Proposal Data Panel Metode Pls Ekonomi Pembangunan

Proposal Data Panel Metode Pls Ekonomi Pembangunan

Tahapan Analisis Regresi Data Console

Berikut ini adalah tahapan analisis regresi data console:

(i)

Estimasi Model Regresi Information Panel

Model persamaan data panel yang merupakan gabungan dari information
cantankerous department
dan information
time series
adalah sebagai berikut:

Yinformation technology

=
α
+
β1X1it
+
βiiX2it
+ … +
βn10nit

+
eit

dimana:

Yinformation technology
= variabel terikat (dependent)

Xit
= variabel bebas (independent)

i
= entitas ke-i

t               = periode ke-t

Persamaan di atas merupakan model regresi linier berganda dari beberapa variabel bebas dan satu variabel terikat. Estimasi model regresi linier berganda bertujuan untuk memprediksi parameter model regresi yaitu nilai konstanta (α) dan koefisien regresi (βi
). Konstanta biasa disebut dengan intersep dan koefisien regresi biasa disebut dengan slope. Regresi information panel memiliki tujuan yang sama dengan regresi linier berganda, yaitu memprediksi nilai intersep dan slope. Penggunaan information panel  dalam regresi akan menghasilkan intersep dan slope yang berbeda pada setiap entitas/ perusahaan dan setiap periode waktu. Model regresi information panel yang akan diestimasi membutuhkan asumsi terhadap intersep, slope dan variabel gangguannya. Menurut Widarjono (2007) ada beberapa kemungkinan yang akan muncul atas adanya asumsi terhadap intersep, slope dan variabel gangguannya.

one)      Diasumsikan intersep dan slope adalah tetap sepanjang periode waktu dan seluruh entitas/perusahaan. Perbedaan intersep dan slope dijelaskan oleh variabel gangguan (residual).

two)      Diasumsikan slope adalah tetap tetapi intersep berbeda antar entitas/perusahaan.

3)      Diasumsikan gradient tetap tetapi intersep berbeda baik antar waktu maupun antar individu.

4)      Diasumsikan intersep dan slope berbeda antar individu.

5)      Diasumsikan intersep dan slope berbeda antar waktu dan antar individu.

Dari berbagai kemungkinan yang disebutkan di atas muncullah berbagai kemungkinan model/teknik yang dapat dilakukan oleh regresi data panel. Dalam banyak literatur hanya asumsi pertama sampai ketiga saja yang sering menjadi acuan dalam pembentukan model regresi data panel.

Menurut Widarjono (2007, 251), untuk mengestimasi parameter model dengan data console, terdapat tiga teknik (model) yang sering ditawarkan, yaitu:

  1. Model
    Common Consequence

Teknik ini merupakan teknik yang paling sederhana untuk mengestimasi parameter model data panel, yaitu dengan mengkombinasikan data
cantankerous section
dan
time series
sebagai satu kesatuan tanpa melihat adanya perbedaan waktu dan entitas (individu). Dimana pendekatan yang sering dipakai adalah metode
Ordinary Least Foursquare
(OLS). Model
Commen Outcome
mengabaikan adanya perbedaan dimensi individu maupun waktu atau dengan kata lain perilaku data antar individu sama dalam berbagai kurun waktu.

  1. Model Efek Tetap (Fixed Result)

Pendekatan model
Fixed Effect
mengasumsikan bahwa intersep dari setiap individu adalah berbeda sedangkan gradient antar individu adalah tetap (sama). Teknik ini menggunakan variabel dummy untuk menangkap adanya perbedaan intersep antar individu.

  1. Model Efek Random (Random Effect)

Pendekatan yang dipakai dalam
Random Effect
mengasumsikan setiap perusahaan mempunyai perbedaan intersep, yang mana intersep tersebut adalah variabel random atau stokastik. Model ini sangat berguna jika individu (entitas) yang diambil sebagai sampel adalah dipilih secara random dan merupakan wakil populasi. Teknik ini juga memperhitungkan bahwa error mungkin berkorelasi sepanjang
cross section
dan
time series.

(2)

Pemilihan Model (Teknik Estimasi) Regresi Data Panel

Pada dasarnya ketiga teknik (model) estimasi data panel dapat dipilih sesuai dengan keadaan penelitian, dilihat dari jumlah individu bank dan variabel penelitiannya. Namun demikian, ada beberapa cara yang dapat digunakan untuk menentukan teknik mana yang paling tepat dalam mengestimasi parameter data panel. Menurut Widarjono (2007: 258), ada tiga uji untuk memilih teknik estimasi data console. Pertama, uji statistik F digunakan untuk memilih antara metode
Commom Effect
atau metode
Fixed Result. Kedua, uji Hausman yang digunakan untuk memilih antara metode
Stock-still Effect
atau metode
Random Effect. Ketiga, uji
Lagrange Multiplier
(LM) digunakan untuk memilih antara metode
Commom Effect
atau metode
Random Issue.

