MODUL STATA PANEL DATA - diassatria.com · Dua teknik ini digunakan ... semakin besar dan...

www.diassatria.com 1

ANALISIS REGRESI : Model Data Panel

Materi ini memfokuskan pada analisis regresi yang mengkombinasikan data time

series dengan data cross section, yang dikenal dengan data panel. Materi ini

diawali dengan deskripsi mengenai data panel. Selanjutnya membahas jenis-jenis

model data panel, diikuti dengan penentuan model terbaik serta asumsi klasik

yang berkaitan dengan regresi data panel. Terakhir, cara regresi data panel yang

didampingi aplikasi-aplikasi untuk memudahkan dalam meregresi data panel.

..

APA YANG DIMAKSUD DATA PANEL ?

Data panel adalah kombinasi antara data silang tempat (cross section)

dengan data runtut waktu (time series) (Kuncoro, 2011). Aji (2011) menyatakan

bahwa terdapat tiga metode dalam mengestimasi model regresi dengan data

panel, yaitu Pooled Least Square atau biasa menggunakan metode Ordinary Least

Square (OLS), Fixed Effect (FE), dan Random Effect (RE).

Ordinary Least Square (OLS)

Model ini menggabungkan data cross section dan data time series,

kemudian dengan menggunakan metode OLS terhadap data panel tersebut. Dari

pendekatan ini kita dapat melihat perbedaan antar individu dan perbedaan antar


waktu karena interseptnya maupun slope sama. Model ini tidak memperhatikan

adanya perbedaan karakteristik dalam cross section maupun time series dalam

persamaan nya dapat ditulis dalam Gujarati (2012) adalah sebagai berikut:

𝑌𝑖𝑡=𝛽1+𝛽2+𝛽3𝑋3𝑖𝑡+⋯+𝛽𝑛𝑋𝑛𝑖𝑡+𝑒𝑖𝑡

Fixed Effect (FE)

Dalam model ini memiliki intercept yang mungkin berubah-ubah untuk

setiap individu dan waktu, dimana setiap unit cross section bersifat tetap secara

time series persamaan dari model dalam Gujarati (2012) adalah sebagai berikut:

𝑌𝑖𝑡 = 𝛼1 + 𝛼𝑛𝐷𝑛 + … + 𝛽3𝑋3𝑖𝑡 + ⋯ +𝛽𝑛𝑋𝑛𝑖𝑡 + 𝜀𝑖𝑡

Dengan keterangan merupakan variabel dummy sebanyak N-1 dan T-1,

selain itu model ini masih banyak mempunyai kekurangan yaitu kekurangan

derajat kebebasan (degree of freedom) akibat jumlah sample yang terbatas dan

adanya multikolinieritas yang diakibatkan oleh banyaknya variabel dummy yang

diestimasi sedangkan kemampuan estimasinya masih terbatas, terutama jika

terdapat variabel dummy yang diestimasi,ditambah lagi kemungkinan korelasi

diantara komponen residual spesifik (cross section dan time series).

Random Effect (RE)

Model ini mumpunyai kesamaan dengan model sebelumnya yaitu fixed

effects, dimana dimasukan juga dimensi individu dan waktu namun pembeda

model ini dari fixed effects adalah dalam mengestimasi dimasukan juga error term

karena dalam mengansumsikan error term berhubungan dengan dimensi individu


maupun waktu, dalam persamaannya yang ditulis dalam Gujarati (2012) adalah

sebagai berikut:

𝑌𝑖𝑡 = 𝛽0 + 𝛽1𝑋1𝑖𝑡 + 𝛽2𝑋2𝑖𝑡 + 𝛽3𝑋3𝑖𝑡 + ⋯ +𝛽𝑛𝑋𝑛𝑖𝑡 + 𝑒𝑖𝑡

Dimana 𝑒𝑖𝑡 adalah gangguan (error term) yang merupakan gabungan dari

time series dan cross section, untuk melihat apakah model yang digunakan adalah

Fixed Effects atau Random Effects maka harus dilakukan uji Correlated Random

Effects–Hausman Test.

BAGAIMANA MENENTUKAN MODEL TERBAIK ?

Penentuan model terbaik antara Ordinary Least Square, Fixed Effect, dan

Random Effect menggunakan dua teknik estimasi model. Dua teknik ini digunakan

dalam regresi data panel untuk memperoleh model yang tepat dalam

mengestimasi regresi data panel. Dua uji yang digunakan, pertama Chow test

digunakan untuk memilih antara model Ordinary Least Square atau Fixed Effect.

