PANEL DATA REGRESSION MODEL

Panel Data adalah data yang memiliki dimensi waktu dan ruang. Other names : Pooled data, combination of time series and cross section data, micropanel data, longitudinal data, event history analysis, cohort analysis. Dalam panel data, data cross-section yang sama diobservasi menurut waktu. Data panel merupakan gabungan antara data cross section, yang ditandai dengan subscript i, dan data time series, yang ditandai dengan subscript t. Menurut Greene (2003), “keuntungan dasar penggunaan data panel adalah adanya fleksibilitas yang lebih besar bagi peneliti untuk memodelkan perbedaan perilaku antar individu”(hal 284). Selain itu, keuntungan lain yang dapat diperoleh menurut Gujarati (2005) dan lain 1. dengan menggabungkan antara data cross section dan time series, data panel mampu menyediakan data yang lebih banyak, informasi yang lebih lengkap, mengurangi kolinieritas antar variabel, dan menghasilkan degree of freedom (df) yang lebih besar serta lebih efisien; 2. data panel dapat mengatasi masalah yang timbul akibat penghilangan variabel (omitted variabel); 3. pengontrolan heterogenitas individu; 4. data panel lebih cocok mempelajari perubahan dinamik; 5. Meskipun data tidak lengkap analisis data panel masih bisa tetap dilakukan 6. dapat mendeteksi dan mengukur efek yang secara sederhana tidak dapat diperoleh dari cross section atau time series murni; Hsiao (2003) dalam Baltagi (2005) antara

Secara umum persamaan regresi data panel adalah sebagai berikut: (3.….meminimalkan bias yang dihasilkan oleh agregat individu karena unit data lebih banyak. Satu set data panel memiliki jumlah periode waktu T >1 dan jumlah unit cross sectional n > 1.2.2. + βk X kit +uit ………….. penggunaan estimator yang baik disesuaikan kondisi matriks varians-covarians residual (Ekananda dalan Aji. Model ini tidak memperhatikan dimensi individu maupun waktu.(3. Model Common Effect Model common effect merupakan model regresi data panel yang paling sederhana karena hanya menggabungkan data time series dan cross section dalam bentuk pooled. Jika setiap cross-section unit memiliki jumlah observasi time-series yang sama maka disebut sebagai berbeda balanced untuk panel.n t : 1. Persamaan model regresi common effect dapat ditulis sebagai berikut: Yit = α + β1 X 1it + β2 X 2it +.1) i : 1. Dengan kata lain setiap unit amatan memiliki slope dan koefisien yang sama.. setiap Sebaliknya cross-section jika jumlah maka observasi disebut unit unbalanced panel. Sehingga diasumsikan bahwa perilaku antar individu sama dalam berbagai kurun waktu.2) Yit =α + β1 X 1it + β2 X 2it +..T Dimana n : jumlah unit cross sectional T : Jumlah periode waktu Dalam analisis data panel.. + βk X kit +uit …..…. . 2005) Model Regresi Data Panel A...

sedang dan menengah? dan ada term-nya.2. Bila kita punya asumsi bahwa α dan β akan sama (konstan) untuk setiap time series dan cross section. Feasible Generalized Least Square (FGLS) dengan proses autoregressive (AR) pada error heteroskedastik residualnya. jika matriks varians-kovarians residualnya diasumsikan bersifat homoskedastik dan tidak ada cross sectional correlation. 2. 2005) yaitu: 1. Generalized Least Square (GLS) / Weighted Least Square (WLS): Cross Sectional Weight.2. Apakah realistic jika dibuat suatu model. Feasible Estimator Generalized (MLE). jika residualnya Least Square diasumsikan (FGLS) / heteroskedastik dan tidak ada cross sectional correlation. Ordinary Least Square (OLS).…n dan t = 1. 4. terdapat empat metode estimasi yang dapat digunakan (Ekananda. dimana perusahaan yang bergerak di industri makanan mempunyai intersep yang sama dengan perusahaan yang bergerak di sector jasa? Atau apakah realistic jika kita menggunakan perusahaan kecil.Untuk i = 1. Pertanyaannya.…T Berdasarkan asumsi struktur matriks varians-kovarians residual. Uncorrelated Regression (SUR) atau Maximum Likelihood varians-covarians struktur matriks residualnya diasumsikan bersifat heteroskedastik dan ada cross sectional correlation. antar jika struktur bersifat pada waktu matriks varians-covarians residualnya diasumsikan korelasi . apakah asumsi bahwa α dan β konstan realistik? Missal kita ingin mengamati pengaruh iklan terhadap omset pada 10 perusahaan. jika struktur matriks bersifat Seemingly varians-covarians 3.