Menurut, Nachrowi (2006, 318), pemilihan metode
Fixed Outcome
atau metode
Random Effect
dapat dilakukan dengan pertimbangan tujuan analisis, atau ada pula kemungkinan data yang digunakan sebagai dasar pembuatan model, hanya dapat diolah oleh salah satu metode saja akibat berbagai persoalan teknis matematis yang melandasi perhitungan. Dalam
software
Eviews, metode
Random Event
hanya dapat digunakan dalam kondisi jumlah individu banking company lebih besar dibanding jumlah koefisien termasuk intersep. Selain itu, menurut beberapa ahli Ekonometri dikatakan bahwa, jika data panel yang dimiliki mempunyai jumlah waktu (t) lebih besar dibandingkan jumlah individu (i), maka disarankan menggunakan metode
Fixed Effect. Sedangkan jika information panel yang dimiliki mempunyai jumlah waktu (t) lebih kecil dibandingkan jumlah individu (i), maka disarankan menggunakan metode
Random Issue.

a)

Uji Statistik F (Uji Chow)

Baca :   Trilogi Pembangunan Pada Perkembangan Kehidupan Ekonomi Di Masa Orde Baru

Untuk mengetahui model mana yang lebih baik dalam pengujian data console, bisa dilakukan dengan penambahan variabel dummy sehingga dapat diketahui bahwa intersepnya berbeda dapat diuji dengan uji Statistik F. Uji ini digunakan untuk mengetahui apakah teknik regresi data panel dengan metode
Fixed Issue
lebih baik dari regresi model data console tanpa variabel dummy atau metode
Common Effect.

Hipotesis nul pada uji ini adalah bahwa intersep sama, atau dengan kata lain model yang tepat untuk regresi data panel adalah
Common Upshot, dan hipotesis alternatifnya adalah intersep tidak sama atau model yang tepat untuk regresi data panel adalah
Fixed Upshot.

Nilai Statistik F hitung akan mengikuti distribusi statistik F dengan derajat kebebasan (deggre of freedom) sebanyak
grand
untuk numerator dan sebanyak
n – chiliad
untuk denumerator.
m
merupakan merupakan jumlah restriksi atau pembatasan di dalam model tanpa variabel dummy. Jumlah restriksi adalah jumlah individu dikurang satu.
n
merupakan jumlah observasi dan
k
merupakan jumlah parameter dalam model
Fixed Effect. Jumlah observasi (n) adalah jumlah individu dikali dengan jumlah periode, sedangkan jumlah parameter dalam model
Fixed Effect
(k) adalah jumlah variabel ditambah jumlah individu. Apabila nilai F hitung lebih besar dari F kritis maka hipotesis nul ditolak yang artinya model yang tepat untuk regresi information panel adalah model
Fixed Effect. Dan sebaliknya, apabila nilai F hitung lebih kecil dari F kritis maka hipotesis nul diterima yang artinya model yang tepat untuk regresi information panel adalah model
Common Result.


b)

Uji Hausman

Hausman telah mengembangkan suatu uji untuk memilih apakah metode
Fixed Event
dan metode
Random Effect
lebih baik dari metode
Mutual Event. Uji Hausman ini didasarkan pada ide bahwa
Least Squares Dummy Variables
(LSDV) dalam metode metode
Fixed Effect
dan
Generalized Least Squares
(GLS) dalam metode
Random Effect
adalah efisien sedangkan
Ordinary Least Squares
(OLS) dalam metode
Mutual Consequence
tidak efisien. Dilain pihak, alternatifnya adalah metode OLS efisien dan GLS tidak efisien. Karena itu, uji hipotesis nulnya adalah hasil estimasi keduanya tidak berbeda sehingga uji Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut.

Statistik uji Hausman mengikuti distribusi statistik
Chi-Squares
dengan derajat kebebasan (df) sebesar jumlah variabel bebas. Hipotesis nulnya adalah bahwa model yang tepat untuk regresi data panel adalah model
Random Result
dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah model
Stock-still Issue. Apabila nilai statistik Hausman lebih besar dari nilai kritis
Chi-Squares
maka hipotesis nul ditolak yang artinya model yang tepat untuk regresi data console adalah model
Fixed Effect. Dan sebaliknya, apabila nilai statistik Hausman lebih kecil dari nilai kritis
Chi-Squares
maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah model
Random Effect.

c)

Uji
Lagrange Multiplier

Menurut Widarjono (2007: 260), untuk mengetahui apakah model
Random Effect
lebih baik dari model
Common Effect
digunakan
Lagrange Multiplier
(LM). Uji Signifikansi
Random Upshot
ini dikembangkan oleh Breusch-Heathen. Pengujian didasarkan pada nilai residual dari metode
Mutual Outcome.

