P. 1
resuman ekonometrika

resuman ekonometrika

|Views: 24|Likes:
Published by FeRo SeLalu Setia

More info:

Published by: FeRo SeLalu Setia on Apr 13, 2012
Copyright:Attribution Non-commercial

Availability:

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

06/14/2013

pdf

text

original

Data panel

Data panel atau pooled data adaalh kombinasi dari data time series dan data cross section. Dengan
mengakomodasi informasi baik yang terkait dengan variabel – variabel cross section maupun time
series, data panel secara substansial mampu menurunkan masalah omitted-variables, model yang
mengabaikan variabel yang relevan (Gujarati, 2003:637).
• Panel data adalah data yang memiliki dimensi waktu dan ruang.
• Dalam panel data, data cross-section yang sama diobservasi menurut waktu.
• Balanced panel jika setiap cross-section unit memiliki jumlah observasi time-
series yang sama.
• Unbalanced panel  jika jumlah observasi berbeda untuk setiap cross-section unit
ADVANTAGE OF PANEL DATA (Baltagi, 1995)
1. Panel data estimation dapat mencakup masalah heterogenitas
2. Panel data memberikan informasi lebih banyak, lebih bervariasi, mempersedikit
kolinieritas antar variabel, dan lebih efisien
3. Panel data lebih baik digunakan untuk melihat perubahan yang bersifat dinamik.
4. Panel data dapat mendeteksi dan mengukur efek lebih baik.
5. Panel data memungkinkan kita untuk meneliti model yang lebih kompleks 
behavioral models
6. Panel data dapat meminimalkan bias
7. Menghindari masalah multikolinieritas
8. 1. Karena data panel berhubungan dengan individu, perusahaan, negara bagian,
negara, dll, dari waktu ke waktu, ada terikat akan heterogeneiry dalam unit. Teknik-
teknik estimasi panel data dapat mengambil heterogenitas tersebut secara eksplisit ke
qccount dengan memungkinkan untuk variabel subjek khusus, sebagaimana akan kita
tunjukkan segera. Kami menggunakan istilah subjek dalam pengertian generik untuk
memasukkan microunits seperti perorangan, perusahaan, negara, dan negara.
9. 2. Dengan menggabungkan serieg waktu pengamatan penampang, data panel
memberikan "lebih informatif data, variabilitas, collinearity lebih sedikit di antara
variabel, lebih Cegrees kebebasan dan lebih e {nciency. "
10. 3. Dengan mempelajari bagian ofobservations berulang cross, data panel lebih sesuai
untuk
studi dinamika perubahan. Mantra urremployment, hrrnover pekerjaan, dan mobilitas
tenaga kerja lebih baik belajar dengan data panel.
11. 4. Panel data yang lebih baik dapat mendeteksi dan mengukur efek yang tidak bisa
diamati dalam murni cross-section atau data time series murni. Sebagai contoh, efek
dari undang-undang upah minimum. Di lapangan kerja dan pendapatan dapat menjadi
lebih baik dipelajari jika kita termasuk gelombang berturut-turut kenaikan upah
minimum federal dan / atau upah minimum negara.
12. 5. Panel data memungkinkan kita untuk mempelajari model perilaku yang lebih rumit.
Misalnya, fenomena seperti perubahan ekonomi ofscale dan teknologi dapat menjadi
lebih baik ditangani oleh data panel dari pada ayat murni lintas atau data time series
murni.
6. Dengan membuat data yang tersedia untuk beberapa ribu unit, data panel dapat
meminimalkan bias yang mungkin timbul jika kita agregat individu atau perusahaan
ke dalam agregat yang luas. Singkatnya, data panel dapat memperkaya analisis
empiris dengan cara-cara yang tidak mungkin Jika kita hanya hanya menggunakan
cross-section atau data time series.. Hal ini tidak berarti bahwa tidak ada masalah
dengan panel
pemodelan data. Kami akan membahas mereka setelah kami menutup beberapa teori
dan mendiskusikan beberapa contoh.


