Analisa Data : Analisis Data pada Model Regresi Data Panel (Pooled Data

)
Posted on April 20, 2011

Data panel atau panel data atau Pooled Data adalah gabungan dari data time series(antar waktu) dan data cross section (antar individu/ruang). Untuk menggambarkanpanel data / data panel / Pooled Data secara singkat, misalkan pada data cross section, nilai dari satu variabel atau lebih dikumpulkan untuk beberapa unit sampel pada suatu waktu waktu. Dalam panel data / data panel / pooled data , unit cross section yang sama di-survey dalam beberapa waktu (Gujarati, 2003:637). Regresi dengan menggunakan panel data / data panel / pooled data, memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series. Begini, misalkan kita punya data 50 Bank, masing – masing Bank dicari ROI, NOPAT, dan lainnya untuk

tahun 2007 saja, maka data tersebut disebut dengan data Cross Section. Tapi, kalau kita punya data 1 Bank, namun data ROI, NOPAT, dan data lainnya dari Bank tersebut kita miliki sejak tahun 1998 hingga 2007, maka data tersebut disebut dengandata Time Series. Gabungan dari keduanya, yaitu 50 Bank dengan beberapa satuan waktu misalkan 1998 hingga 2007 disebut dengan Data Panel (Pooled Data). Keunggulan dan Permasalahan Regresi dengan Data Panel Hsiao (1986), mencatat bahwa penggunaan panel data / data panel / pooled data dalam penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross section maupun time series. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkandegree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di

Ketiga. Estimasi Regresi dengan Data Panel Estimasi model data panel ergantung kepada asumsi yang dibuat peneliti terhadap .mana dapat menghasilkan estimasiekonometri yang efisien. Sementara itu ada permasalahan baru yang muncul seperti korelasi silang (crosscorrelation) antar unit individu pada periode yang sama. yaitu permasalahan autokorelasi dan heterokedas tisitas. Di samping berbagai keunggulan dimiliki model panel data / data panel / pooled datatersebut. ada beberapa permasalahan yang muncul dalam pemanfaatan data panel. Kedua. panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja. panel data / data panel dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section.

Analisis data panel / data panel merupakan pengembangan dari analisis regresi. yaitu Common Pooled Least Square (OLS). koefisien kemiringan (slope coefficients) dan variabel error (error term). . Model-model estimasi ini akan ditinjau pada kesempatan lain. Regresi dengan data panel adalah unik. heteroskedastisitas antar residual. Ada dua autokorelasi di dalam regresi data panel / data panel : autokorelasi residual time series.intersep/konstanta (intercept). Begitu juga dengan heteroskedastisitas : heteroskedastisitas resi dualcross-section. Fixed Effect Regression. dan Random Effect. Unik karena memiliki dua dimensi. yaitudimensi time series dan dimensi cross section. Dengan kata lain. Terdapat tiga metode regresi dasar yang ada. dan korelasiantar residual. regresi data panelmerupakan regresi gabungan jangka pendek dan jangka panjang.

Metode mana yang paling sesuai ? Untuk mengetahui jawabannya. harus dilakukan 2 buah Uji. yaitu Uji Hausmann dan Uji Chow. .

Dengan menggabungkan data time series dan cross section (pooling).com weblog econometri data panel dengan 2 komentar Panel Data 1. 2003:637). data panel secara substansial mampu menurunkan masalah omitted-variables. Sekilas Mengenai Data Panel. metode data panel lebih tepat untuk digunakan. Data panel juga bisa berguna untuk alasan pragmatis. Data panel atau pooled data adaalh kombinasi dari data time series dan data cross section. model yang mengabaikan variabel yang relevan (Gujarati. maka jumlah observasi . Dalam sebuah penelitian terkadang ditemukan suatu persoalan mengenai ketersediaan data (data avaibility) untuk mewakili variabel yang digunakan dalam penelitian.Romypradhanaarya's Blog Just another WordPress. Untuk mengatasi interkorelasi diantara variabel-variabel bebas yang pada akhirnya dapat mengakibatkan tidak tepatnya penaksiran regresi. Dengan mengakomodasi informasi baik yang terkait dengan variabel – variabel cross section maupun time series.

