Menurut Hsiao (1992), keuntungan-keuntungan menggunakan analisis regresi data panel adalah:
- Memperoleh hasil estimasi yang lebih baik karena seiring dengan peningkatan jumlah observasi yang otomatis berimplikasi pada peningkatan derajat kebebasan (degree of freedom);
- Menghindari kesalahan penghilangan variable (omitted variable problem).
Menurut Baltagi (1995; hlm. 4-7), keuntungan-keuntungan menggunakan analisis regresi data panel antara lain:
- Mengatasi masalah heterogenitas individu (individual heterogeneity);
- Memberikan data yang lebih informatif, mengurangi masalah kolinieritas pada variable, mengatasi masalah penghilangan variabel (ommited variabel), dan menghasilkan degree of freedom yang lebih besar;
- Mempelajari perubahan yang bersifat dinamis (dynamics of adjustment);
- Dapat mengidentifikasi dan menghitung efek yang tidak dapat dilakukan pada analisis time series atau cross section murni;
- Dapat mengurangi bias dalam pengestimasian karena data cukup banyak.
Model regresi data panel yang umumnya digunakan terdapat tiga macam, yaitu:
- Commond Effects Model,
- Fixed Effects Model (Model Efek Tetap – MET), dan
- Random Effects Model (Model Efek Random – MER).
1. Commond Effects Model
Merupakan pendekatan model data panel yang paling sederhana karena hanya dengan mengkombinasikan data time series dan cross section dalam bentuk pool, dan menggunakan teknik kuadrat terkecil atau least square
untuk mengestimasi koefisiennya. Pada model ini tidak diperhatikan
dimensi waktu maupun individu, sehingga diasumsikan bahwa prilaku
individu tidak berbeda dalam berbagai kurun waktu.
Persamaan regresinya dapat dituliskan sebagai berikut:
untuk i = 1, 2, …, N dan t = 1, 2, …,T, dimana N adalah jumlah unit/individu cross section dan T adalah jumlah periode waktunya. Dari commond effects model ini akan dapat dihasilkan N+T persamaan, yaitu sebanyak T persamaan cross section dan sebanyak N persamaan time series.
untuk i = 1, 2, …, N dan t = 1, 2, …,T, dimana N adalah jumlah unit/individu cross section dan T adalah jumlah periode waktunya. Dari commond effects model ini akan dapat dihasilkan N+T persamaan, yaitu sebanyak T persamaan cross section dan sebanyak N persamaan time series.
2. Fixed Effects Model
Asumsi pembuatan model yang menghasilkan intersep konstan untuk
setiap individu (i) dan waktu (t) dianggap kurang realistik sehingga
dibutuhkan model yang lebih dapat menangkap perbedaan tersebut. Model
efek tetap (fixed effects), model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi model Fixed Effects
dengan intersep berbeda antar individu, maka digunakan teknik variable
dummy. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).
Persamaan regresinya adalah sebagai berikut:
untuk i = 1,2, …, N dan t = 1,2, …, T, dimana N adalah jumlah unit/individu cross section dan T adalah jumlah periode waktunya.
untuk i = 1,2, …, N dan t = 1,2, …, T, dimana N adalah jumlah unit/individu cross section dan T adalah jumlah periode waktunya.
3. Random Effects Model
Di dalam mengestimasi data panel dengan model Fixed Effects melalui teknik LSDV menunjukkan
ketidakpastian model yang digunakan. Untuk mengatasi masalah ini kita bisa menggunakan variabel residual yang dikenal sebagai model Random Effects.
Pada model ini, akan dipilih estimasi data panel dimana residual
mungkin saling berhubungan antar waktu dan antar individu. Oleh karena
itu, pada model ini diasumsikan bahwa ada perbedaan intersep untuk
setiap individu dan intersep tersebut merupakan variabel random atau
stokastik. Sehingga dalam model ini terdapat dua komponen residual,
yaitu residual secara menyeluruh, yang merupakan kombinasi time series dan cross section, dan residual secara individu yang merupakan karakteristik random dari observasi unit ke-i dan tetap sepanjang waktu.
Ada beberapa asumsi yang harus dipenuhi dalam model efek random. Secara matematis, asumsi tersebut terdiri dari:
Hal ini berarti bahwa komponen error tidak berkorelasi satu sama lain dan tidak ada autokorelasi antara cross section dan time series. metode OLS tidak bisa digunakan untuk mendapatkan estimator yang efisien. Metode yang tepat untuk mengestimasi model random effects adalah Generalized Least Squares (GLS) dengan asumsi homoskedastik dan tidak ada cross sectional correlation. GLS merupakan OLS dengan transformasi variabel yang memenuhi asumsi standar dari OLS.
