Penjelasan Metode Analisis Regresi Data Panel

26
6774

Regresi Data Panel

Analisis regresi data panel adalah analisis regresi dengan struktur data yang merupakan data panel. Umumnya pendugaan parameter dalam analisis regresi dengan data cross section dilakukan menggunakan pendugaan metode kuadrat terkecil atau disebut Ordinary Least Square (OLS).

Pengertian Regresi Data Panel

Regresi Data Panel adalah gabungan antara data cross section dan data time series, dimana unit cross section yang sama diukur pada waktu yang berbeda. Maka dengan kata lain, data panel merupakan data dari beberapa individu sama yang diamati dalam kurun waktu tertentu. Jika kita memiliki T periode waktu (t = 1,2,…,T) dan N jumlah individu (i = 1,2,…,N), maka dengan data panel kita akan memiliki total unit observasi sebanyak NT. Jika jumlah unit waktu sama untuk setiap individu, maka data disebut balanced panel. Jika sebaliknya, yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced panel.

Sedangkan jenis data yang lain, yaitu: data time-series dan data cross-section. Pada data time series, satu atau lebih variabel akan diamati pada satu unit observasi dalam kurun waktu tertentu. Sedangkan data cross-section merupakan amatan dari beberapa unit observasi dalam satu titik waktu.

Persamaan Regresi Data Panel

Persamaan Regresi data panel ada 2 macam , yaitu One Way Model dan Two Way Model.

One Way Model adalah model satu arah, karena hanya mempertimbangkan efek individu (αi) dalam model. Berikut Persamaannya:

Model One Way Data Panel
Model One Way Data Panel

Dimana:

α       = Konstanta

β       = Vektor berukuran P x 1 merupakan parameter hasil estimasi

Xit    = Observasi ke-it dari P variabel bebas

αi      = efek individu yang berbeda-beda untuk setiap individu ke-i

Eit     = error regresi seperti halnya pada model regresi klasik.

Model Data Panel

Two Way Model adalah model yang mempertimbangkan efek dari waktu atau memasukkan variabel waktu. Berikut Persamaannya:

Model Two Way Data Panel
Model Two Way Data Panel

Persamaan di atas menunjukkan dimana terdapat tambahan efek waktu yang dilambangkan dengan deltha yang dapat bersifat tetap ataupun bersifat acak antar tahunnya.

Asumsi Regresi Data Panel

Metode Regresi Data Panel akan memberikan hasil pendugaan yang bersifat Best Linear Unbiased Estimation (BLUE) jika semua asumsi Gauss Markov terpenuhi diantaranya adalah non-autcorrelation.

Non-autocorrelation inilah yang sulit terpenuhi pada saat kita melakukan analisis pada data panel. Sehingga pendugaan parameter tidak lagi bersifat BLUE. Jika data panel dianalisis dengan pendekatan model-model time series seperti fungsi transfer, maka ada informasi keragaman dari unit cross section yang diabaikan dalam pemodelan. Salah satu keuntungan dari analisis regresi data panel adalah mempertimbangkan keragamaan yang terjadi dalam unit cross section.

Keuntungan Regresi Data Panel

Keuntungan melakukan regresi data panel, antara lain:

  1. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan degree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di mana dapat menghasilkan estimasi ekonometri yang efisien.
  2. Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja.
  3. Ketiga, panel data dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section.

Tahapan Regresi Data Panel

Tidak seperti regresi biasanya, regresi data panel harus melalui tahapan penentuan model estimasi yang tepat. Berikut diagram tahapan dari regresi data panel:

Tahapan Data Panel
Tahapan Data Panel

PENENTUAN MODEL ESTIMASI:

Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain:

Common Effect Model atau Pooled Least Square (PLS)

Merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel.

Fixed Effect Model (FE)

Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik variable dummy untuk menangkap perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya sama antar perusahaan. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).

Random Effect Model (RE)

Model ini akan mengestimasi data panel dimana variabel gangguan  mungkin saling berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh error terms masing-masing perusahaan. Keuntungan menggunkan model Random Effect yakni menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error Component Model (ECM) atau teknik Generalized Least Square (GLS) .

Penentuan Metode Estimasi Regresi Data Panel

Untuk memilih model yang paling tepat terdapat beberapa pengujian yang dapat dilakukan, antara lain:

Uji Chow

Chow test adalah pengujian untuk menentukan model apakah Common Effect (CE) ataukah Fixed Effect (FE) yang paling tepat digunakan dalam mengestimasi data panel.

Apabila Hasil:

H0: Pilih PLS (CE)

H1: Pilih FE (FE)

Uji Hausman

Hausman test adalah pengujian statistik untuk memilih apakah model Fixed Effect atau Random Effect yang paling tepat digunakan.

Apabila Hasil:

H0: Pilih RE

H1: Pilih FE

Uji Lagrange Multiplier

uji Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model Random Effect lebih baik daripada metode Common Effect (PLS) digunakan.

Apabila Hasil:

H0: Pilih PLS

H1: Pilih RE

Dari ketiga uji untuk menentukan Metode Estimasi di atas, digambarkan dalam grafik di bawah ini:

Pilihan Estimasi Regresi Data Panel
Pilihan Estimasi Regresi Data Panel

Pahami betul diagram di atas, karena akan menjadi kunci dalam langkah-langkah pengujian selanjutnya.

