Modul Tutorial Data Panel

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 konvergensi pendapatan

(income convergence); yaitu kecenderungan dimana negara miskin

tumbuh lebih cepat daripada negara kaya.

Dengan mendasarkan diri pada “Barro Regression” (Barro: 1991,

1992, 1995), kita akan menguji hipotesis absolute convergence dengan

mempergunakan persamaan berikut:

[1.1]

dimana ui0,T merepresentasikan rata-rata error term uit antara waktu 0 dan

T, dan intersep adalah a=x+[(1-e-T)/T].log[ŷ*].

Sedangkan untuk menguji hipotesis conditional convergence,

dimana kita berusaha untuk mempertahankan konstan steady-state dari

masing-masing perekonomian, kita akan mengestimasi:

[1.2]

dimana X adalah vektor dari variabel-variabel yang mempengaruhi

steady-state perekonomian i.

Untuk menguji hipotesis konvergensi, akan dipergunakan data 26

propinsi di Indonesia untuk periode waktu 1975-2000. Sebagai variabel

dependent (Y) adalah tingkat pertumbuhan PDRB riil tahunan (growth) dan

variabel independent (X) adalah PDRB per kapita riil pada awal observasi

(pdrb) dan variabel-variabel yang mempengaruhi steady-state

perekonomian yaitu secondary and upper educational attainment (educ),

angka harapan hidup (lex), tingkat inflasi regional (inf), dan tingkat

pertumbuhan transfer pemerintah pusat (trans).

Studi-studi konvergensi awal, seperti Mankiw, Romer, dan Weil

(1992) dan Barro (1991, 1992, 1995), banyak menggunakan model cross-

1

http://qiyara.ipromart.co.id/


section linear yang diestimasi dengan metode ordinary least squares

(OLS).

Jika kita menerapkan pendekatan ini untuk kasus kita diatas, maka

kita akan menguji hipotesis model neoklasik dengan sebuah single cross-

section equation untuk satu periode 1975-2000. Dengan merpergunakan

data pada file Regresi_Cross-Section.xls, maka kita akan dapatkan hasil

estimasi dengan Eviews pada tabel 1 dan 2.

Tabel 1: Regresi Konvergensi Absolut

Dependent Variable: GROWTHMethod: Least SquaresDate: 12/08/05 Time: 22:04Sample: 1 26Included observations: 26

Variable Coefficient

Std. Error t-Statistic Prob.

C 0.229692 0.032367 7.096584 0.0000LOG(PDRB) -

0.0150940.002579 -5.853186 0.0000

R-squared 0.588052 Mean dependent var

0.040667

Adjusted R-squared 0.570888 S.D. dependent var 0.016824

S.E. of regression 0.011021 Akaike info criterion -6.10427

3Sum squared resid 0.002915 Schwarz criterion -

6.007496

Log likelihood 81.35555 F-statistic 34.25979

Durbin-Watson stat 1.585783 Prob(F-statistic) 0.000005

Tabel 2: Regresi Konvergensi Kondisional

Dependent Variable: GROWTHMethod: Least SquaresDate: 12/08/05 Time: 20:57Sample: 1 26Included observations: 26



C 0.213956 0.052675 4.061820 0.0006LOG(PDRB) -

0.0159400.003317 -4.806203 0.0001

EDUC 0.000274 0.000587 0.465937 0.6463LOG(LEX) 0.005254 0.006075 0.864789 0.3974

INF 0.005986 0.010467 0.571932 0.5737TRANS 0.004754 0.005040 0.943257 0.3568


0.040667


2



S.E. of regression 0.011251 Akaike info criterion -5.93755

3Sum squared resid 0.002532 Schwarz criterion -

5.647223

Log likelihood 83.18820 F-statistic 7.179987

Durbin-Watson stat 1.460876 Prob(F-statistic) 0.000541

Terlihat bahwa hasil estimasi kurang memuaskan dimana hanya

ada satu variabel penjelas yang signifikan yaitu pdrb. Walau demikian,

angka R2 dan DW-stat terlihat cukup baik. Kita juga gagal membuktikan

hipotesis konvergensi kondisional dengan melihat koefisien PDRB per

kapita awal yang tidak banyak berubah.

Untuk kasus kita diatas, penggunaan metode OLS ini memberikan

kita hasil yang kurang memuaskan karena regresi persamaan tunggal

cross-section seperti ini akan menghadapi masalah bias spesifikasi

(specification bias). Hal ini terjadi sebagai akibat dari perlakuan yang

kurang tepat terhadap efek spesifik-daerah khususnya yang berasosiasi

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

terjadi karena kita tidak mengetahui variabel-variabel apa saja yang

seharusnya kita masukkan ke dalam persamaan sebagai determinan dari

pertumbuhan ekonomi. Dengan kata lain, kita tidak tahu “regresi yang

sesungguhnya”. Disini kita menghadapi masalah omitted variable bias.

