Common Effect ModelCommon Effect Model

Dependent Variable: Y
Method: Panel Least Squares
Date: 09/14/19 Time: 06:43
Sample: 2015 2018
Periods included: 4
Cross-sections included: 11
Total panel (balanced) observations: 44
Variable Coefficient Std. Error t-Statistic Prob.
C 0.652322 0.055787 11.69318 0.0000
X1 0.001302 0.001004 1.296427 0.2023
X2 0.112603 0.155936 0.722113 0.4744
X3 -0.164181 0.995026 -0.165002 0.8698
R-squared 0.093561 Mean dependent var 0.724091
Adjusted R-squared 0.025578 S.D. dependent var 0.101803
S.E. of regression 0.100492 Akaike info criterion -1.670963
Sum squared resid 0.403948 Schwarz criterion -1.508764
Log likelihood 40.76118 Hannan-Quinn criter. -1.610812
F-statistic 1.376248 Durbin-Watson stat 0.858025
Prob(F-statistic) 0.263906

Fixed Effect Model Fixed Effect Model

Sample: 2015 2018

Periods included: 4
Cross-sections included: 11
Total panel (balanced) observations: 44
Variable Coefficient Std. Error t-Statistic Prob.
C -2.204189 0.324542 -6.791699 0.0000
X1 0.060603 0.006634 9.135398 0.0000
X2 -0.436723 0.295551 -1.477655 0.1499
X3 1.884650 0.908094 2.075390 0.0466
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.849937 Mean dependent var 0.724091
Adjusted R-squared 0.784910 S.D. dependent var 0.101803
S.E. of regression 0.047214 Akaike info criterion -3.014887
Sum squared resid 0.066874 Schwarz criterion -2.447191
Log likelihood 80.32752 Hannan-Quinn criter. -2.804358
F-statistic 13.07049 Durbin-Watson stat 2.108965
Prob(F-statistic) 0.000000
Random Effect Model Random Effect Model

Dependent Variable: Y
Method: Panel EGLS (Cross-section random effects)
Date: 09/14/19 Time: 06:50
Sample: 2015 2018
Periods included: 4
Cross-sections included: 11
Total panel (balanced) observations: 44
Swamy and Arora estimator of component variances
Variable Coefficient Std. Error t-Statistic Prob.
C 0.546159 0.050755 10.76063 0.0000
X1 0.003347 0.001002 3.341273 0.0018
X2 -0.158118 0.140992 -1.121464 0.2688
X3 1.464404 0.612310 2.391606 0.0216
Effects Specification
S.D. Rho
Cross-section random 0.046714 0.4947
Idiosyncratic random 0.047214 0.5053
Weighted Statistics
R-squared 0.096733 Mean dependent var 0.326584
Adjusted R-squared 0.028988 S.D. dependent var 0.087967
S.E. of regression 0.086683 Sum squared resid 0.300558
F-statistic 1.427891 Durbin-Watson stat 0.959602
Prob(F-statistic) 0.248859
Unweighted Statistics
R-squared -0.053099 Mean dependent var 0.724091
Sum squared resid 0.469306 Durbin-Watson stat 0.614558

Pada proses analisis data, studi ini menggunakan 3 model pengujian yakni

Common effect model (CEM), Fixed Effect model (FEM) dan Random Effect

Model (REM). Ketiga model ini memberikan hasil analisis yang berbeda

dikarenakan perbedaan asumsi yang dilakukan dalam pengujin. Maka dari itu guna

mengetahui model terbaik yang akan digunakan maka perlu dilakukan uji

perbandingan model menggunakan Uji Chow dan Uji hausman.

Chow Test
Redundant Fixed Effects Tests
Equation: Untitled
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
Cross-section F 15.121196 (10,30) 0.0000
Cross-section Chi-square 79.132680 10 0.0000

Cross-section fixed effects test equation:

Dependent Variable: Y
Method: Panel Least Squares
Date: 09/14/19 Time: 08:19
Sample: 2015 2018
Periods included: 4
Cross-sections included: 11
Total panel (balanced) observations: 44
Variable Coefficient Std. Error t-Statistic Prob.
C 0.652322 0.055787 11.69318 0.0000
X1 0.001302 0.001004 1.296427 0.2023
X2 0.112603 0.155936 0.722113 0.4744
X3 -0.164181 0.995026 -0.165002 0.8698
R-squared 0.093561 Mean dependent var 0.724091
Adjusted R-squared 0.025578 S.D. dependent var 0.101803
S.E. of regression 0.100492 Akaike info criterion -1.670963
Sum squared resid 0.403948 Schwarz criterion -1.508764
Log likelihood 40.76118 Hannan-Quinn criter. -1.610812
F-statistic 1.376248 Durbin-Watson stat 0.858025
Prob(F-statistic) 0.263906

Uji Chow dilakukan untuk memilih model pada regresi data panel, yaitu

antara model Fixed Effect dengan model Common Effect. Atau dengan kata lain,

uji ini digunakan untuk mengetahui apakah data panel dengan metode Fixed Effect

lebih baik dari metode Common Effect. Dasar untuk pengambilan keputusan pada

uji Chow yaitu :

1) Apabila nilai probabilitas ˃ α, maka model yang paling tepat digunakan yaitu

model Common Effect.

