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

..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. koefisien slope dan variabel gangguannya. 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. Diasumsikan intersep dan slope berbeda antar waktu dan antar individu Untuk mengestimasi parameter model dengan data panel. Diasumsikan slope adalah tetap tetapi intersep berbeda antar individu c. Diasumsikan slope tetap tetapi intersep berbeda baik antar waktu maupun antar individu d. di dalam mengestimasi persamaan (3) akan sangat tergantung dari asumsi yang kita buat tentang intersep..1.2. i = 1.2. Diasumsikan intersep dan slope adalah tetap sepanjang waktu dan individu (perusahaan) dan perbedaan intersep dan slope dijelaskan oleh variabel gangguan b.. Akan 2 . terdapat beberapa teknik yang ditawarkan. Ada beberapa kemungkinan yang akan muncul. maka modelnya dituliskan dengan: Yit = α + β Xit + εit . Akan tetapi. sebelum membuat regresi kita harus menggabungkan data cross-section dengan data time series (pool data). t = 1. yaitu: 3. Diasumsikan intersep dan slope berbeda antar individu e.. yaitu: a.. Metode ini dikenal dengan estimasi Common Effect. Kemudian data gabungan ini diperlakukan sebagai suatu kesatuan pengamatan untuk mengestimasi model dengan metode OLS. untuk data panel.N. T di mana : N T = banyaknya observasi = banyaknya waktu (3) N x T = banyaknya data panel 3.…. Oleh karena itu.Mengingat data panel merupakan gabungan dari data cross section dan data time series..

maka α dan β dapat diestimasi dengan model berikut menggunakan NxT pengamatan Yit = α + β Xit + εit .. maka kita tidak dapat melihat perbedaan baik antar individu maupun antar waktu. intercept ini mungkin berubah untuk setiap individu dan waktu.tetapi.. dengan menggabungkan data.. T Pertanyaanya.2. t = 1. 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. maka pada Model Efek Random.Model Efek Random (Random Effect) Bila pada Model Efek Tetap. Pemilihan Teknik Estimasi Regresi Data Panel Seperti diketahui terdapat tiga jenis teknik estimasi model regresi data panel.2.2. Atau dengan kata lain. Pertanyaan yang muncul adalah teknik mana yang sebaiknya dipilih untuk regresi data panel 3 .Model Efek Tetap (Fixed Effect) Pada pembahasan sebelumnya kita mengasumsikan bahwa intersep maupun slope adalah sama baik antar waktu maupun antar perusahaan. Namun.. 3.3. Teknik ini juga memperhitungkan bahwa error mungkin berkorelasi sepanjang time series dan cross section. Pemikiran inilah yang menjadi dasar pemikiran pembentukan model tersebut.N. yaitu model dengan metode OLS (common).…. perbedaan antar-individu dan atau waktu dicerminkan lewat intercept. Atau dengan kata lain. asumsi ini jelas sangat jauh dari kenyataan sebenarnya. model Fixed Effect dan model Random Effect.. perbedaam tersebut diakomodasi lewat error. Adanya variabel-variabel yang tidak semuanya masuk dalam persamaan model memungkinkan adanya intercept yang tidak konstan. apakah asumsi bahwa α dan β konstan realistis? 3.. i = 1. 4.. dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu.

Aplikasi Eviews Untuk Data Panel Misalkan.2. B. Masing-masing perusahaan memiliki data 4 . C) seperti terlampir dalam file Excell “Data Panel”. 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.1.64554)/2 = -25. Uji Statistik F Uji Statistik F digunakan untuk memilih antara metode OLS tanpa variabel dummy atau Fixed Effect.66.3.78280505 66. Uji Langrange Multiplier (LM) Uji ini digunakan untuk memilih antara OLS tanpa variabel dummy atau Random Effect 4.019561818 4. 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.01421 .64554/33 2. terdapat data tiga perusahaan (yaitu perusahaan A.815665 = -12. 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 Hausman Uji ini untuk memilih antara Fixed Effect atau Random Effect 5.4. Uji F Statistik disini merupakan uji perbedaan dua regresi sebagaimana uji Chow. 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.

