Modul Data Panel

7/22/2019 Modul Data Panel

1/15

Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id

PANEL DATA DENGAN E-VIEWS

Untuk keperluan pembelajaran, pada modul ini akan dipergunakan contoh

kasus model pertumbuhan ekonomi regional di Indonesia. Modul ini akan

menguji model pertumbuhan neoklasik (neoclassical growth model untuk

kasus Indonesia dengan hipotesis utama tentang kon!ergensi pendapatan

(income convergence" yaitu kecenderungan dimana negara miskin

tumbuh lebih cepat daripada negara kaya.

#engan mendasarkan diri pada $%arro &egression' (%arro: )),

))*, ))+, kita akan menguji hipotesis absolute convergence denganmempergunakan persamaan berikut:

( )( ) Tii

T

i

iT uyT

ea

y

y

T ,00

0

log1

log1 +

=

.-

dimana ui0,Tmerepresentasikan ratarata error termuitantara aktu 0 dan

1, dan intersep adalah a=x+[(1-e-T)/T!log["#!

2edangkan untuk menguji hipotesis conditional convergence,

dimana kita berusaha untuk mempertahankan konstan stead$-state dari

masingmasing perekonomian, kita akan mengestimasi:

( )( ) Titii

T

i

iT uXyT

ea

y

y

T ,0,0

0

log1

log1

++

=

.*-

dimana 3 adalah !ektor dari !ariabel!ariabel yang mempengaruhi

stead$-stateperekonomian i.

Untuk menguji hipotesis kon!ergensi, akan dipergunakan data *4

propinsi di Indonesia untuk periode aktu )5+*000. 2ebagai !ariabel

dependent (6 adalah tingkat pertumbuhan 7#&% riil tahunan (groth dan!ariabel independent (3 adalah 7#&% per kapita riil pada aal obser!asi

(pdrb dan !ariabel!ariabel yang mempengaruhi stead$-state

perekonomian yaitu secondar$ and u%%er educational attainment(educ,

angka harapan hidup (le8, tingkat inflasi regional (inf, dan tingkat

pertumbuhan transfer pemerintah pusat (trans.

2tudistudi kon!ergensi aal, seperti Manki, &omer, dan 9eil

())* dan %arro ()), ))*, ))+, banyak menggunakan model cross-
http://qiyara.ipromart.co.id/http://qiyara.ipromart.co.id/


2/15


section linear yang diestimasi dengan metode ordinar$ least s&uares

(;2.

ross2ection.8ls, maka kita akan dapatkan hasil

estimasi dengan ?!ies pada tabel dan *.

1abel : &egresi @on!ergensi Absolut

#ependent Bariable: C&91DMethod: ;east 2quares#ate: */0E/0+ 1ime: **:0F2ample: *4Included obser!ations: *4

Bariable >oefficient

2td. ?rror t2tatistic 7rob.

> 0.**)4)* 0.0G*G45 5.0)4+EF 0.0000;C(7#&%

0.0+0)F0.00*+5) +.E+GE4 0.0000

&squared 0.+EE0+* Mean dependent!ar

0.0F0445

Adjusted &squared 0.+50EEE 2.#. dependent !ar 0.04E*F

2.?. of regression 0.00* Akaike info criterion 4.0F*5

G

2um squared resid 0.00*)+ 2charH criterion 4.005F)

4;og likelihood E.G++++ statistic GF.*+)5

)#urbin9atson stat .+E+5EG 7rob(statistic 0.00000

+

1abel *: &egresi @on!ergensi @ondisional

#ependent Bariable: C&91DMethod: ;east 2quares#ate: */0E/0+ 1ime: *0:+52ample: *4

