Model Regresi Panel Data dan Aplikasi Eviews By Dr.

Endri

1. Pendahuluan Data panel adalah gabungan antara data runtut waktu (time series) dan data silang (cross section). Data runtut waktu biasanya meliputi satu objek/individu (misalnya harga saham, kurs mata uang, SBI, atau tingkat inflasi), tetapi meliputi beberapa periode (bisa harian, bulanan, kuartalan, atau tahunan). Data silang terdiri dari atas beberapa atau banyak objek, sering disebut responden (misalnya perusahaan) dengan beberapa jenis data (misalnya; laba, biaya iklan, laba ditahan, dan tingkat investasi) dalam suatu periode waktu tertentu. Ketika kita melakukan suatu observasi perilaku unit ekonomi seperti rumah tangga, perusahaan atau Negara, kita tidak hanya akan melakukan observasi terhadap unit-unit tersebut di dalam waktu yang bersamaan tetapi juga perilaku unit-unit tersebut pada berabagai periode waktu Regresi dengan menggunakan data panel disebut model regresi data panel. Ada beberapa keuntungan yang diperoleh dengan menggunakan data panel. Pertama, data panel merupakan gabungan data data time seris dan cross section mampu menyediakan data yang lebih banyak sehingga akan menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (ommited-variable).

2. Pemodelan Data Panel Model regresi linier menggunakan data cross section dan time series. • Model dengan data cross section Yi = α + β Xi + εi ; i = 1,2,....,N N: banyaknya data cross section • Mode dengan data time series Yt = α + β Xt + εt ; t = 1,2,....,T N: banyaknya data time series (2) (1)

1

Diasumsikan intersep dan slope berbeda antar waktu dan antar individu Untuk mengestimasi parameter model dengan data panel. Estimasi Regresi Data Panel Secara umum dengan menggunakan data panel kita akan menghasilkan intersep dan slope koefisien yang berbeda pada setiap perusahaan dan setiap periode waktu. Oleh karena itu.. sebelum membuat regresi kita harus menggabungkan data cross-section dengan data time series (pool data).Koefisien Tetap Antar Waktu dan Individu (Common Effect): Ordinary Least Square Teknik ini tidak ubahnya dengan membuat regresi dengan data cross section atau time series.N. untuk data panel.2. t = 1. Kemudian data gabungan ini diperlakukan sebagai suatu kesatuan pengamatan untuk mengestimasi model dengan metode OLS.…. yaitu: a. di dalam mengestimasi persamaan (3) akan sangat tergantung dari asumsi yang kita buat tentang intersep. T di mana : N T = banyaknya observasi = banyaknya waktu (3) N x T = banyaknya data panel 3. Metode ini dikenal dengan estimasi Common Effect. terdapat beberapa teknik yang ditawarkan.. i = 1..1. Akan tetapi.. yaitu: 3. Diasumsikan slope tetap tetapi intersep berbeda baik antar waktu maupun antar individu d. Diasumsikan intersep dan slope berbeda antar individu e.Mengingat data panel merupakan gabungan dari data cross section dan data time series.2. Ada beberapa kemungkinan yang akan muncul.. maka modelnya dituliskan dengan: Yit = α + β Xit + εit . Akan 2 .. Diasumsikan slope adalah tetap tetapi intersep berbeda antar individu c. Diasumsikan intersep dan slope adalah tetap sepanjang waktu dan individu (perusahaan) dan perbedaan intersep dan slope dijelaskan oleh variabel gangguan b.. koefisien slope dan variabel gangguannya.