Data ketiga perusahaan tersebut diambil selama kurun waktu empat tahun. yaitu perusahaan A. dan C. biaya iklan dan laba (anggaplah datanya dalam jutaan rupiah). yaitu 2001 hingga 2004. Variabel yang dianalisis ada tiga. penjualan. 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. 2005 dan 2004.penjulan. maka kita hanya memiliki tiga observasi saja. Variabel yang dianalisis juga ada tiga. misalnya perusahaan A. dan laba perusahaan A. biaya iklan. B. dan laba masing-masing perusahaan. Kita dapat menganalisis satu perusahaan saja. maka kita memiliki empat observasi. biaya iklan. masing-masing tahun 2001. 2002. 5 . yaitu penjualan.

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

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

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

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

Langkah-langkah untuk melakukan analisis regresi adalah sebagai berikut : 10 . pada data panel juga dapat dilakukan analisis regresi. Cara ini sudah dibahas pada bab-bab sebelumnya. Sama dengan item (a). bahkan dengan variasi yang lebih banyak. Anda dapat menjalankan analisis regresi dengan kemungkinan berikut ini : a.iklan_a iklan_a iklan_a Cara 2 Mirip dengan cara 1.6. Sama dengan item (a). tetapi Anda menuliskan iklan ? Cara 3 Mirip dengan cara menampilkan data seperti pada runtut waktu atau data silang. tetapi hanya satu perusahaan saja c. masih ada kemungkinan lain yang dapat Anda lakukan terhadap analisis regresi ini. Pada contoh pertama. Dengan satu variabel dependen (misalnya laba) dan beberapa variabel independen (misalnya penjualan dan laba) dan melibatkan semua data b. tetapi hanya meliputi waktu tertentu saja (misalnya hanya tahun 2004). Dengan data panel. i menunjukkan objek (perusahaan) dan t menunjukkan waktu (dalam contoh ini adalah tahun). 3. dengan persamaan berikut ini : Labait = β0 + β1 penjualanit + β2iklanit + eit (9. akan dilakukan analisis terhadap semua data.1) Dalam persamaan tersebut digunakan subskrip it. Dalam analisis regresi dengan data panel ini. misalnya dengan mengganggap konstan dan slope (koefisien regresornya) tetap atau berubah-ubah. Analisis Regresi Semua Data Seperti pada data silang.

0. Anda tidak perlu menuliskan c sebagai konstan seperti pada cara-cara sebelumnya. Analisis Regresi Satu Objek 11 .786449 6.0786 -38. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 146. 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.wfl dan jendela lembar kerja pada panel aktif.0655 0. Pada bingkai Common coefficients.180663 7. Dilayar akan muncul tampilan seperti Gambar 9. Hasilnya tampak seperti pada Gambar 9. Equation … seperti pada cara-cara sebelumnya).0049 0. Error 39.6340 -0.91667 7.3304 63. ada tunda?).028883 Prob.096625 1.699413 -2.1.7. 2. kliklah tombol Estimate (Anda tidak dapat menggunakan menu Quick.048078 447.D.194936 t-Statistic 3. Jendela ini menjadi jendela kedua setelah tampilan nama-nama variabel. 3.165351 Mean dependent var S. Estimate.174871 0.329633 0. 3. isikan laba? (lihat. Pada jendela lembar kerja kedua.63710 0. Pastikan Anda harus sudah membuka file data panel.200566 0.12 berikut ini.076932 2.E.083406 0. isikan penjualan? dan iklan ?.73423 0. Pada bingkai Dependent variable.861894 Std. 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. 4.212745 0.955705 7.

