Data Panel Teori Dasar Dan Aplikasi Di Stata PDF

14/06/2012
Outline
I. Pengenalan Data Panel
1. Kuadrat Terkecil (Pooled Least Square)
2. Efek Tetap (Fixed Effect)
DATA PANEL : TEORI DASAR 3. Efek Acak (Random Effect)
DAN APLIKASI DI STATA II. Pemilihan Metode Estimasi dalam Panel Data
1. Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Tetap (Fixed Effect)
2. Pemilihan Efek Tetap (Fixed Effect) atau Efek Acak (Random Effect)
3. Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Acak (Random Effect)
III. Evaluasi Hasil Regresi Data Panel

1. Kriteria Teori
Oleh : Akbar Suwardi 2. Kriteria Statistik

a. Uji signifikansi serentak (F-Test).
b. Uji Signifikansi parsial (t-test).
Pelatihan STATA 3.
c. Uji Goodness of Fit.
Kriteria Ekonometrika
Dept. Ilmu Ekonomi Universitas Indonesia a. Bebas dari Multikolinearitas
(2012) b. Bebas dari Heteroskedastisitas

c. Bebas dari Autokorelasi
akbarsuwardi.blogspot.com||
IV. Exercise
14/06/2012 2
scibd.com/akbar_suwardi
I. Pengenalan Data Panel I. Pengenalan Data Panel

Gunakan data
Data dibagi menjadi dua garis besar yaitu Plt-stata.dta
time-series dan cross-section. Gabungan Data dari Buku Gujarati (2003)
antara dua itu adalah data panel. Atau
dapat dikatakan,
dikatakan data panel merupakan Lakukan Set Panel Data
data yang memiliki cross-sectional unit yang Xtset individu time, year
sama (contohnya survey data keluarga atau Panel variable: individu (strongly balanced)
perusahaan) dan dilakukan setiap waktu. Time variable: time, 1935 to 1954
Delta: 1 year
(Gujarati, 2003)
akbarsuwardi.blogspot.com|| akbarsuwardi.blogspot.com||
14/06/2012 3 14/06/2012 4
scibd.com/akbar_suwardi scibd.com/akbar_suwardi

xtline y
Mengenal data Panel
GE GM
1500
. xtsum y x2 x3
1000
Variable | Mean Std. Dev. Min Max | Observations

-----------------+--------------------------------------------+----------------
500
y overall | 290.9154 284.8528 12.93 1486.7 | N = 80

between | 265
265.7954
7954 42
42.8915
8915 608
608.02
02 | n = 4
within | 165.786 -59.40462 1169.595 | T = 20
0
| |
Y
US WEST
1500
x2 overall | 2229.428 1429.965 191.5 6241.7 | N = 80

between | 1527.907 671.36 4333.35 | n = 4
1000
within | 521.3062 688.2774 4137.778 | T = 20

| |
500
x3 overall | 358.51 398.2685 .8 2226.3 | N = 80

between | 233.5919 85.64 648.435 | n = 4
within | 342.3096 -287.125 1936.375 | T = 20
0
1935 1940 1945 1950 19551935 1940 1945 1950 1955

Time
Graphs by Id
14/06/2012 5 14/06/2012 6
akbarsuwardi/blogspot.com||scribd.com/akbar_suwardi
1
14/06/2012

xtline y, overlay
Manfaat dari penggunaan data panel antara
lain:
1. Estimasi data panel dapat mengambil heterogenitas
1500
dalam individu secara eksplisit ke dalam model

atau persamaan
1000
2. Memberikan data yang

y g lebih informatif,,
variabilitas, serta collinearity yang lemah antar
Y
variabel.
500
3. Sesuai untuk mempelajari dinamika perubahan

(dynamics of change) kebebasan lebih banyak dan
0
1935 1940 1945

Time
1950 1955 efisien.
GE GM 4. Dapat memperkaya analisis empiris dengan cara-
US WEST
cara yang tidak mungkin menggunakan data time-
series atau cross-section
14/06/2012 7 14/06/2012 8
I. Pengenalan Data Panel I. Pengenalan Data Panel

