Download - Data Panel-teori Dan Aplikasi Di Stata 2012
DATA PANEL : TEORI DASAR DAN APLIKASI DI STATA
Oleh : Akbar Suwardi
Pelatihan STATA
Dept. Ilmu Ekonomi Universitas Indonesia
(2012)
14/06/2012
Outline
Pengenalan Data Panel
Kuadrat Terkecil (Pooled Least Square)
Efek Tetap (Fixed Effect)
Efek Acak (Random Effect)
Pemilihan Metode Estimasi dalam Panel Data
Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Tetap (Fixed Effect)
Pemilihan Efek Tetap (Fixed Effect) atau Efek Acak (Random Effect)
Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Acak (Random Effect)
Evaluasi Hasil Regresi Data Panel
Kriteria Teori
Kriteria Statistik
Uji signifikansi serentak (F-Test).
Uji Signifikansi parsial (t-test).
Uji Goodness of Fit.
Kriteria Ekonometrika
Bebas dari Multikolinearitas
Bebas dari Heteroskedastisitas
Bebas dari Autokorelasi
IV14/06/2012.Exercise
akbarsuwardi.blogspot.com ||
2
scibd.com/akbar_suwardi
I. Pengenalan Data Panel
Data dibagi menjadi dua garis besar yaitu time-series dan cross-section . Gabungan antara dua itu adalah data panel. Atau dapat dikatakan, data panel merupakan data yang memiliki cross-sectional unit yang sama (contohnya survey data keluarga atau perusahaan) dan dilakukan setiap waktu. (Gujarati, 2003)
akbarsuwardi.blogspot.com ||
14/06/2012 3 scibd.com/akbar_suwardi
I. Pengenalan Data Panel
Gunakan data
Plt-stata.dta
Data dari Buku Gujarati (2003)
Lakukan Set Panel Data
Xtset individu time, year
Panel variable: individu (strongly balanced) Time variable: time, 1935 to 1954
Delta: 1 year
akbarsuwardi.blogspot.com ||
14/06/2012 4 scibd.com/akbar_suwardi
Pengenalan Data Panel
Mengenal data Panel
. xtsum y x2 x3
Variable
|
Mean
Std. Dev.
Min
Max |
Observations
y-----------------
+--------------------------------------------
290.9154
284.8528
12.93
1486.7
+
----------------N=
80
overall |
|
between
|
265.7954
42.8915
608.02 |
n =
4
within
|
165.786
-59.40462
1169.595
|
T =
20
x2
|
2229.428
1429.965
191.5
6241.7
|
N =
80
overall |
|
between
|
1527.907
671.36
4333.35
|
n =
4
within
|
521.3062
688.2774
4137.778
|
T =
20
x3
|
358.51
398.2685
.8
2226.3
|
N =
80
overall |
|
between
|
233.5919
85.64
648.435
|
n =
4
within
|
342.3096
-287.125
1936.375
|
T =
20
14/06/2012
akbarsuwardi.blogspot.com ||
5
scibd.com/akbar_suwardi
I. Pengenalan Data Panel
xtline y
1500
GE
GM
1000
500
0
Y
1500
US
WEST
1000
500
0
1935
1940
1945
1950
19551935
1940
1945
1950
1955
Graphs by Id
Time
14/06/2012
akbarsuwardi.blogspot.com ||
6
scibd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
1
14/06/2012
I. Pengenalan Data Panel
I. Pengenalan Data Panel
xtline y, overlay
Manfaat dari penggunaan data panel antara
1500
lain:
1. Estimasi data panel dapat mengambil heterogenitas
dalam individu secara eksplisit ke dalam model
1000
atau persamaan
2. Memberikan
data
yang
lebih
informatif,
Y
variabilitas, serta collinearity
yang lemah antar
500
variabel.
3. Sesuai untuk
mempelajari dinamika
perubahan
0
(dynamics of change) kebebasan lebih banyak dan
1935
1940
1945
1950
1955
efisien.
