P. 1
PANEL_DATA_REGRESSION_MODEL

PANEL_DATA_REGRESSION_MODEL

|Views: 1,904|Likes:
Published by Nurhidayati Septian

More info:

Published by: Nurhidayati Septian on Apr 12, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

08/01/2013

pdf

text

original

PANEL DATA REGRESSION MODEL

Panel Data adalah data yang memiliki dimensi waktu dan ruang. Other names : Pooled data, combination of time series and cross section data, micropanel data, longitudinal data, event history analysis, cohort analysis. Dalam panel data, data cross-section yang sama diobservasi menurut waktu. Data panel merupakan gabungan antara data cross section, yang ditandai dengan subscript i, dan data time series, yang ditandai dengan subscript t. Menurut Greene (2003), “keuntungan dasar penggunaan data panel adalah adanya fleksibilitas yang lebih besar bagi peneliti untuk memodelkan perbedaan perilaku antar individu”(hal 284). Selain itu, keuntungan lain yang dapat diperoleh menurut Gujarati (2005) dan lain 1. dengan menggabungkan antara data cross section dan time series, data panel mampu menyediakan data yang lebih banyak, informasi yang lebih lengkap, mengurangi kolinieritas antar variabel, dan menghasilkan degree of freedom (df) yang lebih besar serta lebih efisien; 2. data panel dapat mengatasi masalah yang timbul akibat penghilangan variabel (omitted variabel); 3. pengontrolan heterogenitas individu; 4. data panel lebih cocok mempelajari perubahan dinamik; 5. Meskipun data tidak lengkap analisis data panel masih bisa tetap dilakukan 6. dapat mendeteksi dan mengukur efek yang secara sederhana tidak dapat diperoleh dari cross section atau time series murni; Hsiao (2003) dalam Baltagi (2005) antara

…..2. Persamaan model regresi common effect dapat ditulis sebagai berikut: Yit = α + β1 X 1it + β2 X 2it +. penggunaan estimator yang baik disesuaikan kondisi matriks varians-covarians residual (Ekananda dalan Aji. Dengan kata lain setiap unit amatan memiliki slope dan koefisien yang sama.n t : 1.2) Yit =α + β1 X 1it + β2 X 2it +. Satu set data panel memiliki jumlah periode waktu T >1 dan jumlah unit cross sectional n > 1...(3. Secara umum persamaan regresi data panel adalah sebagai berikut: (3. Sehingga diasumsikan bahwa perilaku antar individu sama dalam berbagai kurun waktu.2. Jika setiap cross-section unit memiliki jumlah observasi time-series yang sama maka disebut sebagai berbeda balanced untuk panel.1) i : 1.T Dimana n : jumlah unit cross sectional T : Jumlah periode waktu Dalam analisis data panel. Model Common Effect Model common effect merupakan model regresi data panel yang paling sederhana karena hanya menggabungkan data time series dan cross section dalam bentuk pooled.. setiap Sebaliknya cross-section jika jumlah maka observasi disebut unit unbalanced panel. + βk X kit +uit …………. Model ini tidak memperhatikan dimensi individu maupun waktu.meminimalkan bias yang dihasilkan oleh agregat individu karena unit data lebih banyak.. 2005) Model Regresi Data Panel A...…. + βk X kit +uit …. .

Feasible Estimator Generalized (MLE). 2. jika residualnya Least Square diasumsikan (FGLS) / heteroskedastik dan tidak ada cross sectional correlation. apakah asumsi bahwa α dan β konstan realistik? Missal kita ingin mengamati pengaruh iklan terhadap omset pada 10 perusahaan.2. sedang dan menengah? dan ada term-nya. 2005) yaitu: 1. antar jika struktur bersifat pada waktu matriks varians-covarians residualnya diasumsikan korelasi . jika struktur matriks bersifat Seemingly varians-covarians 3. jika matriks varians-kovarians residualnya diasumsikan bersifat homoskedastik dan tidak ada cross sectional correlation. dimana perusahaan yang bergerak di industri makanan mempunyai intersep yang sama dengan perusahaan yang bergerak di sector jasa? Atau apakah realistic jika kita menggunakan perusahaan kecil. Uncorrelated Regression (SUR) atau Maximum Likelihood varians-covarians struktur matriks residualnya diasumsikan bersifat heteroskedastik dan ada cross sectional correlation.2. Ordinary Least Square (OLS).…T Berdasarkan asumsi struktur matriks varians-kovarians residual. Generalized Least Square (GLS) / Weighted Least Square (WLS): Cross Sectional Weight. terdapat empat metode estimasi yang dapat digunakan (Ekananda. 4. Apakah realistic jika dibuat suatu model.…n dan t = 1. Pertanyaannya. Bila kita punya asumsi bahwa α dan β akan sama (konstan) untuk setiap time series dan cross section.Untuk i = 1. Feasible Generalized Least Square (FGLS) dengan proses autoregressive (AR) pada error heteroskedastik residualnya.