Baltagi (1982) memformulasikan model umum persamaan Sebagian besar aplikasi data panel menggunakan
regresi panel data sebagai berikut: model one-way error component untuk error-nya,
dapat dirumuskan sebagai berikut:
yit = +
xit + uit
uit = i + vit
Dimana: Dimana i merupakan simbol untuk efek
i = 1, 2, , N (Simbol untuk individu, perusahaan, dll cross-section)
t = 1, 2, , T (Simbol untuk waktu time-series)
karakteristik individu yang tidak terobservasi
= koefisien slope (individual-specific effect) dan vit merupakan simbol
= koefisien konstanta untuk remainder disturbance.
Yit = variabel dependen untuk unit individu ke-i dan unit waktu ke-t
Xit = variabel independen untuk unit individu ke-i dan unit waktu ke-t
14/06/2012 9 14/06/2012 10
I.1. Kuadrat Terkecil I.1. Kuadrat Terkecil

(Pooled Least Square) (Pooled Least Square)
Pendekatan yang paling sederhana dalam . reg y x2 x3
pengolahan data panel adalah dengan Source | SS df MS

-------------+------------------------------
Number of obs
F( 2, 77)
=
=
80
119.63
menggunakan metode kuadrat terkecil biasa atau Model | 4849457.37

Residual | 1560689.67
2 2424728.69
77 20268.697
Prob > F
R-squared
=
=
0.0000
0.7565
sering disebut Pooled Least Square (PLS) yang -------------+------------------------------

Total | 6410147.04 79 81141.1018
Adj R-squared
Root MSE
=
=
0.7502
142.37
d
diterapkan
k dalam
d l d
data yang berbentuk
b b k pooll
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
Yit = + Xit + it untuk i = 1, 2, . . . , N -------------+----------------------------------------------------------------
x2 | .1100955 .0137297 8.02 0.000 .0827563 .1374348
dan t = 1, 2, . . ., T x3 | .3033932
_cons | -63.30413
.0492957
29.6142
6.15
-2.14
0.000
0.036
.2052328
-122.2735
.4015535
-4.334734
------------------------------------------------------------------------------
Yi1 = + Xi1 + i1 untuk i = 1, 2, . . . , N
14/06/2012 11 14/06/2012 12
2
14/06/2012
I.1. Kuadrat Terkecil

I. 2. Efek Tetap (Fixed Effect)
(Pooled Least Square) Intercept mungkin berbeda antar individu,
Kritikan oleh Gujarati (2003) bahwa namun intercept setiap individu tersebut tidak
metode PLS menawarkan kemudahan, bervariasi sepanjang waktu (time invariant)
tetapi model dapat mendistorsi gambaran
yang sebenarnya dari hubungan antara Y Yit = i + 1 X1it +2 X2it + eit
dan X di observasi tersebut.
Apa yang perlu lakukan adalah Intercept sebagai it, ini berarti intercept setiap
individu adalah time variant. Selain itu,
menemukan beberapa cara untuk seperti terlihat pada persamaan diatas, FEM
mempertimbangkan sifat spesifik mengasumsikan bahwa koefisien dari
(karakteristik) dari setiap individu. regresor tidak bervariasi baik antar waktu
maupun antar individu.
14/06/2012 13 14/06/2012 14
I. 2. Efek Tetap (Fixed Effect) I. 2. Efek Tetap (Fixed Effect)
Pendekatan dengan memasukkan variabel Yang harus di perhatikan pada penggunaan

boneka sebagai salah satu cara dalam model efek tetap (LSDV) Gujarati (2003):
menerapkan model efek tetap (fixed effect) 1. Jika menggunakan variabel dummy terlalu
atau Least Square Dummy Variable (LSDV) banyak, dapat mengurangi degrees of freedom.
atau disebut juga Covariance Model 2. Dengan begitu banyak variabel dalam
model, selalu ada kemungkinan
multikolinearitas, yang mungkin membuat
perkiraan sulit tepat dari satu atau lebih
parameter.
14/06/2012 15 14/06/2012 16
I. 2. Efek Tetap (Fixed Effect) I. 2. Efek Tetap (Fixed Effect)

. xtreg y x2 x3, fe
3. Misalkan di FEM juga meliputi variabel Fixed-effects (within) regression

