P. 1
Analisa Data PANEL

Analisa Data PANEL

|Views: 1,525|Likes:
Published by Dewi Sari Pinandita

More info:

Published by: Dewi Sari Pinandita on Apr 27, 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

06/21/2013

pdf

text

original

Analisa Data : Analisis Data pada Model Regresi Data Panel (Pooled Data

)
Posted on April 20, 2011

Data panel atau panel data atau Pooled Data adalah gabungan dari data time series(antar waktu) dan data cross section (antar individu/ruang). Untuk menggambarkanpanel data / data panel / Pooled Data secara singkat, misalkan pada data cross section, nilai dari satu variabel atau lebih dikumpulkan untuk beberapa unit sampel pada suatu waktu waktu. Dalam panel data / data panel / pooled data , unit cross section yang sama di-survey dalam beberapa waktu (Gujarati, 2003:637). Regresi dengan menggunakan panel data / data panel / pooled data, memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series. Begini, misalkan kita punya data 50 Bank, masing – masing Bank dicari ROI, NOPAT, dan lainnya untuk

tahun 2007 saja, maka data tersebut disebut dengan data Cross Section. Tapi, kalau kita punya data 1 Bank, namun data ROI, NOPAT, dan data lainnya dari Bank tersebut kita miliki sejak tahun 1998 hingga 2007, maka data tersebut disebut dengandata Time Series. Gabungan dari keduanya, yaitu 50 Bank dengan beberapa satuan waktu misalkan 1998 hingga 2007 disebut dengan Data Panel (Pooled Data). Keunggulan dan Permasalahan Regresi dengan Data Panel Hsiao (1986), mencatat bahwa penggunaan panel data / data panel / pooled data dalam penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross section maupun time series. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkandegree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di

Kedua. Sementara itu ada permasalahan baru yang muncul seperti korelasi silang (crosscorrelation) antar unit individu pada periode yang sama. panel data / data panel dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section. Di samping berbagai keunggulan dimiliki model panel data / data panel / pooled datatersebut. Estimasi Regresi dengan Data Panel Estimasi model data panel ergantung kepada asumsi yang dibuat peneliti terhadap .mana dapat menghasilkan estimasiekonometri yang efisien. panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja. Ketiga. ada beberapa permasalahan yang muncul dalam pemanfaatan data panel. yaitu permasalahan autokorelasi dan heterokedas tisitas.

Ada dua autokorelasi di dalam regresi data panel / data panel : autokorelasi residual time series.intersep/konstanta (intercept). koefisien kemiringan (slope coefficients) dan variabel error (error term). Unik karena memiliki dua dimensi. heteroskedastisitas antar residual. regresi data panelmerupakan regresi gabungan jangka pendek dan jangka panjang. Begitu juga dengan heteroskedastisitas : heteroskedastisitas resi dualcross-section. yaitudimensi time series dan dimensi cross section. dan korelasiantar residual. . dan Random Effect. Regresi dengan data panel adalah unik. yaitu Common Pooled Least Square (OLS). Dengan kata lain. Model-model estimasi ini akan ditinjau pada kesempatan lain. Analisis data panel / data panel merupakan pengembangan dari analisis regresi. Fixed Effect Regression. Terdapat tiga metode regresi dasar yang ada.

harus dilakukan 2 buah Uji. .Metode mana yang paling sesuai ? Untuk mengetahui jawabannya. yaitu Uji Hausmann dan Uji Chow.

Romypradhanaarya's Blog Just another WordPress. Dengan mengakomodasi informasi baik yang terkait dengan variabel – variabel cross section maupun time series. 2003:637). metode data panel lebih tepat untuk digunakan.com weblog econometri data panel dengan 2 komentar Panel Data 1. Dengan menggabungkan data time series dan cross section (pooling). model yang mengabaikan variabel yang relevan (Gujarati. Data panel atau pooled data adaalh kombinasi dari data time series dan data cross section. Sekilas Mengenai Data Panel. Dalam sebuah penelitian terkadang ditemukan suatu persoalan mengenai ketersediaan data (data avaibility) untuk mewakili variabel yang digunakan dalam penelitian. maka jumlah observasi . data panel secara substansial mampu menurunkan masalah omitted-variables. Untuk mengatasi interkorelasi diantara variabel-variabel bebas yang pada akhirnya dapat mengakibatkan tidak tepatnya penaksiran regresi. Data panel juga bisa berguna untuk alasan pragmatis.