2.3).T D1i =1 D1i =1 untuk individu pertama dan 0 untuk individu 2.3. Nilai α pada n .2.2.(3... + βk X kit +uit 1 1 …………(3.Untuk mengatasi permasalahan tersebut.3) (time (Widarjono.…n dan t = 1. Secara umum persamaan modelnya adalah sebagai Untuk i = 1.n dan t = 1.. Sehingga persamaannya menjadi seperti berikut: Yit =α +α2 D1i +. n Dari persamaan (3.….…n untuk individu ke (n-1) dan 0 untuk individu 1. berikut : Yit = αi + β1 X 1it + β2 X 2it +.4)..…n untuk individu kedua dan 0 untuk individu 1.4) Untuk i = 1.. efek untuk individu pertama adalah α + 1 α2 .…T Untuk membedakan intersep antar individu dapat dilakukan dengan memasukkan variable dummy untuk masing-masing individu. Nilai ini akan sama dengan nilai α 1 pada persamaan (3.…n = D( n − ) i =1 1 2.3.. +α( n−1) D( n−1) i + β X 1it + β2 X 2it +. α i diperlakukan dan akan sebagai parameter Pengertian invariant) diestimasi. Begitu juga efek untuk individu kedua adalah α + α 3 1 sama dengan nilai α2 pada persamaan (3.2. + βk X kit + uit ………….….2. ada dua buah teknik lain yang biasanya digunakan untuk membuat model dari data panel..4). Model Fixed Effects Model individu Setiap diketahui ini mengasumsikan bahwa perbedaan yang fixed antar tidak effect dapat diakomodasi melalui perbedaan intersepnya.. didasarkan adanya perbedaan intersep antar individu tetapi intersepnya sama antar waktu 2005). yaitu Metode Effect Tetap (The Fixed Effect) dan Metode Efek Random (The Random Effek) B.

yaitu error secara menyeluruh Ɛ dan error secara individu u . terdapat tiga metode estimasi yang dapat digunakan. C. Seemingly Uncorrelated Regression (SUR).4). varians-covarians residualnya diasumsikan heteroskedastik dan tidak ada cross sectional correlation. maka pada model fixed effects. Model Random Effect Model fixed effects memperbolehkan adanya korelasi antara efek individual . Berdasarkan asumsi struktur matriks varians-covarians residual. Weighted Least residualnya Square (WLS). jika struktur matriks varians-covarians 2. Ordinary Least Square (OLS/LSDV). perbedaan karakteristik individu dan waktu diakomodasikan pada error dalam model. jika struktur matriks varians-covarians residualnya diasumsikan bersifat heteroskedastik dan ada cross sectional correlation. Intersep untuk masng-masing cross sectional unit berbeda. 2003). yang tidak terobservasi dengan efek regressors sedangkan pada model random effect individu dengan regressors tidak berkorelasi (Green. Secara umum persamaan . yaitu: 1.3) akan sama dengan nilai α pada persamaan 1 (3. diasumsikan jika struktur bersifat matriks bersifat homoskedastik dan tidak ada cross sectional correlation. Model ini mengasumsikan bahwa setiap individu mempunyai intersep yang merupakan variabel random perbedaan atau stokastik sehingga dengan model ini terdapat dua komponen error. 3. Karena digunakan dummy variable untuk mengestimasi fixed effect maka model tersebut disebut juga dengan Least square Dummy Variable (LSDV). Dalam model random effect.persamaan (3.