2) Apabila nilai probabilitas ≤ α, maka model yang digunakan yaitu model Fixed

Effect.

Hipotesis :

H0 : Common Effect

H1 : Fixed Effect
Hasil redundant fixed effect atau likelihood ratio untuk model ini memiliki nilai

probabilitas F sebesar 0.0000 lebih kecil dari Alpha 0.05, sehingga H0 ditolak dan

H1 diterima, model yang sesuai dari hasil ini adalah fixed effect.

Hausman Test Hausman Test

Correlated Random Effects - Hausman Test

Equation: Untitled
Test cross-section random effects
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Cross-section random 97.830857 3 0.0000

Cross-section random effects test comparisons:

Variable Fixed Random Var(Diff.) Prob.
X1 0.060603 0.003347 0.000043 0.0000
X2 -0.436723 -0.158118 0.067472 0.2835
X3 1.884650 1.464404 0.449712 0.5309

Cross-section random effects test equation:

Dependent Variable: Y
Method: Panel Least Squares
Date: 09/14/19 Time: 06:52
Sample: 2015 2018
Periods included: 4
Cross-sections included: 11
Total panel (balanced) observations: 44
Variable Coefficient Std. Error t-Statistic Prob.
C -2.204189 0.324542 -6.791699 0.0000
X1 0.060603 0.006634 9.135398 0.0000
X2 -0.436723 0.295551 -1.477655 0.1499
X3 1.884650 0.908094 2.075390 0.0466
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.849937 Mean dependent var 0.724091
Adjusted R-squared 0.784910 S.D. dependent var 0.101803
S.E. of regression 0.047214 Akaike info criterion -3.014887
Sum squared resid 0.066874 Schwarz criterion -2.447191
Log likelihood 80.32752 Hannan-Quinn criter. -2.804358
F-statistic 13.07049 Durbin-Watson stat 2.108965
Prob(F-statistic) 0.000000

H0 : Model mengikuti random effect

H1 : Model mengikuti fixed effect

Berdasarkan hasil uji hausman menunjukkan nilai signifikansi 0.000 (Probability <

0.05), maka H0 ditolak dan H1 diterima, sehingga dapat diartikan bahwa model

random effect lebih baik dari model fixed effect.

Uji Lagrange Multiplier

Uji lagrange multiplier tidak dapat dilakukan dikarenakan adanya

estimated effect pada model. Selanjutnya syarat untuk melakukan uji ini adalah

1. Uji Chow Test menunjukkan bahwa metode yang terbaik adalah Common Effect

dari pada fixed effect. Sehingga langkah berikutnya untuk menentukan apakah

Common Effect lebih baik dari pada Random Effect, maka diperlukan uji

Lagrange Multiplier Test.

2. Uji Hausman Test menunjukkan bahwa metode yang terbaik adalah Random

effect dari pada Fixed Effect. Sehingga langkah berikutnya untuk menentukan

apakah Random Effect lebih baik dari pada Common Effect, maka diperlukan

uji Lagrange Multiplier Test.

Pada study ini tidak memenuhi syarat dikarenakan hasil uji chow dan uji hausman

menunjukan kalau fixed effect model adalah yang terbaik. Maka dari itu data

selanjutnya yang akan kita gunakan adalah output pada fixed effect model.
 Fixed Effect Model

Sample: 2015 2018

Periods included: 4
Cross-sections included: 11
Total panel (balanced) observations: 44
Variable Coefficient Std. Error t-Statistic Prob.
C -2.204189 0.324542 -6.791699 0.0000
X1 0.060603 0.006634 9.135398 0.0000
X2 -0.436723 0.295551 -1.477655 0.1499
X3 1.884650 0.908094 2.075390 0.0466
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.849937 Mean dependent var 0.724091
Adjusted R-squared 0.784910 S.D. dependent var 0.101803
S.E. of regression 0.047214 Akaike info criterion -3.014887
Sum squared resid 0.066874 Schwarz criterion -2.447191
Log likelihood 80.32752 Hannan-Quinn criter. -2.804358
F-statistic 13.07049 Durbin-Watson stat 2.108965
Prob(F-statistic) 0.000000

a. Uji F

Pada tabel diatas dapat diketahui bahwa F hitung sebesar 13.070 dan nilai

probability sebesar 0.000. Uji f menunjukan hasil yang sig nifikan

dikarenkan F hitung (13.070) > F tabel (2.84) atau nilai probability (0.000)

< 0.05.