Model data panel untuk masing-masing teknik regresi adalah sebagai berikut (Gujarati.bertambah secara signifikan tanpa melakukan treatment apapun terhadap data. pendekatan fixed effect (FE) memperhitungkan kemungkinan bahwa peneliti menghadapi masalah omitted variables dimana omitted variables mungkin membawa perubahan padaintercept time series atau cross section. Ada tiga metode yang bisa digunakan untuk bekerja dengan data panel. pooled least square . Model dengan FE menambahkan dummy variables untuk mengizinkan adanya perubahan intercept ini. Model random effect adalah variasi dari estimasi generalized least square. 2003:640): 1. Menurut Verbeek (2000:313-19) metode yang pertama adalah pendekatan pooled least square (PLS) secara sederhana menggabungkan (pooled) seluruh data time series dan cross section dan kemudian mengestimasi model dengan menggunakan metodeordinary least square (OLS). Metode fixed effect dan random effect disebut juga metodegeneralized least square (GLS). Kedua. Ketiga. pendekatan efek acak (random effect) memperbaiki efisiensi proses least square dengan memperhitungkan error dari cross section dan time series.

. lebih variatif. panel data mampu memperhitungkan heterogenitas individu secara eksplisit dengan mengijinkan variabel spesifik individu. sehingga metode data panel cocok untuk digunakan sebagai study of dynamic adjusment.1) 1. pada gilirannya menjadikan data panel dapat digunakan untuk menguji dan membangun model perilaku yang lebih kompleks. data panel dapat digunakan untuk mempelajari model-model .Yit = β1 + β2 + β3X3it +…. data panel mendasarkan diri pada observasicross – section yang berulang-ulang (time series).3) Pada dasarnya penggunaan metode data panel memiliki beberapa keunggulan.(3. fixed effect Yit = α1 + α2D2 + …..+ βnXnit + uit ………………..(3.2) 1.+ αnDn + β2X2it + …+ βnXnit + uit ………………. random effect Yit = β1 + β2X2it + …+ βnXnit + εit + uit ………………. Kelima. kolinearitas antar variabel yang semakin berkurang. tingginya jumlah observasi memiliki implikasi pada data yang lebih informatif. sehingga dapat diperoleh hasil estimasi yang lebih efisien. dan peningkatan derajat kebebasan (degree of freedom). Kemampuan mengontrol heterogenitas individu ini.. Keunggulan metode data panel seperti yang disebutkan oleh Wibisono (2005) adalah: pertama. Ketiga.(3. Keempat. Kedua.

2003. Gujarati. 2000.perilaku yang kompleks. Dalam fixed effect. terdapat uji F dan CHOW test dan uji Hausman. 2004). 2004:28): Yit = β1 + β2X2it + β3X3it + … + βnXnit + uit …………………(3. Uji F dapat digunakan untuk memilih teknik dengan model pooled least square (PLS) atau model fixed effectdengan rumus sebagai berikut (Gujarati. Aulia. Keenam. dalam teknik estimasi model regresi data panel. Wibisono. data panel dapat meminimalisir bias yang mungkin ditimbulkan oleh agregasi data individu. Untuk menentukan metode antara pooled least square dan fixed effect dengan menggunakan uji F sedangkan uji Hausman digunakan untuk memilih antara random effect atau fixed effect. 2005. dua pendekatan yang sering digunakan untuk mengestimasi model regresi dengan data panel adalah pendekatan fixed effect model dan pendekatan random effect model. Keunggulan-keunggulan tersebut diatas memiliki implikasi pada tidak harus dilakukan pengujian asumsi klasik dalam model data panel. 2003:643): . sesuai apa yang ada dalam beberapa literatur yang digunakan dalam penelitian ini (Verbeek. Pemilihan Model Estimasi dalam Data Panel Dari tiga pendekatan metode data panel.4) Selain itu. bentuk umum regresi data panel adalah (Aulia.