Ada dua pendekatan yang digunakan : 1. + ei + u it = β1 + β2 X 2it + . i = 1. + wit ei menunjukkan deviasi intersep individu dari nilai rata-rata dan unobservable atau laten variable. Metode Estimasi adalah Generalized Least Square (GLS) “most appropriate than OLS method”...…. 2... Random Effect FIXED EFFECT APPROACH Ada beberapa kemungkinan: 1... Semua koefisien berbeda menurut waktu dan individual . Pada kasus diatas dimana ada 80 data disusun seperti biasa (stacking).. Fixed Effect 2. + u it intercept value untuk tiap cross-sectional units dapat ditunjukkan sebagai β1i = β1 + ei dimana..N ei adalah random error term dengan rata-rata nol dan varian σ e2 β adalah common mean value untuk intersep 1 Perbedaan intersep antar individu atau cross-sectional units direfleksikan dalam ei Yit = β1 + β2 X 2it + .model random effect adalah Ide dasar: Yit = β1i + β2 X 2it + ...

Slope koefisien tetap namun intersep berbeda antar individu (Fixed Effect atau Least Square Dummy Variable/LSDV) Fixed Effect Model (FEM): Yit = β1 + β2 X 2it + β3 X 3it + uit Walaupun intersep setiap perusahaan berbeda.303552 R-squared 0. 0. Yit = α1 + α2 D2i + α3 D3i + α4 D4i + β2 X 2it + β3 X 3it + uit .157869 0.019579 0.40095 X2 0. 2003:p. Dependent Variable: Y Method: Least Squares Date: 06/04/05 Time: 19:17 Sample: 1 80 Included observations: 80 Variable Coefficien t C 63.049295 6.013727 8.D.0000 0.E. See: Gujarati.60893 -2. susun data secara stacking yaitu untuk kasus diatas stack 20 observasi untuk setiap perusahaan diatas perusahaan yang lain (Example.8804 6 Log likelihood F-statistic 119.750293 S.7911 3 Sum squared resid 1560135. namun tidak berbeda menurut waktu (time invariant).Dengan metode OLS. dependent var 284.00000 0 2.310957 Prob(F-statistic) 0.3429 Akaike info criterion 12.756615 Std. of regression 142. 2003:p.641) dengan menggunakan program Eviews. Membedakan intersep setiap perusahaan dapat dilakukan dengan memasukkan variable dummy untuk masing-masing perusahaan (differential intercept dummies) (Example. Error t-Statistic Prob.915 var 4 Adjusted R-squared 0. Schwarz criterion 12.0354 29.0000 Mean dependent 290.643).852 8 S.110083 X3 0.6453 4 Durbin-Watson stat 0.141278 0.685 508. see: Gujarati.

tidak dimasukkan dalam model.53241 3. dependent var 284. Pemilihan ini dapat berbeda-beda untuk setiap peneliti. α4 adalah differential intercept yang menunjukkan seberapa besar intersep GM.12368 0.934345 Std.108195 Prob(F-statistic) 0.854615 46.87026 -6.621 456.0009 24.852 8 S.913048 0. dan 0 untuk lainnya.0000 35.7345 5 Log likelihood F-statistic 210.6105 X2 0.55910 5.017537 6.41383 Akaike info criterion 11. of regression 75.108036 X3 0. D3i = 1 untuk observasi US dan 0 untuk lainnya.2359 8 Durbin-Watson stat 1. Dalam hal ini observasi GE menjadi basis sehingga α3.0000 31. 0.8768 D2 161.915 var 4 Adjusted R-squared 0.160379 0.E.dimana.4154 D3 339.345946 R-squared 0.468882 0.929909 S.0000 0. Karena digunakan dummy variable untuk mengestimasi fixed effect maka model tersebut disebut juga dengan Least Square Dummy Variable (LSDV). contoh: GM memiliki intersep (α1 + α 2 ) Dependent Variable: Y Method: Least Squares Date: 06/04/05 Time: 20:06 Sample: 1 80 Included observations: 80 Variable Coefficien t C 245.95116 0.0000 0.2 Schwarz criterion 11.02329 14. D2i = 1 untuk observasi GM. US dan WEST berbeda dengan GE.2972 D4 186.5559 0 Sum squared resid 420856.D.0000 Mean dependent 290. Intersep untuk masing-masing cross-sectional unit berbeda. Karena ada 4 perusahaan maka dummy variable yang digunakan hanya 3 untuk menghindari dummy variable trap (kondisi perfect collinearity). Error t-Statistic Prob.026712 12. α1 adalah intersep GE dan α2.00000 0 . D4i = 0 untuk WEST dan 0 untuk lainnya.