Kesulitan utama
• Faktor pengganggu akan berpotensi mengandung gangguan yang disebabkan
penggunaan observasi runtun waktu, observasi lintas sektoral, serta gabungan
keduanya
– Penggunaan observasi lintas sektoral mempunyai potensi tidak konsistennya
parameter regresi.
– Penggunaan observasi runtun waktu mempunyai potensi autokorelasi antar
observasi.
ESTIMASI DATA PANEL
Terdapat 3 cara estimasi (Pindyck dan Rubinfeld, 1998:
1. Regresi Penggabungan semua data (Pooled OLS)
Pertimbangkan model berikut:

dimana i adalah subjek engan dan r adalah jangka waktu untuk variabel-variabel yang kita
definisikan sebelumnya.
2. Covariance Model (Fixed Effects  Least Squares Dummy Variable (LSDV) Model

3. Error Component Model (Random Effects)
REGRESI PENGGABUNGAN (POOLED OLS)

Model Dasar
0 1 it it it
it i it
y X | | e
e µ c
= + +
= +


Untuk i=1,2,….,N dan t=1,2,….,T
N= jumlah unit lintas sektoral
T= jumlah periode waktu
dimana i adalah indeks unit cross-section dan t adalah indeks waktu
• Jika µ
i
=0  berarti tidak ada individual specific effects  pooled OLS akan
menghasilkan estimator yang unbiased, consistent, dan efficient
• Jika µ
i
=0  berarti ada individual specific effects  pooled OLS akan
menghasilkan estimator yang unbiased, consistent, tetapi inefficient
• Inefisiensi juga disebabkan oleh estimasi pooled OLS mengabaikan adanya positive
serial correlation pada error
| |
( )
2
2 2
,
it is
Corr
µ
µ c
o
e e
o o
=
+
t s ¬ =

akibatnya estimator akan inefficient, dan standar error akan biased dan inconsistent
Jika
| |
0
it i
Cov X µ = estimasi dengan pooled OLS  biased dan inconsistent

Kami akan membahas mereka setelah kami menutup beberapa teori dan mendiskusikan beberapa contoh.. Hal ini tidak berarti bahwa tidak ada masalah dengan panel pemodelan data.N dan t=1. Singkatnya. data panel dapat meminimalkan bias yang mungkin timbul jika kita agregat individu atau perusahaan ke dalam agregat yang luas. Dengan membuat data yang tersedia untuk beberapa ribu unit. dan efficient • Jika i0  berarti ada individual specific effects  pooled OLS akan menghasilkan estimator yang unbiased.2. Error Component Model (Random Effects) REGRESI PENGGABUNGAN (POOLED OLS) Model Dasar yit  0  1 X it  it it  i   it Untuk i=1. 1998: 1. observasi lintas sektoral. ESTIMASI DATA PANEL Terdapat 3 cara estimasi (Pindyck dan Rubinfeld.….…. data panel dapat memperkaya analisis empiris dengan cara-cara yang tidak mungkin Jika kita hanya hanya menggunakan cross-section atau data time series. consistent. Regresi Penggabungan semua data (Pooled OLS) Pertimbangkan model berikut: dimana i adalah subjek engan dan r adalah jangka waktu untuk variabel-variabel yang kita definisikan sebelumnya.. consistent. serta gabungan keduanya – Penggunaan observasi lintas sektoral mempunyai potensi tidak konsistennya parameter regresi. tetapi inefficient . Covariance Model (Fixed Effects  Least Squares Dummy Variable (LSDV) Model 3. Kesulitan utama • Faktor pengganggu akan berpotensi mengandung gangguan yang disebabkan penggunaan observasi runtun waktu.6.. 2.2.T N= jumlah unit lintas sektoral T= jumlah periode waktu dimana i adalah indeks unit cross-section dan t adalah indeks waktu • Jika i=0  berarti tidak ada individual specific effects  pooled OLS akan menghasilkan estimator yang unbiased. – Penggunaan observasi runtun waktu mempunyai potensi autokorelasi antar observasi.

dan standar error akan biased dan inconsistent Jika Cov  X it i   0 estimasi dengan pooled OLS  biased dan inconsistent . is    2   2   2  t  s akibatnya estimator akan inefficient.• Inefisiensi juga disebabkan oleh estimasi pooled OLS mengabaikan adanya positive serial correlation pada error Corr it .

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)//-->