Persamaan regresi pertumbuhan antar daerah, secara implisit

mengasumsikan bahwa semua daerah memiliki fungsi produksi yang

sama, yang artinya semua perekonomian beroperasi pada tingkat efisiensi

yang sama. Asumsi implisit ini terlihat kurang realistis. Dalam

kenyataannya kita melihat perbedaan dalam metode produksi dan tingkat

pengetahuan teknologi antar daerah sangat bervariasi. Karena itu sangat

mungkin fungsi produksi antar daerah untuk bervariasi secara substansial.

Persamaan regresi seperti diatas mungkin akan memperkirakan lebih

rendah tingkat konvergensi karena tidak sepenuhnya mampu menangkap

keseluruhan perbedaan dalam fungsi produksi antar daerah.

Beberapa peneliti merekomendasikan penggunaan metode data

panel untuk mengatasi masalah bias spesifikasi ini. Metode data panel

dipertimbangkan mengingat pendekatan ini mungkin akan memuaskan

3



karena metode ini mengizinkan kita untuk menghitung “efek spesifik-

daerah” yang menandakan variasi dalam pendapatan per kapita yang

terkait dengan karakteristik spesifik daerah. Dengan metode ini kita dapat

mengkontrol kondisi steady-state setiap daerah dengan lebih baik.

Pendekatan ini juga mungkin memuaskan karena ia dapat mengatasi

kesulitan interpretasi terhadap homogenitas parameter yang biasa kita

temui dalam regresi pertumbuhan cross-section konvensional.

Untuk menganalisa kasus diatas dengan metode data panel, modul

ini akan mempergunakan file data: Regresi_Panel-Data.xls. Struktur data

terdiri dari 26 data cross-section yaitu 26 propinsi di Indonesia serta 5

data time-series yaitu periode tahun 1975-1980, 1980-1985, 1985-1990,

1990-1995, dan 1995-2000.

Analisis data panel dengan program E-views secara umum terdiri

dari langkah-langkah sebagai berikut:

1. Membuat Workfile untuk Data Panel

2. Membuat Pool Object

3. Mengimpor Data Panel

4. Estimasi Data Panel

1. Membuat Workfile untuk Data Panel

Langkah pertama dalam pengolahan data panel dengan Eviews adalah

membuat workfile. Tidak ada yang istimewa disini. Urutan langkah-

langkahnya adalah:

- Klik File

- Klik New

- Klik Workfile ...

4



- Kemudian ketik frekuensi dan waktu untuk workfile panel data kita.

Karena data kita terdiri dari data 26 propinsi dengan 5 periode

rentang waktu, maka ...

- Klik Annual

- Ketik sembarang tahun yang menunjukkan 5 tahun. Misal, ketik

Start date: 1901 dan End date: 1905

- Klik OK

- Kita akan dapatkan sebuah workfile yang siap digunakan untuk

analisa data panel dengan rentang waktu (time-series) 5 tahun.

5



2. Membuat Pool Object

Aspek terpenting dalam pool object adalah daftar nama cross-section dari

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

singkat. Pool object adalah deskripsi yang menggambarkan struktur data

yang melandasi data panel kita. Urutan langkah membuat pool object

adalah:

- Klik Objects

- Klik New object

- Klik Pool ...

6



- Klik OK

- Maka akan terlihat pool window di layar monitor.

- Ketik kemudian cross-section identifiers pada kolom edit di pool

window.

- Pergunakan tanda “_” untuk mengawali nama cross-section

identifiers

- Untuk 26 propinsi di Indonesia, cross-section identifiers akan

nampak seperti pada gambar berikutnya.

- Setelah itu, simpan pool dengan cara meng-klik Name... pada pool

window.

- Beri nama sesuai dengan keinginan pada kolom edit yang tersedia.

- Pemberian nama pool ini dapat juga dilakukan langsung pada saat

kita meng-klik pool pada pertama kali object window terbuka. Lihat

gambar sebelumnya.

7



3. Mengimpor Data Panel

Untuk alasan kenyamanan dan kemudahan, disarankan untuk menyimpan

data dalam format Ms Excel. Dari Excel, data dapat diimpor dengan

mudah ke Eviews. Terdapat beberapa cara untuk mengimpor data panel.