0015 0.E.25000 2.55222 0.98763 -0.488390 0.094480 t-Statistic 4.169223 Prob.561967 3.499583 -1. sehingga di Iayar ditarnpilkan seperti pada Gambar 9. Informasi yang ditarnpilkan pada hasil analisis regresi tersebut sama dengan tampilan regresi yang sudah dibicarakan pada bab-bab sebelumnya. KIik pada jendela dan panel. 0.771331 1. Klik Ok.000530 Mean dependent var S.14. maka persamaannya dapat kita tuliskan sebagai berikut: lababt = β0 + β1 penjua1anbt + β2iklanbt + ebt (9.291606 15.01421 -18.2) Langkah-langkah untuk menganalisisnya adalah sebagai berikut: 1. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 86.1263 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 12 .683194 19. 2. lalu tuliskan laba_b pada bingkai Dependent variable dan penjualan_b iklan_b pada Common coef-ficients. Misalnya kita akan menganalisis perusahaan b saja.684870 5.Anda dapat menganalisis regresi data satu objek (atau satu perusahaan) saja.168653 Std.045153 0.812907 0.701010 3. Error 19.0006 71.33237 0. 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.076077 0.D.37180 3.

3. dan biaya ikian sebesar 81.169 R = 0. Contoh yang sudah dijalankan pada subbab D (3.5. menggunakan asumsi ini. Model ini dikenal dengan model regresi 13 .813 menunjukkan bahwa model rnampu menjelaskan hubungan antana laba. penjualan. Hasil analisis regresi dianggap berlaku pada semua objek pada semua waktu. Kelemahan asumsi ini adalah ketidaksesuaian model dengan keadaan yang sesungguhnya. koefisien variabel penjualan ternyata secara statistik tidak signifikan. Oleh karena itu diperlukan suatu model yang dapat menunjukkan perbedaan konstan antarobjek.08 penjualanbt + 0.55 d=3.4) di atas.2) Pada contoh tersebut. menunjukkan kondisi yang sesungguhnya.3%.99 . akan menjadi seperti berikut: lababt = 86. Kondisi tiap objek saling berbeda.68) (5.17) 2 F = 19.0. meskipun dengan koefisien regresor yang sama.49 iklanbt t (4. Metode ini sering disebut dengan common effect. Pendekatan Efek Tetap (Fixed Effect) Dalam menganalisis data runtut waktu. kita dapat memakai asumsi berikut ini (di antaranya sudah disinggung di halaman 9.812 (9. Nilai koefisien determinan sebesar 0.10): 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.1263).50) (-1. bahkan satu objek pada suatu waktu akan sangat berbeda dengan kondisi objek tersebut pada waktu yang lain.Apabila dari hasil analisis tersebut dituliskan persamaannya. karena probabilitasnya melebihi 5% (yaitu 0.

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

91667 7.0 1iklanAt (9. kita juga dapat menganalisis regresi data panel dengan efek random.786449 5. sehingga model mengalami ketidakpastian.884448 -0. Apabila ditulis dalam persamaan.387614 0.31415 2.13 penjualanAt .099207 t-Statistic -0.D.132287 -0.9090 Dari tampilan di atas.118453 Prob. hasilnya adalah sebagai berikut: labaAt = (-5.76211 0.59.50.900069 0.58539 0.05018 0. B adalah 11.498349 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S. 15 . Efek random digunakan untuk mengatasi kelemahan metode efek tetap yang menggunakan variabel semu. Pendekatan Efek Random (Random Effect) Selain dengan metode efek tetap. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.Cross-sections included: 3 Total pool (balanced) observations: 12 Variable C PENJUALAN? IKLAN? Fixed Effects (Cross) _A—C _B—C _C—C Coefficient -5.085578 66.842966 3.47) + 0.08374 11.070199 0.08.158226 1.E.587736 15. Error 34.132 dan iklan -0. 3. untuk perusahaan A.385692 5.490962 Mean dependent var S.1015 0.012. Sedang konstan variabel penjualan adalah 0.17.3) Hasil di atas juga menunjukkan bahwa nilai statistik t untuk kedua koefisien (penjualan dan iklan) masih terlalu rendah.001309 Std.387614) + (.64554 -27.6. dan C adalah 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 63.0.8787 0. sehingga model tersebut masih kurang baik.011751 -12. 0. diketahui bahwa konstan untuk objek (dalam hal ini perusahaan) A adalah -12.