Metode fixed effect dan random effect disebut juga metodegeneralized least square (GLS). 2003:640): 1. Kedua. Model data panel untuk masing-masing teknik regresi adalah sebagai berikut (Gujarati. Model dengan FE menambahkan dummy variables untuk mengizinkan adanya perubahan intercept ini. Ketiga.bertambah secara signifikan tanpa melakukan treatment apapun terhadap data. pendekatan fixed effect (FE) memperhitungkan kemungkinan bahwa peneliti menghadapi masalah omitted variables dimana omitted variables mungkin membawa perubahan padaintercept time series atau cross section. Menurut Verbeek (2000:313-19) metode yang pertama adalah pendekatan pooled least square (PLS) secara sederhana menggabungkan (pooled) seluruh data time series dan cross section dan kemudian mengestimasi model dengan menggunakan metodeordinary least square (OLS). pendekatan efek acak (random effect) memperbaiki efisiensi proses least square dengan memperhitungkan error dari cross section dan time series. pooled least square . Ada tiga metode yang bisa digunakan untuk bekerja dengan data panel. Model random effect adalah variasi dari estimasi generalized least square.

panel data mampu memperhitungkan heterogenitas individu secara eksplisit dengan mengijinkan variabel spesifik individu.(3.+ αnDn + β2X2it + …+ βnXnit + uit ………………. data panel mendasarkan diri pada observasicross – section yang berulang-ulang (time series). Kedua.... Ketiga. dan peningkatan derajat kebebasan (degree of freedom). Keempat. lebih variatif. random effect Yit = β1 + β2X2it + …+ βnXnit + εit + uit ………………. sehingga dapat diperoleh hasil estimasi yang lebih efisien. Kelima. Kemampuan mengontrol heterogenitas individu ini. data panel dapat digunakan untuk mempelajari model-model ..3) Pada dasarnya penggunaan metode data panel memiliki beberapa keunggulan.+ βnXnit + uit ……………….Yit = β1 + β2 + β3X3it +….(3.1) 1.(3. Keunggulan metode data panel seperti yang disebutkan oleh Wibisono (2005) adalah: pertama. tingginya jumlah observasi memiliki implikasi pada data yang lebih informatif. sehingga metode data panel cocok untuk digunakan sebagai study of dynamic adjusment. pada gilirannya menjadikan data panel dapat digunakan untuk menguji dan membangun model perilaku yang lebih kompleks.2) 1. kolinearitas antar variabel yang semakin berkurang. fixed effect Yit = α1 + α2D2 + ….

dalam teknik estimasi model regresi data panel. 2003:643): . 2005. sesuai apa yang ada dalam beberapa literatur yang digunakan dalam penelitian ini (Verbeek.perilaku yang kompleks. Untuk menentukan metode antara pooled least square dan fixed effect dengan menggunakan uji F sedangkan uji Hausman digunakan untuk memilih antara random effect atau fixed effect.4) Selain itu. data panel dapat meminimalisir bias yang mungkin ditimbulkan oleh agregasi data individu. Aulia. Dalam fixed effect. Keunggulan-keunggulan tersebut diatas memiliki implikasi pada tidak harus dilakukan pengujian asumsi klasik dalam model data panel. 2004:28): Yit = β1 + β2X2it + β3X3it + … + βnXnit + uit …………………(3. Pemilihan Model Estimasi dalam Data Panel Dari tiga pendekatan metode data panel. Wibisono. bentuk umum regresi data panel adalah (Aulia. terdapat uji F dan CHOW test dan uji Hausman. 2003. 2004). Keenam. 2000. Uji F dapat digunakan untuk memilih teknik dengan model pooled least square (PLS) atau model fixed effectdengan rumus sebagai berikut (Gujarati. Gujarati. dua pendekatan yang sering digunakan untuk mengestimasi model regresi dengan data panel adalah pendekatan fixed effect model dan pendekatan random effect model.