n-k) maka OLS model invalid sehingga LSDV atau FEM adalah valid.4204 WEST = (-245. Berikut hasil estimasi Fixed effect menggunakan program Eviews dengan metode pooled least square. .643) dengan LSDV adalah 2 UR unrestricted (Gujarati.Intersep untuk setiap perusahaan adalah sebagai berikut: GE GM US = -245.8768) + 186.4614 = (-245.8768) + 161.8768 = (-245.4154 = -84. Persamaan yang diestimasi dengan OLS adalah persamaan restricted sedangkan yang diestimasi 2003:p.2972 = 93. karena fasilitas e-views telah secara otomatis menghitung nilai intersep masing-masing perusahaan.2663 Untuk pemilihan model yang baik. dapat diketahui dengan menggunakan restricted F-test.8768) + 339.6105 = -59. Kita tidak perlu memasukkan variabel dummy dan menghitung kembali nilai intersep masing-masing perusahaan. 2 − RR / m F= 2 1 − RUR / n − k ( (R ) ) dimana. 2 RUR = koefisien determinasi untuk unrestricted model (LSDV model) 2 RR = koefisien determinasi untuk restricted model (OLS = jumlah “restrictions” = jumlah sample = total jumlah koefisien regresi (termasuk konstanta) model) m n k jika F-hitung > F-tabel (m.

28890 Sum squared resid 419462.E.. 9 Log likelihood F-statistic 211.1032 6 Durbin-Watson stat 0. . perbedaan waktu dummy35 dengan nilai 1 untuk observasi tahun 1935 dan 0 untuk tahun lainnya.7924 GM--C 84.915 var 4 Adjusted R-squared 0.84046 WEST--C 59.00000 0 3..98212 0.0000 X3? 0. Semua koefisen berbeda antar individu Asumsi : intersep dan slope koefisien berbeda untuk semua individu atau cross-section unit. dependent var 284. tidak ada time effect.22017 US--C 93.. maka dummy perusahaan sebagaimana koefisien X secara individual signifikan tapi tidak untuk dummy waktu. Dalam hal ini tahun 1954 digunakan base year dengan intersep λ 0 Jika persamaan tersebut di estimasi. + λ19 Dum 53 + β2 X 2i + β3 X 3i + u it dimana.165319 0.Dependent Variable: Y? Method: Pooled Least Squares Date: 05/16/06 Time: 16:12 Sample: 1935 1954 Included observations: 20 Number of cross-sections used: 4 Total panel (balanced) observations: 80 Variable Coefficien Std..22581 R-squared 0. Jadi. t X2? 0..346162 0. 4.D.934563 Mean dependent 290.107948 0.026664 12.852 8 S.807158 Prob(F-statistic) 0.930141 S.0000 Fixed Effects GE--C 245. Slope koefisien konstan namun intersep berbeda antar individu dan waktu Yit = α1 + α2 DGMi + α3 DUSi + α4 DWESTi + λ0 + λ1 Dum 35 + .370 456. etc. of regression 75.017509 6. Error t-Statistic Prob.

645) Dependent Variable: Y? Method: GLS (Variance Components) Date: 05/16/06 Time: 16:14 Sample: 1935 1954 Included observations: 20 Number of cross-sections used: 4 Total panel (balanced) observations: 80 Variable Coefficien Std.87475 GLS Transformed Regression R-squared 0.869990 0.3870 73.016817 6. t C .83. α menunjukkan differential intercept.02351 0. RANDOM EFFECTS APPROACH/ERROR COMPONENTS MODEL (ECM) Berikut hasil estimasi ECM dengan program E-views (See: Gujarati.026545 13. US dan WEST berbeda dari GE. semua intersep koefisien berbeda signifikan secara statistic.915 . maka dapat disimpulkan bahwa fungsi investasi untuk GM.0000 Random Effects GE--C 169.94957 -0.345710 0.9282 GM--C 9.932375 Mean dependent 290.401618 0.0000 X3? 0. Error t-Statistic Prob.Yit = α1 + α2 D2 i + α3 D3i + α4 D4 i + β2 X 2it + β3 X 3it + γ 1 ( D2 i X 2 it ) + γ 2 ( D2i X 3it ) + γ 3 ( D3i X 2 it ) + γ 4 ( D3i X 3it ) + γ 5 ( D4 i X 2 it ) + γ 6 ( D4i X 3it ) + u it γ menunjukkan differential slope coefficient.03531 X2? 0. maka nilai ( β 2 + γ 1 ) adalah slope koefisien X2 untuk General Motor (GM) yang berbeda Jika dengan General dan Electric slope sebagai perusahaan adalah pembanding. hal ini menunjukkan slope coefficient berbeda dari base group.5613 WEST--C 13. Contoh. Jika γ signifikan.507820 US--C 165. misal β2 dan γ1 signifikan secara statistic. 2003:p.107655 0.