5) Di mana: R2r = R2 model PLS R2ur = R2 model FEM m = jumlah restricted variabel n = jumlah sample k = jumlah variabel penjelas Hipotesis nol dari pada restricted F test adalah : H0 = Model Pooled Least Square (restricted) H1 = Model Fixed Effect (unrestricted) Dari rumus diatas. Rumus untuk mendapatkan nilai Chi Square uji Hausman adalah: .………………. Uji Hausman didapatkan melalui command eviews yang terdapat pada direktori panel (Widarjono.( 3. 2005:272). jika kita mendapatkan hasil nilai F hitung >F tabel pada tingkat keyakinan ( α ) tertentu maka kita menolak hipotesis H0 yang menyatakan kita harus memilih teknik PLS. Sedangkan uji Hausman digunakan untuk memilih antara metode fixed effect atau metode random effect.. sehingga kita menerima hipotesis H1 yang menyatakan kita harus menggunakan model Fixed Effect untuk teknik estimasi dalam penelitian ini.

dan Westinghouse (WEST). U. Untuk keseluruhan terdapat 80 observasi. . Maka ada empat cross-sectional units dan 20 time period.S. X2 dan X3 diperkirakan berhubungan positif terhadap Y. Untuk hal tersebut ada empat data perusahaan yaitu General Electric (GE). Contoh data panel dalam e-views. General Motor (GM). Steel (US). Data untuk tiap perusahaan dengan tiga variabel tersebut tersedia untuk periode 1935-1954. 2004:31).Matrix b_diff Matrix var_diff Matrix qform = b_fixed – b_random = cov_fixed – cov_random = @transpose(b_diff)*@inverse(var_diff)*b_diff Hipotesis nol dari pada uji Hausman adalah : H0 = random effect H1 = fixed effect Apabila Chi Sqare hitung > Chi Square tabel dan p-value signifikan maka H0 ditolak dan model fixed effectlebih tepat untuk digunakan ( Aulia. Misal dalam Gujarati (2003: 639)kita ingin mengetahui bagaimana investasi (Y) tergantung pada nilai perusahaan (X2) dan stok modal (X3).

kita dapat menulis fungsi investasi sebagai berikut: i menunjukkan unit cross-sectional kei dan t menunjukkan periode waktu i. Pada contoh empat perusahaan diatas memiliki bentukbalanced panel. Selanjutnya pada direktori New Object pilih Pool dan Klik OK. Apabila setiap unit cross-section memiliki observasi time series yang sama maka panel (data) disebut balanced panel. Setelah Klik OK muncul Pool.Pooling atau combining semua 80 observasi. langkah-langkahnya adalah: Buka program Eviews. Jika masing-masing unit cross-section memiliki observasi time series yang tidak sama banyaknya maka panel disebut unbalanced panel. US. . Klik File à New à Workfile Selanjutnya akan muncul Workfile baru. Untuk menganalisa fungsi investasi dari empat perusahaan tadi maka kita lakukan olah data dengan menggunakan perangkat Eviews. Pada Workfile tersebut Klik Objects à New Object. Kita tulis GE. Dibawah cross section identifiers kita isikan unit cross-section. GM. West sesuai dengan data yang ada dalam program excel.

Pada Upper left data cell kita tulis C2 karena data yang kita tulis dimulai pada cell C2. Maka estimasi pooled least square tampak sebagai berikut: . Kemudian muncul tampilan berikut: Ketik Y? pada dependent variabel.Setelah itu masih tetap pada Pool. atau random effect. Pada Intercept pilih none. X2? dan X3? ketik pada common coefficient. Klik Procs à Import Pool data. Misal kita Klik Common à OK. fixed effect. common. Berikutnya kita tulis Y? X2? X3? pada Ordinary and Pool series to read. maka pada lembar Workfile akan muncul tampilan berikut: Pada lembar Pool. Maka tampilan pada Eviews akan tampak sebagai berikut: Pada Series order pilih sesuai dengan model penempatan data dalam program excel. Setelah semua lengkap Klik OK. Jika series diurutkan dalam kolom maka pilih In Columns. Klik Procs à Estimate. Kemudian kita cari file data panel yang telah disimpan sebelumnya. Pada kolomExcel5 + sheet name kita tulis sesuai sheet lokasi data kita.

