analsis statistik data panel

7/23/2019 Analsis Statistik Data Panel

http://slidepdf.com/reader/full/analsis-statistik-data-panel 1/28

PANEL DATA REGRESSION

A. Pengertian Data Panel

Metode panel adalah metode ekonometrika yang menggabungkan penggunaan data

cross-section dan data time series. Metode ini telah digunakan secara luas dan terus mengalami

perkembangan seiring dengan perkembangan penggunaan data cross-country dalam berbagai

rentang waktu, di antaranya untuk meneliti purchasing power parity, konvergensi pertumbuhan

ekonomi, international R & D spillover dan sebagainya.

Data panel biasa disebut data longitudinal atau data runtun waktu silang (cross-sectional

time series), dimana banyak kasus (orang, perusahaan, Negara dan lainlain) diamati pada dua

periode waktu atau lebih yang diindikasikan dengan penggunaan data time series. Data panel

dapat men!elaskan dua macam in"ormasi yaitu# in"ormasi cross-section pada perbedaan antar sub!ek, dan in"ormasi time series yang mere"leksikan perubahan pada sub!ek waktu. $etika

kedua in"ormasi 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 mempela!ari perilaku perusahaan dan system pengga!ian

karyawan pada beberapa periode waktu tertentu, dalam ilmu politik kita dapat mempela!ari

perilaku parta dan organisasi pada beberapa !angka waktu tertentu, dan dalam bidang pendidikan,

peneliti dapat mempela!ari kelaskelas siswa dan lulusan pada beberapa waktu.

Dengan pengamatan berulang terhadap data cross section yang cukup, analisis data panel

memungkinkan seseorang dalam mempela!ari dinamika perubahan dengan dengan data time

series. $ombinasi 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 (%u!arati, ''). Analisis data panel dapat mempela!ari sekelompok sub!ek

!ika kita ingin mempertimbangkan baik dimensi data maupun dimensi waktu.

Menurut altagi (*++) ada beberapa keuntungan dari penggunaan data panel#

*. $arena data panel berhubungan dengan individuindividu, perusahaan, negara, dan

sebagainya, dari waktu ke waktu, maka secara otomatis dapat membuatnya memiliki

unobserved heterogeneity pada unitunit tersebut. -eknik yang digunakan dalam

mengestimasi data panel bisa mengambil unobserved heterogeneity secara eksplisit dan

memasukkannya ke dalam perhitungan dengan membiarkannya untuk variabel spesi"ik



individu. Dengan kata lain, metode data panel dapat mengontrol unobserved

heterogeneity.

. Dengan mengkombinasikan data time series dan data cross-section, data panel

memberikan data yang lebih in"ormati", lebih bervariasi, mengurangi kolinearitas

antarvariabel, memperbesar dera!at kebebasan, dan lebih e"isien.

. Dengan menggunakan cross-section yang berulangulang dari tahun ke tahun maka kita

dapat mempela!ari perubahan dinamis (dynamics of change).

. isa mendeteksi dan mengukur e"ek suatu variabel pada variabel lainnya dengan lebih

baik daripada hanya dengan menggunakan data time series atau cross-section.

. Data panel dapat digunakan untuk mempela!ari model prilaku (behavioral model ) yang

lebih kompleks.

/. Dapat mengurasi bias yang mungkin ter!adi bila kita mengaggregasi individuindividu

atau perusahaanperusahaan ke dalam aggregasi yang luas (%u!arati, '', p. /0/1).

Dalam ekonometrika, kita kenal terdapat kelompok data yaitu data runtun waktu ( time

series), data silang (cross section), dan data panel (pooled data). Datadata tersebut tentunya

sangat diperlukan dalam penelitian, maupun pengambilan keputusan. 2engumpulan data

biasanya memerlukan waktu yang lama karena dapat melibatkan banyak aktivitas seperti

mendatangi responden, menginput data, menyunting data, maupun menampilkannya dengan

suatu alat analisis tertentu. erikut akan dibahas beberapa !enis data yang telah kita bahas di atas.

1. Data runtun waktu (time series)

Time series merupakan data yang terdiri atas satu ob!ek tetapi meliputi beberapa periode

waktu misalnya harian, bulanan, mingguan, tahunan, dan lainlain. $ita dapat melihat

contoh data time series pada data harga saham, data ekspor, data nilai tukar (kurs), data

produksi, dan lainlain sebagainya. 3ika kita amati masingmasing data tersebut terkait

dengan waktu (time) dan ter!adi berurutan. Misalnya data produksi minyak sawit dari

tahun ''' hingga ''+, data kurs Rupiah terhadap dollar 4merika 5erikat dari tahun

''' 6 ''/, dan lainlain. Dengan demikian maka akan sangat mudah untuk mengenali

!enis data ini.

Data time series !uga sangat berguna bagi pengambil keputusan untuk memperkirakan

ke!adian di masa yang akan datang. $arena diyakini pola perubahan data runtun waktu

beberapa periode masa lampau akan kembali terulang pada masa kini. Data time series



!uga biasanya bergantung kepada lag atau selisih. $atakanlah pada beberapa kasus

misalnya produksi dunia komoditas kopi pada tahun sebelumnya akan mempengaruhi

harga kopi dunia pada tahun berikutnya. Dengan demikian maka akan diperlukan data

lag produksi kopi, bukan data aktual harga kopi. -abel berikut ini akan memper!elas

konsep lag yang mempengaruhi data time series.