Begitu juga efek untuk individu kedua adalah α + α 3 1 sama dengan nilai α2 pada persamaan (3.2. Sehingga persamaannya menjadi seperti berikut: Yit =α +α2 D1i +.…n dan t = 1. efek untuk individu pertama adalah α + 1 α2 .. + βk X kit +uit 1 1 …………(3.. Nilai ini akan sama dengan nilai α 1 pada persamaan (3.…n = D( n − ) i =1 1 2.3.T D1i =1 D1i =1 untuk individu pertama dan 0 untuk individu 2.. +α( n−1) D( n−1) i + β X 1it + β2 X 2it +.4) Untuk i = 1.3)..…n untuk individu ke (n-1) dan 0 untuk individu 1. Nilai α pada n .Untuk mengatasi permasalahan tersebut.n dan t = 1. n Dari persamaan (3.2.4). berikut : Yit = αi + β1 X 1it + β2 X 2it +..…n untuk individu kedua dan 0 untuk individu 1. yaitu Metode Effect Tetap (The Fixed Effect) dan Metode Efek Random (The Random Effek) B. Secara umum persamaan modelnya adalah sebagai Untuk i = 1. ada dua buah teknik lain yang biasanya digunakan untuk membuat model dari data panel.2. didasarkan adanya perbedaan intersep antar individu tetapi intersepnya sama antar waktu 2005).2.. Model Fixed Effects Model individu Setiap diketahui ini mengasumsikan bahwa perbedaan yang fixed antar tidak effect dapat diakomodasi melalui perbedaan intersepnya.(3.…. + βk X kit + uit ………….3..…T Untuk membedakan intersep antar individu dapat dilakukan dengan memasukkan variable dummy untuk masing-masing individu.….2.4).. α i diperlakukan dan akan sebagai parameter Pengertian invariant) diestimasi.3) (time (Widarjono.

jika struktur matriks varians-covarians 2.persamaan (3. Seemingly Uncorrelated Regression (SUR). Dalam model random effect. varians-covarians residualnya diasumsikan heteroskedastik dan tidak ada cross sectional correlation. terdapat tiga metode estimasi yang dapat digunakan. Model ini mengasumsikan bahwa setiap individu mempunyai intersep yang merupakan variabel random perbedaan atau stokastik sehingga dengan model ini terdapat dua komponen error. yaitu: 1.4). C. Karena digunakan dummy variable untuk mengestimasi fixed effect maka model tersebut disebut juga dengan Least square Dummy Variable (LSDV). Ordinary Least Square (OLS/LSDV). Secara umum persamaan . perbedaan karakteristik individu dan waktu diakomodasikan pada error dalam model. Berdasarkan asumsi struktur matriks varians-covarians residual. Model Random Effect Model fixed effects memperbolehkan adanya korelasi antara efek individual . Intersep untuk masng-masing cross sectional unit berbeda. maka pada model fixed effects. yaitu error secara menyeluruh Ɛ dan error secara individu u . 2003). yang tidak terobservasi dengan efek regressors sedangkan pada model random effect individu dengan regressors tidak berkorelasi (Green. Weighted Least residualnya Square (WLS). diasumsikan jika struktur bersifat matriks bersifat homoskedastik dan tidak ada cross sectional correlation. 3.3) akan sama dengan nilai α pada persamaan 1 (3. jika struktur matriks varians-covarians residualnya diasumsikan bersifat heteroskedastik dan ada cross sectional correlation.

