ANALISIS DATA PANEL

it i it it
y X = + +
Struktur Model I Struktur Model II Struktur Model III/
Struktur Model V
Struktur Model
IV
Struktur Model VI
Model Common/ Pool

1 2 i
= = =

1 2 k k ik
= = =

Model Panel

1 2 i


1 2 k k ik
= = =
Random Coef Mod

1 2 i


1 2 k k ik

Sama dengan
Model III/ V

Pers. Simultan

1 2 i


1 2 k k ik


Homosedastik
2
2
2
0 0
0
0 0
I
I
V
0
I

Fixed Effek
LSDV
Fixed Effect
Model


Model III-
Heterogenity coef
Estimator :GLS
Eviews: System

Koef salah satu
Var Indp sama
setiap individu

Memperhitungkan
korelasi antar unit/
individu serta sifat
exogenitas/
endogenitas


Heterosedastik (antar
individu)
2
1
2
2
2
0 0
0 0
0 0
i
I
I
V
I

Random Effect

Model V-
Heterogenity coef
& serial correlation
Estimator :GLS-
SUR
Eviews: System

Estimasi :
OLS
2SLS
3SLS

Heterosedastik & cros sec
correlation (antar individu)

SANJ OYO 19 DESEMBER 2007 1
11 12 1
21 22 2
1 2
n
n
n n nn
I I I
I I I
V
I I I






=

ESTIMATOR: GLS/FGLS
( ) ( )
1
1 1

X V X X V y


=



EVIEW : OBJ ECT POOL
Weight: no weight
Cross Heterosedastisity
Cross SUR
Periode Heterosedastisity
Periode SUR




SANJ OYO 19 DESEMBER 2007 2

INPUT DATA:
Setting workfile dattied reguler frequency : Montly tahun 2001 s/d 2003



SANJ OYO 19 DESEMBER 2007 3
Import file dari Excel : Perbankan.xls



SANJ OYO 19 DESEMBER 2007 4


SANJ OYO 19 DESEMBER 2007 5





SANJ OYO 19 DESEMBER 2007 6
Hasil dari import file excel ke dalam format Eviews


SANJ OYO 19 DESEMBER 2007 7
SETTING DATA UNTUK ANALISIS DATA POOL & DATA PANEL
Object New Object Pool



SANJ OYO 19 DESEMBER 2007 8
Tuliskan indentifikasi data crossection




SANJ OYO 19 DESEMBER 2007 9
STRUKTUR MODEL 1 (COMMMON/ POOL)
HOMOSEDASTIK:
o Weights : No weight
o Method : LS-Least Square


SANJ OYO 19 DESEMBER 2007 10
HASILNYA:

Option :
o Ordinary
o White crossection : korelasi antara cross-equation dan varians error yang berbeda dlm setai cross equation
o White periode : mengakomodasi : korelasi serial dan var berbeda antara disturbance
o White Diagonal : heterisedastisity dalam disturebance
SANJ OYO 19 DESEMBER 2007 11

HETEROSEDASTIK
o ESTIMATOR : GLS/ WLS CROSS-SECTION WEIGHT


SANJ OYO 19 DESEMBER 2007 12


HASIL:

SANJ OYO 19 DESEMBER 2007 13
HETEROSEDASTIK & KORELASI SERIAL (SUR)
o ESTIMATOR: CROSS-SECTION SUR



SANJ OYO 19 DESEMBER 2007 14

HASILNYA:


SANJ OYO 19 DESEMBER 2007 15
STRUKTUR MODEL II (FIXED & RANDOM EFFECT)
Menggunakan data : konsumsi_gnr2.wf1
Inv CS F Model :
it i CSi it Fi it it
= + + +
Inv: investment (milyard Rp); CS: konsumsi (jutaan Rp); F: market value of firm(milyar Rp).
Individu i =DKI, J abar, J awa Tengah, J awa Timur, Bali

LSDV
Model:
1 2 3 4 5
2 3 4 5
it i i i i CS it F it it
Inv D D D D CS F
D2=dummy DKI, D3=dummy J BR, D4=dummy J TG, D5=dummy J TM
= + + + + + + +
Estimator : OLS (homosedastik)


SANJ OYO 19 DESEMBER 2007 16






SANJ OYO 19 DESEMBER 2007 17

Hasil:
o Investasi Bali: 92.53853
o Investasi DKI: 92.53853 168,6053=-76.0668
o . dst