Tabel 1. Produki dan lag !roduki ko!i dunia ta"un #$$ % #$$&

Ta"unProduki 'o!i Dunia

(Ton)Lag Produki 'o!i

''' 0./.0*

''* 0.'0.+1/ *.00

'' 0.10/.1+ /1.+'0

'' 0.*0+.+ /+0.'*

'' 0.1.+ '.0'*

'' 0.0/. '.+/'

Data lag tersebut kemudian dapat digunakan untuk melihat pengaruh lag produksi

terhadap harga kopi dunia.

#. Data Silang (cross section)

Data silang terdiri dari beberapa ob!ek data pada suatu waktu, misalnya data pada suatu

restoran akan terdiri dari data pen!ualan, data pembelian bahan baku, data !umlah

karyawan, dan datadata relevan lainnya. 7lustrasinya seperti pada table di bawah ini.

Tabel #. Perbandingan antara !enualan !e*belian ba"an baku dan u*la"

kar+awan !ada retoran A , dan - !ada bulan anuari #$$/

Retoran PenualanPe*belian

ba"an bakuu*la" 'ar+awan

4 *+.10.'' *'.''.*'' *'

.1.''' */.''.1+ *

8 *0.**.''' *.''.* 0

Dari data tersebut dapat maka dapat dilihat produktivitas pada restoran 4, , dan 8.

0. Data Panel ( pooled data)



Data panel adalah data yang menggabungkan antara data runtun waktu ( time series) dan

data silang (cross section). $arena itu data panel akan memiliki beberapa ob!ek dan

beberapa periode waktu. 8ontoh data panel dapat dilihat pada table berikut ini.

Tabel 0. Data panel ek!or dan i*!or ko!i Indoneia dan ala+ia !ada !eriode

ta"un #$$& % #$$2

Negara Periode Ek!or (ton) I*!or (ton)

7ndonesia '' .// *./

7ndonesia ''/ **.0* .'+

7ndonesia ''0 './'' 0.+0

Malaysia '' /// .1/

Malaysia ''/ *.+' ./1

Malaysia ''0 +1 .*/

,. Pera*aan Regrei Data Panel

2ersamaan Regresi data panel ada macam , yaitu One Way Model dan Two Way Model .

• One Way Model adalah model satu arah, karena hanya mempertimbangkan e"ek individu (9i)

dalam model. erikut 2ersamaannya#

Model :ne ;ay Data 2anel

Dimana#

9 < $onstanta

= < >ektor berukuran 2 ? * merupakan parameter hasil estimasi

@it < :bservasi keit dari 2 variabel bebas9i < e"ek individu yang berbedabeda untuk setiap individu kei

Ait < error regresi seperti halnya pada model regresi klasik.

• Two Way Model adalah model yang mempertimbangkan e"ek dari waktu atau memasukkan

variabel waktu. erikut 2ersamaannya#



Model -wo ;ay Data 2anel

2ersamaan di atas menun!ukkan dimana terdapat tambahan e"ek waktu yang

dilambangkan dengan deltha yang dapat bersi"at tetap ataupun bersi"at acak antar tahunnya.

Metode Regresi Data 2anel akan memberikan hasil pendugaan yang bersi"at Best inear

!nbiased "stimation #B!"$ !ika semua asumsi %auss Markov terpenuhi diantaranya adalah

non-autcorrelation.

&on-autcorrelation inilah yang sulit terpenuhi pada saat kita melakukan analisis pada

data panel. 5ehingga pendugaan parameter tidak lagi bersi"at BCA. 3ika data panel dianalisis

dengan pendekatan modelmodel time series seperti "ungsi transfer , maka ada in"ormasikeragaman dari unit cross section yang diabaikan dalam pemodelan. 5alah satu keuntungan dari

analisis regresi data panel adalah mempertimbangkan keragamaan yang ter!adi dalam unit cross

section.

-idak seperti regresi biasanya, regresi data panel harus melalui tahapan penentuan model

estimasi yang tepat. erikut diagram tahapan dari regresi data panel#



-. Penentuan odel Eti*ai3

Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan

melalui tiga pendekatan, antara lain#

*. -o**on E44e5t odel atau Pooled Leat S6uare (PLS)# Merupakan pendekatan

model data panel yang paling sederhana karena hanya mengkombinasikan data time

series dan cross section. 2ada model ini tidak diperhatikan dimensi waktu maupun

individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai

kurun waktu. Metode ini bisa menggunakan pendekatan :rdinary Beast 5uare (:B5)

atau teknik kuadrat terkecil untuk mengestimasi model data panel.

. 7i8ed E44e5t odel (7E)# Model ini mengasumsikan bahwa perbedaan antar individu

dapat diakomodasi dari perbedaan intersepnya. Cntuk mengestimasi data panel modelEi?ed A""ects menggunakan teknik variable dummy untuk menangkap perbedaan intersep

antar perusahaan, perbedaan intersep bisa ter!adi karena perbedaan budaya ker!a,

mana!erial, dan insenti". Namun demikian slopnya sama antar perusahaan. Model

estimasi ini sering !uga disebut dengan teknik Beast 5uares Dummy >ariable (B5D>).