Pada kasus diatas dimana ada 80 data disusun seperti biasa (stacking).. + ei + u it = β1 + β2 X 2it + .. Ada dua pendekatan yang digunakan : 1.N ei adalah random error term dengan rata-rata nol dan varian σ e2 β adalah common mean value untuk intersep 1 Perbedaan intersep antar individu atau cross-sectional units direfleksikan dalam ei Yit = β1 + β2 X 2it + .. 2.model random effect adalah Ide dasar: Yit = β1i + β2 X 2it + ... Fixed Effect 2. Random Effect FIXED EFFECT APPROACH Ada beberapa kemungkinan: 1...…. + u it intercept value untuk tiap cross-sectional units dapat ditunjukkan sebagai β1i = β1 + ei dimana. + wit ei menunjukkan deviasi intersep individu dari nilai rata-rata dan unobservable atau laten variable. Metode Estimasi adalah Generalized Least Square (GLS) “most appropriate than OLS method”.. i = 1.. Semua koefisien berbeda menurut waktu dan individual ..

750293 S.E.049295 6.0000 Mean dependent 290.303552 R-squared 0.110083 X3 0.00000 0 2.8804 6 Log likelihood F-statistic 119.852 8 S. 0.Dengan metode OLS.7911 3 Sum squared resid 1560135.D. see: Gujarati.6453 4 Durbin-Watson stat 0.641) dengan menggunakan program Eviews. Membedakan intersep setiap perusahaan dapat dilakukan dengan memasukkan variable dummy untuk masing-masing perusahaan (differential intercept dummies) (Example. See: Gujarati.756615 Std. dependent var 284. 2003:p. namun tidak berbeda menurut waktu (time invariant).3429 Akaike info criterion 12. Error t-Statistic Prob.141278 0.0000 0. Schwarz criterion 12.60893 -2.019579 0.40095 X2 0. susun data secara stacking yaitu untuk kasus diatas stack 20 observasi untuk setiap perusahaan diatas perusahaan yang lain (Example.013727 8. Dependent Variable: Y Method: Least Squares Date: 06/04/05 Time: 19:17 Sample: 1 80 Included observations: 80 Variable Coefficien t C 63. Slope koefisien tetap namun intersep berbeda antar individu (Fixed Effect atau Least Square Dummy Variable/LSDV) Fixed Effect Model (FEM): Yit = β1 + β2 X 2it + β3 X 3it + uit Walaupun intersep setiap perusahaan berbeda.310957 Prob(F-statistic) 0. 2003:p.643).685 508.0354 29.915 var 4 Adjusted R-squared 0.157869 0. Yit = α1 + α2 D2i + α3 D3i + α4 D4i + β2 X 2it + β3 X 3it + uit . of regression 142.

D. Pemilihan ini dapat berbeda-beda untuk setiap peneliti.00000 0 . D2i = 1 untuk observasi GM.12368 0.108195 Prob(F-statistic) 0.2972 D4 186.7345 5 Log likelihood F-statistic 210. Karena ada 4 perusahaan maka dummy variable yang digunakan hanya 3 untuk menghindari dummy variable trap (kondisi perfect collinearity). α1 adalah intersep GE dan α2. D4i = 0 untuk WEST dan 0 untuk lainnya.017537 6.87026 -6. dan 0 untuk lainnya.0000 0.2 Schwarz criterion 11. D3i = 1 untuk observasi US dan 0 untuk lainnya.5559 0 Sum squared resid 420856.2359 8 Durbin-Watson stat 1.934345 Std.026712 12.915 var 4 Adjusted R-squared 0.0009 24.621 456.345946 R-squared 0.4154 D3 339. dependent var 284. contoh: GM memiliki intersep (α1 + α 2 ) Dependent Variable: Y Method: Least Squares Date: 06/04/05 Time: 20:06 Sample: 1 80 Included observations: 80 Variable Coefficien t C 245.0000 0. Karena digunakan dummy variable untuk mengestimasi fixed effect maka model tersebut disebut juga dengan Least Square Dummy Variable (LSDV).852 8 S. 0.E.0000 31.160379 0. US dan WEST berbeda dengan GE.55910 5.02329 14.95116 0. Dalam hal ini observasi GE menjadi basis sehingga α3.108036 X3 0.0000 Mean dependent 290. Error t-Statistic Prob.53241 3.854615 46.0000 35.41383 Akaike info criterion 11.929909 S.468882 0. Intersep untuk masing-masing cross-sectional unit berbeda. tidak dimasukkan dalam model.913048 0. of regression 75.dimana. α4 adalah differential intercept yang menunjukkan seberapa besar intersep GM.8768 D2 161.6105 X2 0.