Time
4. Dapat memperkaya analisis empiris dengan cara-
GE
GM
US
WEST
cara yang tidak mungkin menggunakan data time-
series atau cross-section
14/06/2012
akbarsuwardi.blogspot.com ||
7
14/06/2012
akbarsuwardi.blogspot.com ||
8
scibd.com/akbar_suwardi
scibd.com/akbar_suwardi
I. Pengenalan Data Panel
Baltagi (1982) memformulasikan model umum persamaan regresi panel data sebagai berikut:
yit = + xit + uit
Dimana:
i = 1, 2, , N (Simbol untuk individu, perusahaan, dll cross-section) t = 1, 2, , T (Simbol untuk waktu time-series)
= koefisien slope
= koefisien konstanta
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
akbarsuwardi.blogspot.com ||
9
scibd.com/akbar_suwardi
I. Pengenalan Data Panel
Sebagian besar aplikasi data panel menggunakan model one-way error component untuk error-nya, dapat dirumuskan sebagai berikut:
uit = i + vit
Dimana i merupakan simbol untuk efek karakteristik individu yang tidak terobservasi (individual-specific effect) dan vit merupakan simbol untuk remainder disturbance.
14/06/2012
akbarsuwardi.blogspot.com ||
10
scibd.com/akbar_suwardi
I.1. Kuadrat Terkecil
(Pooled Least Square)
Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa atau sering disebut Pooled Least Square (PLS) yang diterapkan dalam data yang berbentuk pool
Yit = + Xit + it untuk i = 1, 2, . . . , N dan t = 1, 2, . . ., T
Yi1 = + Xi1 + i1
untuk i =
1, 2, . . . , N
14/06/2012
akbarsuwardi.blogspot.com ||
11
scibd.com/akbar_suwardi
I.1. Kuadrat Terkecil
(Pooled Least Square)
. reg y x2 x3
Source |
SS
df
MS
Number of obs =
80
-------------+
------------------------------4849457.37
2
2424728.69
F( 2,
77)
=
119.63
Model |
R-squared
=
0.7565
Residual |
1560689.67
77
20268.697
-------------+------------------------------
6410147.04
79
81141.1018
Adj R-squared
=
0.7502
Total |
Root MSE
=
142.37
------------------------------------------------------------------------------
y |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------x2
+
----------------------------------------------------------------.1100955
.0137297
8.02
0.000
.0827563
.1374348
|
x3
|
.3033932
.0492957
6.15
0.000
.2052328
.4015535
_cons |
-63.30413
29.6142
-2.14
0.036
-122.2735
-4.334734
------------------------------------------------------------------------------
14/06/2012
akbarsuwardi.blogspot.com ||
12
scibd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
2
I.1. Kuadrat Terkecil
(Pooled Least Square)
Kritikan oleh Gujarati (2003) bahwa metode PLS menawarkan kemudahan, tetapi model dapat mendistorsi gambaran yang sebenarnya dari hubungan antara Y dan X di observasi tersebut.
Apa yang perlu lakukan adalah menemukan beberapa cara untuk mempertimbangkan sifat spesifik (karakteristik) dari setiap individu.
14/06/2012
akbarsuwardi.blogspot.com ||
13
scibd.com/akbar_suwardi
14/06/2012
I. 2. Efek Tetap (Fixed Effect)
Intercept mungkin berbeda antar individu, namun intercept setiap individu tersebut tidak bervariasi sepanjang waktu (time invariant)
Yit = i + 1 X1it +2 X2it + eit
Intercept sebagai it, ini berarti intercept setiap individu adalah time variant. Selain itu, seperti terlihat pada persamaan diatas, FEM mengasumsikan bahwa koefisien dari regresor tidak bervariasi baik antar waktu maupun antar individu.
14/06/2012
akbarsuwardi.blogspot.com ||
14
scibd.com/akbar_suwardi
I. 2. Efek Tetap (Fixed Effect)
Pendekatan dengan memasukkan variabel boneka sebagai salah satu cara dalam menerapkan model efek tetap (fixed effect) atau Least Square Dummy Variable (LSDV)
atau disebut juga Covariance Model
14/06/2012
akbarsuwardi.blogspot.com ||
15
scibd.com/akbar_suwardi
I. 2. Efek Tetap (Fixed Effect)
Yang harus di perhatikan pada penggunaan model efek tetap (LSDV) Gujarati (2003):
Jika menggunakan variabel dummy terlalu banyak, dapat mengurangi degrees of freedom.