Estimasi Fixed effect akan muncul sebagai berikut: Dengan langkah yang sama kita beri nama Pool estimasi fixed effect dan random effect. prg à Open . Beri nama salah satu Pool dengan Klik Name à Object Name. Sekarang pada Intercept Klik fixed effect à OK. Pada Pool Klik Objects à Copy Object. Jika estimasi fixed effect kita beri nama fix. Cari Folder Eviews à folder Example files à folder cpr à Hausman. Kemudian muncul dua Pool yang sama. kemudian estimasi random effect diberi nama ran maka padaWorkfile muncul ketiga Pool. Cari Program Eviews à Example Files à Data. misalnya kita beri nama pls karena menunjukkan hasil estimasi pooled least square. Kemudian Klik File à Open à Program. Caranya Klik File à Save As. Pada Pool yang belum kita beri nama Klik Estimate dan langkahnya sama seperti semula. Pertama.Selanjutnya kita coba dengan model fixed efect. Workfile tersebut kita simpan dalam Eviews data. Hasilnya terlihat pada tampilan berikut: Jika kita ingin menjalankan program tes Hausman ada beberapa langkah yang harus dikalankan. Beri nama filenya misal lat2 lalu Klik OK.

!nrow.1. Command tersebut adalah : load.@cov Pada keep only slope coefficients: !nrow=@rows(beta) vector b_fixed = @subextract(beta.!nrow) Pada estimate random effects and store results: ran.@coefs ..1.1.\data\lat2 Pada estimate fixed effects and store results: fix.1.Maka muncul program Hausman seperti tampilan dibawah ini.1) matrix cov_fixed = @subextract(covar.ls(f) y? x2? x3? vector beta = fix.ls(r) y? x2? x3? beta = ran. Pada program ada beberapa command yang harus disesuaikan menurut Workfile kita.@coefs matrix covar = fix.!nrow.

!nrow. Pasuruan. Konvergensi eksis apabila β > 0. Blitar. Pada Run Program.!nrow. Jika sudah Klik OK Hasil tes Hausman akan muncul seperti di bawah ini.1.covar = ran.t = a – β log(Yi. Contoh data Panel berikutnya: Misalnya analisis konvergensi pertumbuhan ekonomi menurut Sala-i-Martin (1996) hipotesisnya adalah: Growthi.1) matrix cov_gls = @subextract(covar. Sekarang kita ingin mengetahui bagaimana konvergensi pertumbuhan ekonomi antara Kediri.2. Probolinggo. isi Program name or path sesuai dengan lokasi Workfile disimpan. Y adalah PDRB perkapita. Pada program Hausman Klik Run Setelah itu akan muncul tampilan seperti dibawah ini. Mojokerto.2. Ada dua nilai yaitu chi-square dan nilai probabilitas. Madiun. Surabaya selama tahun 2001-2005. Growth adalah pertumbuhan ekonomi yaitu log .t-1) + u i.t.@cov Pada keep only slope coefficients: !nrow=@rows(beta) vector b_gls = @subextract(beta.!nrow) Setelah itu.2. Malang.