SANJ OYO 19 DESEMBER 2007 18
FIXED EFFECT MODEL
Model Umum:
it i it it
y X = + +
Model:
it i CSi it Fi it it
Inv CS F = + + +
Estimator : OLS (homosedastik)

SANJ OYO 19 DESEMBER 2007 19
Hasil:

Koef Indv Effect
C -62.5944
CS? 0.34666
F? 0.10598
Fixed Effects (Cross)
_BAL--C 155.1329 92.53851
_DKI--C -13.4724 -76.06674
_J BR--C 33.22081 -29.37358
_J TG--C -179.576 -242.17079
_J TM--C 4.69498 -57.89941

Interpretasi: Bila mana ada perubahan Consumsi dan Market Value of Firm baik antar Daerah maupun antar waktu, maka Propinsi
Bali akan mendapatkan penaruh Individu terhadap investasi sebesar : Rp 92,54 milayar



SANJ OYO 19 DESEMBER 2007 20
RANDOM EFFECT MODEL
Model Umum:
it it i it
y X = + + +
Model:
it i CSi it Fi it it
Inv CS F = + + +
Estimator : GLS



SANJ OYO 19 DESEMBER 2007 21
Hasil:


Interpretasi: Bila mana ada perubahan Consumsi dan Market Value of Firm baik antar Daerah maupun antar waktu, maka Propinsi
Bali akan mendapatkan penaruh Individu terhadap investasi sebesar : Rp 151,86 milyar
SANJ OYO 19 DESEMBER 2007 22

Uji Random dan Fixed Effect: untuk melihat apakah model mengikuti random effect atau fixed effect dengan Hausman test.

Ho : random effect (individual effect uncorelated)
H1 : Fixed effect.

Statistik Uji: ) ( ) ( )' (
1 2
=

b b Var b
hit
Dimana : b=koefisien random effect; =koefisien fixed effect

Keputusan: Tolah Ho jika
2 2
( , ) hit k
> (k=jumlah koef slope) atau p-value < .

SANJ OYO 19 DESEMBER 2007 23




SANJ OYO 19 DESEMBER 2007 24
Hasil Pengujian



P-Value =0,2081 >5% Ho diterima Model Random Effect
SANJ OYO 19 DESEMBER 2007 25
Model III- Heterogenity Coefisient
y Model Umum:
i i i i i
X + = +
i i
v = + , dimana:
Model :
1 2 3 4
1
it i i i i i it
RDep RSBI RPuab RIntervensi RDep = + + + + +
Contoh Data Perbankan- Asist 2.wf1
Eviews: Object New Object System
Tuliskan persamaan system


SANJ OYO 19 DESEMBER 2007 26
Estimasi Koef GLS Weigted LS




SANJ OYO 19 DESEMBER 2007 27
Hasil

Iteration Option :
Iterate coefficient to convergence tidak gunakan MLE
Simultanneous Updateing : gunakan MLE
SANJ OYO 19 DESEMBER 2007 28
Model V- Heterogenity Coefisient dan korelasi antar Unit
y X Model Umum:
i i i i i
= + +
Model :
1 2 3 4
1
it i i i i i it
RDep RSBI RPuab RIntervensi RDep = + + + + +
Contoh Data Perbankan- Asist 2.wf1
Eviews: Object New Object System
Estimator: GLS- SUR

SANJ OYO 19 DESEMBER 2007 29
Hasil




SANJ OYO 19 DESEMBER 2007 30
Model IV- Sama dengan Model III/ V (namun)
Namun, Salah satu Koef Indpendent Var (mis. RSBI) sama setiap individu (bank)
Model :
1 2 3 4
1
it i i i i it
RDep RSBI RPuab RIntervensi RDep = + + + + +
Contoh Data Perbankan- Asist 2.wf1
Eviews: Object New Object System
Tulis Model persamaan system



SANJ OYO 19 DESEMBER 2007 31
Estimator: GLS- SUR (Weighted)



SANJ OYO 19 DESEMBER 2007 32
PEMILIHAN MODEL:
1. MODEL II: RANDOM EFFEECT VS FIXED EFFECT
Dengan Hausman Test sudah dijelaskan diatas