Uji LM ini didasarkan pada distribusi
Chi-Squares
dengan derajat kebebasan (df) sebesar jumlah variabel independen. Hipotesis nulnya adalah bahwa model yang tepat untuk regresi data panel adalah
Common Effect, dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah
Random Consequence. Apabila nilai LM hitung lebih besar dari nilai kritis
Chi-Squares
maka hipotesis nul ditolak yang artinya model yang tepat untuk regresi data panel adalah model
Random Event. Dan sebaliknya, apabila nilai LM hitung lebih kecil dari nilai kritis
Chi-Squares
maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah model
Mutual Effect.

(3)

Pengujian Asumsi Klasik (Multikolinieritas dan Heteroskedastisitas)

Baca :   Faktor Faktor Yang Mempengaruhi Pertumbuhan Dan Pembangunan Ekonomi

Regresi information panel memberikan alternatif model,
Mutual Effect,
Stock-still Effect
dan
Random Effect. Model
Mutual Effect
dan
Fixed Issue
menggunakan pendekatan
Ordinary Least Squared
(OLS) dalam teknik estimasinya, sedangkan
Random Effect
menggunakan
Generalized Least Squares
(GLS) sebagai teknik estimasinya. Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan
Ordinary Least Squared
(OLS) meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS.

Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana tingkat linieritasnya.

Autokorelasi hanya terjadi pada information
time series. Pengujian autokorelasi pada data yang tidak bersifat
time series
(cantankerous department
atau panel) akan sia-sia semata atau tidaklah berarti.

Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.

Heteroskedastisitas biasanya terjadi pada data
cantankerous section, dimana information console lebih dekat ke ciri data
cantankerous section
dibandingkan
time serial
.

Uji normalitas pada dasarnya tidak merupakan syarat Bluish (Best Linier Unbias Figurer) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.

Dari penjelasan di atas dapat ditarik kesimpulan bahwa pada regresi data panel, tidak semua uji asumsi klasik yang ada pada metode OLS dipakai, hanya multikolinieritas dan heteroskedastisitas saja yang diperlukan.


Uji Multikolinieritas

Regresi information panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel perlu memenuhi syarat terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Meskipun demikian, adanya korelasi yang kuat antara variabel bebas dalam pembentukan sebuah model (persamaan) sangatlah tidak dianjurkan terjadi, karena hal itu akan berdampak kepada keakuratan pendugaan parameter, dalam hal ini koefisien regresi, dalam memperkirakan nilai yang sebenarnya. Korelasi yang kuat antara variabel bebas dinamakan
multikolinieritas.

Menurut Chatterjee dan Price dalam Nachrowi (2002), adanya korelasi antara variabel-variabel bebas menjadikan intepretasi koefisien-koefisien regresi mejadi tidak benar lagi. Meskipun demikian, bukan berarti korelasi yang terjadi antara variabel-variabel bebas tidak diperbolehkan, hanya kolinieritas yang sempurna (perfect collinierity) saja yang tidak diperbolehkan, yaitu terjadinya korelasi linier antara sesama variabel bebasnya. Sedangkan untuk sifat kolinier yang hampir sempurna (hubungannya tidak bersifat linier atau korelasi mendekati nol) masih diperbolehkan atau tidak termasuk dalam pelanggaran asumsi.

Ada beberapa cara untuk mengidentifikasi adanya
multikolinieritas, dan cara yang paling mudah adalah dengan mencari nilai koefisien korelasi antar variabel bebas. Koefisien korelasi antara dua variabel yang bersifat kuantitatif dapat menggunakan
coefficient correlation pearson, dengan rumus sebagai berikut:

Dimana
Xi
dan
Yi

adalah variabel bebas yang akan dicari nilai koefisien korelasinya dan
n
adalah jumlah data dari kedua variabel bebas tersebut. Nilai mutlak dari koefisien korelasi besarnya dari nol sampai satu. Semakin mendekati satu, maka dapat dikatakan semakin kuat hubungan antara kedua variabel tersebut dan artinya semakin besar kemungkinan terjadinya
multikolinieritas.


Uji Heteroskedastisitas

Baca :   Passing Grade Sbmptn Ekonomi Pembangunan Unibraw

Regresi information console tidak sama dengan model regresi linier, oleh karena itu pada model data panel perlu memenuhi syarat BLUE (Best Linear Unbiased Estimator) atau terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Jika dilihat dari ketiga pendekatan yang dipakai, maka hanya uji heteroskedastisitas saja yang relevan dipakai pada model data panel.

Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang terbentuk memiliki varians yang konstan atau tidak. Suatu model yang baik adalah model yang memiliki varians dari setiap gangguan atau residualnya konstan. Heteroskedastisitas adalah keadaan dimana asumsi tersebut tidak tercapai, dengan kata lain  dimana  adalah ekspektasi dari eror dan  adalah varians dari eror yang berbeda tiap periode waktu.

Dampak adanya heteroskedastisitas adalah tidak efisiennya proses estimasi, sementara hasil estimasinya tetap konsisten dan tidak bias. Eksistensi dari masalah heteroskedastisitas akan menyebabkan hasil Uji-t
dan Uji-F menjadi tidak berguna (miss leanding).

Ada beberapa metode yang dapat digunakan untuk menditeksi heteroskedastisitas, tetapi dalam penelitian ini hanya akan dilakukan dengan menggunakan
White Heteroskedasticity Exam
pada
consistent standard error & covariance. Hasil yang diperlukan dari hasil uji ini adalah nilai F dan
Obs*R-squared, dengan hipotesis sebagai berikut:

H  :
Homoskedasticity

H1  :
Heteroskedasticity

Kemudian kita bandingkan antara nilai
Obs*R-squares
dengan nilai  tabel dengan tingkat kepercayaan tertentu dan derajat kebebasan yang sesuai dengan jumlah variabel bebas. Jika nilai Uji Heteroskedastisitas  tabel maka H
diterima, dengan kata lain tidak ada masalah heteroskedastisitas.

(4)

Uji Kelayakan (Goodness of Fit) Model Regresi Data Panel

Uji Hipotesis

Menurut Nachrowi (2006), uji hipotesis berguna untuk menguji signifikansi koefisien regresi yang didapat. Artinya, koefisien regresi yang didapat secara statistik tidak sama dengan nol, karena jika sama dengan nol maka dapat dikatakan bahwa tidak cukup bukti untuk menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikatnya. Untuk kepentingan tersebut, maka semua koefisien regresi harus diuji. Ada dua jenis uji hipotesis terhadap koefisien regresi yang dapat dilakukan, yaitu:

  1. Uji-F

Uji-F diperuntukkan guna melakukan uji hipotesis koefisien (slope) regresi secara bersamaan, dengan kata lain digunakan untuk memastikan bahwa model yang dipilih layak atau tidak untuk mengintepretasikan pengaruh variabel bebas terhadap variabel terikat.

  1. Uji-t

Jika Uji-F dipergunakan untuk menguji koefisien regresi secara bersamaaan, maka Uji-t
digunakan untuk menguji koefisien regresi secara individu. Pengujian dilakukan terhadap koefisien regresi populasi, apakah sama dengan nol, yang berarti variabel bebas tidak mempunyai pengaruh signifikan terhadap variabel terikat, atau tidak sama dengan nol, yang berarti variabel bebas mempunyai pengaruh signifikan terhadap variabel terikat.

Koefisien Determinasi

Koefisien Determinasi (Goodness of Fit) dinotasikan dengan
R-squares
yang merupakan suatu ukuran yang penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model regresi yang terestimasi. Nilai Koefisien Determinasi mencerminkan seberapa besar variasi dari variabel terikat dapat diterangkan oleh variabel bebasnya. Bila nilai Koefisien Determinasi sama dengan 0, artinya variasi dari variabel terikat tidak dapat diterangkan oleh variabel-variabel bebasnya sama sekali. Sementara bila nilai Koefisien Determinasi sama dengan 1, artinya variasi variabel terikat secara keseluruhan dapat diterangkan oleh variabel-variabel bebasnya. Dengan demikian baik atau buruknya suatu persamaan regresi ditentukan oleh
R-squares-nya yang mempunyai nilai antara nol dan satu.

Refrensi:

Baltagi, Bagi (2005).
Econometric Analysis of Panel Data, 3rd Edition. John Wiley & Sons.

Nachrowi, Due north. Djalal dan Hardius Usman (2006).Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan, Jakarta: LPFE Universitas Indonesia.

Widarjono, Agus (2007). Ekonometrika:
Teori dan Aplikasi Untuk Ekonomi dan Bisnis,
edisi kedua. Yogyakarta: Ekonisia Atomic number 26 Universitas Islam Indonesia.

Proposal Data Panel Metode Pls Ekonomi Pembangunan

Source: https://dosen.perbanas.id/regresi-data-panel-2-tahap-analisis/

Check Also

Contoh Makalah Tentang Pertumbuhan Dan Pembangunan Ekonomi Sumatera Barat

Contoh Makalah Tentang Pertumbuhan Dan Pembangunan Ekonomi Sumatera Barat Papua Irian Jaya[a] Mamta[1]—Saireri Provinsi otonom …