyakarta adalah data time series. Berikut ini data perkembangan bantuan
pembangunan di propinsi Daerah Istimewa Yogyakarta, Pendapatan Asli Daerah dan Subsidi
Daerah Otonom selama 7 tahun:
Tabel Perkembangan Bantuan Pembangunan pada Semua Daerah Tingkat II di
Propinsi Daerah Istimewa Yogyakarta, Pendapatan Asli Daerah dan Subsidi Daerah
Otonom
Obs t Y X1 X2
A 1 1425546 491157 2011924
A 2 1830884 840404 2303464
A 3 3663068 981868 2499176
A 4 4794094 1162409 2786335
A 5 5844387 1189691 3230905
A 6 7307389 1493146 3964174
A 7 5792939 1881885 4280630
B 1 2314370 941406 2030145
B 2 2598096 1102415 2549748
B 3 4737875 1370136 2846302
B 4 6738392 1878962 3380793
B 5 7847546 2454605 4125549
B 6 8041813 2494205 4837708
B 7 8427426 3118588 5185432
C 1 2022850 822101 2341085
C 2 2424461 939831 2678916
C 3 5045461 1169435 2789259
C 4 5045937 1387267 3363586
C 5 8895931 1575922 3487614
C 6 8440303 1888178 4739240
C 7 9300002 2139780 4525480
D 1 1611746 1751822 2282936
D 2 2496174
2114612 2590774
D 3 5719510 2384367 2866663
D 4 7161940 2955461 3866893
D 5 8820114 2900155 3942863
D 6 10262753 3467932 4866394
D 7 10446460 5168421 5318609
E 1 947580
3777696 3406041
E 2 2002179 4339078 3681633
E 3 3328928
4831770 4168775
E 4 3890322
3542722 5096644
E 5 4804406
7948501 5635809
E 6 10246384
5236682 6940780
E 7 6544334 12519223 7417300
Dari data diatas akan diestimasi parameter-parameter model fixed effect pada data pooling.
Model fixed effect pada data pooling dugaan adalah
t =1,2,...,7
i =1,2,3,4,5
dengan 1 = Kulon Progo, 2 = Bantul, 3 = Gunung Kidul, 4 = Sleman, 5 = Yogyakarta.
Penulis mencoba menggunakan program pengolahan selain SPSS yakni eView 7.0.
Berikut output data perkembangan bantuan DIY dengan menggunakan eviews 7.0:
Berdasarkan autput diatas untuk nilai
b2 = -0,55312 dengan standard error 0.222184
b3 = 2,696397 dengan standard error 0.330096
Intersep untuk setiap individu adalah sebagai berikut:
A = -3103601
B = -2742149.
C = -2549787
D = -1628601
E = -6448748
sehingga persamaan untuk masing-masing individu adalah
Model fixed effect pada data bantuan pembangunan adalah
Nilai koefisien untuk variabel Pendapatan Asli Daerah (X1) adalah -0.55312 dengan
standard errornya adalah 0.222184 dan Subsidi Daerah Otonom (X2) adalah 2.696397 dengan
standard errornya adalah 0.330096. Variabel Pendapatan Asli Daerah dan Subsidi Daerah
Otonom signifikan pada α = 0.05 yang berarti Pendapatan Asli Daerah dan Subsidi Daerah
Otonom berpengaruh terhadap perkembangan bantuan pembangunan.
Untuk mengetahui apakah model fixed effect pada data pooling signifikan dilakukan uji
hipotesis. Langkah- langkah uji hipotesis sebagai berikut:
a. Hipotesis
H0: ( )
H1: Terdapat ( )
b. Taraf signifikansi a = 0.05
c. Statistik uji :
d. Perhitungan
Kriteria keputusan : H0 ditolak jika Fhit > F0.05 (4, 28) = 2.71
Berdasarkan output data perkembangan bantuan DIY diperoleh = 4.42E+13 untuk
sum squared resid model fixed effect pada data pooling dan berdasarkan data diatas
= 9.71E+13 adalah sum squared resid menggunakan model regresi data pooling
menggunakan metode kuadrat terkecil.
e. Kesimpulan
Karena Fhit = 8.3778 > F0.05 (4, 28) = 2.71 maka H0 ditolak artinya signifikan
sehingga model fixed effect pada data bantuan pembangunan signifikan. Model fixed
effect pada data bantuan pembangunan adalah
Model fixed effect pada data pooling mampu menjelaskan perbedaaan bantuan
pembangunan untuk Daerah Tingkat II di Propinsi Daerah Istimewa Yogyakarta. Nilai
intersep masing-masing Daerah Tingkat II adalah A sebesar -3103601, B sebesar -2742149,
C sebesar -2549787, D sebesar -1628601 dan E sebesar -6448748. Perbedaan intersep ini
dapat menggambarkan kemakmuran suatu daerah. Nilai koefisien determinasi sebesar
0.830545 yang berarti model mampu menjelaskan variasi investasi sebesar 0.830545.
DAFTAR PUSTAKA
Greene,W.H., (2007), Econometric Analysis, Sixth Edition, Prentice-Hall International, Inc.,
USA.
Gujarati, D., N., (2003), Basic Econometric, Mc-Graw Hill, New York.
Kuncoro, Mudrajad., (2001). Pengaruh Pendapatan Asli Daerah Dan Subsidi Daerah
Otonom Terhadap Bantuan Pembangunan Di Propinsi Daerah Istimewa Yogyakarta.
Universitas Gajah Mada, Yogyakarta
Widarjono, A., (2007), Ekonometrika Teori dan Aplikasi, Ekononisia FE UII, Yogjakarta.
Winarno, W.,W., (2007), Analisis Ekonometrika dan Statistika dengan Eviews, UPP STIM
YKPN, Yogyakarta.
Yudiatmaja, F., (2013), Analisis Regresi dengan Menggunakan Aplikasi Komputer Statistika
SPSS, Gramedia Pustaka Utama, Jakarta.