Group variable: individu
Number of obs
Number of groups
=
=
80
4
seperti jenis kelamin, warna, dan etnis yang
time-invariant (karena seks, warna individu,
R-sq: within = 0.8068 Obs per group: min = 20
between = 0.7304 avg = 20.0
atau etnis tidak berubah dari waktu ke overall = 0.7554 max = 20
waktu),), p pendekatan LSDV tidak dapat p F(2,74) = 154.53
mengestimasi persamaan FEM tersebut.

corr(u_i,
( i Xb) = -0.1001
0 1001 P
Prob
b > F = 0
0.0000
0000
------------------------------------------------------------------------------
Hal ini dikarenakan LSDV tidak dapat y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
mengidentifikasi dampak variabel time-

-------------+----------------------------------------------------------------
x2 | .1079481 .0175089 6.17 0.000 .0730608 .1428354
invariant. x3 | .3461617
_cons | -73.84946
.0266645
37.52291
12.98
-1.97
0.000
0.053
.2930315
-148.6155
.3992918
.9165759
4. Penulis harus berpikir hati-hati tentang error -------------+----------------------------------------------------------------

sigma_u | 139.05116
term (uit). sigma_e | 75.288894
rho | .77329633 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(3, 74) = 67.11 Prob > F = 0.0000
14/06/2012 17 14/06/2012 18
3
14/06/2012
I. 3. Efek Acak (Random Effect) I. 3. Efek Acak (Random Effect)

Ide dasar Random Effect (REM) dapat dimulai dari persamaan
Menurut Gujarati (2003), jika dummy variables berikut ini:
adalah untuk merepresentasikan
ketidaktahuan tentang model yang sebenarnya, Yit = i + 1 X1it +2 X2it + uit
p
dapat menggunakan
gg disturbance term untuk Assume i fixed konstanta adalah variabel acak dengan nilai
merepresentasikan ketidaktahuan tentang rata-rata .
Nilai konstanta untuk masing-masing unit cross-section dapat
model yang sebenarnya. dituliskan sebagai berikut:
i = + ii = 1, 2, ..., N
Hal ini dikenal sebagai model efek acak
dimana i adalah random error term dengan nilai rata-rata
(random effect model atau REM). adalah nol dan variasi adalah 2 (konstan)
14/06/2012 19 14/06/2012 20
I. 3. Efek Acak (Random Effect) I. 3. Efek Acak (Random Effect)

Secara esensial, semua individu yang masuk ke dalam sampel
diambil dari populasi yang lebih besar dan mereka memiliki nilai Asumsi REM, Gujarati (2003):
rata-rata yang sama untuk intercept () dan perbedaan individual
dalam nilai intercept setiap individu akan direfleksikan dalam 1. i~N (0, 2 )
error term ( ui). 2. uit ~N (0, 2u)
Dengan demikian persamaan REM awal dapat dituliskan
3. E( i, uit) = 0 E( i j) (i j)
kembali menjadi: 4. E(uit uis) = E(uit ujt) = E(uit ujs) = 0 (i j ; t s)
Yit = i + 1 X1it +2 X2it + i+ uit
Yit = i + 1 X1it +2 X2it + wit Individual error components tidak berkoleralasi
dengan individu lainnya
Dimana Tidak ada autocorrelated across individu (unit)
antara cross-section dan time-series.
wit = i + uit
14/06/2012 21 14/06/2012 22
I. 3. Efek Acak (Random Effect) Ringkasan: FE, RE, dan OLS

Untuk membandingkan ketiganya, terlebih dulu menyimpan hasil regresi
. xtreg y x2 x3 masing-masing metode dengan command : estimates store (nama)
Random-effects GLS regression Number of obs = 80
Group variable: individu Number of groups = 4 . estimates store fe
. estimates store re
R-sq: within = 0.8068 Obs per group: min = 20 . estimates store ols
between = 0.7303 avg = 20.0 . estimates table fe re ols, star stats(N r2 r2_a)
overall = 0.7554 max = 20
--------------------------------------------------------------
Random effects u_i ~ Gaussian Wald chi2(2) = 317.79 Variable | fe re ols
corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 -------------+------------------------------------------------
x2 | .10794807*** .10765546*** .11009554***
------------------------------------------------------------------------------ x3 | .34616168*** .34571038*** .30339316***
y | Coef. Std. Err. z P>|z| [95% Conf. Interval] _cons | -73.849456 -73.035291 -63.304134*
-------------+---------------------------------------------------------------- -------------+------------------------------------------------
x2 | .1076555 .0168169 6.40 0.000 .0746949 .140616 N | 80 80 80
x3 | .3457104 .0265451 13.02 0.000 .2936829 .3977378 r2 | .80681613 .75652826
_cons | -73.03529 83.94957 -0.87 0.384 -237.5734 91.50284 r2_a | .79376317 .75020432
-------------+---------------------------------------------------------------- --------------------------------------------------------------
sigma_u | 152.15823 legend: * p<0.05; ** p<0.01; *** p<0.001
sigma_e | 75.288894
------------------------------------------------------------------------------
14/06/2012 23 14/06/2012 24
4
14/06/2012
II. Pemilihan Metode Estimasi II. 1. Pooled Least Square VS Fixed