E. Random effect dari masingmasing individu menunjukkan seberapa random error component suatu individu berbeda dari nilai common intercept.932835 S.852 8 419637. Nilai rata-rata dari random error component yaitu ei adalah common intercept value. 6 Durbin-Watson stat 0. 6 Durbin-Watson stat 0.E.806140 Beberapa hal yang perlu diperhatikan dalam estimasi ECM : 1.82302 Sum squared resid 290.96 maka jika nilai LM-hitung > 1. Jumlah random effect untuk semua perusahaan (contoh:4 perusahaan) adalah nol 2. Nilai R2 didapatkan dari transformasi regresi dengan GLS.780384 Unweighted Statistics including Random Effects R-squared 0. .934535 Mean dependent var Adjusted R-squared 0.D. dependent var S. tidak perlu melakukan Hausman test.D.05 dengan Z=1.Adjusted R-squared 0.930618 S.915 4 284. 3. Uji : Breusch-Pagan test (Kmenta. 1971:p. dependent var Sum squared resid 4 284. Bila dengan menggunakan test ini sudah valid.96 maka reject/tolak H0 yang berarti random effect model valid. of regression 73.629) H 0 : σ e2 = 0 H 0 : σ e2 ≠ 0  ∑ (∑ wit ) 2  ˆ NT  i t LM = − 1 ~ χ2 2   ˆ 2(T − 1) ∑∑ wit  i t    2 untuk α (level of significance) = 0.03139 var S. of regression 75.852 8 433487.

maka FEM may be more significant Contoh: Peneliti ingin mengetahui bagaimana pengaruh real value of firm (X2). Beberapa metode pemilihan lainnya: Hausman test (See: Hausman. …. Dapat dituliskan dalam persamaan: Yit = β1 + β2 X 2it + β3 X 3it + uit dimana. General Motor (GM).4 dan t = 1. Griffiths. real capital stock (X3) terhadap real gross investment (Y) untuk 4 perusahaan yaitu General Electric (GE). i = 1.3.463-465) Test untuk setiap model F-test untuk FEM dan Breusch-Pagan untuk ECM Thumb’s rule (See:Gujarati. X2 dan X3 berpengaruh positif terhadap Y.2. US Steel (US) dan Westinghouse (West). maka ECM may be appropriate dan sebaliknya ei dan X berkorelasi maka FEM may be appropriate. 2.1978. 1995:p. Sehingga ada 4 cross-sectional unit dan 20 periode waktu. untuk ketiga variabel. FEM or ECM? 1. Apriori.2. Data untuk setiap perusahaan adalah data time-series dengan periode 1935-1954. jika T (number of time series data) besar dan N (number cross-sectional unit) kecil maka FEM dan ECM similar Jika T kecil dan N besar. 2003:p.. Diasumsikan ei dan X uncorrelated.σ 2 ) .650-651) Dimana.Pemilihan Fixed Effects Model dan Random Effects Model Which model is better. sehingga secara keseluruhan ada 80 observasi.20 Asumsi variable X adalah nonstochastic dan error term mengikuti asumsi klasik E (uit ) ~ N (0.

D. Analisis Ekonometrika dan Statistika dengan Eviews.2006. 2010.Sumber: Materi kuliah Ekonometrika di STIS oleh Bpk Edi Riza. 2009. Wing Wahyu. Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan.Jakarta: Sekolah Tinggi Ilmu Statistik. Skripsi. Nachrowi & Hardius Usman.UPP STIM YKPN . Nachrowi. Jakarta: Lembaga Penerbitan FEUI Winarno.

Sign up to vote on this title
UsefulNot useful