Pemilihan Model Regresi Data Panel
Dari ketiga model yang telah dijelaskan sebelumnya, maka selanjutnya
akan ditentukan model yang paling tepat untuk mengestimasi parameter
regresi data panel. Secara informal, ada beberapa pertimbangan untuk
menentukan model estimasi terbaik dari ketiga model estimasi data panel
sebagaimana telah dijelaskan di atas. Nachrowi dan Usman (2006)
menyatakan bahwa jika data panel yang dimiliki mempunyai waktu (T) lebih
besar dibandingkan dengan jumlah individu (N) maka disarankan untuk
menggunakan model fixed effects, sedangkan apabila jumlah data
panel yang dimiliki mempunyai jumlah waktu (T) lebih kecil disbanding
jumlah individu (N) maka disarankan menggunakan model random effects.
Secara formal terdapat tiga pengujian yang digunakan untuk memilih model regresi data panel terbaik antara model commond effects, model fixed effects, atau model random effectss, yaitu uji F yang digunakan untuk memilih antara model commond effectss atau model fixed effects; uji Lagrange Multiplier (LM) untuk memilih antara model commond effects atau model random effects; dan uji Hausman untuk memilih antara model fixed effects atau model random effects. Adapun penjelasan mengenai ketiga pengujian tersebut di atas adalah sebagai berikut:
Pengujian Signifikansi Model Fixed Effects
Signifikansi model fixed effects dapat dilakukan dengan uji statistik F. Uji F digunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effects lebih baik dari model regresi data panel tanpa variabel dummy (common effects) dengan melihat residual sum of squares (RSS). Hipotesis nol (H0) yang digunakan adalah bahwa intersep dan slope adalah sama.
Adapun uji F statistiknya adalah sebagai berikut:
dengan n = jumlah individu; T = jumlah periode waktu; K = banyaknya parameter dalam model fixed effects; dan masing-masing merupakan residual sum of squares teknik tanpa variabel dummy dan teknik fixed effects dengan variabel dummy. Nilai statistik F akan mengikuti distribusi statistik F dengan derajat bebas (dof) sebesar/sebanyak n-1 untuk numerator dan sebesar nT-k untuk denumerator. Jika nilai statistik F lebih besar dari nilai F table pada tingkat signifikansi tertentu, maka hipotesis nol akan ditolak, yang berarti asumsi koefisien intersep dan slope adalah sama tidak berlaku, sehingga teknik regresi data panel dengan fixed effects lebih baik dari model regresi data panel tanpa variabel dummy atau common effects.
dengan n = jumlah individu; T = jumlah periode waktu; K = banyaknya parameter dalam model fixed effects; dan masing-masing merupakan residual sum of squares teknik tanpa variabel dummy dan teknik fixed effects dengan variabel dummy. Nilai statistik F akan mengikuti distribusi statistik F dengan derajat bebas (dof) sebesar/sebanyak n-1 untuk numerator dan sebesar nT-k untuk denumerator. Jika nilai statistik F lebih besar dari nilai F table pada tingkat signifikansi tertentu, maka hipotesis nol akan ditolak, yang berarti asumsi koefisien intersep dan slope adalah sama tidak berlaku, sehingga teknik regresi data panel dengan fixed effects lebih baik dari model regresi data panel tanpa variabel dummy atau common effects.
Pengujian Signifikansi Model Random Effects
Untuk mengetahui apakah model Random Effects lebih baik daripada model common effects maka dapat menggunakan uji Lagrange Multiplier (LM) yang dikembangkan oleh Bruesch-Pagan. Pengujian ini didasarkan pada nilai residual dari model common effects.Hipoesis
yang diajukan adalah intersep bukan merupakan variabel random atau
stokastik. Dengan kata lain varian dari residual pada persamaan (3-3)
bernilai nol.
Adapun nilai statistik LM dihitung berdasarkan formula sebagai berikut:
di mana n = jumlah individu; T = jumlah periode waktu dan adalah residual metode common effects (OLS). Uji LM ini didasarkan pada distribusi chi-square dengan derajat bebas sebesar 1. Jika hasil statistik LM lebih besar dari nilai kritis statistik chi-square, maka hipotesis nol akan ditolak, yang berarti estimasi yang tepat untuk regresi data panel adalah metode random effects daripada metode common effects.
di mana n = jumlah individu; T = jumlah periode waktu dan adalah residual metode common effects (OLS). Uji LM ini didasarkan pada distribusi chi-square dengan derajat bebas sebesar 1. Jika hasil statistik LM lebih besar dari nilai kritis statistik chi-square, maka hipotesis nol akan ditolak, yang berarti estimasi yang tepat untuk regresi data panel adalah metode random effects daripada metode common effects.
Pengujian Signifikansi Model Fixed Effects atau Model Random Effects
Untuk mengetahui apakah model fixed effect lebih baik dari model random effect, digunakan uji Hausman. Dengan mengikuti kriteria Wald, nilai statistik Hausman ini akan mengikuti distribusi chi-square sebagai berikut:
Statistik uji Hausman ini mengikuti disribusi statistik chi-square dengan derajat bebas sebanyak jumlah variabel independen (p). Hipotesis nol ditolak jika nilai statistik Hausman lebih besar daripada nilai kritis statistik chi-square . Hal ini berarti bahwa model yang tepat untuk regresi data panel adalah model Fixed Effects daripada model Random Effects.