3.. maka pada Model Efek Random. dengan menggabungkan data.. perbedaam tersebut diakomodasi lewat error. Pertanyaan yang muncul adalah teknik mana yang sebaiknya dipilih untuk regresi data panel 3 . Pemilihan Teknik Estimasi Regresi Data Panel Seperti diketahui terdapat tiga jenis teknik estimasi model regresi data panel. Namun. Diasumsikan bahwa perilaku data antar perusahaaan sama dalam berbagai kurun waktu Bila kita punya asumsi bahwa α dan β akan sama (konstan) untuk setiap data time series dan cross section..Model Efek Random (Random Effect) Bila pada Model Efek Tetap. intercept ini mungkin berubah untuk setiap individu dan waktu. asumsi ini jelas sangat jauh dari kenyataan sebenarnya. i = 1.. Atau dengan kata lain.2. apakah asumsi bahwa α dan β konstan realistis? 3. t = 1. maka kita tidak dapat melihat perbedaan baik antar individu maupun antar waktu.. maka α dan β dapat diestimasi dengan model berikut menggunakan NxT pengamatan Yit = α + β Xit + εit . dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu. yaitu model dengan metode OLS (common).tetapi.2. Atau dengan kata lain.….N.2. Adanya variabel-variabel yang tidak semuanya masuk dalam persamaan model memungkinkan adanya intercept yang tidak konstan. model Fixed Effect dan model Random Effect.. 3. perbedaan antar-individu dan atau waktu dicerminkan lewat intercept. Teknik ini juga memperhitungkan bahwa error mungkin berkorelasi sepanjang time series dan cross section. 4.Model Efek Tetap (Fixed Effect) Pada pembahasan sebelumnya kita mengasumsikan bahwa intersep maupun slope adalah sama baik antar waktu maupun antar perusahaan. Pemikiran inilah yang menjadi dasar pemikiran pembentukan model tersebut. T Pertanyaanya..

019561818 4. Aplikasi Eviews Untuk Data Panel Misalkan.64554/33 2.66. Uji Langrange Multiplier (LM) Uji ini digunakan untuk memilih antara OLS tanpa variabel dummy atau Random Effect 4. Masing-masing perusahaan memiliki data 4 .2. C) seperti terlampir dalam file Excell “Data Panel”. B.1. Uji Hausman Uji ini untuk memilih antara Fixed Effect atau Random Effect 5.4. Sekarang uji F kita gunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effect lebih baik dari model regresi data panel tanpa variabel dummy dengan melihat residual sum of squares (RSS). Uji F Statistik disini merupakan uji perbedaan dua regresi sebagaimana uji Chow.815665 = -12. Adapun uji F statistiknya adalah sbb: F= ( RSS1 ) − RSS 2 ) / m ( RSS 2 ) /( n − k ) Dimana RSS1 dan RSS1 merupakan residual sum of square teknik tanpa variabel dummy dan teknik fixed effect dengan variabel dummy F = (15. pertanyaan yang muncul adalah model mana yang lebih baik? Apakah penambahan dummy menyebabkan residual sum of squares menjadi menurun atau tidak? Keputusan apakah kita sebaiknya menambah variabel dummy untuk mengetahui bahwa intersep berbeda antar perusahaan dengan metode Fixed Effect dapat diuji dengan uji F statistik. Uji Statistik F Uji Statistik F digunakan untuk memilih antara metode OLS tanpa variabel dummy atau Fixed Effect.64554)/2 = -25.01421 . terdapat data tiga perusahaan (yaitu perusahaan A.3. Setelah kita melakukan regresi dua model yaitu model dengan asumsi bahwa slope dan intersep sama dan model dengan asumsi bahwa slope sama tetapi beda intersep.78280505 66.

masing-masing tahun 2001. Data ketiga perusahaan tersebut diambil selama kurun waktu empat tahun. Variabel yang dianalisis ada tiga. yaitu penjualan. 2002. biaya iklan. dan laba perusahaan A. Perusahaan A Tahun 2001 2002 2003 2004 Penjualan Biaya Iklan 525 575 560 550 25 50 75 60 Laba 55 57 58 50 Perusahaan B Tahun 2001 2002 2003 2004 Penjualan Biaya Iklan 475 510 500 498 35 45 50 50 Laba 68 70 75 72 Perusahaan C Tahun 2001 2002 2003 2004 Penjualan Biaya Iklan 510 525 560 550 32 49 54 52 Laba 60 64 70 68 Apabila kita hanya ingin menganalisis tahun 2001. 5 . maka kita memiliki empat observasi. biaya iklan dan laba (anggaplah datanya dalam jutaan rupiah). yaitu perusahaan A.penjulan. 2005 dan 2004. misalnya perusahaan A. dan C. Variabel yang dianalisis juga ada tiga. biaya iklan. dan laba masing-masing perusahaan. B. yaitu 2001 hingga 2004. Kita dapat menganalisis satu perusahaan saja. maka kita hanya memiliki tiga observasi saja. penjualan.