. Rando* E44e5t odel (RE)# Model ini akan mengestimasi data panel dimana variabel

gangguan mungkin saling berhubungan antar waktu dan antar individu. 2ada model

Random A""ect perbedaan intersep diakomodasi oleh error terms masingmasing

perusahaan. $euntungan menggunkan model Random A""ect yakni menghilangkan

heteroskedastisitas. Model ini !uga disebut dengan Arror 8omponent Model (A8M) atau

teknik %eneraliFed Beast 5uare (%B5) .

Cntuk memilih model yang paling tepat terdapat beberapa pengu!ian yang dapat

dilakukan, antara lain#

*. 9i -"ow:tet ( pool effect vs fixed effect )

Cntuk mengetahui model mana yang lebih baik dalam pengu!ian data panel, bisa

dilakukan dengan penambahan variabel dummy sehingga dapat diketahui bahwa

intersepnya berbeda dapat diu!i dengan u!i 5tatistik E. C!i ini digunakan untuk

mengetahui apakah teknik regresi data panel dengan metode 'i(ed "ffect lebih baik dari

regresi model data panel tanpa variabel dummy atau metode )ommon "ffect . Gipotesis



nul pada u!i ini adalah bahwa intersep sama, atau dengan kata lain model yang tepat

untuk regresi data panel adalah )ommon "ffect , dan hipotesis alternati"nya adalah

intersep tidak sama atau model yang tepat untuk regresi data panel adalah 'i(ed "ffect .

Nilai 5tatistik E hitung akan mengikuti distribusi statistik E dengan dera!at

kebebasan (deggre of freedom) sebanyak m untuk numerator dan sebanyak n 6 k untuk

denumerator m merupakan merupakan !umlah restriksi atau pembatasan di dalam model

tanpa variabel dummy. 3umlah restriksi adalah !umlah individu dikurang satu. n

merupakan !umlah observasi dan k merupakan !umlah parameter dalam model 'i(ed

"ffect . 3umlah observasi #n$ adalah !umlah individu dikali dengan !umlah periode,

sedangkan !umlah parameter dalam model 'i(ed "ffect #k$ adalah !umlah variabel

ditambah !umlah individu. 4pabila nilai E hitung lebih besar dari E kritis maka hipotesis

nul ditolak yang artinya model yang tepat untuk regresi data panel adalah model 'i(ed "ffect . Dan sebaliknya, apabila nilai E hitung lebih kecil dari E kritis maka hipotesis nul

diterima yang artinya model yang tepat untuk regresi data panel adalah model )ommon

"ffect .

8how test adalah pengu!ian untuk menentukan model Ei?ed A""et atau Random

A""ect yang paling tepat digunakan dalam mengestimasi data panel.

4pabila Gasil#

G'# 2ilih 2B5

G*# 2ilih EA

#. 9i ;au*an

Gausman telah mengembangkan suatu u!i untuk memilih apakah metode 'i(ed

"ffect dan metode *andom "ffect lebih baik dari metode )ommon "ffect . C!i Gausman

ini didasarkan pada ide bahwa east +,uares Dummy ariables (B5D>) dalam metode

metode 'i(ed "ffect dan %enerali.ed east +,uares (%B5) dalam metode *andom "ffect

adalah e"isien sedangkan Ordinary east +,uares (:B5) dalam metode )ommon "ffect

tidak e"isien. Dilain pihak, alternati"nya adalah metode :B5 e"isien dan %B5 tidak

e"isien. $arena itu, u!i hipotesis nulnya adalah hasil estimasi keduanya tidak berbeda

sehingga u!i Gausman bisa dilakukan berdasarkan perbedaan estimasi tersebut.

5tatistik u!i Gausman mengikuti distribusi statistik )hi-+,uares dengan dera!at

kebebasan #df$ sebesar !umlah variabel bebas. Gipotesis nulnya adalah bahwa model yang

tepat untuk regresi data panel adalah model *andom "ffect dan hipotesis alternati"nya



adalah model yang tepat untuk regresi data panel adalah model 'i(ed "ffect . 4pabila nilai

statistik Gausman lebih besar dari nilai kritis )hi-+,uares maka hipotesis nul ditolak

yang artinya model yang tepat untuk regresi data panel adalah model 'i(ed "ffect .

5ebaliknya, apabila nilai statistik Gausman lebih kecil dari nilai kritis )hi-+,uares maka

hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah

model *andom "ffect .

0. 9i Lagrange ulti!lier

!/i agrange Multiplier (BM) digunakan untuk mengetahui apakah model

*andom "ffect lebih baik dari model )ommon "ffect . C!i 5igni"ikansi *andom "ffect ini

dikembangkan oleh reusch2agan. 2engu!ian didasarkan pada nilai residual dari metode

)ommon "ffect . C!i BM ini didasarkan pada distribusi )hi-+,uares dengan dera!at

kebebasan (d") sebesar !umlah variabel independen. Gipotesis nulnya adalah bahwa

model yang tepat untuk regresi data panel adalah )ommon "ffect , dan hipotesis

alternati"nya adalah model yang tepat untuk regresi data panel adalah *andom "ffect .