Statistik uji Hausman ini mengikuti disribusi statistik chi-square dengan derajat bebas sebanyak jumlah variabel independen (p). Hipotesis nol ditolak jika nilai statistik Hausman lebih besar daripada nilai kritis statistik chi-square . Hal ini berarti bahwa model yang tepat untuk regresi data panel adalah model Fixed Effects daripada model Random Effects.
Pemilihan Model Estimator Terbaik dari Model Regresi Data Panel Terpilih
Untuk mendapatkan estimator terbaik dari model regresi data panel
terpilih, dilakukan pengujian terhadap struktur kovarians dari residual
model terpilih. Terdapat beberapa metode yang sesuai dengan asumsi pada
stuktur varians-covarians tersebut, yaitu struktur homoskedastik, asumsi
struktur heteroskedastik dan tidak ada korelasi antar individu (cross sectional correlation), asumsi heteroskedastik dan ada cross sectional correlation (Seemingly Uncorrelated Regression/SUR), dan asumsi adanya autokorelasi antar waktu pada error term.
Pemilihan Estimator Asumsi Homoskedastis atau Heteroskedastis
Pada pengujian ini, hipotesis nol (H0) yang digunakan
adalah bahwa struktur varians-covarians residual bersifat homoskedastik.
Sementara hipotesis alternatifnya adalah struktur varians-covarians
residual bersifat heteroskedastik. Secara matematis, statistik uji yang
digunakan dapat dirumuskan sebagai berikut:
di mana T adalah jumlah observasi, n adalah jumlah individu, sigma kuadrat i adalah varians residual persamaan ke-i pada kondisi homoskedastik, dan sigma kuadrat adalah sum square residual persamaan systempada kondisi homoskedasik.Statistik uji LM ini mengikuti distribusi statistik chi-square dengan derajat bebas sebanyak n-1. Jika nilai statistik LM lebih besar dari nilai kritis statistik chi-square, maka hipotesis nol akan ditolak, yang berarti struktur varians-covarians residual bersifat homoskedastik. Prosedur yang digunakan dalam pengolahan dengan Eviews adalah no-weight.
di mana T adalah jumlah observasi, n adalah jumlah individu, sigma kuadrat i adalah varians residual persamaan ke-i pada kondisi homoskedastik, dan sigma kuadrat adalah sum square residual persamaan systempada kondisi homoskedasik.Statistik uji LM ini mengikuti distribusi statistik chi-square dengan derajat bebas sebanyak n-1. Jika nilai statistik LM lebih besar dari nilai kritis statistik chi-square, maka hipotesis nol akan ditolak, yang berarti struktur varians-covarians residual bersifat homoskedastik. Prosedur yang digunakan dalam pengolahan dengan Eviews adalah no-weight.
Pemilihan Estimator Asumsi Heteroskedastis Tanpa Korelasi Antar Individu atau Heteroskedastis Ada Korelasi Antar Individu.
Pengujian ini dilakukan apabila hasil pengujian LM pada poin (a)
menunjukkan bahwa struktur varians-covarians residual bersifat
heteroskedastik. Pada pengujian ini, hipotesis nol (H0) yang
digunakan adalah bahwa struktur varians-kovarians residual bersifat
heteroskedastik dan tidak ada korelasi antar individu (non cross sectional correlation). Sementara hipotesis alternatifnya (H1) adalah bahwa struktur varians-kovarians residual bersifat heteroskedastik dan ada ada korelasi antar individu (cross sectional correlation) atau Seemingly Uncorrelated Regression/SUR.
Secara sistematis, statistik uji yang digunakan dapat dirumuskan sebagai berikut:
dimana r-square adalah residual correlation coefficient. Statistik uji ini mengikuti distribusi statistik chi-square dengan derajat bebas sebanyak n(n-1)/2. Jika nilai statistik observasi lebih besar dari nilai kritis statistik chi-square, maka hipotesis nol akan ditolak, yang berarti struktur varian-kovarians residual bersifat heteroskedastik dan ada korelasi antar individu (cross sectional correlation) atau Seemingly Uncorrelated Regression/SUR. Dengan demikian prosedur yang digunakan dalam Eviews adalah cross-section SUR sedangkan jika hipotesis nol tidak ditolak, prosedur yang digunakan adalah cross-section weights.
dimana r-square adalah residual correlation coefficient. Statistik uji ini mengikuti distribusi statistik chi-square dengan derajat bebas sebanyak n(n-1)/2. Jika nilai statistik observasi lebih besar dari nilai kritis statistik chi-square, maka hipotesis nol akan ditolak, yang berarti struktur varian-kovarians residual bersifat heteroskedastik dan ada korelasi antar individu (cross sectional correlation) atau Seemingly Uncorrelated Regression/SUR. Dengan demikian prosedur yang digunakan dalam Eviews adalah cross-section SUR sedangkan jika hipotesis nol tidak ditolak, prosedur yang digunakan adalah cross-section weights.
Untuk mengestimasi parameter dalam model dapat menggunakan bantuan software EViews 6.0
Semoga bermanfaat d(^.^)b
Sumber:
Dapat dilihat disini
Regression Panel Data In R Software Portable
BalasHapushttp://bit.ly/GuideSR