maka pada data panel Anda perlu menambah satu variabel lagi. Kalau penjualan akan dilihat secara keseluruhan.1.Meng-input Data Panel Eviews dapat digunakan untuk menganalisis data panel. sehingga perusahaan dengan nama “A” harus ditulis “_A”. Namun dianjurkan Anda hanya menggunakan beberapa huruf saja.2 (File Data Panel Excel). maka jumlah keseluruhan observasi menjadi 36 3. Perhatikan bahwa kolom pertama diiisi dengan identitas objek. biaya iklan. sehingga perusahaan dengan garis bawah. kolom kedua berulah periode waktu. variabel “penjualan” dapat dirinci menjadi “penjulan_A”. Karena ada tiga perusahaan dan masing-masing meliputi empat tahun. akan digunakan data pada Tabel 9.2 di atas (File Excel Data Panel). Agar dapat dianalisis dengan model yang benar. Hal ini akan berguna pada analisis nanti. Kolom pertama berisi data nama perusahaan. dan laba).4. Input-lah data di atas dengan program MS Excel® dengan susunan seperti tampak pada Gambar 9. anda pun harus memasukkan data dengan struktur yang benar. cukup ditulis “penjualan” (dengan tanda tanya). Langkah-langkah meng-input pada progaram Eviews adalah sebagai berikut. yaitu nama perusahaan. penjualan _B”. Apabila pada analisis regresi dengan data silang Anda hanya perlu membuat tiga variabel saja (yaitu penjualan. Cara meng-input data panel berbeda dengan cara meng-input data runtut waktu maupun data silang.Apabila kita ingin menganalisis semua data di atas. kita dapat menggabungkannya menjadi satu kelompok obeservasi saja. terutama analisis regresi. Sebagai contoh. dan seterusnya. Dalam contoh di sini nama perusahaan hanya ditulis satu huruf. Kolom ketiga dan seterusnya barulah diisi data. meskipun sebenarnya bisa saja ditulis nama lengkap. Variabel yang menandai objek (yaitu perusahaan) harus diawali dengan garis bawah. untuk memudahkan 6 . Sebenarnya tidak ada perlakuan khusus dalam meng-input data seperti pada contoh Tabel 9.

Pada contoh ini adalah data panel.3.xls. _B. XLS.xls. Pada contoh disini. News Object. Tiap perusahaan ditulis di satu baris. Pada tampilan berikut ini. Kliklah tombol Procs. Kolom kedua periode. dan namai objek tersebut dengan mana “Iklan”. Pada bingkai Ordinari and Pool. yang dalam contoh di sini adalah data tahunan. Import Pool data (ACSII. tiap variabel cukup diberi jarak satu spasi). yaitu _A.3. lalu pilih Pool. WK?)… lalu isikan nama file yang akan diimpor. tulislah nama perusahaan. sehingga periodenya pun berupa tahun. masing-masing diawali dengan garis bawah. Langkah Awal menjalan Eviews Untuk Data Panel Buka menu file. _C (seperti ketika Anda meng-input-nya di MS Excel®). Eviews mengijinkan Anda menggunakan berbagai jenis waktu. Seperti data lainnya. Simpanlah data Anda tersebut dengan nama data panel. masing-masing diakhiri dengan “?”. frequency pilih Annual (karena memakai data tahunan) kemudian isi Start date: 2001 dan End Date: 2004 setelah itu OK Kliklah tombol objects. Workfile kemudian dalam workfile structure type pilih Dated-regular frequency dan date spefication. Di layar akan muncul tampilan seperti Gambar 9.Dalam kotak Pool:UNTITLED tertulis: Cross Section Identifiers: (Enter identifiers below this line) Dibawah teks diatas ditulis secara _A kemudian dibawah _B dan dibawahnya lagi _C lalu ditutup dengan memberi nama filenya dengan IKLAN Pada tampilan Gambar 9. seperti biasanya). ubahlah isian Upper-left data cell menjadi C2 (semula B2. isikan tiga variabel yang akan diinput (dalam satu baris. nama variabel dituliskan : penjualan? iklan? laba? 7 . New. lalu klik Ok.analisis berikutnya.