dalam Panel Data Effect
Chow Test
( RRSS URSS ) /( N 1)
CHOW =
URSS /( NT N K )
Dimana
RRSS = Restricted Residual Sum Square

(Merupakan Sum of Square Residual yang diperoleh dari estimasi
data panel dengan metode pooled least squareatau common intercept)
URSS = Unrestricted Residual Sum Square
(Merupakan Sum of Square Residual yang diperoleh dari estimasi
data panel dengan metode fixed effect)
N= Jumlah data cross-section
Para ekonom sepakat bahwa tidak ada pendekatan yang lebih T= Jumlah data time-series
diunggulkan, karena penggunaan pendekatan itu tergantung dari K=Jumlah variabel penjelas
karakteristik data dan tujuan yang teliti.
14/06/2012 25 14/06/2012 26
II. 1. Pooled Least Square VS Fixed II. 1. Pooled Least Square VS Fixed
Effect Effect
Restricted F-test Chow Test dan Restricted F-test untuk menguji hipotesis:
H0: Pooled Least SquareModel (Restricted)
F = (R2UR R2R) / m H1: Fixed Effect Model (Unrestricted)
Kriteria :
(1-
( R2UR ) / dff Tolak H0 jika nilai F hitung > F tabel, atau
Nilai Prob F < (Nilai = 1 persen, 5 persen, atau 10
Dimana persen)
Restricted R2 didapat dari persamaan PLS Contoh: Jika nilai restricted F-test hasil pengujian (F
hitung) lebih besar dari F Tabel, maka cukup bukti
Unrestricted R2 dari persamaan FEM bagi penulis untuk melakukan penolakan terhadap
hipotesis nol sehingga model yang digunakan adalah
m adalah jumlah restriksi: banyaknya variabel model Fixed EffectModel (Unrestricted).
independen
14/06/2012 27 14/06/2012 28
II. 1. Pooled Least Square VS Fixed II. 2. Fixed Effect VS Random

Effect Effect
Restricted F-test
. xtreg y x2 x3, fe Hal yang perlu diperhatikan:
Fixed-effects (within) regression
Group variable: individu
Number of obs
Number of groups
=
=
80
4 1. Asumsi yang dibuat tentang korelasi antara
R-sq: within = 0.8068
between = 0.7304
Obs per group: min =
avg =
20
20.0
cross-section error component (ui) dan regressor X
Jika diasumsikan bahwa ui dan regresor X
adalah uncorrelated, maka REM lebih tepat.
F(2,74) = 154.53
corr(u_i, Xb) = -0.1001 Prob > F = 0.0000
2. sampel penelitian
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x2 |
x3 |
.1079481
.3461617
.0175089
.0266645
6.17
12.98
0.000
0.000
.0730608
.2930315
.1428354
.3992918 REM mengasumsikan bahwa ui adalah error
yang diambil secara random dari populasi yang
_cons | -73.84946 37.52291 -1.97 0.053 -148.6155 .9165759
-------------+----------------------------------------------------------------
sigma_u | 139.05116
sigma_e | 75.288894
jauh lebih besar, tetapi seringkali hal ini tidak
------------------------------------------------------------------------------
F test that all u_i=0: F(3, 74) = 67.11 Prob > F = 0.0000 dapat dipenuhi.
14/06/2012 29 14/06/2012 30
5
14/06/2012
II. 2. Fixed Effect VS Random II. 2. Fixed Effect VS Random

