Panel Data {Pooled Data}

By : Paidi Hidayat Dept EP USU

1

Panel Data {Pooled Data}

By : Paidi Hidayat

By : Paidi Hidayat Dept EP USU 2Pengertian Data Panel

Data Panel merupakan gabungan dari data cross section dan data time series sehingga jumlah pengamatan menjadi sangat banyak.

Tipe data panel dapat berupa longitudinal atau micropanel data, yaitu data yang diamati adalah variabel yang sama selama periode waktu tertentu.

Misalnya data pertumbuhan ekonomi propinsi di Indonesia era otda dari tahun 2001-2006. Data ini kumpulan informasi terhadap semua propinsi di Indonesia, yang jumlahnya sebanyak 33 propinsi dan dikumpulkan selama jangka waktu 6 tahun.

By : Paidi Hidayat Dept EP USU 3Pengertian Data Panel

Jika setiap data unit cross section sama dengan jumlah observasi time series maka data panel disebut balance panel.

Jika jumlah observasi berbeda pada masing-masing anggota panel maka disebut unbalance panel.

By : Paidi Hidayat Dept EP USU 4Data Cross Section & Time Series

Data cross section merupakan data yang dikumpulkan dalam satu waktu terhadap banyak individu. Misalnya sensus penduduk yang dikumpulkan sekali dalam 10 tahun dan terdiri dari berbagai variabel.

Data time series adalah data yang dikumpulkan dari waktu ke waktu terhadap suatu individu.

By : Paidi Hidayat Dept EP USU 5

Kelebihan Data Panel Bila data panel berhubungan dengan

individu, perusahaan, negara, daerah, dll pada waktu tertentu, maka data tersebut adalah heterogen.

Kombinasi data cross section dan time series akan memberikan informasi yang lebih lengkap, lebih beragam, kurang berkorelasi antar variabel sehingga derajat bebasnya lebih besar dan lebih efisien.


Kelebihan Data Panel Studi data panel lebih meyakinkan

untuk menentukan perubahan dinamis dibandingkan dengan studi berulang dari cross section.

Data panel lebih baik mendeteksi dan mengukur efek yang secara sederhana tidak dapat diukur oleh data time series atau cross section, misalnya efek dari upah minimum.


Kelebihan Data Panel

Data panel membantu studi untuk menganalisis perilaku yang lebih kompleks, misalnya penomena skala ekonomi dan perubahan teknologi.

Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu atau perusahaan karena unit data lebih banyak.

By : Paidi Hidayat Dept EP USU 8Permodelan Data Panel

Model dengan data cross section.

Yi = α + βXi + εi

dimana :

i = 1, 2, 3, ….., N

N = banyaknya data cross section

Model dengan data time series.

Yt = α + βXt + εt

dimana :

t = 1, 2, 3, ….., T

T = banyaknya data time series

By : Paidi Hidayat Dept EP USU 9Permodelan Data Panel

Model dengan Data Panel.

Yit = α + β1X1it + β2X2it + εit

dimana :

i = 1,2,3,….., N

t = 1, 2, 3, ….., T

N = banyaknya observasi

T = banyaknya waktu

N x T = banyaknya data panel

By : Paidi Hidayat Dept EP USU 10Ordinary Least Square (OLS)

Teknik ini seperti membuat regresi dengan data cross section atau time series. Akan tetapi, untuk data panel, sebelum membuat regresi harus menggabungkan data cross section dengan data time series. Kemudian data gabungan ini dianggap sebagai satu kesatuan pengamatan yang digunakan untuk mengestimasi model dengan metode OLS. Y = β0 + β1X1 + β2X2 + ε


Fixed Effects Model ( FEM )

yit = 1it + 2itx2it + 3itx3it + eit

yit = 1i + 2x2it + 3x3it + eit

Fixed effects models impose the restrictions :1it = 1i 2it = 2 3it = 3

For each ith cross section in the tth time period:

Each ith cross-section has its own constant 1i intercept

Metode ini mengasumsikan bahwa model yang menghasilkan β konstan untuk setiap individu ( i ) tetapi waktu ( t ) kurang realistik sehingga dengan metode ini memungkinkan adanya perubahan β pada setiap i dan t.


1. Semua koefisien konstan antar waktu dan anggota panel.

2. Koefisien slope konstan tetapi titik potong bervariasi antar anggota panel.

3. Koefisien slope konstan tetapi titik potong bervariasi antar anggota panel dan waktu.

4. Semua koefisien bervariasi antar anggota panel.

5. Semua koefisien bervariasi antar anggota panel dan waktu.

Fixed Effects Model (FEM)


Untuk FEM, perbedaan karakteristik individu (i) dan waktu (t) diakomodir pada intercept sehingga interceptnya berubah antar individu dan waktu.

Untuk REM, perbedaan karakteristik individu (i) dan waktu (t) diakomodir pada error dari model.

Mengingat ada dua komponen yang berkontribusi pada pembentukan error, yaitu individu dan waktu, maka random error pada REM perlu diurai menjadi error untuk komponen individu, error komponen waktu dan error gabungan.