cara menulisnya adalah nama variabel. Anda harus menemukan nama variabelnya dengan lengkap. Di layar akan ditampilkan jendela untuk menentukan variabel apa saja yang harus ditampilkan. Data penjualan _a. Sampai di sini. diakhiri dengan? Dengan dengan demikian. Anda dapat menampilkan berdasarkan perusahaan.5 berikut ini. Tiap nama variabel tadi ditambahi tanda ( _ ) diikuti dengan nama perusahaan. Dalam bekerja dengan data panel. Misalnya Anda ingin menampilkan data penjualan perusahaan A. bukalah dengan mengklik ikon iklan di jendela file kerja. Bila sudah terlanjur ditutup. Perhatikan bahwa jendela yang berisi nama variabel (berisi empat baris _A. Penjualan? Iklan? Laba? sehingga tampak seperti berikut : 8 . karena Anda bekerja dari jendela ini. Anda dapat menuliskan penjualan ? Menampilkan Semua Data Untuk menampilkan suatu data. Anda harus menentukan data yang dipilih (untuk ditampilkan dan dianalisis). Eviews akan mengimpor dengan benar juga. misalnya penjualan semua perusahaan. Namun apabila Anda memilih untuk menampilkan data kumulatif. Untuk memiliki data individual. 3. iklan. _C. semua data dan sebagainya. laba) masing-masing ada tiga (sebanyak perusahaan).Menampilkan Data Panel Anda dapat menampilkan data panel dengan berbagai bentuk. iklan_a. Hasilnya akan tampak seperti Gambar 9.Kliklah Ok Bila data di MS Excel® Anda sudah benar. dan laba_a adalah data milik perusahaan a.5. kliklah tombol sheet di sudut kanan atas. apakah data individual atau data kumulatif. berdasarkan variabel. _D_. Perhatikan nama-nama variabel (penjualan. Anda sudah selesai menginput data. jangan ditutup. bila Anda akan menampilkan semua data penjualan. maka Anda harus menuliskan penjualan_a. _B.

sehingga dalam contoh ini Anda harus menuliskan : Penjualan_a iklan_a laba_a Cara 2 Sama dengan cara menampilkan variabel seperti pada data runtut waktu atau data silang. yaitu: Cara 1 Sama dengan cara menampilkan semua data di atas. Cara 1 Sama dengan cara menampilkan semua data di atas. hanya saja penulisan nama variabelnya harus lengkap (tidak diakhiri ?).7 berikut ini. as Group Kedua cara tersebut akan menghasilkan tampilan yang sama. Untuk kembali ke tampilan jendela sebelumnya. yaitu dengan cara menampilkan data panel (ada dua cara). pilih Open. hanya saja penulisan nama variabelnya saja yang disesuaikan. atau cukup dengan mengklik Define.Di layar akan di tampilkan hasil seperti tampak pada Gambar 9. yaitu dengn mengklik ikon variabel-variabel yang akan ditampilkan. kliklah tombol view. misalnya Anda ingin menampilkan data satu perusahaan saja. lalu pilih Cross Section Identifiers. yaitu perusahaan A. Dalam contoh disini. sepeti tampak pada Gambar 9. Menampilkan Data Satu Objek Anda dapat menampilkan suatu objek saja.8 berikut ini. sehingga dalam contoh ini Anda harus menuliskan : 9 . Menampilkan Data Satu Variabel Menampilkan data satu variabel dapat dilakukan dengan 3 cara. lalu klik kanan. atau dengan cara biasa. Di sini ada dua cara.