Effect Effect
Gujarati (2003) menyatakan terdapat Bila N besar dan T kecil, maka hasil estimasi
beberapa pertimbangan teknis dan empiris kedua pendekatan dapat berbeda secara
yang dapat dijadikan panduan untuk signifikan. Jadi, apabila meyakini bahwa unit
memilih antara fixed effect atau random effect cross-section yang pilih dalam penelitian
yaitu: d
diambil
b l secara acak k (random)
( d ) maka k REM
Bila T (jumlah unit time-series) besar harus digunakan. Sebaliknya, apabila
sedangkan N (jumlah unit cross-section) kecil, meyakini bahwa unit cross-section yang pilih
maka hasil FEM dan REM tidak jauh berbeda. dalam penelitian tidak diambil secara acak
Dalam hal ini pilihan umumnya akan maka harus menggunakan FEM.
didasarkan pada kenyamanan penghitungan,
yaitu FEM.
14/06/2012 31 14/06/2012 32

Effect Effect
Apabila cross-section error component (i)
berkorelasi dengan variabel bebas X maka FEM: setiap unit cross-section memiliki
parameter yang diperoleh dengan REM akan nilai intercept tersendiri yang fixed.
bias sementara parameter yang diperoleh REM: intercept merepresentasikan nilai
dengan FEM tidak bias.
bias
rata-rata dari
d i seluruh
l h cross-sectional
i l
intercept dan error components (ui)
Apabila N besar dan T kecil, dan apabila merepresentasikan deviasi acak intercept
asumsi yang mendasari REM dapat
terpenuhi, maka REM lebih efisien individu dari nilai intercept rata-rata. Perlu
dibandingkan FEM. untuk diingat bahwa ui tidak secara
langsung diobservasi, ui adalah
unobservable variable.
14/06/2012 33 14/06/2012 34

Effect Effect: Hausman test
Hipotesis:
Katagori FE RE
Functional form
H0: Random Effects Model
H1: Fixed Effects Model
Bervariasiantarindividu
Intercepts
dan/atauwaktu
Konstan Menggunakan nilai distribusi Chi-Square Statistics (2)
dengan dirumuskan sebagai berikut:
Errorvariance Konstan
Bervarisasiantarindividuatau H = (c e) (Vc- Vc)-1 (c e)
waktu
Dimana :
Slopes Konstan Konstan c = Koefisien vektor dari estimator konsisten
Estimation LSDV,withineffectmethod GLS,FGLS e = Koefisien vektor dari estimator effisien
Hypothesistest IncrementalFtest BGLMtest
Vc = Kovarian matrix pada estimator konsisten
Vc = Kovarian matrix pada estimator effisien
14/06/2012 35 14/06/2012 36
6
14/06/2012

Effect: Hausman test Effect: Hausman test
Kriteria penolakan H0:
. quietly xtreg y x2 x3, fe
. estimates store fe
. quietly xtreg y x2 x3, re
. estimates store re
. hausman fe re
Tolak H0 jika nilai Chi-Square Statistics (2) |

---- Coefficients ----
(b) (B) (b-B) sqrt(diag(V_b-V_B))
hitung > Chi-Square
Chi Square Statistics (2) tabel,
tabel atau | fe re Difference S
S.E.
E
-------------+----------------------------------------------------------------
x2 | .1079481 .1076555 .0002926 .0048738
x3 | .3461617 .3457104 .0004513 .0025204
------------------------------------------------------------------------------
Nilai Prob Chi-Square Statistics (2) < (Nilai b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg
= 1 persen, 5 persen, atau 10 persen). Test: Ho: difference in coefficients not systematic
chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 0.07
Prob>chi2 = 0.9678
14/06/2012 37 14/06/2012 38
II. 3. Pooled Least Square VS II. 3. Pooled Least Square VS

Random Effect Random Effect
Awal mulanya dengan model panel data seperti ini: Langarange Multiplier Test (LM Test) oleh Brusch
yit = + xit + uit dan Pagan (1980)
Hipotesis:
Dilakukan estimasi dengan menggunakan PLS model, lalu H0: Pooled Least Square Model
menghitung nilai Langarange Multiplier Test (LM) H1: Random Effects
ff Model
Menggunakan nilai distribusi Chi-Square Statistics
(2)
Kriteria penolakan H0:
Sedangkan nilai A1 didapat dari rumus berikut: Tolak H0 jika nilai Chi-Square Statistics (2) hitung
>Chi-Square Statistics (2) tabel, atau
Nilai Prob Chi-Square Statistics (2) < (Nilai = 1
persen, 5 persen, atau 10 persen)
14/06/2012 39 14/06/2012 40
II. 3. Pooled Least Square VS