Included obser!ations: *4



> 0.*G)+4 0.0+*45+ F.04E*0 0.0004;C(7#&%

0.0+)F00.00GG5 F.E04*0G 0.000

?#U> 0.000*5F 0.000+E5 0.F4+)G5 0.4F4G;C(;?3 0.00+*+F 0.00405+ 0.E4F5E) 0.G)5F

IJ 0.00+)E4 0.00F45 0.+5)G* 0.+5G51&AJ2 0.00F5+F 0.00+0F0 0.)FG*+5 0.G+4E

&squared 0.4F**E Mean dependent!ar

0.0F0445

Adjusted &squared 0.++*55* 2.#. dependent !ar 0.04E*F

*


3/15


2.?. of regression 0.0*+ Akaike info criterion +.)G5++

G2um squared resid 0.00*+G* 2charH criterion

+.4F5**

G;og likelihood EG.EE*0 statistic 5.5))E

5#urbin9atson stat .F40E54 7rob(statistic 0.000+F

1erlihat baha hasil estimasi kurang memuaskan dimana hanya

ada satu !ariabel penjelas yang signifikan yaitu pdrb. 9alau demikian,

angka &*dan #9stat terlihat cukup baik. @ita juga gagal membuktikan

hipotesis kon!ergensi kondisional dengan melihat koefisien 7#&% per

kapita aal yang tidak banyak berubah.

Untuk kasus kita diatas, penggunaan metode ;2 ini memberikan

kita hasil yang kurang memuaskan karena regresi persamaan tunggal

cross-section seperti ini akan menghadapi masalah bias spesifikasi

(s%eci'ication bias. Dal ini terjadi sebagai akibat dari perlakuan yang

kurang tepat terhadap efek spesifikdaerah khususnya yang berasosiasi

dengan perbedaan dalam teknologi dan selera. 2elain itu, hal ini juga

terjadi karena kita tidak mengetahui !ariabel!ariabel apa saja yang

seharusnya kita masukkan ke dalam persamaan sebagai determinan dari

pertumbuhan ekonomi. #engan kata lain, kita tidak tahu $regresi yang

sesungguhnya'. #isini kita menghadapi masalah omitted variable bias.

7ersamaan regresi pertumbuhan antar daerah, secara implisit

mengasumsikan baha semua daerah memiliki fungsi produksi yang

sama, yang artinya semua perekonomian beroperasi pada tingkat efisiensi

yang sama. Asumsi implisit ini terlihat kurang realistis. #alam

kenyataannya kita melihat perbedaan dalam metode produksi dan tingkatpengetahuan teknologi antar daerah sangat ber!ariasi. @arena itu sangat

mungkin fungsi produksi antar daerah untuk ber!ariasi secara substansial.

7ersamaan regresi seperti diatas mungkin akan memperkirakan lebih

rendah tingkat kon!ergensi karena tidak sepenuhnya mampu menangkap

keseluruhan perbedaan dalam fungsi produksi antar daerah.

%eberapa peneliti merekomendasikan penggunaan metode data

paneluntuk mengatasi masalah bias spesifikasi ini. Metode data panel

dipertimbangkan mengingat pendekatan ini mungkin akan memuaskan

G


4/15


karena metode ini mengiHinkan kita untuk menghitung $efek spesifik

daerah' yang menandakan !ariasi dalam pendapatan per kapita yang

terkait dengan karakteristik spesifik daerah. #engan metode ini kita dapat

mengkontrol kondisi stead$-state setiap daerah dengan lebih baik.7endekatan ini juga mungkin memuaskan karena ia dapat mengatasi

kesulitan interpretasi terhadap homogenitas parameter yang biasa kita

temui dalam regresi pertumbuhan cross-sectionkon!ensional.

Untuk menganalisa kasus diatas dengan metode data panel, modul

ini akan mempergunakan file data: &egresi=7anel#ata.8ls. 2truktur data

terdiri dari *4 data cross-sectionyaitu *4 propinsi di Indonesia serta +

data time-seriesyaitu periode tahun )5+)E0, )E0)E+, )E+))0,

))0))+, dan ))+*000.

Analisis data panel dengan program -viewssecara umum terdiri

dari langkahlangkah sebagai berikut:

. Membuat or*'ileuntuk #ata 7anel

*. Membuat ool bect

G. Mengimpor #ata 7anel

F. ?stimasi #ata 7anel

1. Membuat Wor!ile untu Data Panel

;angkah pertama dalam pengolahan data panel dengan ?!ies adalah

membuat orkfile. 1idak ada yang istimea disini. Urutan langkah

langkahnya adalah:

- @lik File

- @lik New

- @lik Workfile ...