Dengan begitu banyak variabel dalam model, selalu ada kemungkinan multikolinearitas, yang mungkin membuat perkiraan sulit tepat dari satu atau lebih parameter.
14/06/2012
akbarsuwardi.blogspot.com ||
16
scibd.com/akbar_suwardi
I. 2. Efek Tetap (Fixed Effect)
Misalkan di FEM juga meliputi variabel seperti jenis kelamin, warna, dan etnis yang time-invariant (karena seks, warna individu, atau etnis tidak berubah dari waktu ke waktu), pendekatan LSDV tidak dapat mengestimasi persamaan FEM tersebut.
Hal ini dikarenakan LSDV tidak dapat mengidentifikasi dampak variabel time-invariant.
Penulis harus berpikir hati-hati tentang error term (uit).
14/06/2012
akbarsuwardi.blogspot.com ||
17
scibd.com/akbar_suwardi
I. 2. Efek Tetap (Fixed Effect)
. xtreg y x2 x3, fe
Fixed-effects (within) regression
Number of obs
=
80
Group variable: individu
Number of groups
=
4
R-sq: within
= 0.8068
Obs per group: min =
20
between
= 0.7304
avg =
20.0
overall
= 0.7554
max =
20
corr(u_i, Xb)
= -0.1001
F(2,74)
=
154.53
Prob > F
=
0.0000
------------------------------------------------------------------------------
y |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------x2
+
----------------------------------------------------------------.1079481
.0175089
6.17
0.000
.0730608
.1428354
|
x3
|
.3461617
.0266645
12.98
0.000
.2930315
.3992918
_cons |
-73.84946
37.52291
-1.97
0.053
-148.6155
.9165759
-------------
+----------------------------------------------------------------
139.05116
sigma _u |
sigma _e |
75.288894
(fraction of variance due to u_i)
rho |
.77329633
------------------------------------------------------------------------------
F test that all u_i=0:
F(3, 74) =
67.11
Prob > F = 0.0000
14/06/2012
akbarsuwardi.blogspot.com ||
18
scibd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
3
I. 3. Efek Acak (Random Effect)
Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, dapat menggunakan disturbance term untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya.
Hal ini dikenal sebagai model efek acak (random effect model atau REM).
14/06/2012
akbarsuwardi.blogspot.com ||
19
scibd.com/akbar_suwardi
14/06/2012
I. 3. Efek Acak (Random Effect)
Ide dasar Random Effect (REM) dapat dimulai dari persamaan berikut ini:
Yit = i + 1 X1it +2 X2it + uit
Assume i fixed konstanta adalah variabel acak dengan nilai rata-rata .
Nilai konstanta untuk masing-masing unit cross-section dapat dituliskan sebagai berikut:
i = + ii = 1, 2, ..., N
dimana i adalah random error term dengan nilai rata-rata adalah nol dan variasi adalah 2 (konstan)
14/06/2012
akbarsuwardi.blogspot.com ||
20
scibd.com/akbar_suwardi
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 rata-rata yang sama untuk intercept () dan perbedaan individual dalam nilai intercept setiap individu akan direfleksikan dalam error term ( ui).
Dengan demikian persamaan REM awal dapat dituliskan kembali menjadi:
Yit = i + 1
X1it +2 X2it + i+ uit
Yit = i + 1 X1it +2 X2it + wit
Dimana
wit = i + uit
14/06/2012
akbarsuwardi.blogspot.com ||
21
scibd.com/akbar_suwardi
I. 3. Efek Acak (Random Effect)
Asumsi REM, Gujarati (2003):
i~N (0, 2 )
uit ~N (0, 2u)
E( i, uit) = 0 E( i j) (i j)
E(uit uis) = E(uit ujt) = E(uit ujs) = 0 (i j ; t s)
Individual error components tidak berkoleralasi dengan individu lainnya Tidak ada autocorrelated across individu (unit) antara cross-section dan time-series.