tetapi hanya meliputi waktu tertentu saja (misalnya hanya tahun 2004). tetapi hanya satu perusahaan saja c. Anda dapat menjalankan analisis regresi dengan kemungkinan berikut ini : a. bahkan dengan variasi yang lebih banyak. 3. Sama dengan item (a).1) Dalam persamaan tersebut digunakan subskrip it. Pada contoh pertama. Dengan satu variabel dependen (misalnya laba) dan beberapa variabel independen (misalnya penjualan dan laba) dan melibatkan semua data b. Sama dengan item (a). akan dilakukan analisis terhadap semua data. Cara ini sudah dibahas pada bab-bab sebelumnya. dengan persamaan berikut ini : Labait = β0 + β1 penjualanit + β2iklanit + eit (9. Dengan data panel. tetapi Anda menuliskan iklan ? Cara 3 Mirip dengan cara menampilkan data seperti pada runtut waktu atau data silang. Dalam analisis regresi dengan data panel ini.6. Langkah-langkah untuk melakukan analisis regresi adalah sebagai berikut : 10 . Analisis Regresi Semua Data Seperti pada data silang. masih ada kemungkinan lain yang dapat Anda lakukan terhadap analisis regresi ini.iklan_a iklan_a iklan_a Cara 2 Mirip dengan cara 1. misalnya dengan mengganggap konstan dan slope (koefisien regresornya) tetap atau berubah-ubah. i menunjukkan objek (perusahaan) dan t menunjukkan waktu (dalam contoh ini adalah tahun). pada data panel juga dapat dilakukan analisis regresi.

12 berikut ini.165351 Mean dependent var S.955705 7.861894 Std.786449 6.63710 0.076932 2. Estimate.E.329633 0.73423 0. Pada bingkai Common coefficients. Pastikan Anda harus sudah membuka file data panel.0786 -38.3304 63. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 146. 0. 3. Analisis Regresi Satu Objek 11 .083406 0.194936 t-Statistic 3.7. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Perhatikan tampilan tersebut mirip dengan tampilan analisis regresi pada data silang seperti yang sudah ditunjukkan pada bab-bab sebelumnya. 2. isikan penjualan? dan iklan ?.180663 7.91667 7.0655 0. Pada bingkai Dependent variable.048078 447. Error 39.096625 1.212745 0. Dependent Variable: LABA? Method: Pooled Least Squares Date: 08/29/10 Time: 20:40 Sample: 2001 2004 Included observations: 4 Cross-sections included: 3 Total pool (balanced) observations: 12 Variable C PENJUALAN? IKLAN? R-squared Adjusted R-squared S.0049 0.200566 0.699413 -2. Dilayar akan muncul tampilan seperti Gambar 9. Jendela ini menjadi jendela kedua setelah tampilan nama-nama variabel. kliklah tombol Estimate (Anda tidak dapat menggunakan menu Quick. 4.174871 0. isikan laba? (lihat. Hasilnya tampak seperti pada Gambar 9.wfl dan jendela lembar kerja pada panel aktif.028883 Prob. Anda tidak perlu menuliskan c sebagai konstan seperti pada cara-cara sebelumnya. ada tunda?).D. Equation … seperti pada cara-cara sebelumnya). 3. Pada jendela lembar kerja kedua.1.6340 -0.