Dalam modul ini kita hanya berhubungan dengan balanced data;

yaitu kasus dimana setiap cross-section atau time series memiliki jumlah

observasi yang sama, sehingga total observasi yang kita miliki adalah N.T

dimana N=jumlah cross-section dan T=jumlah time-series. Jika ada data

yang hilang sehingga jumlah observasi tidak sama, maka kita menghadapi

kasus unbalanced data yang merupakan topik lanjutan dalam pengolahan

data panel dan berada di luar pembahasan modul ini.

Selain itu, sebelum melakukan impor data panel, terlebih dahulu

kita harus mengetahui struktur data time-series dan cross-section serta

membedakan pengaturan data panel yaitu dalam bentuk unstacked data

dan stacked data.

Unstacked data

Pada bentuk data ini, observasi pada variabel tertentu untuk cross-section

tertentu dikelompokkan secara bersama-sama. Contoh:

8



c_usa c_kor c_jpn g_usa g_kor g_jpn

1990

1991

1992

...

Disini, C adalah konsumsi dan G adalah pengeluaran pemerintah. Setiap

negara (USA, Korea, dan Japan) memiliki kolom terpisah untuk C dan G

masing-masing.

Stacked data

Pada bentuk data ini, data seluruh variabel dikelompokkan secara

bersama-sama, sehingga setiap kolom mencerminkan variabel. Terdapat

dua jenis stacked data yaitu:

a. Stacked data by cross-section

Pada bentuk data ini, data diurutkan menurut cross-section. Contoh:

id Year c g

_usa 1990

... ...

_usa 2000

_kor 1990

... ...

_kor 2000

_jpn 1990

... ...

_jpn 2000

b. Stacked data by date

Pada bentuk data ini, data diurutkan menurut date. Contoh:

year Id c g

1990 _usa

1990 _kor

1990 _jpn

9



... ...

2000 _usa

2000 _kor

2000 _jpn

Setelah memahami hal diatas, kini kita siap untuk mengimpor data

panel ke dalam Eviews. Tempatkan data dalam format Excel. Ketik sesuai

dengan salah satu cara pengaturan diatas. Dalam file Regresi_Panel-

data.xls data diatur dalam bentuk stacked by date.

Urutan langkah mengimpor data panel ke dalam Eviews adalah:

- Klik Procs pada pool window

- Klik Import Pool Data (ASCII, XLS,WK?) ...

- Pada layar kemudian akan muncul open window

- Temukan dimana file data kita disimpan, pilih Regresi_Panel-

Data.xls, kemudian klik open

- Pada layar akan muncul Excel Spreadsheet Import window

- Karena kita menggunakan bentuk pengaturan data stacked by date,

maka pilihlah: series order= in columns dan group observation= by

cross-section.

- Ketik kemudian nama semua variabel kita pada tempat yang telah

disediakan, dengan ketentuan: penulisan antar variabel diselingi

spasi satu dan setiap variabel diakhiri tanda ?

- Untuk kasus kita diatas, ketiklah: growth? pdrb? educ? lex? inf?

trans?

- Tampilan Excel Spreadsheet Import window akan menjadi seperti

gambar ini.

10



- Klik OK

- Kini data telah diimpor ke Eviews dan siap untuk diolah.

4. Estimasi Data Panel

Sebagaimana telah dibahas pada materi, bahwa dalam analisis data panel

kita memiliki beberapa pilihan-pilihan yaitu dengan metode PLS (pooled

least squares), FEM (fixed effect model), atau REM (random effect model).

Urutan langkah untuk melakukan estimasi dalam data panel adalah:

- Klik Estimate pada pool window kita.

- Pada layar kemudian akan muncul pooled estimation window

- Terdapat beberapa fitur utama pada pooled estimation window

yaitu:

o Dependent variable; adalah tempat kita menuliskan

variabel dependent (Y) untuk data panel. Dalam kasus kita

diatas, Y = growth?

o Common coefficents; adalah tempat kita menuliskan

variabel penjelas (X) dengan slope koefisien yang konstan.

Dalam kasus kita diatas, X = log(pdrb?) educ? log(lex?) inf?

trans?

11



o Cross-section specific coefficients; adalah tempat kita

menuliskan variabel penjelas (X) dengan slope koefisien yang

berbeda untuk setiap unit cross-section.

o Intercept; adalah pilihan untuk asumsi intercept, apakah

mengikuti asumsi PLS, FEM, atau REM.

o Weighting; adalah pilihan untuk pembobotan yaitu:

No Weighting : semua observasi diberi bobot yang

sama.

Cross-Section Weights : GLS dengan menggunakan

estimasi varians residual cross section. Digunakan

apabila ada asumsi bahwa terdapat cross section

heteroskedasticity.