14/06/2012
akbarsuwardi.blogspot.com ||
22
scibd.com/akbar_suwardi
I. 3. Efek Acak (Random Effect)
. xtreg
y x2 x3
Random-effects
GLS regression
Number of obs
=
80
Group variable: individu
Number of groups
=
4
R-sq:
within
= 0.8068
Obs per group: min =
20
between
= 0.7303
avg =
20.0
overall
= 0.7554
max =
20
Random effects
u_i ~ Gaussian
Wald chi2(2)
=
317.79
corr(u_i, X)
= 0 (assumed)
Prob > chi2
=
0.0000
------------------------------------------------------------------------------
y |
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------x2
+
----------------------------------------------------------------.1076555
.0168169
6.40
0.000
.0746949
.140616
|
x3
|
.3457104
.0265451
13.02
0.000
.2936829
.3977378
_cons |
-73.03529
83.94957
-0.87
0.384
-237.5734
91.50284
-------------
+----------------------------------------------------------------
sigma_u |
75.288894
sigma_e |
(fraction of variance due to u_i)
rho |
.80332024
akbarsuwardi.blogspot.com ||
------------------------------------------------------------------------------
14/06/2012
scibd.com/akbar_suwardi
23
Ringkasan: FE, RE, dan OLS
Untuk membandingkan ketiganya, terlebih dulu menyimpan hasil regresi masing-masing metode dengan command : estimates store (nama)
. estimates store fe
. estimates store re
. estimates store ols
. estimates table fe re ols, star stats(N r2 r2_a)
--------------------------------------------------------------
Variable |
fe
re
ols
-------------x2
+
------------------------------------------------.10794807***
.10765546***
.11009554***
|
x3
|
.34616168***
.34571038***
.30339316***
_cons | -73.849456
-73.035291
-63.304134*
-------------
+------------------------------------------------
80
80
80
N |
r2
|
.80681613
.75652826
r2_a |
.79376317
.75020432
--------------------------------------------------------------
legend:*p|t|
[95% Conf. Interval]
-------------
+----------------------------------------------------------------
.1079481
.0175089
6.17
0.000
.0730608
.1428354
x2 |
x3 |
.3461617
.0266645
12.98
0.000
.2930315
.3992918
_cons |
-73.84946
37.52291
-1.97
0.053
-148.6155
.9165759
-------------
+----------------------------------------------------------------
139.05116
sigma_u |
sigma_e |
75.288894
(fraction of variance due to u_i)
rho |
.77329633
F test that all u_i=0:
F(3, 74) =
67.11
Prob > F = 0.0000
14/06/2012
scibd.com/akbar_suwardi
29
II. 2. Fixed Effect VS Random
Effect
Hal yang perlu diperhatikan:
Asumsi yang dibuat tentang korelasi antara cross-section error component (ui) dan regressor X
Jika diasumsikan bahwa ui dan regresor X adalah uncorrelated, maka REM lebih tepat.
sampel penelitian
REM mengasumsikan bahwa ui adalah error yang diambil secara random dari populasi yang jauh lebih besar, tetapi seringkali hal ini tidak
dapat dipenuhi.
14/06/2012
akbarsuwardi.blogspot.com ||
30
scibd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
5
II. 2. Fixed Effect VS Random Effect
Gujarati (2003) menyatakan terdapat beberapa pertimbangan teknis dan empiris yang dapat dijadikan panduan untuk memilih antara fixed effect atau random effect yaitu:
Bila T (jumlah unit time-series) besar sedangkan N (jumlah unit cross-section) kecil, maka hasil FEM dan REM tidak jauh berbeda. Dalam hal ini pilihan umumnya akan didasarkan pada kenyamanan penghitungan,
yaitu FEM.
14/06/2012
akbarsuwardi.blogspot.com ||
31
scibd.com/akbar_suwardi
14/06/2012
II. 2. Fixed Effect VS Random
Effect
Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan dapat berbeda secara
signifikan. Jadi, apabila meyakini bahwa unit cross-section yang pilih dalam penelitian diambil secara aca k (random) maka REM harus digunakan. Sebaliknya, apabila meyakini bahwa unit cross-section yang pilih dalam penelitian tidak diambil secara acak maka harus menggunakan FEM.
14/06/2012
akbarsuwardi.blogspot.com ||
32
scibd.com/akbar_suwardi
II. 2. Fixed Effect VS Random
Effect
Apabila cross-section error component (i) berkorelasi dengan variabel bebas X maka parameter yang diperoleh dengan REM akan bias sementara parameter yang diperoleh dengan FEM tidak bias.
Apabila N besar dan T kecil, dan apabila asumsi yang mendasari REM dapat terpenuhi, maka REM lebih efisien dibandingkan FEM.