probolinggo. Langkah – langkah analisis data panel dengan menggunakan e-views: Pada jendela Eviews klik file à new à workfile. Kemudian muncul excel spreadsheet import. dan Surabaya selama tahun 2001-2005. Probolinggo. klik objects à new object. Pada series order pilih sesuai dengan bentuk penempatan series data pada excel. Blitar.t-1). Setelah memasukkan range data kemudian akan muncul workfile. pasuruan. ketik individu yang terdapat pada data yaitu kediri. Data PDRB Perkapita (Y) untuk masing – masing wilayah tersebut selama tahun 20002004. Pasuruan. XLS. WK?) untuk mentransfer data dari excel ke program Eviews. Pada lembar pool. surabaya. malang.madiun. pada new object pilih pool dan Klik OK. mojokerto. Pada grup observations juga pilih sesuai . blitar. Jika sudah Klik Procs à Import pool data (ASCII. Pada Workfile range klik annualdan isi range data. Data yang digunakan adalah data 8 kota selama tahun 2001 hingga 2005. Malang. Madiun.(Yi.t / Yi. Start date 2001 dan End date 2005 kemudian klik OK. Mojokerto. Data yang dibutuhkan adalah pertumbuhan ekonomi (Growth) di wilayah Kediri. Pada workfile tersebut..

dan random effects. fixed effects. Misal kita pilih model pooled least square maka klik common pada intercept. common. Intercept dapat dipilih salah satu yakni none. Growth adalah dependent variable dan pdrb adalah independent variable menurut rumusan teori konvergensi. Agar estimasi pooled least square tetap muncul maka pada pool klik object à copy object kemudian akan muncul dua hasil estimasi pooled least square yang sama. Klik OK.bentuk data yang telah diketik dalam excel. pada workfile akan muncul data growth dan pdrb untuk masing-masing individu. Klik common untuk melakukan estimasi dalam model pooled least square. . Di salah satu pool kita klik name. Melakukan estimasi masih dalam pool. Klik procs à estimate dan muncul pooled estimation. Ketik pdrb pada kolom common coefficient dan growth pada kolom dependent variable. Klik fixed effect jika ingin menggunakan model fixed effect dan klik random effect untuk estimasi dengan model random effect. Ketik nama series yaitu growth dan pdrb diikuti dengan tanda tanya (?) pada kolom ordinary and pool (specified with?) series to read. Setelah muncul hasil estimasi pooled least square sekarang kita coba bagaimana hasil estimasi fixed effectdan random effect.

langkah pertama adalah menyimpan Workfile kita. Membuka program tes Hausman Klik File à Open à Program. langkah selanjutnya membandingkan fixed effect dengan random effect menggunakan tes Hausman. Pertama membandingkan pooled least square dengan fixed effect menggunakan restricted F test. . Dengan cara ini model pooled least square. kemudian kita beri nama (misalnya ran). Beri nama filenya (misal lat1) dan Klik Save. Pada pool yang belum diberi nama klik estimate. Dari ketiga model kita uji mana yang paling baik untuk digunakan.Pada object name kita beri nama pls untuk estimasi pooled least square. Supaya program Hausman dapat berjalan. dan random effect muncul dalam workfile dan kita dapat membandingkan hasilnya. Klik File à Save As. Jika fixed effect menjadi pilihan. fixed effect. Selanjutnya simpan dalam Program file à Eviews à Example files à Data. Kemudian dengan langkah yang sama kita copy object lagi dan mendapatkan estimasi random effect. Pada intercept klik fixed effect untuk mendapatkan estimasi fixed effect dan jangan lupa untuk memberi nama object (misalnya fix).

!nrow.ls(r) growth? log(pdrb?) .@coefs matrix covar = fix.1) matrix cov_fixed = @subextract(covar..!nrow) ‘ estimate random effects and store results ran.@cov ‘ keep only slope coefficients !nrow=@rows(beta) vector b_fixed = @subextract(beta.prg à Klik Open.ls(f) growth? log(pdrb?) vector beta = fix.1. Langkah – langkah command program Hausman sama seperti sebelumnya: load workfile load . Klik Hausman.1.\data\lat1 ‘ estimate fixed effects and store results fix.1. Look in dalam folder cpr dalam program Eviews.!nrow.1.Pada Open.

1. Hasilnya tampak seperti dibawah ini: .2.2.2.1) matrix cov_gls = @subextract(covar.!nrow.!nrow.@coefs covar = ran.!nrow) Kemudian Klik Run.beta = ran.@cov ‘ keep only slope coefficients !nrow=@rows(beta) vector b_gls = @subextract(beta.

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)//-->