Sedangkan uji Hausman digunakan untuk memilih antara metode fixed effect atau metode random effect. Rumus untuk mendapatkan nilai Chi Square uji Hausman adalah: .( 3.5) Di mana: R2r = R2 model PLS R2ur = R2 model FEM m = jumlah restricted variabel n = jumlah sample k = jumlah variabel penjelas Hipotesis nol dari pada restricted F test adalah : H0 = Model Pooled Least Square (restricted) H1 = Model Fixed Effect (unrestricted) Dari rumus diatas. jika kita mendapatkan hasil nilai F hitung >F tabel pada tingkat keyakinan ( α ) tertentu maka kita menolak hipotesis H0 yang menyatakan kita harus memilih teknik PLS.………………. Uji Hausman didapatkan melalui command eviews yang terdapat pada direktori panel (Widarjono. 2005:272). sehingga kita menerima hipotesis H1 yang menyatakan kita harus menggunakan model Fixed Effect untuk teknik estimasi dalam penelitian ini..

dan Westinghouse (WEST). Misal dalam Gujarati (2003: 639)kita ingin mengetahui bagaimana investasi (Y) tergantung pada nilai perusahaan (X2) dan stok modal (X3). Data untuk tiap perusahaan dengan tiga variabel tersebut tersedia untuk periode 1935-1954. General Motor (GM). X2 dan X3 diperkirakan berhubungan positif terhadap Y. . U. Untuk keseluruhan terdapat 80 observasi. Contoh data panel dalam e-views.Matrix b_diff Matrix var_diff Matrix qform = b_fixed – b_random = cov_fixed – cov_random = @transpose(b_diff)*@inverse(var_diff)*b_diff Hipotesis nol dari pada uji Hausman adalah : H0 = random effect H1 = fixed effect Apabila Chi Sqare hitung > Chi Square tabel dan p-value signifikan maka H0 ditolak dan model fixed effectlebih tepat untuk digunakan ( Aulia.S. Untuk hal tersebut ada empat data perusahaan yaitu General Electric (GE). Steel (US). Maka ada empat cross-sectional units dan 20 time period. 2004:31).

Dibawah cross section identifiers kita isikan unit cross-section. GM. langkah-langkahnya adalah: Buka program Eviews. Untuk menganalisa fungsi investasi dari empat perusahaan tadi maka kita lakukan olah data dengan menggunakan perangkat Eviews. Apabila setiap unit cross-section memiliki observasi time series yang sama maka panel (data) disebut balanced panel. US. Selanjutnya pada direktori New Object pilih Pool dan Klik OK. Setelah Klik OK muncul Pool. Pada Workfile tersebut Klik Objects à New Object. Pada contoh empat perusahaan diatas memiliki bentukbalanced panel. kita dapat menulis fungsi investasi sebagai berikut: i menunjukkan unit cross-sectional kei dan t menunjukkan periode waktu i. Kita tulis GE. West sesuai dengan data yang ada dalam program excel. Jika masing-masing unit cross-section memiliki observasi time series yang tidak sama banyaknya maka panel disebut unbalanced panel. .Pooling atau combining semua 80 observasi. Klik File à New à Workfile Selanjutnya akan muncul Workfile baru.

fixed effect. Pada Intercept pilih none. Klik Procs à Estimate. Misal kita Klik Common à OK. Jika series diurutkan dalam kolom maka pilih In Columns. Setelah semua lengkap Klik OK. Kemudian kita cari file data panel yang telah disimpan sebelumnya. Maka tampilan pada Eviews akan tampak sebagai berikut: Pada Series order pilih sesuai dengan model penempatan data dalam program excel. maka pada lembar Workfile akan muncul tampilan berikut: Pada lembar Pool. Pada kolomExcel5 + sheet name kita tulis sesuai sheet lokasi data kita.Setelah itu masih tetap pada Pool. Klik Procs à Import Pool data. common. Kemudian muncul tampilan berikut: Ketik Y? pada dependent variabel. Berikutnya kita tulis Y? X2? X3? pada Ordinary and Pool series to read. X2? dan X3? ketik pada common coefficient. Maka estimasi pooled least square tampak sebagai berikut: . atau random effect. Pada Upper left data cell kita tulis C2 karena data yang kita tulis dimulai pada cell C2.