14/06/2012
akbarsuwardi.blogspot.com ||
33
scibd.com/akbar_suwardi
II. 2. Fixed Effect VS Random
Effect
FEM: setiap unit cross-section memiliki nilai intercept tersendiri yang fixed. REM: intercept merepresentasikan nilai rata-rata dari seluruh cross-sectional intercept dan error components (ui) merepresentasikan deviasi acak intercept individu dari nilai intercept rata-rata. Perlu untuk diingat bahwa ui tidak secara langsung diobservasi, ui adalah unobservable variable.
14/06/2012
akbarsuwardi.blogspot.com ||
34
scibd.com/akbar_suwardi
II. 2. Fixed Effect VS Random
Effect
Katagori
FE
RE
Functional form
Intercepts
Bervariasi antar individu
Konstan
dan/atau waktu
Error variance
Konstan
Bervarisasi antar individu atau
waktu
Slopes
Konstan
Konstan
Estimation
LSDV, within effect method
GLS, FGLS
Hypothesis test
Incremental F test
BG LM test
14/06/2012
akbarsuwardi.blogspot.com ||
35
scibd.com/akbar_suwardi
II. 2. Fixed Effect VS Random Effect: Hausman test
Hipotesis:
H0: Random Effects Model H1: Fixed Effects Model
Menggunakan nilai distribusi Chi-Square Statistics (2) dengan dirumuskan sebagai berikut:
H = (c e) (Vc- Vc)-1 (c e)
Dimana :
c = Koefisien vektor dari estimator konsisten
e = Koefisien vektor dari estimator effisien
Vc = Kovarian matrix pada estimator konsisten
Vc = Kovarian matrix pada estimator effisien
14/06/2012
akbarsuwardi.blogspot.com ||
36
scibd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
6
II. 2. Fixed Effect VS Random Effect: Hausman test
Kriteria penolakan H0:
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
akbarsuwardi.blogspot.com ||
37
scibd.com/akbar_suwardi
14/06/2012
II. 2. Fixed Effect VS Random
Effect: Hausman test
. quietly xtreg y
x2
x3, fe
. estimates store
fe
x3, re
. quietly xtreg y
x2
. estimates store
re
. hausman fe re
|
---- Coefficients ----
(b-B)
sqrt(diag(V_b-V_B))
(b)
(B)
|
fe
re
Difference
S.E.
-------------+----------------------------------------------------------------
.1079481
.1076555
.0002926
.0048738
x2 |
x3 |
.3461617
.3457104
.0004513
.0025204
------------------------------------------------------------------------------
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)
0.07
0.
14/06/2012
akbarsuwardi.blogspot.com ||
38
scibd.com/akbar_suwardi
II. 3. Pooled Least Square VS
Random Effect
Awal mulanya dengan model panel data seperti ini:
yit = + xit + uit
Dilakukan estimasi dengan menggunakan PLS model, lalu menghitung nilai Langarange Multiplier Test (LM)
Sedangkan nilai A1 didapat dari rumus berikut:
14/06/2012
akbarsuwardi.blogspot.com ||
39
scibd.com/akbar_suwardi
II. 3. Pooled Least Square VS
Random Effect
Langarange Multiplier Test (LM Test) oleh Brusch
dan Pagan (1980)
Hipotesis:
H0: Pooled Least Square Model
H1: Random Effects Model
Menggunakan nilai distribusi Chi-Square Statistics (2)
Kriteria penolakan H0:
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
akbarsuwardi.blogspot.com ||
40
scibd.com/akbar_suwardi
II. 3. Pooled Least Square VS
Random Effect
Lakukan pengujian LM test tepat setelah melakukan estimasi dengan REM
. xtreg y x2 x3, re
. xttest0
Breusch and Pagan Lagrangian multiplier test for random effects
y[individu,t] = Xb + u[individu] + e[individu,t]
Estimated results:
Var
sd = sqrt(Var)
|
---------+
-----------------------------81141.1
284.8528
y |
e |
5668.418
75.28889
u |
23152.13
152.1582
Test: Var(u) = 0
chi2(1) =
379.08
>chi2 =
0.