F


5/15


- @emudian ketik frekuensi dan aktu untuk orkfile panel data kita.

@arena data kita terdiri dari data *4 propinsi dengan + periode

rentang aktu, maka ...

- @lik Annual

- @etik sembarang tahun yang menunjukkan + tahun. Misal, ketik

"tart date# 1$%1danEnd date# 1$%&

- @lik '(

- @ita akan dapatkan sebuah wor*'ileyang siap digunakan untuk

analisa data panel dengan rentang aktu (time-series + tahun.

+


6/15


). Membuat Pool Object

Aspek terpenting dalam%ool obectadalah daftar nama cross-sectiondari

data panel kita. Untuk alasan teknis, nama cross-sectionsebaiknya harus

singkat. ool obectadalah deskripsi yang menggambarkan struktur data

yang melandasi data panel kita. Urutan langkah membuat %ool obect

adalah:

- @lik Objects

- @lik New object

- @lik Pool ...

4


7/15


- @lik '(

- Maka akan terlihat%ool windowdi layar monitor.

- @etik kemudian cross-section identi'iers pada kolom edit di %ool

window.

- 7ergunakan tanda $=' untuk mengaali nama cross-section

identi'iers

- Untuk *4 propinsi di Indonesia, cross-section identi'iers akan

nampak seperti pada gambar berikutnya.

- 2etelah itu, simpan%ooldengan cara mengklik Name... pada%ool

window.

- %eri nama sesuai dengan keinginan pada kolom edit yang tersedia.

-7emberian nama%oolini dapat juga dilakukan langsung pada saatkita mengklik%oolpada pertama kali obect windowterbuka. ;ihat

gambar sebelumnya.

5


8/15


*. Mengimpor Data Panel

Untuk alasan kenyamanan dan kemudahan, disarankan untuk menyimpan

data dalam format Ms ?8cel. #ari ?8cel, data dapat diimpor dengan

mudah ke ?!ies. 1erdapat beberapa cara untuk mengimpor data panel.

#alam modul ini kita hanya berhubungan dengan balanced data"

yaitu kasus dimana setiap cross-sectionatau time seriesmemiliki jumlah

obser!asi yang sama, sehingga total obser!asi yang kita miliki adalah J.1

dimana JKjumlah cross-sectiondan 1Kjumlah time-series. ontoh:

E


9/15


c=usa c=kor c=jpn g=usa g=kor g=jpn))0))))*

...

#isini, > adalah konsumsi dan C adalah pengeluaran pemerintah. 2etiap

negara (U2A, @orea, dan dan C

masingmasing.

tac*ed data

7ada bentuk data ini, data seluruh !ariabel dikelompokkan secara

bersamasama, sehingga setiap kolom mencerminkan !ariabel. 1erdapat

dua jenis stac*ed datayaitu:

a! tac*ed data b$ cross-section

7ada bentuk data ini, data diurutkan menurut cross-section. >ontoh:

id 6ear c g=usa ))0

... ...=usa *000

=kor ))0... ...=kor *000=jpn ))0

... ...=jpn *000

b! tac*ed data b$ date

7ada bentuk data ini, data diurutkan menurut date. >ontoh:

year Id c g))0 =usa))0 =kor))0 =jpn

... ...*000 =usa*000 =kor*000 =jpn

2etelah memahami hal diatas, kini kita siap untuk mengimpor data

panel ke dalam ?!ies. 1empatkan data dalam format ?8cel. @etik sesuai

)


10/15


dengan salah satu cara pengaturan diatas. #alam file &egresi=7anel

data.8ls data diatur dalam bentuk stac*ed b$ date.

Urutan langkah mengimpor data panel ke dalam ?!ies adalah:

-@lik Procs pada%ool window

- @lik Import Pool Data (ASII! "#S!W$%& ...

- 7ada layar kemudian akan muncul o%en window

- 1emukan dimana file data kita disimpan, pilih &egresi=7anel

#ata.8ls, kemudian klik ope'

- 7ada layar akan muncul xcel %readsheet m%ortindo

- @arena kita menggunakan bentuk pengaturan data stac*ed b$ date,

maka pilihlah: series order= in columnsdan grou% observation= b$

cross-section!