4pabila nilai BM hitung lebih besar dari nilai kritis )hi-+,uares maka hipotesis nul

ditolak yang artinya model yang tepat untuk regresi data panel adalah model *andom

"ffect . 5ebaliknya, apabila nilai BM hitung lebih kecil dari nilai kritis )hi-+,uares maka

hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah

model )ommon "ffect .

Dari ketiga u!i untuk menentukan Metode Astimasi di atas, digambarkan dalam

gra"ik di bawah ini#



D. Penguian Au*i 'laik

Regresi data panel memberikan alternati" model, )ommon "ffect , 'i(ed "ffect dan

*andom "ffect . Model )ommon "ffect dan 'i(ed "ffect menggunakan pendekatan Ordinary

east +,uared (:B5) dalam teknik estimasinya, sedangkan *andom "ffect menggunakan

%enerali.ed east +,uares (%B5) sebagai teknik estimasinya. C!i asumsi klasik yang digunakan

dalam regresi linier dengan pendekatan Ordinary east +,uared (:B5) meliputi u!i Binieritas,

4utokorelasi, Geteroskedastisitas, Multikolinieritas dan Normalitas. ;alaupun demikian, tidak

semua u!i asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan

:B5.

C!i linieritas hampir tidak dilakukan pada setiap model regresi linier. $arena sudah

diasumsikan bahwa model bersi"at linier. $alaupun harus dilakukan sematamata untuk melihat

se!auh mana tingkat linieritasnya.

4utokorelasi hanya ter!adi pada data time series. 2engu!ian autokorelasi pada data yang

tidak bersi"at time series (cross section atau panel) akan siasia semata atau tidaklah berarti.

Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu

variabel bebas. 3ika variabel bebas hanya satu, maka tidak mungkin ter!adi multikolinieritas.

Geteroskedastisitas biasanya ter!adi pada data cross section, dimana data panel lebih

dekat ke ciri data cross section dibandingkan time series.

C!i normalitas pada dasarnya tidak merupakan syarat BCA ( Best inier !nbias

"stimator ) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wa!ib

dipenuhi.

Dari pen!elasan di atas dapat ditarik kesimpulan bahwa pada regresi data panel, tidak

semua u!i asumsi klasik yang ada pada metode :B5 dipakai, hanya multikolinieritas dan

heteroskedastisitas sa!a yang diperlukan.

• 9i ultikolinierita

Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model

data panel perlu memenuhi syarat terbebas dari pelanggaran asumsiasumsi dasar (asumsi

klasik). Meskipun demikian, adanya korelasi yang kuat antara variabel bebas dalam

pembentukan sebuah model (persamaan) sangatlah tidak dian!urkan ter!adi, karena hal itu akan

berdampak kepada keakuratan pendugaan parameter, dalam hal ini koe"isien regresi, dalam



memperkirakan nilai yang sebenarnya. $orelasi yang kuat antara variabel bebas dinamakan

multikolinieritas.Menurut 8hatter!ee dan 2rice dalam Nachrowi (''), adanya korelasi antara variabel

variabel bebas men!adikan intepretasi koe"isienkoe"isien regresi me!adi tidak benar lagi.

Meskipun demikian, bukan berarti korelasi yang ter!adi antara variabelvariabel bebas tidak

diperbolehkan, hanya kolinieritas yang sempurna ( perfect collinierity) sa!a yang tidak

diperbolehkan, yaitu ter!adinya korelasi linier antara sesama variabel bebasnya. 5edangkan untuk

si"at kolinier yang hampir sempurna (hubungannya tidak bersi"at linier atau korelasi mendekati

nol) masih diperbolehkan atau tidak termasuk dalam pelanggaran asumsi.4da beberapa cara untuk mengidenti"ikasi adanya multikolinieritas, dan cara yang paling

mudah adalah dengan mencari nilai koe"isien korelasi antar variabel bebas. $oe"isien korelasi

antara dua variabel yang bersi"at kuantitati" dapat menggunakan coefficient correlation pearson,

dengan rumus sebagai berikut#

Dimana 0 i dan 1 i adalah variabel bebas yang akan dicari nilai koe"isien korelasinya dan n

adalah !umlah data dari kedua variabel bebas tersebut. Nilai mutlak dari koe"isien korelasi

besarnya dari nol sampai satu. 5emakin mendekati satu, maka dapat dikatakan semakin kuat

hubungan antara kedua variabel tersebut dan artinya semakin besar kemungkinan ter!adinya

multikolinieritas.

• 9i ;eterokedatiita

Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model

data panel perlu memenuhi syarat BCA ( Best inear !nbiased "stimator ) atau terbebas dari

pelanggaran asumsiasumsi dasar (asumsi klasik). 3ika dilihat dari ketiga pendekatan yang

dipakai, maka hanya u!i heteroskedastisitas sa!a yang relevan dipakai pada model data panel.

C!i heteroskedastisitas digunakan untuk melihat apakah residual dari model yang

terbentuk memiliki varians yang konstan atau tidak. 5uatu model yang baik adalah model yang

memiliki varians dari setiap gangguan atau residualnya konstan. Geteroskedastisitas adalah

keadaan dimana asumsi tersebut tidak tercapai, dengan kata lain dimana adalah ekspektasi dari

eror dan adalah varians dari eror yang berbeda tiap periode waktu.