488390 0.499583 -1.0006 71. KIik pada jendela dan panel. sehingga di Iayar ditarnpilkan seperti pada Gambar 9.25000 2.701010 3.812907 0.000530 Mean dependent var S.076077 0.168653 Std.98763 -0.37180 3. Error 19.14.01421 -18.E.771331 1. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 86.684870 5.683194 19. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 12 .094480 t-Statistic 4.561967 3.2) Langkah-langkah untuk menganalisisnya adalah sebagai berikut: 1. lalu tuliskan laba_b pada bingkai Dependent variable dan penjualan_b iklan_b pada Common coef-ficients. 2.55222 0. Klik Ok. maka persamaannya dapat kita tuliskan sebagai berikut: lababt = β0 + β1 penjua1anbt + β2iklanbt + ebt (9. Informasi yang ditarnpilkan pada hasil analisis regresi tersebut sama dengan tampilan regresi yang sudah dibicarakan pada bab-bab sebelumnya.Anda dapat menganalisis regresi data satu objek (atau satu perusahaan) saja. Dependent Variable: LABA_B Method: Pooled Least Squares Date: 08/29/10 Time: 20:39 Sample: 2001 2004 Included observations: 4 Cross-sections included: 3 Total pool (balanced) observations: 12 Variable C PENJUALAN_B IKLAN_B R-squared Adjusted R-squared S.169223 Prob. 0.1263 0.D. Misalnya kita akan menganalisis perusahaan b saja.045153 0.291606 15.0015 0.33237 0.

1263). Hasil analisis regresi dianggap berlaku pada semua objek pada semua waktu.10): Konstan Sama Berbeda Sama Berbeda Berbeda Koefisien Regresor Sama Sama Berbeda Berbeda Berbeda Objek Sama Sama Sama Antar Individu Antar Individu Waktu Semua Waktu Semua Waktu Semua Waktu Semua Waktu Antar Waktu Teknik yang paling sederhana mengasumsikan bahwa data gabungan yang ada. dan biaya ikian sebesar 81. Nilai koefisien determinan sebesar 0. koefisien variabel penjualan ternyata secara statistik tidak signifikan.50) (-1. kita dapat memakai asumsi berikut ini (di antaranya sudah disinggung di halaman 9.4) di atas. bahkan satu objek pada suatu waktu akan sangat berbeda dengan kondisi objek tersebut pada waktu yang lain. akan menjadi seperti berikut: lababt = 86.813 menunjukkan bahwa model rnampu menjelaskan hubungan antana laba.3%. menggunakan asumsi ini.812 (9.55 d=3.Apabila dari hasil analisis tersebut dituliskan persamaannya.99 .5. Oleh karena itu diperlukan suatu model yang dapat menunjukkan perbedaan konstan antarobjek.68) (5. Pendekatan Efek Tetap (Fixed Effect) Dalam menganalisis data runtut waktu. Kelemahan asumsi ini adalah ketidaksesuaian model dengan keadaan yang sesungguhnya. Contoh yang sudah dijalankan pada subbab D (3. Kondisi tiap objek saling berbeda. 3. Model ini dikenal dengan model regresi 13 .2) Pada contoh tersebut.0.08 penjualanbt + 0. meskipun dengan koefisien regresor yang sama.49 iklanbt t (4.17) 2 F = 19.169 R = 0. menunjukkan kondisi yang sesungguhnya. penjualan. Metode ini sering disebut dengan common effect. karena probabilitasnya melebihi 5% (yaitu 0.