Random Effects Model (REM)


yit = 1i + 2x2it + 3x3it + eit

1i = 1 + i

yit = (1+i) + 2x2it + 3x3it + eit

yit = 1 + 2x2it + 3x3it + (i +eit)

yit = 1 + 2x2it + 3x3it + it

it = (i +eit)

Random Effects Model (REM)


Apabila null hypothesis (H0) diterima maka model yang akan digunakan bisa random effects model (REM) dan fixed effects model (FEM)

Apabila null hypothesis (H0) ditolak maka model yang akan digunakan adalah fixed effects model (FEM)

Hausman Test


Jika data panel yang dimiliki mempunyai jumlah waktu (T) lebih besar dibanding jumlah individu (N) maka disarankan untuk menggunakan Fixed Effect Model (FEM).

T > N → FEM Jika data panel yang dimiliki mempunyai

jumlah waktu (T) lebih kecil dibanding jumlah individu (N) maka disarankan untuk menggunakan Random Effect Model (REM).

T < N → REM

Pemilihan FEM VS REM


Contoh KasusTahun CAP_GE CAP_GM CAP_US CAP_WEST

1935 1170.6 3078.5 1362.4 191.5

1936 2015.8 4661.7 1807.1 516.0

1937 2803.3 5387.1 2673.3 729.0

1938 2039.7 2792.2 1801.9 560.4

1939 2256.2 4313.2 1957.3 519.9

1940 2132.2 4643.9 2202.9 628.5

1941 1834.1 4551.2 2380.5 537.1

1942 1588.0 3244.1 2168.6 561.2

1943 1749.4 4053.7 1985.1 617.2

1944 1687.2 4379.3 1813.9 626.7

1945 2007.7 4840.9 1850.2 737.2

1946 2208.3 4900.0 2067.7 760.5

1947 1656.7 3526.5 1796.7 581.4

1948 1604.4 3245.7 1625.8 662.3

1949 1431.8 3700.2 1667.0 583.8

1950 1610.5 3755.6 1677.4 635.2

1951 1819.4 4833.0 2289.5 732.8

1952 2079.7 4924.9 2159.4 864.1

1953 2371.6 6241.7 2031.3 1193.5

1954 2759.9 5593.6 2115.5 1188.9


Contoh KasusTahun I_GE I_GM I_US I_WEST

1935 33.1 317.6 209.9 12.9

1936 45.0 391.8 355.3 25.9

1937 77.2 410.6 469.9 35.1

1938 44.6 257.7 262.3 22.9

1939 48.1 330.8 230.4 18.8

1940 74.4 461.2 361.6 28.6

1941 113.0 512.0 472.8 48.5

1942 91.9 448.0 445.6 43.3

1943 61.3 499.6 361.6 37.0

1944 56.8 547.5 288.2 37.8

1945 93.6 561.2 258.7 39.3

1946 159.9 688.1 420.3 53.5

1947 147.2 568.9 420.5 55.6

1948 146.3 529.2 494.5 49.6

1949 98.3 555.1 405.1 32.0

1950 93.5 642.9 418.8 32.2

1951 135.2 755.9 588.2 54.4

1952 157.3 891.2 645.2 71.8

1953 179.5 1304.4 641.0 90.1

1954 189.6 1486.7 459.3 68.6


Contoh KasusTahun PL_GE PL_GM PL_US PL_WEST

1935 97.8 2.8 53.8 1.8

1936 104.4 52.6 50.5 0.8

1937 118.0 156.9 118.1 7.4

1938 156.2 209.2 260.2 18.1

1939 172.6 203.4 312.7 23.5

1940 186.6 207.2 254.2 26.5

1941 220.9 255.2 261.4 36.2

1942 287.8 303.7 298.7 60.8

1943 319.9 264.1 301.8 84.4

1944 321.3 201.6 279.1 91.2

1945 319.6 265.0 213.8 92.4

1946 346.0 402.2 232.6 86.0

1947 456.4 761.5 264.8 111.1

1948 543.4 922.4 306.9 130.6

1949 618.3 1020.1 351.1 141.8

1950 647.4 1099.0 357.8 136.7

1951 671.3 1207.7 341.1 129.7

1952 726.1 1430.5 444.2 145.5

1953 800.3 1777.3 623.6 174.8

1954 888.9 2226.3 669.7 213.5

By : Paidi Hidayat Dept EP USU 20Hasil Estimasi Untuk OLS

By : Paidi Hidayat Dept EP USU 21Hasil Estimasi Untuk FEM

By : Paidi Hidayat Dept EP USU 22Hasil Estimasi Untuk REM


Hasil Hausman Test

Berdasarkan hasil estimasi Hausman test diperoleh kesimpulan bahwa H0 diterima sehingga metode yang terbaik untuk kasus ini adalah Fixed Effect Model (FEM).

By : Paidi Hidayat Dept EP USU 24Hasil Estimasi OLS Untuk GE

By : Paidi Hidayat Dept EP USU 25Hasil Estimasi OLS Untuk GM

By : Paidi Hidayat Dept EP USU 26Hasil Estimasi OLS Untuk US

By : Paidi Hidayat Dept EP USU 27Hasil Estimasi OLS Untuk West

By : Paidi Hidayat Dept EP USU

28

Terima Kasih

By : Paidi

Hidayat

Panel Data {Pooled Data}

Documents

Transcript of Panel Data {Pooled Data}