Dampak adanya heteroskedastisitas adalah tidak e"isiennya proses estimasi, sementara

hasil estimasinya tetap konsisten dan tidak bias. Aksistensi dari masalah heteroskedastisitas akan

menyebabkan hasil C!it dan C!iE men!adi tidak berguna (miss leanding ).



4da beberapa metode yang dapat digunakan untuk menditeksi heteroskedastisitas, tetapi

dalam penelitian ini hanya akan dilakukan dengan menggunakan White 2eteroskedasticity Test

pada consistent standard error 3 covariance. Gasil yang diperlukan dari hasil u!i ini adalah nilai

E dan Obs4*-s,uared , dengan hipotesis sebagai berikut#

G' # 2omoskedasticity

G* # 2eteroskedasticity

$emudian kita bandingkan antara nilai Obs4*-s,uares dengan nilai tabel dengan tingkat

kepercayaan tertentu dan dera!at kebebasan yang sesuai dengan !umlah variabel bebas. 3ika nilai

C!i Geteroskedastisitas tabel maka G' diterima, dengan kata lain tidak ada masalah

heteroskedastisitas.

E. 9i 'ela+akan (Goodness of Fit ) odel Regrei Data Panel

•

9i ;i!otei

Menurut Nachrowi (''/), u!i hipotesis berguna untuk mengu!i signi"ikansi koe"isien

regresi yang didapat. 4rtinya, koe"isien regresi yang didapat secara statistik tidak sama dengan

nol, karena !ika sama dengan nol maka dapat dikatakan bahwa tidak cukup bukti untuk

menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikatnya. Cntuk

kepentingan tersebut, maka semua koe"isien regresi harus diu!i. 4da dua !enis u!i hipotesis

terhadap koe"isien regresi yang dapat dilakukan, yaitu#

1. 9i:7

C!iE diperuntukkan guna melakukan u!i hipotesis koe"isien ( slope) regresi secara

bersamaan, dengan kata lain digunakan untuk memastikan bahwa model yang dipilih

layak atau tidak untuk mengintepretasikan pengaruh variabel bebas terhadap variabel

terikat.

#. 9i:t

3ika C!iE dipergunakan untuk mengu!i koe"isien regresi secara bersamaaan, maka

C!it digunakan untuk mengu!i koe"isien regresi secara individu. 2engu!ian dilakukan

terhadap koe"isien regresi populasi, apakah sama dengan nol, yang berarti variabel bebas

tidak mempunyai pengaruh signi"ikan terhadap variabel terikat, atau tidak sama dengan nol,

yang berarti variabel bebas mempunyai pengaruh signi"ikan terhadap variabel terikat.



• 'oe4iien Deter*inai

$oe"isien Determinasi (%oodness of 'it ) dinotasikan dengan *-s,uares yang merupakan

suatu ukuran yang penting dalam regresi, karena dapat mengin"ormasikan baik atau tidaknya

model regresi yang terestimasi. Nilai $oe"isien Determinasi mencerminkan seberapa besar

variasi dari variabel terikat dapat diterangkan oleh variabel bebasnya. ila nilai $oe"isien

Determinasi sama dengan ', artinya variasi dari variabel terikat tidak dapat diterangkan oleh

variabelvariabel bebasnya sama sekali. 5ementara bila nilai $oe"isien Determinasi sama dengan

*, artinya variasi variabel terikat secara keseluruhan dapat diterangkan oleh variabelvariabel

bebasnya. Dengan demikian baik atau buruknya suatu persamaan regresi ditentukan oleh *-

s,uaresnya yang mempunyai nilai antara nol dan satu.

7. O!eraionaliai Regrei Data Panel1. Penda"uluan (Peria!an<In!ut data)

Ta"a! awal dalam 2endahuluan adalah mempersiapkan data. Data panel adalah data

yang memiliki karakteristik cross section dan time series secara bersamaan. Data cross

section adalah data yang terdiri lebih dari * (satu) entitas, contohnya 2erusahaan, Negara,

7ndividu, 7nstitusi, Departemen dan lainlain. 5edangkan untuk data time series adalah data satu

entitas dengan dimensi waktuHperiode yang pan!ang atau tidak satu waktuHperiode sa!a. 5atuan

waktu dapat disesuaikan dengan tu!uan penelitian, misalnya bulanan, triwulan, semesteran, atau

tahunan.

erikut ini adalah contoh data panel yang terdiri dari (empat) perusahaan, yaitu#

7M, %oodyear, Cnion :il dan C5 5tell. Dari masingmasing perusahaan tersedia data

dalam tahunan, *+ 6 *+. 4dapun variabel penelitiannya adalah Nilai 7nvestasi (7N>)

sebagai variabel terikat (dependent variable). Garga 5aham (G5) dan Nilai 4ktual $apital di

awal periode (N4$) sebagai variabel bebas (independent variable).