4. Dari jendela data panel. kliklah tombol Estimate. 5. Klik Ok dan hasilnya tampak seperti berikut. di layar akan muncul tampilan seperti Gambar 9.3) Perhatikan bahwa konstan βoi sekarang diberi subskrip Oi. Anda tidak perlu menuliskan c sebagai konstan seperti pada cara-cara sebelumnya. model ini sening juga disebut dengan Least Squares Dummy Variables dan disingkat LSDV. Langkah-langkah analisisnya mirip dengan yang sudah dijelaskan pada subbab C di atas. isikan penjualan? dan ikian?. akan diuraikan sebagai berikut: 1. yang berbeda hanyalah metode yang dipilih.15. Oleh karena itu. Vaniabel semu d3i = 1 untuk objek ketiga dan 0 untuk objek Iainnya. tetap besarnya dan waktu ke waktu (time invariant) Untuk membedakan satu objek dengan objek lainnya.fixed effect (efek tetap). Persamaan model ini adalah sebagai berikut: laba1t = βoi +β1penjualanit + β2ik1an1i + β3d1i + β4d21 + β5d3i + eit (9. 3. i menunjukkan objeknya. Pada bingkai Dependent variable. Dependent Variable: LABA? Method: Pooled Least Squares Date: 08/29/10 Time: 21:10 Sample: 2001 2004 Included observations: 4 14 . Dengan demikian masing-masing objek memiliki konstan yang berbeda. 2. memiliki konstan yang tetap besarnya untuk berbagai periode waktu. digunakan variabel semu (dummy). isikan laba? (lihat. Variabel d2i = 1 untuk objek kedua dan 0 untuk objek lainnya. Demikian juga dengan koefisien regresinya. Pada bingkai Common coefficients. Agar lebih jelas. ada tanda ?). Efek tetap di sini maksudnya adalah bahwa satu objek. Pilih bingkai Intercept dengan mengklik pilihan Fixed effects. Variabel semu d1i = 1 untuk objek pertama dan 0 untuk objek lainnya.

085578 66.001309 Std.59. B adalah 11.0 1iklanAt (9. dan C adalah 0.011751 -12.099207 t-Statistic -0.498349 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S. diketahui bahwa konstan untuk objek (dalam hal ini perusahaan) A adalah -12.05018 0.31415 2.D. kita juga dapat menganalisis regresi data panel dengan efek random.884448 -0.6.118453 Prob.64554 -27.387614) + (. 3.91667 7. Error 34.132287 -0. Apabila ditulis dalam persamaan.17.0.900069 0.9090 Dari tampilan di atas.385692 5.08374 11.8787 0.76211 0. Pendekatan Efek Random (Random Effect) Selain dengan metode efek tetap. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.132 dan iklan -0. Sedang konstan variabel penjualan adalah 0. 0. sehingga model mengalami ketidakpastian. 15 .3) Hasil di atas juga menunjukkan bahwa nilai statistik t untuk kedua koefisien (penjualan dan iklan) masih terlalu rendah.1015 0. sehingga model tersebut masih kurang baik.842966 3.387614 0.Cross-sections included: 3 Total pool (balanced) observations: 12 Variable C PENJUALAN? IKLAN? Fixed Effects (Cross) _A—C _B—C _C—C Coefficient -5.070199 0. hasilnya adalah sebagai berikut: labaAt = (-5.012.13 penjualanAt .50.786449 5.58539 0.490962 Mean dependent var S.587736 15.158226 1.47) + 0.08. Efek random digunakan untuk mengatasi kelemahan metode efek tetap yang menggunakan variabel semu. untuk perusahaan A.E. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 63.

objek data silang ada 3. Untuk menganalisis dengan metode efek random... tetapi pilihan yang harus Anda pilih (dengan menekan klik) adalah pilihan Random effects.Tanpa menggunakan variabel semu. yaitu: labait = βoi + β1penjualanit + β2iklanit + et (9. metode efek random menggunakan residual. katakanlah perusahaan D. Datanya tetap meliputi tahun 2001 hingga 2004. kecuali konstannya yang berbeda. sehingga dapat dituliskan dalam persamaan: − β0 = Β 0 + ui . yaitu objek data silang harus lebih besar daripada banyaknya koefisien. langkah-langkahnya sama dengan metode efek tetap (seperti juga terlihat pada Gambar 9. yang diduga memiliki hubungan antarwaktu dan antarobjek. kita perlu menambah satu objek lagi.13).1).4) Tidak seperti pada model efek tetap (β0 dianggap tetap). Dalam contoh kita.17 berikut ini. 16 . i = 1.5) Namun untuk menganalisis dengan metode efek random ini ada satu syarat.. pada model ini βo diasumsikan bersifat random.n (9. Persamaan yang digunakan mirip dengan persamaan (9. Hasilnya akan tampak seperti pada Gambar 9. Agar dapat dianalisis oleh EViews. dan variabel yang dianalisis juga ada 3..