misalnya kita beri nama pls karena menunjukkan hasil estimasi pooled least square. Jika estimasi fixed effect kita beri nama fix. Pertama. Cari Program Eviews à Example Files à Data. Beri nama filenya misal lat2 lalu Klik OK. Cari Folder Eviews à folder Example files à folder cpr à Hausman. Pada Pool Klik Objects à Copy Object. Caranya Klik File à Save As. Kemudian Klik File à Open à Program. prg à Open . Pada Pool yang belum kita beri nama Klik Estimate dan langkahnya sama seperti semula. Workfile tersebut kita simpan dalam Eviews data. Estimasi Fixed effect akan muncul sebagai berikut: Dengan langkah yang sama kita beri nama Pool estimasi fixed effect dan random effect. kemudian estimasi random effect diberi nama ran maka padaWorkfile muncul ketiga Pool. Kemudian muncul dua Pool yang sama.Selanjutnya kita coba dengan model fixed efect. Hasilnya terlihat pada tampilan berikut: Jika kita ingin menjalankan program tes Hausman ada beberapa langkah yang harus dikalankan. Sekarang pada Intercept Klik fixed effect à OK. Beri nama salah satu Pool dengan Klik Name à Object Name.

ls(r) y? x2? x3? beta = ran.!nrow) Pada estimate random effects and store results: ran.1) matrix cov_fixed = @subextract(covar.\data\lat2 Pada estimate fixed effects and store results: fix. Command tersebut adalah : load.1.1.@cov Pada keep only slope coefficients: !nrow=@rows(beta) vector b_fixed = @subextract(beta.Maka muncul program Hausman seperti tampilan dibawah ini.@coefs matrix covar = fix.1.1.!nrow..@coefs . Pada program ada beberapa command yang harus disesuaikan menurut Workfile kita.!nrow.ls(f) y? x2? x3? vector beta = fix.

Y adalah PDRB perkapita. Pasuruan.2. Contoh data Panel berikutnya: Misalnya analisis konvergensi pertumbuhan ekonomi menurut Sala-i-Martin (1996) hipotesisnya adalah: Growthi. Probolinggo.2.@cov Pada keep only slope coefficients: !nrow=@rows(beta) vector b_gls = @subextract(beta.2. isi Program name or path sesuai dengan lokasi Workfile disimpan.!nrow.covar = ran. Jika sudah Klik OK Hasil tes Hausman akan muncul seperti di bawah ini.!nrow.t = a – β log(Yi.t. Konvergensi eksis apabila β > 0.1. Blitar. Madiun. Pada Run Program. Pada program Hausman Klik Run Setelah itu akan muncul tampilan seperti dibawah ini. Sekarang kita ingin mengetahui bagaimana konvergensi pertumbuhan ekonomi antara Kediri. Growth adalah pertumbuhan ekonomi yaitu log .1) matrix cov_gls = @subextract(covar.!nrow) Setelah itu. Surabaya selama tahun 2001-2005.t-1) + u i. Ada dua nilai yaitu chi-square dan nilai probabilitas. Mojokerto. Malang.