2. MODEL IV (KOEF VAR TERTENTU SAMA) VS MODEL V(KOEF INDP VAR BERBEDA)
Apakah sesungguhnya efek dari suatu var independent (RSBI) sama untuk semua Individu (bank)
Hipotesi:
Ho:
1 1 1 BNI BCA CIT
= = =
H1: Model V dengan MLE
; yaitu Model IV dengan MLE
Statistik Uji : WALD TEST
Tolak Ho jika p-value <5% (10%)
Contoh:















SANJ OYO 19 DESEMBER 2007 33
Kembali pada Model V:



Lakukan restriksi pada uji wald:
o C(1)=C(2)=C(3)=C(4)=C(5)=C(6)=C(7)=C(8)=C(9)=C(10)

SANJ OYO 19 DESEMBER 2007 34






SANJ OYO 19 DESEMBER 2007 35

SANJ OYO 19 DESEMBER 2007 36

p-Value (0,3918) >5% Ho diterima Model V dengan MLE. Maka model lebih baik adalah model dimana effek RSBI seragap
terhadap RDEP.

SANJ OYO 19 DESEMBER 2007 37

3. MODEL II ( RANDOM EFFEECT) VS MODEL V (RANDOM KOEF)
Menguji model manakah yang lebih baik Model II (efek individu berbeda dan efek var sama) dengan Model V(efek
individu berbeda dan efek var berbeda )
Hipotesi:
Ho:
1 1 1
2 2 2
3 3 3
4 4 4
,
,
,
BNI BCA CIT
BNI BCA CIT
BNI BCA CIT
BNI BCA CIT




= = =
= = =
= = =
= = =

; yaitu Model II (random effek) dengan MLE

H1: Model V dengan MLE
Statistik Uji : WALD TEST
Tolak Ho jika p-value <5% (10%)
Contoh: Gunakan Model V
Lakukan restriksi

C(1)=C(2)=C(3)=C(4)=C(5)=C(6)=C(7)=C(8)=C(9)=C(10)
C(11)=C(12)=C(13)=C(14)=C(15)=C(16)=C(17)=C(18)=C(19)=C(20)
C(21)=C(22)=C(23)=C(24)=C(25)=C(26)=C(27)=C(28)=C(29)=C(30)
C(31)=C(32)=C(33)=C(34)=C(35)=C(36)=C(37)=C(38)=C(39)=C(40)






SANJ OYO 19 DESEMBER 2007 38





SANJ OYO 19 DESEMBER 2007 39


p-Value (0,000) <5% , Ho ditolak moled V Model yang lebih baik adalah model dimana efek semua variable tidak seragam
terhadap RDep dari setiap individu (bank).


SANJ OYO 19 DESEMBER 2007 40

4. MODEL II (Model ada efek indv) VS MODEL I (tidak ada fixed effect)
Menguji Model I(Common) yaitu tidak ada efek individu dengan Model II (fixed effek) yaitu ada efek individu
Hipotesi:
Ho:
BNI BCA CIT
= = =
BNI BCA
; yaitu Model I (common) dengan GLS
H1:
CIT

Statistik Uji : WALD TEST
; yaitu Model II (fixed efek) - dengan GLS
Tolak Ho jika p-value <5% (10%)
Contoh: Gunakan Model II dengan system


SANJ OYO 19 DESEMBER 2007 41






SANJ OYO 19 DESEMBER 2007 42
Lakukan Restriksi: C(11)=C(12)=C(13)=C(14)=C(15)=C(16)=C(17)=C(18)=C(19)=C(20)



SANJ OYO 19 DESEMBER 2007 43
Hasilnya


p-Value (0,2897) >5% Ho diterima Model I (common) yang lebih baik.
SANJ OYO 19 DESEMBER 2007 44
PENENTUAN ESTIMATOR
Diatas telah dijelaskan penggunaan estimator OLG, WLS/ GLS, atau SUR tergantung pada struktur Covarian model tersebut
yaitu: homosedastik, heterosedastik maupun struktur adanya korelasi serial.
Oleh karena itu, perlu dilakukan pengujian jenis struktur covarian suatu model.