Kedua, Hausman test digunakan untuk memilih antara model Fixed Effect atau

random effect yang terbaik dalam mengestimasi regresi data panel. Penggunaan

kedua pengujian tersebut dalam pemilihan model terbaik regresi data panel

ditunjukkan oleh gambar berikut :

Ordinary Least Square

Fixed Effect

Random Effect

Chow Test

Hausman Test


1. Chow Test

Uji chow ini bertujuan untuk menentukan bagaimana model

digunakan apakah menggunakan Ordinary Least Square atau Fixed

Effects, dengan hipotesis sebagai berikut:

H0 : Model OLS

H1 : Model FE

Dalam menolak maupun menerima hipotesis di atas maka

dilakukan perbandingan antara perhitungan F-tabel dan F-statistik, apabila

F-statistik lebih besar dari F-tabel maka H0 ditolak yang berati model yang

paling cocok untuk digunakan merupakan model fixed effects, dan jika F-

statistik lebih kecil maka model yang paling cocok untuk digunakan ialah

model OLS.

F-statistik > F-tabel = H0 ditolak

F-statistik < F-tabel = H0 diterima

2. Hausman Test

Uji Hausman merupakan uji lanjutan dalam memilih model regresi

data panel. Uji ini dilakukan ketika hasil yang ditunjukan oleh Uji Chow

Model Fixed Effects lebih bagus, dalam Uji Hausman akan di pilih lagi

manakah yang lebih cocok digunakan antara Fixed Effects dan Random

Effects, uji hausman menggunakan hipotesis sebagai berikut:

H0 : Model Random Effects

H1 : Model Fixed Effects

Dalam menolak maupun menerima hipotesis di atas uji Hausman

ini mengikuti distribusi statistik 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 Effects sedangkan sebaliknya bila nilai statistik


Hausman lebih kecil dari nilai kritisnya maka model yang tepat adalah

model Random Effects (Gujarati, 2012).

ADAKAH ASUMSI KLASIK DALAM DATA PANEL ?

Data panel adalah regresi yang menggabungkan data time series dan data

cross section (Widarjono, 2009). Ada beberapa keuntungan yang diperoleh

dengan menggunakan estimasi data panel. Pertama, meningkatkan jumlah

obeservasi (sampel), dan kedua, memperoleh variasi antar unit yang berbeda

menurut ruang dan variasi menurut waktu (Kuncoro, 2012). Menurut Gujarati

(2012) data panel sedikit terjadi kolinearitas antar variabel sehingga sangat kecil

kemungkinan terjadi multikolinearitas. Berdasarkan uraian tersebut asumsi klasik

yang digunakan dalam penelitian adalah uji autokorelasi dan uji heterokedastisitas.

1. Uji Multikolinearitas

Menurut Ghozali (2001), uji ini bertujuan menguji apakah pada

model regresi ditemukan adanya korelasi antarvariabel independen.

Model regresi yang baik seharusnya tidak terjadi korelasi antarvariabel

independen. Deteksi ada-tidaknya multikolinearitas dalam model regresi

dapat dilihat dari tolerance value atau variance inflation factor (VIF).

Kriteria untuk mendeteksi ada atau tidaknya multikolinearitas dalam

model ini adalah sebagai berikut.

• Nilai R2 sangat tinggi, tetapi secara individual variabel-variabel bebas

banyak yang tidak signifikan memengaruhi variabel terikat.

• Menganalisis matriks korelasi antar variabel bebas. Jika terdapat

korelasi antarvariabel bebas yang cukup tinggi (>0.9), hal ini

merupakan indikasi adanya multikolinearitas.


• Dilihat dari nilai tolerance dan VIF. Nilai cut off tolerance <0.10 dan

VIF>10 berarti terdapat multikolinearitas. Jika terjadi gejala

multikolinearitas yang tinggi, standard error koefisien regresi akan

semakin besar dan mengakibatkan confidence interval untuk

pendugaan parameter semakin lebar. Dengan demikian, terbuka

kemungkinan terjadinya kekeliruan atau menerima hipotesis yang

salah. Uji multikolinearitas dapat dilaksanakan dengan jalan

meregresikan model analisis dan melakukan uji korelasi antarvariabel

independen dengan menggunakan variance inflating factor (VIF).

Batas VIF adalah 10. Apabila nilai VIF lebih besar daripada 10, maka

dapat dikatakan terjadi multikolinearitas.

2. Uji Heterokedastisitas

Heterokedastisitas timbul apabila nilai residual dari model tidak

memiliki varians yang konstan. Artinya, setiap observasi mempunyai

reliabilitas yang berbeda-beda akibat perubahan kondisi yang

melatarbelakangi tidak terangkum dalam model (Kuncoro, 2011). Gejala

ini sering terjadi pada data cross section (Gujarati, 2012), sehingga

sangat dimungkinkan terjadi heterokedastisitas pada data panel.

