REGRESI DATA PANEL
Analisis Pemilihan Model
Dalam metode estimasi model regresi menggunakan data panel dapat dilakukan melalui tiga
pendekatan, antara lain model Pooled Least Square (PLS), Fixed Effect Model (FEM), atau
Random Effect Model (REM).
Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan
melalui tiga pendekatan, antara lain (Widarjono, 2009):
1.
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.
2.
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).
3.
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).
Dari tiga model regresi yang bisa digunakan untuk mengestimasi data panel, model regresi
dengan hasil yang terbaiklah yang akan digunakan dalam menganalisis. Maka dalam
penelitian ini untuk mengetahui model terbaik yang akan digunakan dalam menganalisis
apakah dengan model Pooled Least Square (PLS), Fixed Effect Model (FEM), atau Random
Effect Model (REM), maka dilakukan pengujian terlebih dahulu menggunakan uji Chow dan
uji Hausman.
1.
Uji Chow
Uji chow dilakukan untuk membandingkan atau memilih mana yang terbaik antara
Common Effect Model atau Fixed Effect Model. Pengambilan keputusan dengan
melihat nilai probabilitas (p) untuk Cross-Section F. Jika nilai p > 0,05 maka model
yang terpilih adalah Common Effect Model. Tetapi jika p < 0,05 maka model yang
dipilih adalah Fixed Effect Model.
Redundant Fixed Effects Tests
Equation: Untitled
Test cross-section fixed effects
Effects Test
Statistic
Cross-section F
Cross-section Chi-square
8.633163
109.252944
d.f.
Prob.
(18,72)
18
0.0000
0.0000
Cross-section fixed effects test equation:
Dependent Variable: Y
Method: Panel Least Squares
Date: 01/05/23 Time: 14:09
Sample: 2015 2019
Periods included: 5
Cross-sections included: 19
Total panel (balanced) observations: 95
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
X4
0.710464
0.002271
-0.048252
-0.001406
-0.009539
0.295626
0.001264
0.013126
0.003554
0.006556
2.403252
1.796890
-3.675959
-0.395600
-1.454929
0.0183
0.0757
0.0004
0.6933
0.1492
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.363601
0.335317
0.106372
1.018354
80.64606
12.85520
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.196421
0.130473
-1.592549
-1.458134
-1.538235
0.892225
Berdasarkan
j Tabel uji Chow di atas, kedua nilai probabilitas Cross Section F dan Chi
square yang lebih kecil dari Alpha 0,05 sehingga menolak hipotesis nal. Jadi
menunjukan yang terbik digunakan adalah model dengan menggunakan metode fixed
effect. Berdasarkan hasil uji Chow yang menolak hipotesis nol, maka pengujian data
berlanjut ke uji hausman.
2.
Uji Hausman
Uji Hausman Uji Hausman dilakukan untuk membandingkan atau memilih mana model
yang terbaik antara Fixed Effect Model dan Random Effect Model. Pengambilan
keputusan dengan melihat nilal probabilitas (p) untuk Cross-Section Random, Jika nilai
p>0.05 maka model yang terpilih adalah Random Effect Model. Tetapi jika p < 0,05
maka model yang dipilih adalah Fix Effect Model.
Correlated Random Effects - Hausman Test
Equation: Untitled
Test cross-section random effects
Chi-Sq.
Statistic
Chi-Sq. d.f.
Prob.
3.852641
4
0.0063
Random
Var(Diff.)
Prob.
0.000980
-0.066974
-0.005997
-0.008014
0.000000
0.001117
0.000104
0.000016
0.4584
0.3217
0.3452
0.7163
Test Summary
Cross-section random
Cross-section random effects test comparisons:
Variable
X1
X2
X3
X4
Fixed
0.000629
-0.100100
-0.015638
-0.006571
Cross-section random effects test equation:
Dependent Variable: Y
Method: Panel Least Squares
Date: 01/05/23 Time: 12:52
Sample: 2015 2019
Periods included: 5
Cross-sections included: 19
Total panel (balanced) observations: 95
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
X4
1.989183
0.000629
-0.100100
-0.015638
-0.006571
0.705410
0.001113
0.038876
0.011554
0.007829
2.819897
0.564692
-2.574860
-1.353503
-0.839326
0.0062
0.5740
0.0121
0.1801
0.4041
Effects Specification
Cross-section fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.798499
0.736929
0.066920
0.322438
135.2725
12.96902
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.196421
0.130473
-2.363632
-1.745325
-2.113790
2.633554
Berdasarkan Tabel uji hausman di atas, nilai probabilitas Cross Section F lebih kecil
dari Alpha 0,05 sehingga menolak hipotesis nal. Jadi menunjukan yang terbik
digunakan adalah model dengan menggunakan metode fixed effect.
Sehingga dalam menampilkan hasil regresi data panel pada analisis ini lebih baik
menggunkan Fixed Effect Model.