III. Teori Evaluasi Hasil Regresi
Random Effect
Lakukan pengujian LM test tepat setelah melakukan estimasi dengan REM Mengapa penting???
. xtreg y x2 x3, re Agar koefisien yang didapatkan efisien serta unbiased.
. xttest0
Breusch and Pagan Lagrangian multiplier test for random effects Oleh karena itu kriteria teori, kriteria statistik, dan kriteria
y[individu,t] = Xb + u[individu] + e[individu,t] ekonometrika harus dilakukan.
Estimated results:
| Var sd = sqrt(Var) Menurut Baltagi (1981), dasar pembentukkan model panel masih
---------+----------------------------- menggunakan Least Square. Oleh karena itu, dalam mengevaluasi hasil
y | 81141.1 284.8528
e | 5668.418 75.28889 model persamaan simultan-panel dapat dilakukan melalui pendekatan
u | 23152.13 152.1582 Least Square.
Test: Var(u) = 0
chi2(1) = 379.08 Khusus Random Effects Model (REM) metode yang dipakai adalah GLS
Prob > chi2 = 0.0000 regression. Jadi tidak perlu lagi untuk melakukan pengujian
Heteroskedastisitas dan Autokolerasi
14/06/2012 41 14/06/2012 42
7
14/06/2012
III.1. Kriteria Ekonomi atau Teori III.2. Kriteria Statistik

Dapat dilihat dari beberapa indikator: A. Uji signifikansi serentak (F-Test)
Uji ini untuk melihat secara global, apakah
Slope
semua variable independent secara bersama-
Arah
sama mempengaruhi variable dependent.
Signifikansi
Hipotesis:
Apakah sudah sesuai dengan teori? H0 : 0 = 1 = 2 = 3 = 4 = .. = k = 0
H1 : 0 1 2 3 4 .. = k 0
Tidak? ada kemungkinan data, variabel, dan spesifikasi model Hipotesis nol akan ditolak jika nilai F-
yang digunakan dalam regresi salah. statistik > nilai F tabel atau bila (Prob > F) <.
Jika nilai dari (Prob > F) = 0 berarti (Prob > F)
< (0.05),
14/06/2012 43 14/06/2012 44
III.2. Kriteria Statistik III.2. Kriteria Statistik

B. Uji Signifikansi Parsial (t-test). C. Uji Goodness of Fit.
Uji ini untuk melihat secara parsial atau
pervariabel, apakah masing-masing Untuk mengukur seberapa besar variasi
independent variable secara signifikan dari nilai variabel dependen dapat
berpengaruh terhadap dependent variable.
variable dijelaskan oleh variasi nilai dari variabel
Hipotesis: independen.
H0 : k = 0
H1 : k 0 Caranya? Lihat R-squared dari hasil regresi
Hipotesis nol akan ditolak bila (P>|t|)< estimasi.
atau nilai t-stat > nilai kritis t-tabel.
14/06/2012 45 14/06/2012 46
III.2. Kriteria Statistik III.3. Kriteria Ekonometrika

. xtreg y x2 x3, fe
Fixed-effects (within) regression Number of obs = 80 1. Bebas dari Multikolinearitas

Group variable: individu Number of groups = 4
Yaitu kondisi antar variabel independen
R-sq: within = 0.8068
between = 0.7304
Obs per group: min =
avg =
20
20.0 memiliki hubungan yang lebih dari rule of
thumb.
corr(u_i, Xb) = -0.1001
F(2,74)
( , )
Prob > F
=
=
154.53
0.0000 Meskipun hasil masih BLUE, BLUE namun
------------------------------------------------------------------------------
memiliki variasi dan kovariasi yang besar
y | Coef. Std. Err. t P>|t| [95% Conf. Interval] sehingga membuat nilai dari estimasi sulit
-------------+----------------------------------------------------------------
x2 | .1079481 .0175089 6.17 0.000 .0730608 .1428354 untuk sangat tepat
Cara Deteksi: Tolerance and variance inflation
x3 | .3461617 .0266645 12.98 0.000 .2930315 .3992918
_cons | -73.84946 37.52291 -1.97 0.053 -148.6155 .9165759
-------------+----------------------------------------------------------------
sigma_u | 139.05116 factor (VIF) dan Tes partial correlations
sigma_e | 75.288894
rho | .77329633 (fraction of variance due to u_i) Mengatasi: Transformasi, tambah variabel,
------------------------------------------------------------------------------
F test that all u_i=0: F(3, 74) = 67.11
Prob > F = 0.0000
tambah data akbarsuwardi.blogspot.com||
14/06/2012 47 14/06/2012 48
8
14/06/2012
III.3. Kriteria Ekonometrika III.3. Kriteria Ekonometrika