Cukup Sampai di sini artikel kami perihal Regresi Data Panel. Untuk memahami kelanjutannya, akan kami bahas di Regresi Data Panel dengan STATA. Selain itu kami juga membahas Tutorial Cara Input data Panel dengan Eviews dan Tutorial Regresi Data Panel dengan Eviews. Terima kasih.

By Anwar Hidayat

26 KOMENTAR

  1. pagi pak…dari artikel di atas yang saya mau tanya, apakah untuk setiap model terpilih uji asumsi klasik yang perle dilakukan tidak sama?

  2. Pak kalau data panel dan sampelnya di atas 500, sehingga sulit utk memenuhi uji normalitas, bagaimana ya pak?
    Terima kasih sebelumnya

  3. Assalamualaikum pak anwar selamat pagi, mau tanya untuk uji asumsi klasik dilakukan sebelum penentuan model estimasi atau setelah dilakukan penentuan model estimasi ya pak?
    Terima Kasih Sebelumnya..

  4. Apakah ini “Uji Chow : Chow test adalah pengujian untuk menentukan model Fixed Effet atau Random Effect yang paling tepat digunakan dalam mengestimasi data panel” maksudnya memilih CEM atau REM ?

    • Terima kasih atas koreksinya. Sudah saya perbaiki. Yang benar adalah chow test untuk menentukan apakah model yang terbaik common effects ataukah fixed effects. Jika terima H1 maka memilih FE, sedangkan jika terima H0 maka memilih CE.

  5. pak mau bertanya, apabila di uji chow FE di menangkan lalu di uji hausman RE dimenangkan , apakah saya harus melanjutkan uji LM ?

  6. pak apakah banyaknya variabel X yang diteliti berpengaruh data tersebut bisa disebut data panel atau tidak? kalau saya hanya meneliti satu variabel X saja apa saya bukan data panel?

  7. gan, saya coba regresi panel di e views, semuanya oke sampai mau tes heteroskedasitas keluar errorr
    “Cross-section effects with period GLS weights not allowed” itu knp ya?

  8. Pak mau bertanya, apabila di uji chow FE di menangkan lalu di uji hausman RE dimenangkan lalu uji lm yg dimenangkan common effect. Lebih baik saya pake yg mana pak?

    • Kalau orang bilang “regresi linear” itu biasanya yang dirujuk aatau yang dimaksud adalah regresi linear dengan metode kuadrat terkecil atau ordinary least square (OLS). Walaupun pada prakteknya nanti hal tersebut dapat berubah jika seandainya metode OLS menemui kendala asumsi yang sulit terpenuhi, sehingga akhirnya menggunakan penduga yang bukan OLS, misalnya dengan Huber White, Newy West, Weighted Least square, dll. Sedangkan regresi data panel adalah juga regresi seperti halnya regresi linear sebelumnya, tetapi menggunakan persamaan dan koefisien estimasi yang berbeda, dimana faktor cross section dan time series sangat diperhatikan dan ikut masuk di dalam perhitungannya. Sedangkan regresi biasa, menganggap semua data itu bersifat cross section. Kalau bicara autoregressive, maka data haruslah bersifat time series. Di dalam regresi data panel, koefisien estimasi ada berbagai macam juga, dimana ada OLS dan juga ada GLS dengan banyak pilihan seperti white cross section, white diagonal, white period, SUR, Park dan PCSE.

  9. seandainya para dosen yg mengajar metodologi penelitian spt mas Arif ini pasti banyak peneliti baru yang handal bermunculan dari dunia kampus

  10. Permisi pak, mau tanya, jadi penentuan metode saya didapatkan hasil menggunakan FE. Namun ketika saya uji autokorelasi dan uji heterok, keduanya menunjukkan hasil yang signifikan. Orang-orang banyak yang menggunakan GLS sebagai langkah mengurangi autokorelasi dan heterok secara bersamaan, namun mengatakan bahwa metode yang digunakan adalah FE. Pertanyaannya: bukankah GLS itu dianggap sebagai RE ya pak? Bukan FE

    Lalu, saya mencoba cari di forum STATA, jika heterok dan autokorelasi terjadi bersama-sama di fixed effect, ada yang menggunakan rumus cluster(kode cross section) https://www.statalist.org/forums/forum/general-stata-discussion/general/1409565-fixed-effects-with-xtgls-command. Saya jadi bingung yang benar yang mana pak. Mohon arahannya, terima kasih

    • Jika estimasinya OLS, maka mengatasi autokorelasi dan heteroskedastisitas memang bisa menggunakan robust cluser by cross section seperti dalam aplikasi STATA. Sedangkan pada EViews kita bisa gunakan OLS dengan cross section weight (GLS) koefisien estimasi White period. Jika estimasinya FE maka pada STATA bisa gunakan xtgls (Feasible general least square) dengan opsi “AR(1) panels heteroscedastics” sedangkan pada EViews bisa gunakan FE dengan cross section weight (FGLS) dengan koefisien estimasi White period. Jika juga ada masalah asumsi cross sectional dependent bersamaan dengan heteroskedastis dan autokorelasi maka gunakanlah FGLS dengan Parks, SUR atau PCSE. Begitu juga dalam STATA kita bisa lakukan PCSE menggunakan xtcpse. Apabila estimasinya RE, maka tidak perlu pakai cross section weight, jadi langsung bisa pilih koefisien white period (heteroskedastis dan autokorelasi), white diagonal (heteroskedastis), white cross section (heteroskedastis dan cross sectional dependent) atau menggunakan SUR, Parks dan PCSE (heteroskedastis, autokorelasi dan cross sectional dependent)

Tinggalkan Komentar Anda Disini...