Persamaan yang diestimasi dengan OLS adalah persamaan restricted sedangkan yang diestimasi 2003:p.6105 = -59.8768) + 186. 2 RUR = koefisien determinasi untuk unrestricted model (LSDV model) 2 RR = koefisien determinasi untuk restricted model (OLS = jumlah “restrictions” = jumlah sample = total jumlah koefisien regresi (termasuk konstanta) model) m n k jika F-hitung > F-tabel (m.Intersep untuk setiap perusahaan adalah sebagai berikut: GE GM US = -245.8768) + 339. dapat diketahui dengan menggunakan restricted F-test.8768 = (-245.2972 = 93.4204 WEST = (-245. 2 − RR / m F= 2 1 − RUR / n − k ( (R ) ) dimana.643) dengan LSDV adalah 2 UR unrestricted (Gujarati.8768) + 161. Kita tidak perlu memasukkan variabel dummy dan menghitung kembali nilai intersep masing-masing perusahaan.4154 = -84.2663 Untuk pemilihan model yang baik. n-k) maka OLS model invalid sehingga LSDV atau FEM adalah valid. karena fasilitas e-views telah secara otomatis menghitung nilai intersep masing-masing perusahaan.4614 = (-245. Berikut hasil estimasi Fixed effect menggunakan program Eviews dengan metode pooled least square. .

026664 12. perbedaan waktu dummy35 dengan nilai 1 untuk observasi tahun 1935 dan 0 untuk tahun lainnya..930141 S.Dependent Variable: Y? Method: Pooled Least Squares Date: 05/16/06 Time: 16:12 Sample: 1935 1954 Included observations: 20 Number of cross-sections used: 4 Total panel (balanced) observations: 80 Variable Coefficien Std. Dalam hal ini tahun 1954 digunakan base year dengan intersep λ 0 Jika persamaan tersebut di estimasi.165319 0. t X2? 0. maka dummy perusahaan sebagaimana koefisien X secara individual signifikan tapi tidak untuk dummy waktu.370 456.017509 6.0000 X3? 0. etc.915 var 4 Adjusted R-squared 0.22017 US--C 93. . + λ19 Dum 53 + β2 X 2i + β3 X 3i + u it dimana.346162 0.0000 Fixed Effects GE--C 245.22581 R-squared 0...00000 0 3. Error t-Statistic Prob. 4.7924 GM--C 84. tidak ada time effect.. 9 Log likelihood F-statistic 211. dependent var 284. Jadi.E.98212 0.1032 6 Durbin-Watson stat 0.807158 Prob(F-statistic) 0.28890 Sum squared resid 419462. of regression 75. Semua koefisen berbeda antar individu Asumsi : intersep dan slope koefisien berbeda untuk semua individu atau cross-section unit.107948 0.852 8 S. Slope koefisien konstan namun intersep berbeda antar individu dan waktu Yit = α1 + α2 DGMi + α3 DUSi + α4 DWESTi + λ0 + λ1 Dum 35 + .84046 WEST--C 59..934563 Mean dependent 290.D.

hal ini menunjukkan slope coefficient berbeda dari base group.107655 0. 2003:p. t C .932375 Mean dependent 290. Error t-Statistic Prob.03531 X2? 0.645) Dependent Variable: Y? Method: GLS (Variance Components) Date: 05/16/06 Time: 16:14 Sample: 1935 1954 Included observations: 20 Number of cross-sections used: 4 Total panel (balanced) observations: 80 Variable Coefficien Std. semua intersep koefisien berbeda signifikan secara statistic.3870 73. RANDOM EFFECTS APPROACH/ERROR COMPONENTS MODEL (ECM) Berikut hasil estimasi ECM dengan program E-views (See: Gujarati.915 . misal β2 dan γ1 signifikan secara statistic.401618 0.345710 0. US dan WEST berbeda dari GE.Yit = α1 + α2 D2 i + α3 D3i + α4 D4 i + β2 X 2it + β3 X 3it + γ 1 ( D2 i X 2 it ) + γ 2 ( D2i X 3it ) + γ 3 ( D3i X 2 it ) + γ 4 ( D3i X 3it ) + γ 5 ( D4 i X 2 it ) + γ 6 ( D4i X 3it ) + u it γ menunjukkan differential slope coefficient.869990 0. α menunjukkan differential intercept. maka dapat disimpulkan bahwa fungsi investasi untuk GM.016817 6.5613 WEST--C 13. Jika γ signifikan.83.0000 Random Effects GE--C 169.507820 US--C 165.02351 0.026545 13.9282 GM--C 9.0000 X3? 0. maka nilai ( β 2 + γ 1 ) adalah slope koefisien X2 untuk General Motor (GM) yang berbeda Jika dengan General dan Electric slope sebagai perusahaan adalah pembanding.94957 -0. Contoh.87475 GLS Transformed Regression R-squared 0.