14/06/2012
akbarsuwardi.blogspot.com ||
41
scibd.com/akbar_suwardi
III. Teori Evaluasi Hasil Regresi
Mengapa penting???
Agar koefisien yang didapatkan efisien serta unbiased.
Oleh karena itu kriteria teori, kriteria statistik, dan kriteria
ekonometrika harus dilakukan.
Menurut Baltagi (1981), dasar pembentukkan model panel masih menggunakan Least Square. Oleh karena itu, dalam mengevaluasi hasil model persamaan simultan-panel dapat dilakukan melalui pendekatan
Least Square.
Khusus Random Effects Model (REM) metode yang dipakai adalah GLS regression. Jadi tidak perlu lagi untuk melakukan pengujian Heteroskedastisitas dan Autokolerasi
14/06/2012
akbarsuwardi.blogspot.com ||
42
scibd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
7
III.1. Kriteria Ekonomi atau Teori
Dapat dilihat dari beberapa indikator:
Slope
Arah
Signifikansi
Apakah sudah sesuai dengan teori?
Tidak? ada kemungkinan data, variabel, dan spesifikasi model yang digunakan dalam regresi salah.
14/06/2012
akbarsuwardi.blogspot.com ||
43
scibd.com/akbar_suwardi
14/06/2012
III.2. Kriteria Statistik
A. Uji signifikansi serentak (F-Test)
Uji ini untuk melihat secara global, apakah semua variable independent secara bersama-sama mempengaruhi variable dependent.
Hipotesis:
H0 : 0 = 1 = 2 = 3 = 4 = .. = k = 0
H1 : 0 1 2 3 4 .. = k 0
Hipotesis nol akan ditolak jika nilai F-statistik > nilai F tabel atau bila (Prob > F) F) = 0 berarti (Prob > F) |t|) nilai kritis t-tabel.
14/06/2012
akbarsuwardi.blogspot.com ||
45
scibd.com/akbar_suwardi
III.2. Kriteria Statistik
C. Uji Goodness of Fit.
Untuk mengukur seberapa besar variasi dari nilai variabel dependen dapat dijelaskan oleh variasi nilai dari variabel independen.
Caranya? Lihat R-squared dari hasil regresi estimasi.
14/06/2012
akbarsuwardi.blogspot.com ||
46
scibd.com/akbar_suwardi
III.2. Kriteria Statistik
. xtreg
y x2
x3, fe
Fixed-effects
(within) regression
Number of obs
=
80
Group variable: individu
Number of groups
=
4
R-sq:
within
= 0.8068
Obs per group: min =
20
between
= 0.7304
avg =
20.0
overall
= 0.7554
max =
20
corr(u_i, Xb)
= -0.1001
F(2,74)
=
154.53
Prob > F
=
0.0000
------------------------------------------------------------------------------
y |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------x2
+
----------------------------------------------------------------.1079481
.0175089
6.17
0.000
.0730608
.1428354
|
x3
|
.3461617
.0266645
12.98
0.000
.2930315
.3992918
_cons |
-73.84946
37.52291
-1.97
0.053
-148.6155
.9165759
-------------
+----------------------------------------------------------------
139.05116
sigma _ u |
sigma _ e |
75.288894
(fraction of variance due to u_i)
rho |
.77329633
------------------------------------------------------------------------------
F test that all u_i=0:
F(3,akbarsuwardi.blogspot.com74)=67.11 ||
Prob > F = 0.0000
14/06/2012
scibd.com/akbar_suwardi
47
III.3. Kriteria Ekonometrika
1. Bebas dari Multikolinearitas
Yaitu kondisi antar variabel independen memiliki hubungan yang lebih dari rule of thumb.