8ontoh ini ingin melihat pengaruh Garga 5aham (G5) dan Nilai 4ktual $apital di awal

periode (N4$) terhadap Nilai 7nvestasi (7N>), dengan model regresinya 5&it < 6 ' I 6 * 2+it I 6 &A7 it I eit

Tabel Data 9ntuk 9i Regrei Data Panel



FIRM T ahun INV HS NAK

IBM 1935 20.36 197.00 6.50

IBM 1936 25.98 210.30 15.80

IBM 1937 25.94 223.10 27.70

IBM 1938 27.53 216.70 39.20

IBM 1939 24.60 286.40 48.60

IBM 1940 28.54 298.00 52.50

IBM 1941 43.41 276.90 61.50

IBM 1942 42.81 272.60 80.50

IBM 1943 27.84 287.40 94.40

IBM 1944 32.60 330.30 92.60

IBM 1945 39.03 324.40 92.30

IBM 1946 50.17 401.90 94.20

IBM 1947 51.85 407.40 111.40

IBM 1948 64.03 409.20 127.40

IBM 1949 68.16 482.20 149.30

IBM 1950 73.34 673.80 164.40

IBM 1951 95.30 676.90 177.20

IBM 1952 99.49 702.00 200.00

IBM 1953 127.52 793.50 211.50

IBM 1954 135.72 927.30 238.70

GOOD 1935 26.63 290.60 162.00

GOOD 1936 23.39 291.10 174.00

GOOD 1937 30.65 335.00 183.00

GOOD 1938 20.89 246.00 198.00

GOOD 1939 28.78 356.20 208.00

GOOD 1940 26.93 289.80 223.00

GOOD 1941 32.08 268.20 234.00

GOOD 1942 32.21 213.30 248.00

GOOD 1943 35.69 348.20 274.00

GOOD 1944 62.47 374.20 282.00

GOOD 1945 52.32 387.20 316.00

GOOD 1946 56.95 347.40 302.00

GOOD 1947 54.32 291.90 333.00

GOOD 1948 40.53 297.20 359.00

GOOD 1949 32.54 276.90 370.00

GOOD 1950 43.48 274.60 376.00

GOOD 1951 56.49 339.90 391.00

GOOD 1952 65.98 474.80 414.00

GOOD 1953 66.11 496.00 443.00

GOOD 1954 49.34 474.50 468.00

UO 1935 24.43 138.00 100.20

UO 1936 23.21 200.10 125.00

UO 1937 32.78 210.10 142.40

UO 1938 32.54 161.20 165.10

UO 1939 26.65 161.70 194.80

UO 1940 33.71 145.10 222.90

UO 1941 43.50 110.60 252.10



UO 1942 34.46 98.10 276.30

UO 1943 44.28 108.80 300.30

UO 1944 70.80 118.20 318.20

UO 1945 44.12 126.50 336.20

UO 1946 48.98 156.70 351.20

UO 1947 48.51 119.40 373.60

UO 1948 50.00 129.10 389.40

UO 1949 50.59 134.80 406.70

UO 1950 42.53 140.80 429.50

UO 1951 64.77 179.00 450.60

UO 1952 72.68 178.10 466.90

UO 1953 73.86 186.80 486.20

UO 1954 89.51 192.70 511.30

US 1935 209.90 1362.40 53.80

US 1936 355.30 1807.10 50.50

US 1937 469.90 2 676.30 118.10

US 1938 262.30 1 801.90 2 60.20

US 1939 230.40 1 957.30 3 12.70US 1940 361.60 2 202.90 2 54.20

US 1941 472.80 2 380.50 2 61.40

US 1942 445.60 2 168.60 2 98.70

US 1943 361.60 1 985.10 3 01.80

US 1944 288.20 1 813.90 2 79.10

US 1945 258.70 1 850.20 2 13.80

US 1946 420.30 2 067.70 2 32.60

US 1947 420.50 1 796.70 2 64.80

US 1948 494.50 1 625.80 3 06.90

US 1949 405.10 1 667.00 3 51.10

US 1950 418.80 1 677.40 3 57.80

US 1951 588.20 2 289.50 3 42.10

US 1952 645.20 2 159.40 4 44.20

US 1953 641.00 2 031.30 6 23.60

US 1954 459.30 2115.50 669.70



5etelah data siap, langkah selan!utnya (Ta"a! 'edua) dari 2endahuluan adalah

menyiapkan template pada software Aviews yang sesuai dengan data penelitian kita. erikut

ini adalah tahapantahapannya#

a) uka 4plikasi Aviews, maka akan muncul tampilan seperti berikut

b) uka Eile $er!a (;ork"ile) dengan cara klik # 7ile <JNew <J=ork4ile

Maka akan muncul !endela =ork4ile -reate, yang terdiri dari =ork4ile tru5ture

t+!e Date !e5i4i5ation =ork4ile na*e (o!tional).



c) Membuat ;ork"ile. 5esuai dengan contoh data yang telah disiapkan, (empat) 2erusahaan

dengan periode tahunan, *+ 6 *+, maka pada# =ork4ile tru5ture t+!e, pilih ,alan5ed

Panel

Date (Panel) !e5i4i5ation, pilih Annual pada 're,uency, +tart date isi * +, "nd

date isi *+ dan &umber of cross section isi . 3ika data 4nda terdiri dari / (enam)

perusahaan dengan periode triwulanan, misal triwulan pertama tahun ''1 sampai triwulan

keempat '*, maka pilih >uartel+ pada 're,uency,+tart date isi ''1.* atau ' ' 1 # *, "nd

date isi '*. atau '* # dan &umber of cross section isi /.