. corr y x2 x3 VIF dilakukan setelah melakukan regresi dengan PLS
(obs=80) . reg y x2 x3
. vif
| y x2 x3 Variable | VIF 1/VIF
-------------+---------------------------
+ -------------+----------------------
+
y | 1.0000 x2 | 1.50 0.665623
x3 | 1.50 0.665623
x2 | 0.7980 1.0000 -------------+----------------------
x3 | 0.7438 0.5783 1.0000 Mean VIF | 1.50
Diindikasikan multikolinearitas tinggi jika nilainya lebih Diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari
10
dari 0.75
14/06/2012 49 14/06/2012 50

VIF dilakukan setelah melakukan regresi dengan FE atau RE 2. Bebas dari Heteroskedastisitas
. xreg y x2 x3, fe Salah satu asumsi yang sangat penting pada
. vif, uncentered Ordinary Least Square (OLS) adalah nilai error (ui)
homoskedastisitas.
Variable | VIF 1/VIF
-------------+----------------------
+
Ketika terjadi
j heteroskedastisitas estimasi OLS
x2 | 2.74 0.365614 akan unbiased karena hasil estimator akan
x3 | 2.74 0.365614 mempunyai pergerakan error yang berpola.
-------------+---------------------- Karena estimasi yang dibuat oleh OLS tersebut
Mean VIF | 2.74 tidak lagi memiliki variasi minimum dan efisien
maka tidak lagi BLUE.
Diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari Cara Deteksi: Modified Wald test
10
Mengatasi: General Least Square (GLS) dan Robust.
14/06/2012 51 14/06/2012 52

Uji heterokedastisitas hanya dilakukan . xtreg y x2 x3, fe
. xttest3
ketika menggunakan estimasi FE dan PLS
Hipotesis: Modified Wald test for groupwise
H0 : Homoskedastis
H k d ti heteroskedasticity
in fixed effect regression model
H1 : Heteroskedastis
Hipotesis nol akan ditolak bila H0: sigma(i)^2 = sigma^2 for all i
(Prob>chi2)< atau nilai chi2> nilai kritis
chi2 (4) = 240.33
t-tabel.
Prob>chi2 = 0.0000
14/06/2012 53 14/06/2012 54
9
14/06/2012

3. Bebas dari Autokorelasi
Keadaan dimana terjadi korelasi error antar periode waktu. Uji serial correlation in the idiosyncratic errors of a
Greene (2000) : walaupun adanya autokorelasi bisa membuat linear panel-data model oleh Wooldridge (2002).
linear, unbiased, asymptotically normal distrubusted (pada data Hipotesis:
besar), ) tetapi
p tidak lagi
g memilki variasi minimum
Autokorelasi akan membuat model jadi tidak BLUE, sehingga
H0 : No
N autokorelasi
k l i
biasanya nilai t, F, dan chai-squre (X2) tidak lagi valid H1 : Autokorelasi
Autokorelasi terjadi di data panel dengan data waktu yang Hipotesis nol akan ditolak bila (Prob>chi2)<
panjang
atau nilai chi2> nilai kritis t-tabel.
Cara Deteksi: serial correlation in the idiosyncratic errors of a
linear panel-data model
Mengatasi: General Least Square (GLS), First difference dan
robust.
14/06/2012
55 14/06/2012
56
III.3. Kriteria Ekonometrika