Meskipun
hasil
masih BLUE, namun
memiliki
variasi dan kovariasi yang besar
sehingga
membuat
nilai dari estimasi sulit
untuk sangat tepat
Cara Deteksi: Tolerance and variance inflation factor (VIF) dan Tes partial correlations Mengatasi: Transformasi, tambah variabel,
tambah data
14/06/2012
akbarsuwardi.blogspot.com ||
48
scibd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
8
III.3. Kriteria Ekonometrika
. corr y x2
x3
(obs=80)
|
y
x2
x3
-------------
+---------------------------
y
|
1.0000
1.0000
x2
|
0.7980
1.0000
x3
|
0.7438
0.5783
Diindikasikan multikolinearitas tinggi jika nilainya lebih dari 0.75
14/06/2012
akbarsuwardi.blogspot.com ||
49
scibd.com/akbar_suwardi
14/06/2012
III.3. Kriteria Ekonometrika
VIF dilakukan setelah melakukan regresi dengan PLS
. reg y x2 x3
. vif
Variable |
VIF
1/VIF
-------------x2
+
----------------------1.50
0.665623
|
x3
|
1.50
0.665623
-------------
+----------------------
1.50
MeanVIF |
Diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari 10
14/06/2012
akbarsuwardi.blogspot.com ||
50
scibd.com/akbar_suwardi
III.3. Kriteria Ekonometrika
VIF dilakukan setelah melakukan regresi dengan FE atau RE
. xreg y x2 x3, fe
. vif, uncentered
Variable |
VIF
1/VIF
-------------x2
+
-----------2.74
----------0.365614
|
x3
|
2.74
0.365614
-------------
+
----------------------2.74
MeanVIF |
Diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari 10
14/06/2012
akbarsuwardi.blogspot.com ||
51
scibd.com/akbar_suwardi
III.3. Kriteria Ekonometrika
2. Bebas dari Heteroskedastisitas
Salah satu asumsi yang sangat penting pada
Ordinary Least Square (OLS) adalah nilai error (ui) homoskedastisitas.
Ketika terjadi heteroskedastisitas estimasi OLS akan unbiased karena hasil estimator akan mempunyai pergerakan error yang berpola. Karena estimasi yang dibuat oleh OLS tersebut tidak lagi memiliki variasi minimum dan efisien maka tidak lagi BLUE.
Cara Deteksi: Modified Wald test Mengatasi: General Least Square (GLS) dan Robust.
14/06/2012
akbarsuwardi.blogspot.com ||
52
scibd.com/akbar_suwardi
III.3. Kriteria Ekonometrika
Uji heterokedastisitas hanya dilakukan ketika menggunakan estimasi FE dan PLS
Hipotesis:
H0 : Homoskedastis
H1 : Heteroskedastis
Hipotesis nol akan ditolak bila (Prob>chi2) nilai kritis t-tabel.
14/06/2012
akbarsuwardi.blogspot.com ||
53
scibd.com/akbar_suwardi
III.3. Kriteria Ekonometrika
. xtreg y x2 x3, fe
. xttest3
Modified Wald test for groupwise heteroskedasticity
in fixed effect regression model
H0: sigma(i)^2 = sigma^2 for all i
chi2 (4) =
240.33
=
0.
14/06/2012
akbarsuwardi.blogspot.com ||
54
scibd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
9
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
III.3. Kriteria Ekonometrika
3. Bebas dari Autokorelasi
Keadaan dimana terjadi korelasi error antar periode waktu.
Greene (2000) : walaupun adanya autokorelasi bisa membuat linear, unbiased, asymptotically normal distrubusted (pada data besar), tetapi tidak lagi memilki variasi minimum
Autokorelasi akan membuat model jadi tidak BLUE, sehingga biasanya nilai t, F, dan chai-squre (X2) tidak lagi valid
Autokorelasi terjadi di data panel dengan data waktu yang panjang
Cara Deteksi: serial correlation in the idiosyncratic errors of a linear panel-data model
Mengatasi: General Least Square (GLS), First difference dan
robust.
14/06/201255
14/06/2012
III.3. Kriteria Ekonometrika
Uji serial correlation in the idiosyncratic errors of a linear panel-data model oleh Wooldridge (2002).
Hipotesis:
H0 : No autokorelasi
H1 : Autokorelasi
Hipotesis nol akan ditolak bila (Prob>chi2) nilai kritis t-tabel.
akbarsuwardi.blogspot.com ||
14/06/2012 56 scibd.com/akbar_suwardi
III.3. Kriteria Ekonometrika
. xtreg y x2 x3, fe
. xtserial y x2 x3
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1,
3) =
1300.479
> F =
0.
14/06/2012
akbarsuwardi.blogspot.com ||
57
scibd.com/akbar_suwardi
Selesai
Terimakasih
akbarsuwardi.blogspot.com scribd.com/akbar_suwardi
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
10