b. Uji Koefisien R

Koefisien determinasi digunakan untuk mengukur seberapa jauh

kemampuan model dalam menerangkan variabel dependen. Apabila nilai

adjusted R Squared mendekati 1 makan dapat dikatakan kalau kekuatan

model adalah kuat. Dalam study ini nilai Adjusted R square adalah 0.784

c. Uji Hipotesis

Uji hipotesis digunakan dengan pengujian t. Untuk menentukan keputusan

signifikannya dapat dilihat melalui 2 cara yaitu t hitung > t tabel atau nilai

probability < 0.05. Dari data diatas diketahui bahwa

 1. X1 = berpengaruh positif (t hitung (9.135) > t tabel (df = n-k, 2,019)

atau nilai prob (0.000) < 0.05)

2. X2 = Tidak berpengaruh (t hitung (-1.477) < t tabel (df = n-k, 2,019)

atau nilai prob (0.1499) > 0.05

3. X3 = berpengaruh positif (t hitung (2.075) > t tabel (df = n-k, 2,019)

atau nilai prob (0.046) < 0.05)

Uji Asumsi Klasik

1. Normalitas

7
Series: Standardized Residuals
6 Sample 2015 2018
Observations 44
5
Mean 4.10e-18
Median -0.004579
4
Maximum 0.081276
Minimum -0.065656
3
Std. Dev. 0.039436
Skewness 0.269389
2
Kurtosis 2.025140

1
Jarque-Bera 2.274496
Probability 0.320700
0
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0.08

Model dikatakan terdistribusi normal apabila grafik berbentuk lonceng.

Namun demikian penilaian ini menimbulkan subjektivitas maka dari itu cara

lainnya dalah dengan melihat nilai probability. Model dikatakan terdistribusi

normal apabila nilai probability > 0.05. Dalam hal ini model memiliki nilai

probability 0.320 > 0.05

Heteroskedastisitas

Uji Heteroskedastisitas

Dependent Variable: RESABS

Method: Panel Least Squares
Date: 09/14/19 Time: 06:59
Sample: 2015 2018
Periods included: 4
Cross-sections included: 11
Total panel (balanced) observations: 44
Variable Coefficient Std. Error t-Statistic Prob.
C 0.026180 0.011724 2.233126 0.0312
X1 5.99E-05 0.000211 0.283819 0.7780
X2 0.012382 0.032770 0.377846 0.7075
X3 0.123683 0.209105 0.591487 0.5575
R-squared 0.016537 Mean dependent var 0.033281
Adjusted R-squared -0.057223 S.D. dependent var 0.020539
S.E. of regression 0.021119 Akaike info criterion -4.790826
Sum squared resid 0.017840 Schwarz criterion -4.628627
Log likelihood 109.3982 Hannan-Quinn criter. -4.730674
F-statistic 0.224197 Durbin-Watson stat 2.379582
Prob(F-statistic) 0.879012

Uji heteroskedastisitas dapat dilihat dari nilai residual absnya. Dari

pengolahan data tersebut dapat diketahui bahwa nilai probability dari semua

variabel berada diatas 0.05 yang berarti tidak terjadi gejala heteroskedastisitas pada

model.

Autokorelasi Fixed Effect Model

Sample: 2015 2018

Periods included: 4
Cross-sections included: 11
Total panel (balanced) observations: 44
Variable Coefficient Std. Error t-Statistic Prob.
C -2.204189 0.324542 -6.791699 0.0000
X1 0.060603 0.006634 9.135398 0.0000
X2 -0.436723 0.295551 -1.477655 0.1499
X3 1.884650 0.908094 2.075390 0.0466
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.849937 Mean dependent var 0.724091
Adjusted R-squared 0.784910 S.D. dependent var 0.101803
S.E. of regression 0.047214 Akaike info criterion -3.014887
Sum squared resid 0.066874 Schwarz criterion -2.447191
Log likelihood 80.32752 Hannan-Quinn criter. -2.804358
F-statistic 13.07049 Durbin-Watson stat 2.108965
Prob(F-statistic) 0.000000
Pengujian autokorelasi menggunakan metode durbin Watson. Model dikatakan

tidak terjadi autokorelasi apabila nilai dw berada diatara dU s/d 4-dU. Nilai dU

untuk n = 44, k=3 adalah 1.6647 dan nilai 4-dU (4-1.6647) adalah 2.3353. Hal ini

berarti model lolos uji autokorelasi dikarenakan nilai dw (2.1089) berada diantara

1.6647 s/d 2.3353

Multikolinieritas

Uji multikolinieritas dapat dilihat melalui nilai koefisien korelasi antara

variabel bebas, nilai VIF dan Tolerance, nilai Eigenvalue dan Condition Index, serta

nilai standar error koefisien beta atau koefisien regresi parsial. Namun demikian

pada pengujian kali ini, study menggunakan uji koreasi antara variabel bebas dan

didapatkan koeffisien sebagai berikut. Model dikatakan tidak terdapat gejala

multikolinieritas apabila hubungan antar variabel independen berada dibawah 0.8.

a. X1 dg X2 = 0.448

b. X1 dgn X3 = -0.2289

c. X2 dg X3 = -0.0361

Multikolinieritas

X1 X2 X3
X1 1.000000 0.448660 -0.228914
X2 0.448660 1.000000 -0.036165
X3 -0.228914 -0.036165 1.000000