. xtreg y x2 x3, fe
. xtserial y x2 x3 Selesai
Wooldridge test for autocorrelation in
panel
l d
data
t
H0: no first-order autocorrelation Terimakasih
F( 1, 3) = 1300.479
akbarsuwardi@gmail.com
Prob > F = 0.0000 akbarsuwardi.blogspot.com
scribd.com/akbar_suwardi
14/06/2012 57
scibd.com/akbar_suwardi
10

Data Panel Teori Dasar Dan Aplikasi Di Stata PDF

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Data Panel Teori Dasar Dan Aplikasi Di Stata PDF

Uploaded by

Copyright:

Available Formats

14/06/2012

DATA PANEL : TEORI DASAR 3. Efek Acak (Random Effect)

III. Evaluasi Hasil Regresi Data Panel

Oleh : Akbar Suwardi 2. Kriteria Statistik

(2012) b. Bebas dari Heteroskedastisitas

I. Pengenalan Data Panel I. Pengenalan Data Panel

I. Pengenalan Data Panel

Variable | Mean Std. Dev. Min Max | Observations

y overall | 290.9154 284.8528 12.93 1486.7 | N = 80

x2 overall | 2229.428 1429.965 191.5 6241.7 | N = 80

within | 521.3062 688.2774 4137.778 | T = 20

x3 overall | 358.51 398.2685 .8 2226.3 | N = 80

1935 1940 1945 1950 19551935 1940 1945 1950 1955

I. Pengenalan Data Panel

dalam individu secara eksplisit ke dalam model

2. Memberikan data yang

3. Sesuai untuk mempelajari dinamika perubahan

1935 1940 1945

I. Pengenalan Data Panel I. Pengenalan Data Panel

I.1. Kuadrat Terkecil I.1. Kuadrat Terkecil

pengolahan data panel adalah dengan Source | SS df MS

menggunakan metode kuadrat terkecil biasa atau Model | 4849457.37

sering disebut Pooled Least Square (PLS) yang -------------+------------------------------

I.1. Kuadrat Terkecil

I. 2. Efek Tetap (Fixed Effect) I. 2. Efek Tetap (Fixed Effect)

Pendekatan dengan memasukkan variabel Yang harus di perhatikan pada penggunaan

I. 2. Efek Tetap (Fixed Effect) I. 2. Efek Tetap (Fixed Effect)

3. Misalkan di FEM juga meliputi variabel Fixed-effects (within) regression

waktu),), p pendekatan LSDV tidak dapat p F(2,74) = 154.53

mengestimasi persamaan FEM tersebut.

mengidentifikasi dampak variabel time-

4. Penulis harus berpikir hati-hati tentang error -------------+----------------------------------------------------------------

I. 3. Efek Acak (Random Effect) I. 3. Efek Acak (Random Effect)

I. 3. Efek Acak (Random Effect) I. 3. Efek Acak (Random Effect)

I. 3. Efek Acak (Random Effect) Ringkasan: FE, RE, dan OLS

II. Pemilihan Metode Estimasi II. 1. Pooled Least Square VS Fixed

RRSS = Restricted Residual Sum Square

II. 1. Pooled Least Square VS Fixed II. 2. Fixed Effect VS Random

II. 2. Fixed Effect VS Random II. 2. Fixed Effect VS Random

II. 2. Fixed Effect VS Random II. 2. Fixed Effect VS Random

II. 2. Fixed Effect VS Random II. 2. Fixed Effect VS Random

II. 2. Fixed Effect VS Random II. 2. Fixed Effect VS Random

Tolak H0 jika nilai Chi-Square Statistics (2) |

II. 3. Pooled Least Square VS II. 3. Pooled Least Square VS

II. 3. Pooled Least Square VS

III.1. Kriteria Ekonomi atau Teori III.2. Kriteria Statistik

III.2. Kriteria Statistik III.2. Kriteria Statistik

III.2. Kriteria Statistik III.3. Kriteria Ekonometrika

Fixed-effects (within) regression Number of obs = 80 1. Bebas dari Multikolinearitas

III.3. Kriteria Ekonometrika III.3. Kriteria Ekonometrika

III.3. Kriteria Ekonometrika III.3. Kriteria Ekonometrika

III.3. Kriteria Ekonometrika III.3. Kriteria Ekonometrika

III.3. Kriteria Ekonometrika III.3. Kriteria Ekonometrika

III.3. Kriteria Ekonometrika

You might also like