930618 S. Random effect dari masingmasing individu menunjukkan seberapa random error component suatu individu berbeda dari nilai common intercept.82302 Sum squared resid 290.780384 Unweighted Statistics including Random Effects R-squared 0.05 dengan Z=1.852 8 419637.E. of regression 75. .96 maka reject/tolak H0 yang berarti random effect model valid. dependent var S.03139 var S. Uji : Breusch-Pagan test (Kmenta.934535 Mean dependent var Adjusted R-squared 0. 6 Durbin-Watson stat 0.D. of regression 73. tidak perlu melakukan Hausman test.629) H 0 : σ e2 = 0 H 0 : σ e2 ≠ 0  ∑ (∑ wit ) 2  ˆ NT  i t LM = − 1 ~ χ2 2   ˆ 2(T − 1) ∑∑ wit  i t    2 untuk α (level of significance) = 0.932835 S. dependent var Sum squared resid 4 284. Nilai R2 didapatkan dari transformasi regresi dengan GLS. 1971:p. 6 Durbin-Watson stat 0.Adjusted R-squared 0.806140 Beberapa hal yang perlu diperhatikan dalam estimasi ECM : 1.D.96 maka jika nilai LM-hitung > 1. Bila dengan menggunakan test ini sudah valid.915 4 284. Jumlah random effect untuk semua perusahaan (contoh:4 perusahaan) adalah nol 2.852 8 433487. 3.E. Nilai rata-rata dari random error component yaitu ei adalah common intercept value.

. FEM or ECM? 1.2. Griffiths.σ 2 ) . i = 1. Dapat dituliskan dalam persamaan: Yit = β1 + β2 X 2it + β3 X 3it + uit dimana. Beberapa metode pemilihan lainnya: Hausman test (See: Hausman.Pemilihan Fixed Effects Model dan Random Effects Model Which model is better. Sehingga ada 4 cross-sectional unit dan 20 periode waktu.20 Asumsi variable X adalah nonstochastic dan error term mengikuti asumsi klasik E (uit ) ~ N (0. General Motor (GM). 1995:p.1978. maka ECM may be appropriate dan sebaliknya ei dan X berkorelasi maka FEM may be appropriate. real capital stock (X3) terhadap real gross investment (Y) untuk 4 perusahaan yaitu General Electric (GE). 2. jika T (number of time series data) besar dan N (number cross-sectional unit) kecil maka FEM dan ECM similar Jika T kecil dan N besar. US Steel (US) dan Westinghouse (West). sehingga secara keseluruhan ada 80 observasi. X2 dan X3 berpengaruh positif terhadap Y. Apriori.463-465) Test untuk setiap model F-test untuk FEM dan Breusch-Pagan untuk ECM Thumb’s rule (See:Gujarati.3. untuk ketiga variabel. 2003:p. maka FEM may be more significant Contoh: Peneliti ingin mengetahui bagaimana pengaruh real value of firm (X2). Data untuk setiap perusahaan adalah data time-series dengan periode 1935-1954.2.650-651) Dimana. ….4 dan t = 1. Diasumsikan ei dan X uncorrelated.

2010. Jakarta: Lembaga Penerbitan FEUI Winarno.UPP STIM YKPN . Nachrowi.Sumber: Materi kuliah Ekonometrika di STIS oleh Bpk Edi Riza.Jakarta: Sekolah Tinggi Ilmu Statistik. Analisis Ekonometrika dan Statistika dengan Eviews. 2009. D. Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan. Wing Wahyu. Nachrowi & Hardius Usman. Skripsi.2006.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->