- @etik kemudian nama semua !ariabel kita pada tempat yang telah

disediakan, dengan ketentuan: penulisan antar !ariabel diselingi

spasi satu dan setiap !ariabel diakhiri tanda L

- Untuk kasus kita diatas, ketiklah: grothL pdrbL educL le8L infL

transL

- 1ampilan xcel %readsheet m%ortindo akan menjadi seperti

gambar ini.

-@lik O$

0


11/15


- @ini data telah diimpor ke ?!ies dan siap untuk diolah.

+. Estimasi Data Panel

2ebagaimana telah dibahas pada materi, baha dalam analisis data panelkita memiliki beberapa pilihanpilihan yaitu dengan metode 7;2 (%ooled

least s&uares, ?M ('ixed e''ect model, atau &?M (random e''ect model.

Urutan langkah untuk melakukan estimasi dalam data panel adalah:

- @lik Estimate pada%ool window kita.

- 7ada layar kemudian akan muncul%ooled estimation window

- 1erdapat beberapa fitur utama pada %ooled estimation window

yaitu:

o Dependent ,ariable" adalah tempat kita menuliskan

!ariabel dependent (6 untuk data panel. #alam kasus kita

diatas, 6 K grothL

o Common -oe!!i-ents" adalah tempat kita menuliskan

!ariabel penjelas (3 dengan slo%e koefisien yang konstan.

#alam kasus kita diatas, 3 K log(pdrbL educL log(le8L infL

transL

o Crossse-tion spe-i!i- -oe!!i-ients" adalah tempat kita

menuliskan !ariabel penjelas (3 dengan slo%ekoefisien yang

berbeda untuk setiap unit cross-section.

o /nter-ept" adalah pilihan untuk asumsi intercept, apakah

mengikuti asumsi 7;2, ?M, atau &?M.

o Weig0ting" adalah pilihan untuk pembobotan yaitu:

No Weig0ting : semua obser!asi diberi bobot yang

sama.

Cross"e-tion Weig0ts : C;2 dengan menggunakan

estimasi !arians residual cross section. #igunakan

apabila ada asumsi baha terdapat cross section

heteros*edasticit$.

"2: C;2 menggunakan estimasi residual covariance

matrix cross section. Metode ini mengoreksi baik

heteroskedastisitas maupun autokorelasi antar unit

cross-section.


12/15


- 2elain fitur utama, terdapat pilihan tambahan yang dapat dipilih

yaitu:

o W0ite 3eterosedasti-ity -o,arian-e: ?!ies

mengestimasi co!ariance yang akan menghasilkan general

heteros*edasticit$" format ini lebih umum dari cross section

heteros*edasticit$di atas di mana !ariance dalam tiap unit

cross section diiHinkan untuk berbeda untuk tiap unit time

series.

o /terate to Con,ergen-e :?!ies akan terus mengu%date

pembobot (weights dan koefisien sampai mencapai

kon!ergensi.

#alam kasus kita diatas, kita akan memiliki dua skenario berikut:

. &egresi untuk kon!ergensi absolut

o @lik Estimate pada%ool window kita.

o @etik grothL pada dependent ,ariabe

o

@etik log(pdrbL pada -ommon -oe!!i-ientso 7ilih fi8ed effects pada inter-ept

*


13/15


o 7ilih crosssection eights pada 4eig0ting

o @lik'(

#ependent Bariable: C&91DLMethod: C;2 (>ross 2ection 9eights#ate: */0E/0+ 1ime: **:)2ample: )0 )0+Included obser!ations: +Jumber of crosssections used: *41otal panel (balanced obser!ations: G0nestep eighting matri8



;C(7#&%L 0.05*4)

0.00*0+0 E.F*G44+ 0.0000

i8ed ?ffects=A>?D> 0.*)F+*E=2UMU1> 0.*4G*5F

=2UM%A&> 0.*5FF*5=&IAU> 0.*)EG)*= 0.*EF)0+

=2UM2?;> 0.*FE)*4=%?JC@U;U> 0.*4+++*=;AM7UJC> 0.*554E

=#@I> 0.*+E+F= 0.*+FFG+

= 0.*+*E+=#I6> 0.*44G*F

= 0.*5G)E)=%A;I> 0.*4EF)E=J1%> 0.*4)F=J11> 0.*5F)E0

=@A;%A&> 0.*4F)+=@A;1?JC> 0.*E45E+=@A;2?;> 0.*EG**=@A;1IM> 0.*E0+4=2U;U1> 0.*4*0)