3. Uji Autokorelasi

Autokorelasi muncul karena residual yang tidak bebas antar satu

observasi ke observasi lainnya (Kuncoro, 2011). Hal ini disebabkan

karena error pada individu cenderung mempengaruhi individu yang sama

pada periode berikutnya. Masalah autokorelasi sering terjadi pada data

time series (runtut waktu). Deteksi autokorelasi pada data panel dapat

melalui uji Durbin-Watson. Nilai uji Durbin-Watson dibandingkan dengan

nilai tabel Durbin-Watson untuk mengetahui keberadaan korelasi positif


atau negatif (Gujarati, 2012). Keputusan mengenai keberadaan

autokorelasi sebagi berikut :

a) Jika d < dl, berarti terdapat autokorelasi positif

b) Jika d > (4 – dl), berarti terdapat autokorelasi negatif

c) Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi

d) Jika dl < d < du atau (4 – du), berarti tidak dapat disimpulkan

BAGAIMANA CARA REGRESI DATA PANEL ?

Regresi data panel dalam penjelasan ini menggunakan software Stata 14.2.

Langkah pertama yaitu menginput data dan estimasi model. Selanjutnya

menentukan model terbaik, kemudian model tersebut diuji berdasarkan asumsi

klasik. Model yang sempurna merupakan model yang bebas oleh asumsi klasik.

Tahap terakhir dalam regresi data panel sama dengan regresi pada umumnya

yaitu pengujian hipotesis.

APLIKASI 1 : Input Data dan Estimasi Model

1. File > Open > pilih file yang berisikan data

Untuk melihat data melalui Data Editor


2. Selanjutnya, ketikkan perintah sebagai berikut dikotak command kemudian

tekan enter:

. xtset Countrynum (Year) , yearly

Perintah (command) di atas bertujuan untuk membentuk atau declare

dataset panel data agar pengujian ini dapat dilakukan. Hasilnya adalah

sebagai berikut:


APLIKASI 2 : Menentukan Model Terbaik

1. Uji Chow : Ordinary Least Square vs Fixed Effect

Langkah-langkah :

Melakukan uji model Ordinary Least Square dengan menulis syntax

dikolom command > klik Enter

. reg M Qi Qd Pd Ntr GNI

Melakukan uji model Fixed Effect dengan menulis syntax dikolom

command > klik Enter

. xtreg M Qi Qd Pd Ntr GNI, fe


Apabila P Value (Prob>F) < Alpha 0.05 maka H1 diterima artinya

pilihan terbaik adalah Fixed Effect, yaitu dengan cara melihat nilai

prob F yang paling bawah pada hasil output Fixed Effect.

2. Uji Hausman : Fixed Effect vs Random Effect

Langkah-langkah :

Melakukan uji model Random Effect dengan menulis syntax


. xtreg M Qi Qd Pd Ntr GNI, re

Apabila pada uji Chow pilihan jatuh pada model Fixed Effect, maka

selanjutnya adalah penentuan model mana yang terbaik antara

Fixed Effect atau Random Effect. Caranya dengan menulis syntax


. quietly xtreg M Qi Qd Pd Ntr GNI, fe

. estimates store fe

. quietly xtreg M Qi Qd Pd Ntr GNI, re

. estimates store re

. hausman fe re


Apabila P Value (Prob>Chi2) > Alpha 0.05 maka H0 diterima artinya

pilihan terbaik adalah Random Effect atau apabila hasil output

seperti diatas maka, secara otomatis model Random Effect yang

tepat dalam menjelaskan pada permasalahan tersebut dan

disarankan menggunakan uji General Least Square (GLS).

APLIKASI 3 : Menguji Asumsi Klasik

1. Uji Multikolinearitas

Langkah-langkah :


Melakukan uji Multikolinearitas dengan menulis syntax dikolom



. vif

Fixed Effect dan Random Effect

Melakukan uji Multikolinearitas dengan menulis syntax dikolom




. vif, uncentered

Apabila nilai VIF > 10 atau tolerance (1/VIF) adalah .01 atau kurang

maka, mengindikasikan adanya multikolinearitas.

2. Uji Heterokedastisitas

Langkah-langkah :


Melakukan uji Heterokedastisitas dengan menulis syntax dikolom



. hettest

Fixed Effect

Melakukan uji Heterokedastisitas dengan menulis syntax dikolom



. xttest3

Random Effect

Melakukan uji General Least Square (GLS) dengan menulis syntax


. xtgls M Qi Qd Pd Ntr GNI

3. Uji Autokorelasi

Langkah-langkah :