Uji Asumsi Klasik
1. Uji Normalitas
Uji Normalitas bertujuan untuk melihat apakah data pada penelitian berdistribusi
normal atau tidak. Akan tetapi, uji normalitas bukan merupakan syarat BLUE (Best
Linier Unbias Estimator) menurut Prof. Mudrajad Kuncoro. Buku karangan Prof.
Mudrajad Kuncoro (Judul: Metode Riset untuk Bisnis & Ekonomi) ini membahas uji
Asumsi Klasik pada pendekatan OLS. Pada Regresi Data Panel, Model FEM dan
CEM menggunakan pendekatan OLS. Jadi uji normalitas tidak wajib pada
pendekatan OLS, sementara wajib untuk pendekatan GLS. Sehingga pada analisis
ini tidak perlu melakukan uji normalitas karena menggunakan fixed effect model,
2. Uji Heterokedastisitas
Uji Heteroskedastisitas bertujuan untuk melihat apakah data terjadi gejala
heteroskedastisitas atau tidak. Uji ini hanya akan akurat jika Anda lakukan untuk data
cross section. Data panel memiliki ciri-ciri yang lebih dekat ke data cross section dari
pada data time series. Sehingga Uji Heteroskedastisitas Wajib Anda lakukan untuk
pendekatan OLS. Sementara untuk pendekatan GLS, uji Heteroskedastisitas
tidak Wajib
Pengujian yang dilakukan menggunakan uji Gletser, dilihat dari nilai probabilitas jika
kecil dari 0,05 maka data terjangkit masalah heterokedastisitas.
Dependent Variable: REABS
Method: Panel Least Squares
Date: 01/07/23 Time: 13:09
Sample: 2015 2019
Periods included: 5
Cross-sections included: 19
Total panel (balanced) observations: 95
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
X4
0.260639
0.000386
-0.025184
0.000544
-0.005212
0.375175
0.000592
0.020676
0.006145
0.004164
0.694715
0.651956
-1.217996
0.088578
-1.251725
0.4895
0.5165
0.2272
0.9297
0.2147
Effects Specification
Cross-section fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.194726
-0.051330
0.035592
0.091208
195.2543
0.791388
0.725549
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.046924
0.034712
-3.626406
-3.008099
-3.376564
2.628525
Dari hasil pengujian dapat dilihat setiap variabel bebas memiliki nilai probabilitas lebih dari 0,05
sehingga data dipastikan bebes dari masalah heterokedastisitas
3.
Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk melihat korelasi antara variabel bebas.
Sudah jelas uji ini hanya dilakukan pada model regresi yang memiliki lebih dari 1
variabel bebas. Jadi, jika penelitian Anda menggunakan lebih dari 1 variabel bebas,
maka model apapun yang terpilih (FEM / CEM / REM) wajib dilakukan uji
Multikolinearitas.
Pengujian menggunakan correltion matriks, dimana dilihat dari nilai hubungan
antar variabel bebas yang tidak lebih dari 0,8
X1
X2
X3
X4
X1
X2
X3
X4
1.000000
0.150282
0.071145
-0.214489
0.150282
1.000000
-0.797095
0.482305
0.071145
-0.797095
1.000000
-0.536199
-0.214489
0.482305
-0.536199
1.000000
dapat dilihat dari hubungan antar variabel X dimana setiap variabel memiliki nilai kecil
dari 0,8 sehingga data terbebas dari masalah multikolinearitas.
Hasil Analisis regresi berganda data panel menggunakan model fixed effect
Dependent Variable: Y
Method: Panel Least Squares
Date: 01/05/23 Time: 14:43
Sample: 2015 2019
Periods included: 5
Cross-sections included: 19
Total panel (balanced) observations: 95
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
X4
1.989183
0.000629
-0.100100
-0.015638
-0.006571
0.705410
0.001113
0.038876
0.011554
0.007829
2.819897
0.564692
-2.574860
-1.353503
-0.839326
0.0062
0.5740
0.0121
0.1801
0.4041
Effects Specification
Cross-section fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.798499
0.736929
0.066920
0.322438
135.2725
12.96902
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.196421
0.130473
-2.363632
-1.745325
-2.113790
2.633554
Variabel X1 berpengaruh positif terhadap Y dengan nilai probabilitas 0,5740
Variabel X2 berpengaruh signifikan negatif terhadap Y dengan nilai probabilitas 0,0121
Variabel X3 berpengaruh negatif terhadap Y dengan nilai probabilitas 0,1801
Variabel X4 berpengaruh negatif terhadap Y dengan nilai probabilitas 0,4041
Keempat variabel ecara bersama sama berpengaruh signifikan terhadap Y sebesar 79% dan
21% dari variabel Y dijelaskan oleh variabel diluar variabel X
Pemodelan :
Y= 1,989 + 0,0006X1 – 0,1001X2 – 0,0156X3 – 0,0065X4 + 0,201