=ork4ile na*e (o!tional) isi W' sesuai dengan nama "ile yang diinginkan,

misalnya B a ti h a n. 5edangkan untuk 8age dapat dikosongkan.



5etelah semuanya terisi klik , maka akan muncul tampilan seperti berikut ini #

d) Membuat template untuk variabel penelitian, dalam hal ini adalah Nilai 7nvestasi (7N>),

Garga 5aham (G5) dan Nilai 4ktual $apital di awal periode (N4$). 8aranya klik

Obe5t<JNew Obe5t

Maka akan muncul tampilah seperti ini #



Balu pada T+!e o4 obe5t pilih Serie dan pada Na*e o4 obe5t isi nama * (satu)

variabel sa!a, misal 7 N > (tidak harus huru" besar dan tidak boleh pakai spasi), setelah itu

k lik . $arena variabel penelitian pada contoh ini (tiga) maka lakukan langkah ini

se banyak (tiga) kali.

5etelah itu variabel 7N>, G5 dan N4$ yang tadinya belum ada template-nya di

;ork"ile, maka sekarang sudah ada, seperti tertampil pada gambar berikut ini#



5etelah semua template Aviews siap, Ta"a! 'etiga adalah mengimpor data dari "ile

A?cel ke ;ork"ile Aviews. 7mpor data dilakukan dengan cara copy-paste baik secara satu

persatu (variabel) atau secara sekaligus (semua variabel).

$lik semua variabel (cara sekaligus) dalam ;ork"ile secara berurutan sesuai dengan

"ormat urutan yang ada di "ile A?cel, dalam contoh urutan variabel adalah 7N>, G5, dan N4$,

maka tahan tombol )trl , lalu klik diikuti dengan dan . 5etelah itu

klik kanan pada mouse, klik O!en <Ja Grou! dan akhirnya akan muncul tampilan sebagai

berikut#

$lik , setelah itu copy data 7N>, G5 dan N4$ yang ada pada "ile A?cel kedalam

templ ate %roup# CN-7-BAD work"ile Aviews secara bersamasama ( paste). Balu klik

kembali dan tutup (!endela) %roup# CN-7-BAD (dengan cara klik pada k anan atas) tanpa



harus menyimpannya (!ika ada pilihan untuk Delete Cntitled %R:C2 pilih ). Cntuk

memastikan bahwa data telah terisi dengan sempurna, maka klik satu per satu variabel (7N>,

G5 dan N4$) sekali lagi dan tutup kembali.

#. Eti*ai (e*buat Pera*aan) Regrei Data Panel

Dalam software Aviews, estimasi modelHpersamaan ( ",uation "stimation) dilakukan

dengan cara memunculkan !endela ",uation "stimation, lalu menuliskan persamaanHmodel yang

akan diestimasi dalam !endela ",uation "stimation. 4da beberapa cara untuk melakukannya

(disini ditun!ukkan hanya satu cara).

8aranya bisa dengan cara klik >ui5k <J E6uation Eti*ation

Balu akan muncul !endela ",uation "stimation yang terdiri dari (tiga) bagian,

+pecification, 8anel Option dan Option. 2ada bagian +pecification ada Equation specification

dan Estimation setting .

2ada Equation specification tuliskan semua variabel penelitian yang akan

dimasukkan ke dalam model dengan spasi sebagai pemisahnya (tertulis # log(7N>) log(G5)

log(N4$) 8 atau log(7N>) 8 log(G5) log(N4$)). >ariabel terikat selalu paling kiri, setelah

itu variabel bebas dan konstantaHintersep, 8. 2enulisan log(N4M4 >4R74AB) dimaksudkan

untuk mentrans"ormasi variabel dengan logaritma natural sesuai dengan model yang

diinginkan di awal dan bukan merupakan suatu keharusan.

5edangkan pada Estimation setting (pastikan) pilihan Method # B5 6 Beast 5uares

(B5 and 4R).



5etelah itu klik ok maka akan menghasilkan output seperti ini #

5ampai tahap ini estimasi model regresi data panel telah dilakukan. Model yang

terbentuk adalah Model )ommon "ffect (8A), default Aviews. 4pabila ingin mengulangi

pembentukan (estimasi) model, cukup klik nanti akan muncul tampilan Auation

yang terdiri dari (tiga) bagian, +pecification, 8anel Option dan Option kembali

(sebagaimana yang telah di!elaskan sebelumnya).

%una mengestimasi model yang dibentuk, apakah )ommon "ffect (8A), 'i(ed "ffect (EA)

atau *andom "ffect (RA) maka pada saat muncul !endela ",uation "stimation dibagian

Panel Option, ada Effect specification Weights, dan -oe4 5o?arian5e *et"od



3ika ingin memilih *odel -E maka pastikan pada #

"ffect specification, -ro:e5tion 3 None

2eriod # None

Weights, %B5 ;eights # No weights8oe" covariance method # :rdinary

aru klik . Maka akan muncul tampilan seperti ini#

3ika ingin memilih *odel 7E maka pastikan pada #

"ffect specification, -ro:e5tion 3 7i8ed

2eriod # None

Weights, %B5 ;eights # No weights

8oe" covariance method # :rdinary




3ika ingin memilih *odel RE maka pastikan pada # "ffect specification, -ro:e5tion 3 Rando*

2eriod # None

Weights, %B5 ;eights # No weights8oe" covariance method # :rdinary


5ebagai catatan, model RA hanya dapat diestimasi pada saat !umlah

entitasHperusahaan lebih banyak daripada !umlah varibel bebas.0. Pe*ili"an odel

Dari ketiga model yang telah diestimasi akan dipilih model mana yang paling

tepatHsesuai dengan tu!uan penelitian. 4da tiga u!i (test ) yang dapat di!adikan alat dalam

memilih model regresi data panel(8A, EA atau RA) berdasarkan karakteristik data yang dimiliki,

yaitu# ' Test ()how Test ), 2ausman Test dan angrangge Multiplier (BM) Test . $etiga u!i



ini dilakukan pada !endela model*.