SUR : GLS menggunakan estimasi residual covariance

matrix cross section. Metode ini mengoreksi baik

heteroskedastisitas maupun autokorelasi antar unit

cross-section.

12



- Selain fitur utama, terdapat pilihan tambahan yang dapat dipilih

yaitu:

o White Heteroskedasticity covariance: Eviews

mengestimasi covariance yang akan menghasilkan general

heteroskedasticity; format ini lebih umum dari cross section

heteroskedasticity di atas di mana variance dalam tiap unit

cross section diizinkan untuk berbeda untuk tiap unit time

series.

o Iterate to Convergence : Eviews akan terus meng-update

pembobot (weights) dan koefisien sampai mencapai

konvergensi.

Dalam kasus kita diatas, kita akan memiliki dua skenario berikut:

1. Regresi untuk konvergensi absolut

o Klik Estimate pada pool window kita.

o Ketik growth? pada dependent variabe

o Ketik log(pdrb?) pada common coefficients

o Pilih fixed effects pada intercept

o Pilih cross-section weights pada weighting

o Klik OK

Dependent Variable: GROWTH?Method: GLS (Cross Section Weights)Date: 12/08/05 Time: 22:19Sample: 1901 1905Included observations: 5Number of cross-sections used: 26Total panel (balanced) observations: 130One-step weighting matrix



LOG(PDRB?) -0.017269

0.002050 -8.423665 0.0000

Fixed Effects_ACEH--C 0.294528

_SUMUT--C 0.263274_SUMBAR--C 0.274427

_RIAU--C 0.298392_JAMBI--C 0.284905

_SUMSEL--C 0.248926_BENGKULU--C 0.265552_LAMPUNG--C 0.277618

_DKI--C 0.251854_JABAR--C 0.254435

13



_JATENG--C 0.252185_DIY--C 0.266324

_JATIM--C 0.273989_BALI--C 0.268498_NTB--C 0.261194_NTT--C 0.274980

_KALBAR--C 0.264951_KALTENG--C 0.286785_KALSEL--C 0.281322_KALTIM--C 0.280516_SULUT--C 0.262019

_SULTENG--C 0.249130_SULTRA--C 0.242042_SULSEL--C 0.243294_MALUKU--C 0.253103

_IRJA--C 0.232443Weighted Statistics


0.071177


S.E. of regression 0.030252 Sum squared resid 0.094264

F-statistic 16.54693 Durbin-Watson stat 2.566027

Prob(F-statistic) 0.000000Unweighted Statistics


0.040667



Durbin-Watson stat 2.040500

2. Regresi untuk konvergensi kondisional

o Klik Estimate pada pool window kita.

o Ketik growth? pada dependent variabe

o Ketik log(pdrb?) educ? log(lex?) inf? trans? pada common

coefficients

o Pilih fixed effects pada intercept

o Pilih cross-section weights pada weighting

o Klik OK

Dependent Variable: GROWTH?Method: GLS (Cross Section Weights)Date: 12/08/05 Time: 22:25Sample: 1901 1905Included observations: 5Number of cross-sections used: 26

14



Total panel (balanced) observations: 130One-step weighting matrix



LOG(PDRB?) -0.020151

0.002309 -8.727343 0.0000

EDUC? 0.094658 0.023149 4.088989 0.0001LOG(LEX?) -

0.0057530.019347 -0.297382 0.7668

INF? -0.004196

0.013513 -0.310542 0.7568

TRANS? 0.000402 0.006784 0.059324 0.9528Fixed Effects

_ACEH--C 0.349572_SUMUT--C 0.316335

_SUMBAR--C 0.327502_RIAU--C 0.354583_JAMBI--C 0.336469

_SUMSEL--C 0.301308_BENGKULU--C 0.313732_LAMPUNG--C 0.328407

_DKI--C 0.303234_JABAR--C 0.303235

_JATENG--C 0.297486_DIY--C 0.314321

_JATIM--C 0.316371_BALI--C 0.317324_NTB--C 0.306085_NTT--C 0.318606

_KALBAR--C 0.306579_KALTENG--C 0.325154_KALSEL--C 0.326679_KALTIM--C 0.320543_SULUT--C 0.302759

_SULTENG--C 0.286958_SULTRA--C 0.278609_SULSEL--C 0.282808_MALUKU--C 0.291696

_IRJA--C 0.270648Weighted Statistics


0.078655



F-statistic 24.54875 Durbin-Watson stat 2.594638

Prob(F-statistic) 0.000000Unweighted Statistics


0.040667



Durbin-Watson stat 2.042965

15



16


Modul Tutorial Data Panel

Education

Transcript of Modul Tutorial Data Panel