Melakukan uji Autokorelasi dengan menulis syntax dikolom



. bgodfrey


Fixed Effect

Melakukan uji Autokorelasi dengan menulis syntax dikolom


. xtserial M Qi Qd Pd Ntr GNI

Random Effect

Melakukan uji General Least Square (GLS) dengan menulis syntax



APLIKASI 4 : Perbaikan Asumsi Klasik

Pada model Ordinary Least Square dan Fixed Effect, apabila implikasi terjadi

autokorelasi dan heterokedastisitas pada data panel dapat diperbaiki dengan

berbagai macam cara, akan tetapi khusus Random Effect tidak perlu menguji atau

mengatasi permasalahan pada asumsi klasik karena sudah menggunakan metode

GLS. Langkah-langkahnya sebagai berikut :


Menulis syntax dikolom command > klik Enter

1. Robust

. reg M Qi Qd Pd Ntr GNI, ro

2. General Least Square (GLS)


Fixed Effect

Menulis syntax dikolom command > klik Enter

1. Robust

. xtreg M Qi Qd Pd Ntr GNI, fe ro


2. General Least Square (GLS)

. xtgls M Qi Qd Pd Ntr GNI i.individu

APLIKASI 5 : Pengujian Hipotesis

Pengujian hipotesis dalam penelitian ini dapat diukur dari goodness of fit

fungsi regresinya, Secara statistik, analisa ini dapat dapat diukur dari nilai statistik

t, nilai statistik F, dan koefisien determinasi. Analisa regresi ini bertujuan untuk

mengetahui secara parsial maupun simultan pengaruh variabel independen

terhadap variabel dependen serta untuk mengetahui proporsi variabel independen

dalam menjelaskan perubahan variabel dependen.

1. Uji t (Uji Signifikansi Invidu)

Nilai t-hitung digunakan untuk menguji apakah masing-masing variabel

bebas yang digunakan berpengaruh signifikan terhadap variabel terikat.

Variabel bebas dikatakan berpengaruh signifikan jika t-hitung>t-tabel. Untuk

menghitung t-hitung dapat menggunakan rumus:

t = 𝜷𝟐/𝜷𝟐𝒔𝒆(𝜷𝟐)

= 𝜷𝟐/𝜷𝟐 ∑𝒙𝒊

𝟐

𝝈

Hipotesis yang diuji:

H0 : βi = 0 Tidak ada pengaruh signifikan dari variabel bebas terhadap

variabel terikat yang dalam model.

H1 : βi ≠ 0 Variabel bebas berpengaruh signifikan terhadap variabel terikat.

2. Uji F (Uji Signifikansi Serentak)

Nilai F-hitung dalam Uji signifikansi serentak/simultan digunakan untuk

menguji apakah penggunaan model sudah tepat dan apakah hasil regresi

dapat dipercaya. Uji F ini bertujuan untuk mengetahui apakah variabel bebas

yang digunakan mampu menjelaskan perubahan variabel terikat. Artinya nilai

F-hitung ini untuk membuktikan kebenaran atau kesalahan, menerima atau


menolak hipotesis nol. Jika hipotesis nol ditolak, berarti semua variabel atau

minimal ada satu variabel berpengaruh signifikan terhadap variabel terikat

yang digunakan. Sebaliknya jika menerima hipotesis nol berarti variabel bebas

tidak berpengaruh signifikan terhadap variabel bebas dalam model. Untuk

menguji apakah Ho diterima atau ditolak, kita dapat membandingkan nilai F-

hitung dengan nilai F-tabel dengan derajat kebebasan df: α, (k-1), (n-k). Nilai

F hitung dapat diperoleh dengan rumus:

F = 𝑹𝟐/(𝒌/𝟏)𝟏/𝑹𝟐 (𝑵/𝒌)

Hipotesis yang digunakan:

H0 : βi = 0 Semua variabel bebas secara serentak tidak berpengaruh signifikan

terhadap variabel terikat.

H1 : βi ≠ 0 Semua variabel bebas atau minimal ada satu variabel secara

serentak berpengaruh signifikan terhadap variabel bebas.

3. Uji Koefisien Determinasi (R2)

Koefisien determinasi digunakan untuk mengetahui seberapa jauh model

regresi mampu menjelaskan variabel terikat atau apakah sudah cukup tepat

memilih variabel independen untuk mengukur variabel dependen. Nilai

koefisien determinasi dapat dihitung dengan rumus:

R2 = 1 - ∑𝒆𝒊𝟐

∑𝒚𝒊𝟐

Nilai koefisien determinasi berada diantara nol dan satu (0<R2<1).

Semakin mendekati satu, semakin tepat pemilihan variabel bebas untuk

menjelaskan variabel terikat. Begitu pula sebaliknya, semakin mendekati

nol, semakin tidak tepat pemilihan variabel bebas untuk menjelaskan

variabel terikat.

MODUL STATA PANEL DATA - diassatria.com · Dua teknik ini digunakan ... semakin besar dan...

Documents

Transcript of MODUL STATA PANEL DATA - diassatria.com · Dua teknik ini digunakan ... semakin besar dan...