F Test (Chow Test )

Dilakukan untuk membandingkanHmemilih model mana yang terbaik antara 8A dan EA.

2ertama, pastikan bahwa model* telah tertampil pada !endela model EA, setelah itu klik # @iew

<J 7i8ed<Rando* E44e5t Teting B Redundant 7i8ed E44e5t % Likeli"ood Ratio

Maka akan muncul tampil seperti ini #

Dari tampilan di atas cukup perhatikan tabel yang paling atas sa!a. 2erhatikan nilai

probabilitas (2rob.) untuk 8rosssection E. 3ika nilainya J ',' (ditentukan di awal sebagai

tingkat signi"ikansi atau alpha) maka model yang terpilih adalah 8A, tetapi !ika K ','

maka model yang terpilih adalah EA. 2ada tabel yang paling atas terlihat bahwa nilai 2rob.

8rosssection E sebesar ','''' yang nilainya K ',' sehingga dapat disimpulkan bahwa model

EA lebih tepat dibandingkan dengan model 8A untuk kasus contoh ;ork"ileBatihan.



ausman Test

Dilakukan untuk membandingkanHmemilih model mana yang terbaik antara EA dan RA.

2ertama pastikan bahwa pada !endela model* telah tertampil model RA, setelah itu klik # @iew

<J 7i8ed<Rando* E44e5t Teting B -orrelated Rando* E44e5t % ;au*an Tet

Maka akan muncul tampil seperti ini #

Dari tampilan di atas cukup perhatikan tabel yang paling atas sa!a. 2erhatikan nilai

probabilitas (2rob.) 8rosssection random. 3ika nilainya J ',' maka model yang terpilih adalah

RA, tetapi !ika K ',' maka model yang terpilih adalah EA. 2ada tabel yang paling atas terlihat

bahwa nilai 2rob. 8rosssection random sebesar ',/'* yang nilainya J ',' sehingga dapat

disimpulkan bahwa model RA lebih tepat dibandingkan dengan model EA untuk kasus contoh

;ork"ileBatihan.

Dari dua u!i pemilihan model dapat disimpulkan bahwa untuk kasus ;ork"ile Batihan

model RA lebih baik daripada model EA dan 8A, tanpa harus dilakukan u!i selan!utnya (BM

-est).



Gasil ini se!alan dengan C!i )how dan C!i 2ausman yang menyatakan bahwa model

yang terpilih dari ketiga model yang mungkin adalah model *andom "ffect (RA).

C. Pen+e*bu"an ;eterokedatiita

Geteroskedastisitas biasanya ter!adi pada !enis data cross section. $arena regresi data

panel memiliki karakteristik tersebut, maka ada kemungkinan ter!adi heteroskedastisitas. Dari

ketiga model regresi data panel hanya 8A dan EA sa!a yang memungkinkan ter!adinya

heteroskedastisitas, sedangkan RA tidak ter!adi.Gal ini dikarenakan estimasi 8A dan EA masih

menggunakan pendekatan Ordinary east +,uare (:B5) sedangkan RA sudah menggunakan

%enerali.e east +,uare (%B5) yang merupakan salah satu teknik penyembuhan regresi.

Cntuk membandingkan apakah model 8A ter!adi heteroskedastisitas atau tidak, dapat

dilakukan dengan cara membandingan hasil antara model 8A tanpa pembobotan (unweighted )

dan model 8A dengan pembobotan (weighted ). 5ebagai contoh pada ;ork"ile Batihan. :utput

model 8A tanpa pembobotan (unweighted )

:utput model 8A dengan pembobotan (weighted )



Cntuk mendapatkan hasil di atas pada saat estimasi (atau klik ) di bagian Panel

O!tion Weights, di GLS =eig"t pilih -ro:e5tion weig"t

erikut ini hasil pembandingan kedua model 8A #

Para*eter -E unweighted -E weighted

2rob. t5tatistic $etiganya K ',' $etiganya K ','

Rsuared ',1/1/ ',+''*0

2rob(Estatistic) ',''''' ','''''

erdasarkan (tiga) parameter di atas pada dasarnya tidak terdapat perbedaan yang

terlalu signi"ikan, hanya pada Rsuared sa!a yang mana model 8A weighted lebih besar (lebih

baik) sehingga dapat disimpulkan tidak ter!adi heteroskedastisitas pada model 8A.Cntuk

pengu!ian heteroskedastisitas pada model EA memiliki prosedur dan aturan yang sama

analsis statistik data panel

Documents