Data PDRB Perkapita (Y) untuk masing – masing wilayah tersebut selama tahun 20002004. blitar.t / Yi. probolinggo. Malang.madiun. Pada lembar pool. Blitar. ketik individu yang terdapat pada data yaitu kediri. malang. Probolinggo. Data yang digunakan adalah data 8 kota selama tahun 2001 hingga 2005. Start date 2001 dan End date 2005 kemudian klik OK. Kemudian muncul excel spreadsheet import.. Jika sudah Klik Procs à Import pool data (ASCII. Setelah memasukkan range data kemudian akan muncul workfile. Madiun. pasuruan. WK?) untuk mentransfer data dari excel ke program Eviews.(Yi. mojokerto. klik objects à new object. Pada Workfile range klik annualdan isi range data.t-1). Data yang dibutuhkan adalah pertumbuhan ekonomi (Growth) di wilayah Kediri. Pada workfile tersebut. pada new object pilih pool dan Klik OK. surabaya. Pada grup observations juga pilih sesuai . Langkah – langkah analisis data panel dengan menggunakan e-views: Pada jendela Eviews klik file à new à workfile. Pada series order pilih sesuai dengan bentuk penempatan series data pada excel. dan Surabaya selama tahun 2001-2005. Mojokerto. XLS. Pasuruan.

Misal kita pilih model pooled least square maka klik common pada intercept. Setelah muncul hasil estimasi pooled least square sekarang kita coba bagaimana hasil estimasi fixed effectdan random effect. Intercept dapat dipilih salah satu yakni none. Klik fixed effect jika ingin menggunakan model fixed effect dan klik random effect untuk estimasi dengan model random effect. Growth adalah dependent variable dan pdrb adalah independent variable menurut rumusan teori konvergensi. common. Klik OK. Agar estimasi pooled least square tetap muncul maka pada pool klik object à copy object kemudian akan muncul dua hasil estimasi pooled least square yang sama. . Ketik pdrb pada kolom common coefficient dan growth pada kolom dependent variable. Ketik nama series yaitu growth dan pdrb diikuti dengan tanda tanya (?) pada kolom ordinary and pool (specified with?) series to read. dan random effects. Klik procs à estimate dan muncul pooled estimation. Di salah satu pool kita klik name. Klik common untuk melakukan estimasi dalam model pooled least square. pada workfile akan muncul data growth dan pdrb untuk masing-masing individu. fixed effects. Melakukan estimasi masih dalam pool.bentuk data yang telah diketik dalam excel.

langkah selanjutnya membandingkan fixed effect dengan random effect menggunakan tes Hausman. Klik File à Save As. Selanjutnya simpan dalam Program file à Eviews à Example files à Data. dan random effect muncul dalam workfile dan kita dapat membandingkan hasilnya. fixed effect. Pada intercept klik fixed effect untuk mendapatkan estimasi fixed effect dan jangan lupa untuk memberi nama object (misalnya fix). Membuka program tes Hausman Klik File à Open à Program. Kemudian dengan langkah yang sama kita copy object lagi dan mendapatkan estimasi random effect. Supaya program Hausman dapat berjalan. Jika fixed effect menjadi pilihan. Beri nama filenya (misal lat1) dan Klik Save.Pada object name kita beri nama pls untuk estimasi pooled least square. Dari ketiga model kita uji mana yang paling baik untuk digunakan. Pada pool yang belum diberi nama klik estimate. kemudian kita beri nama (misalnya ran). Dengan cara ini model pooled least square. Pertama membandingkan pooled least square dengan fixed effect menggunakan restricted F test. . langkah pertama adalah menyimpan Workfile kita.

@coefs matrix covar = fix. Langkah – langkah command program Hausman sama seperti sebelumnya: load workfile load .@cov ‘ keep only slope coefficients !nrow=@rows(beta) vector b_fixed = @subextract(beta.ls(r) growth? log(pdrb?) ..!nrow) ‘ estimate random effects and store results ran.Pada Open.prg à Klik Open.!nrow.1.ls(f) growth? log(pdrb?) vector beta = fix.!nrow. Look in dalam folder cpr dalam program Eviews.1.\data\lat1 ‘ estimate fixed effects and store results fix.1) matrix cov_fixed = @subextract(covar.1. Klik Hausman.1.

beta = ran.@coefs covar = ran.!nrow) Kemudian Klik Run.@cov ‘ keep only slope coefficients !nrow=@rows(beta) vector b_gls = @subextract(beta.2. Hasilnya tampak seperti dibawah ini: .1.!nrow.!nrow.2.1) matrix cov_gls = @subextract(covar.2.

Sign up to vote on this title
UsefulNot useful