=2U;1?JC> 0.*F)G0=2U;1&A> 0.*F*0F*=2U;2?;> 0.*FG*)F=MA;U@U> 0.*+G0G

=I& 0.*G*FFG9eighted 2tatistics

&squared 0.E04EGF Mean dependent!ar

0.0555

Adjusted &squared 0.5+E05F 2.#. dependent !ar 0.04+0+

2.?. of regression 0.0G0*+* 2um squared resid 0.0)F*4F

statistic 4.+F4)G #urbin9atson stat *.+440*5

7rob(statistic 0.000000

Uneighted 2tatistics

&squared 0.FF*+E* Mean dependent!ar

0.0F0445

G


14/15


Adjusted &squared 0.G0E5F 2.#. dependent !ar 0.0G4**4

2.?. of regression 0.0G0*4E 2um squared resid 0.0)FG4+

#urbin9atson stat *.0F0+00

*. &egresi untuk kon!ergensi kondisional

o @lik Estimate pada%ool window kita.

o @etik grothL pada dependent ,ariabe

o @etik log(pdrbL educL log(le8L infL transL pada -ommon

-oe!!i-ients

o 7ilih fi8ed effects pada inter-ept

o 7ilih crosssection eights pada 4eig0ting

o @lik'(

#ependent Bariable: C&91DLMethod: C;2 (>ross 2ection 9eights#ate: */0E/0+ 1ime: **:*+2ample: )0 )0+Included obser!ations: +Jumber of crosssections used: *41otal panel (balanced obser!ations: G0nestep eighting matri8

Bariable >oefficient 2td. ?rror t2tatistic 7rob.

;C(7#&%L 0.0*0+

0.00*G0) E.5*5GFG 0.0000

?#U>L 0.0)F4+E 0.0*GF) F.0EE)E) 0.000;C(;?3L

0.00+5+G0.0)GF5 0.*)5GE* 0.544E

IJL 0.00F)4

0.0G+G 0.G0+F* 0.5+4E

1&AJ2L 0.000F0* 0.0045EF 0.0+)G*F 0.)+*Ei8ed ?ffects=A>?D> 0.GF)+5*

=2UMU1> 0.G4GG+

=2UM%A&> 0.G*5+0*=&IAU> 0.G+F+EG= 0.GG4F4)

=2UM2?;> 0.G0G0E=%?JC@U;U> 0.GG5G*=;AM7UJC> 0.G*EF05

=#@I> 0.G0G*GF= 0.G0G*G+

= 0.*)5FE4=#I6> 0.GFG*

= 0.G4G5=%A;I> 0.G5G*F=J1%> 0.G040E+=J11> 0.GE404

=@A;%A&> 0.G04+5)

F


15/15


=@A;1?JC> 0.G*++F=@A;2?;> 0.G*445)=@A;1IM> 0.G*0+FG=2U;U1> 0.G0*5+)

=2U;1?JC> 0.*E4)+E

=2U;1&A> 0.*5E40)=2U;2?;> 0.*E*E0E=MA;U@U> 0.*)4)4

=I& 0.*504FE

9eighted 2tatistics

&squared 0.EE+0G Mean dependent!ar

0.05E4++

Adjusted &squared 0.EF++)+ 2.#. dependent !ar 0.054+0

2.?. of regression 0.0*))*G 2um squared resid 0.0EE4F

statistic *F.+FE5+ #urbin9atson stat *.+)F4GE

7rob(statistic 0.000000

Uneighted 2tatistics

&squared 0.F+EF*5 Mean dependent!ar

0.0F0445

Adjusted &squared 0.*)FGG 2.#. dependent !ar 0.0G4**4

2.?. of regression 0.0G0FG* 2um squared resid 0.0)4EG

#urbin9atson stat *.0F*)4+

+

Modul Data Panel

Documents

Transcript of Modul Data Panel