A. PEMILIHAN ESTIMATOR: STRUKTUR HETERO VS HOMO
UJ I LM ( Estimator FGLS dg MLE)
o Hipotesis
Ho:
2 2
i
= (yaitu struktur homosedastik)
H1:
2 2
i
(yaitu struktur heterosedastik)
o Statistik Uji LM:

2
2
2
1

1
2
n
i
i
T
LM

=

=

( ) 1; n

dimana T=jml observasi, n=jml individu;

2
i
=varian residual persamaan ke-i;
2
=varian residual persamaan
system.
o Keputusan Tolah Ho, jika LM test >
( ) 1; n

UJ I WALD ( Estimator FGLS)
o Hipotesis
Ho:
2 2
i
= (yaitu struktur homosedastik)
H1:
2 2
i
(yaitu struktur heterosedastik)
o Statistik Uji LM:

2
2
2
1

1
2
n
i
i
T
LM

=

=

( ) 1; n

dimana T=jml observasi, n=jml individu;

2
i
=varian residual persamaan ke-i;
2
=varian residual persamaan
system.
SANJ OYO 19 DESEMBER 2007 45
o Keputusan Tolah Ho, jika LM test >
( ) 1; n

CONTOH: LM TEST
o GUNAKAN MODEL V- DATA ASIST.WF1

'LM test for Choosing Estimator Hetero VS Homo
'Created by Sanjoyo (26/09/2007) for teaching assistance econometrics 2

'needed open workfile: asist2

pool_MOD5_LM.makeresid(n=residual)
scalar T=pool_MOD5_LM.@regobs
scalar n=pool_MOD5_LM.@ncross
matrix residm =residual
matrix rescov =(@transpose(residm)*residm)/T
vector rescovd =@getmaindiagonal(rescov)
scalar ssr =pool_MOD5_LM.@ssr
vector LM1 =(rescovd/ssr-1)
vector qform =(@transpose(LM1) * LM1)*T/2

if qform(1,1)>=0 then
' set table to store results
table(4,2) result
setcolwidth(result,1,20)
setcell(result,1,1,"LM test for hetero versus homo")
setline(result,2)

!df=n-1
setcell(result,3,1,"chi-sqr(" +@str(!df) +") =")
SANJ OYO 19 DESEMBER 2007 46
setcell(result,3,2,qform(1,1))
setcell(result,4,1,"p-value =")
setcell(result,4,2,1-@cchisq(qform(1,1),!df))
setline(result,5)

show result
else
statusline "Quadratic form is negative"
endif

HASIL

LM test for hetero
versus homo
chi-sqr(9) = 174.0019
p-value = 0.000000













SANJ OYO 19 DESEMBER 2007 47

B. PEMILIHAN ESTIMATOR: STRUKTUR HETERO VS SUR
UJ I LR
o Hipotesis
Ho: off diagonal =0 (yaitu struktur heterosedastik)
H1: off diagonal 0 (yaitu struktur SUR)
o Statistik Uji LM:
( )
2
1

log log
n
LR i
i
T
=

=

( ) ( ) 1; n n

dimana T=jml observasi, n=jml individu;

2
i
=varian residual persamaan ke-i;

=determinan residual
covarians persamaan system.
o Keputusan Tolah Ho, jika LM test >
( ) 1; n

CONTOH: LR TEST
o GUNAKAN MODEL V- DATA ASIST.WF1

'LR test for Choosing Estimator Hetero VS SUR
'Created by Sanjoyo (26/09/2007) for teaching assistance econometrics 2

'needed open workfile: asist2

pool_MOD5_Lr.makeresid(n=residual)
scalar T=pool_MOD5_LR.@regobs
scalar n=pool_MOD5_LR.@ncross
matrix residm =residual
matrix rescov =(@transpose(residm)*residm)/T
vector rescovd =@getmaindiagonal(rescov)
vector(n) ones=1
SANJ OYO 19 DESEMBER 2007 48
vector lrescov =log(rescovd)
vector sumdiag =@transpose(lrescov)*ones
scalar rescovdet =log(@det(rescov))
vector qform =T*(sumdiag-rescovdet)

if qform(1,1)>=0 then
' set table to store results
table(4,2) result
setcolwidth(result,1,20)
setcell(result,1,1,"LR test for hetero versus SUR")
setline(result,2)

!df=n*(n-1)/2
setcell(result,3,1,"chi-sqr(" +@str(!df) +") =")
setcell(result,3,2,qform(1,1))
setcell(result,4,1,"p-value =")
setcell(result,4,2,1-@cchisq(qform(1,1),!df))
setline(result,5)

show result
else
statusline "Quadratic form is negative"
endif


LR test for hetero versus
SUR
chi-sqr(45) = 196.1543
p-value = 0.000000
SANJ OYO 19 DESEMBER 2007 49
SANJ OYO 19 DESEMBER 2007 50