Error 35.D.198551 0.030726 3.139205 Hasil di atas menunjukkan tidak ada satu koefisienpun yang signifikan. / Rho Idiosyncratic random S.98500 0.380055 0.71578 2.3544 -9.9198 0. of regression F-statistic Prob(F-statistic) 0.E.258023 3.052919 11.2521 0.7424 0.201582 Unweighted Statistics R-squared Sum squared resid -0.479475 -4. / Rho Weighted Statistics R-squared Adjusted R-squared S.9913 1.091308 Std.499708 Effects Specification Cross-section random S. Dalam analisis data 17 .087110 0.363744 0.D.960352 Prob.095078 t-Statistic 0.072680 0. 0.44359 3.102 Mean dependent var Durbin-Watson stat 61. karena di sini Anda dibimbing untuk menggunakan program EViews untuk menganalisis data panel dengan metode regresi.335789 1.D.0802 Mean dependent var S.802456 137.81250 0.245353 1191.716011 0.69209 0.695544 11.265858 3.Dependent Variable: LABA? Method: Pooled EGLS (Cross-section random effects) Date: 08/29/10 Time: 21:27 Sample: 2001 2004 Included observations: 4 Cross-sections included: 4 Total pool (balanced) observations: 16 Swamy and Arora estimator of component variances Variable C PENJUALAN? IKLAN? Random Effects (Cross) _A--C _B--C _C--C _D--C Coefficient 11. Abaikan saja dulu hasil tersebut. dependent var Sum squared resid Durbin-Watson stat 9.

tetapi ada cara yang lebih praktis. Anda dapat menuliskan persamaan seperti pada contoh efek tetap.98500105 + 0.10087772441379 -7.09130801692*IKLAN_D Anda juga dapat menampilkan residual dari masing-masing perusahaan untuk masing-masing tahun.09130801692*IKLAN_A LABA_B = 11. EViews akan menampilkan hasil residual seperti pada Gambar 9.98500105 + 0. juga berlaku di data panel ini.695543567 + 11. Table.00050847976939 11.19 berikut.479475167 + 11. Caranya adalah dengan mengklik tombol View.80809911403243 RES-_D -7.47998281041788 1.08711010858*PENJUALAN_A + 0. EViews akan menampilkan hasil estimasi persamaan seperti pada Gambar 9. lalu kliklah Representation.08711010858*PENJUALAN_C + 0.09130801692*IKLAN_C LABA_D = -4.09130801692*IKLAN_B LABA_C = 2.08711010858*PENJUALAN_B + 0.499708072 + 11.98500105 + 0.sesungguhnya. lalu kliklah Residuals. yaitu dengan mengklik tombol View.71577647 + 11.666987030441891 -9.08711010858*PENJUALAN_D + 0.4419167799339 0. nilai uji statistik yang berlaku pada analisis regresi data silang. Estimation Command: ===================== LS(CX=R) LABA? PENJUALAN? IKLAN? Estimation Equations: ===================== LABA_A = C(4) + C(1) + C(2)*PENJUALAN_A + C(3)*IKLAN_A LABA_B = C(5) + C(1) + C(2)*PENJUALAN_B + C(3)*IKLAN_B LABA_C = C(6) + C(1) + C(2)*PENJUALAN_C + C(3)*IKLAN_C LABA_D = C(7) + C(1) + C(2)*PENJUALAN_D + C(3)*IKLAN_D Substituted Coefficients: ===================== LABA_A = -9.98500105 + 0.34980460294161 18 .20 berikut obs 2001 2002 RES-_A RES-_B RES-_C -5.63871433184497 9.

0687640287418 4.35642234878142 -4.30270522914108 3.8945438115837 -15.309770223777357 19 .374041786618 12.25048132498152 0.61476312628233 14.2003 2004 -9.