4) Tidak seperti pada model efek tetap (β0 dianggap tetap). pada model ini βo diasumsikan bersifat random. yaitu objek data silang harus lebih besar daripada banyaknya koefisien. Dalam contoh kita. dan variabel yang dianalisis juga ada 3.Tanpa menggunakan variabel semu. kecuali konstannya yang berbeda. objek data silang ada 3. tetapi pilihan yang harus Anda pilih (dengan menekan klik) adalah pilihan Random effects.. kita perlu menambah satu objek lagi. yaitu: labait = βoi + β1penjualanit + β2iklanit + et (9. Agar dapat dianalisis oleh EViews. Datanya tetap meliputi tahun 2001 hingga 2004. Persamaan yang digunakan mirip dengan persamaan (9. Untuk menganalisis dengan metode efek random.5) Namun untuk menganalisis dengan metode efek random ini ada satu syarat.1). langkah-langkahnya sama dengan metode efek tetap (seperti juga terlihat pada Gambar 9. sehingga dapat dituliskan dalam persamaan: − β0 = Β 0 + ui .n (9. i = 1..13). metode efek random menggunakan residual.17 berikut ini. 16 .. yang diduga memiliki hubungan antarwaktu dan antarobjek. Hasilnya akan tampak seperti pada Gambar 9. katakanlah perusahaan D..

091308 Std.139205 Hasil di atas menunjukkan tidak ada satu koefisienpun yang signifikan.0802 Mean dependent var S. / Rho Idiosyncratic random S.44359 3.2521 0.380055 0.9913 1.201582 Unweighted Statistics R-squared Sum squared resid -0. / Rho Weighted Statistics R-squared Adjusted R-squared S.695544 11. Dalam analisis data 17 . 0.E.9198 0.499708 Effects Specification Cross-section random S.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 11.258023 3.71578 2.716011 0.D.030726 3.960352 Prob.479475 -4.198551 0.7424 0. Abaikan saja dulu hasil tersebut.D. Error 35.363744 0. dependent var Sum squared resid Durbin-Watson stat 9.052919 11.087110 0.335789 1. of regression F-statistic Prob(F-statistic) 0.072680 0. karena di sini Anda dibimbing untuk menggunakan program EViews untuk menganalisis data panel dengan metode regresi.265858 3.245353 1191.69209 0.3544 -9.095078 t-Statistic 0.802456 137.81250 0.102 Mean dependent var Durbin-Watson stat 61.D.98500 0.

09130801692*IKLAN_B LABA_C = 2.09130801692*IKLAN_A LABA_B = 11. Anda dapat menuliskan persamaan seperti pada contoh efek tetap. yaitu dengan mengklik tombol View.479475167 + 11.666987030441891 -9.08711010858*PENJUALAN_A + 0. nilai uji statistik yang berlaku pada analisis regresi data silang.695543567 + 11.sesungguhnya.00050847976939 11.98500105 + 0. 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. lalu kliklah Residuals.98500105 + 0. EViews akan menampilkan hasil residual seperti pada Gambar 9.19 berikut.80809911403243 RES-_D -7. Caranya adalah dengan mengklik tombol View.08711010858*PENJUALAN_B + 0.09130801692*IKLAN_D Anda juga dapat menampilkan residual dari masing-masing perusahaan untuk masing-masing tahun.34980460294161 18 .20 berikut obs 2001 2002 RES-_A RES-_B RES-_C -5.4419167799339 0.499708072 + 11. tetapi ada cara yang lebih praktis.63871433184497 9.98500105 + 0.09130801692*IKLAN_C LABA_D = -4. Table. EViews akan menampilkan hasil estimasi persamaan seperti pada Gambar 9.08711010858*PENJUALAN_D + 0.47998281041788 1. lalu kliklah Representation.98500105 + 0.10087772441379 -7.08711010858*PENJUALAN_C + 0.71577647 + 11. juga berlaku di data panel ini.

8945438115837 -15.309770223777357 19 .61476312628233 14.2003 2004 -9.374041786618 12.30270522914108 3.35642234878142 -4.25048132498152 0.0687640287418 4.

Sign up to vote on this title
UsefulNot useful