III. METODE PENELITIAN
3.2 Analisis Data Panel
3.2.2 Data Panel Dinamis
Relasi di antara variabel-variabel ekonomi pada kenyataannya banyak yang bersifat dinamis. Analisis data panel dapat digunakan pada model yang bersifat dinamis dalam kaitannya dengan analisis penyesuaian dinamis (dynamic of adjustment). Hubungan dinamis ini dicirikan oleh keberadaan lag variabel dependen di antara variabel-variabel regresor. Sebagai ilustrasi, model data panel dinamis adalah sebagai berikut:
...(3.31)
dengan menyatakan suatu skalar, menyatakan matriks berukuran 1xK dan matriks berukuran Kx1. Dalam hal ini, diasumsikan mengikuti model oneway error component sebagai berikut:
...(3.32)
dengan menyatakan pengaruh individu dan menyatakan gangguan yang saling bebas satu sama lain atau dalam beberapa literatur disebut sebagai transient error.
Dalam model data panel statis, dapat ditunjukkan adanya konsistensi dan efisiensi, baik pada FEM dan REM, terkait perlakuan terhadap . Dalam model dinamis, situasi ini secara substansi sangat berbeda karena merupakan fungsi dari maka juga merupakan fungsi dari . Karena adalah fungsi dari
maka akan terjadi korelasi antara variabel regresor dengan . Hal ini
akan menyebabkan penduga least square (sebagaimana digunakan pada model data panel statis) menjadi bias dan inkonsisten, bahkan bila tidak berkorelasi serial sekalipun.
Untuk mengilustrasikan kasus tersebut, berikut diberikan model data panel autoregresif (AR(1)) tanpa menyertakan variabel eksogen:
...(3.33)
dengan di mana dan saling bebas satu sama lain. Penduga fixed effect bagi diberikan oleh
...(3.34) dengan dan . Untuk menganalis sifat dari
...(3.35) Penduga ini bersifat bias dan inkonsisten untuk dan T tetap, bentuk pembagian pada Persamaan (3.42) tidak memiliki nilai harapan nol dan tidak konvergen menuju nol bila . Secara khusus, hal ini dapat ditunjukkan bahwa:
....(3.36)
sehingga, untuk T tetap, akan dihasilkan penduga yang inkonsisten.
Untuk mengatasi masalah ini, pendekatan method of moments dapat digunakan. Arrelano dan Bond menyarankan suatu pendekatan generalized method of moments (GMM). Pendekatan GMM merupakan salah satu yang populer. Setidaknya ada dua alasan yang mendasari, yaitu: (i) GMM merupakan
common estimator dan memberikan kerangka yang lebih bermanfaat untuk perbandingan dan penilaian; dan (ii) GMM memberikan alternatif yang sederhana terhadap estimator lainnya, terutama terhadap maximum likelihood.
Namun demikian, penduga GMM juga tidak terlepas dari kelemahan. Adapun beberapa kelemahan metode ini, yaitu: (i) penduga GMM adalah
asymptotically efficient dalam ukuran contoh besar, tetapi kurang efisien dalam ukuran contoh yang terbatas (finite); dan (ii) penduga ini terkadang memerlukan sejumlah implementasi pemrograman sehingga dibutuhkan suatu perangkat lunak
(software) yang mendukung aplikasi pendekatan GMM.
Ada dua jenis prosedur estimasi GMM yang umumnya digunakan untuk mengestimasi model linear autoregresif, yakni:
1. First-difference GMM (FD-GMM) atau Arrelano and Bond GMM (AB- GMM)
2. System GMM (SYS-GMM)
First-differences GMM (FD-GMM)
Untuk mendapatkan estimasi yang konsisten di mana dengan T tertentu, akan dilakukan first-difference pada Persamaan (3.33) untuk mengeliminasi pengaruh individual sebagai berikut:
namun, pendugaan dengan least square akan menghasilkan penduga yang inkonsisten karena dan berdasarkan definisi berkorelasi, bahkan bila
. Untuk itu, transformasi dengan menggunakan first difference ini dapat menggunakan suatu pendekatan variabel instrumen. Sebagai contoh, akan digunakan sebagai instrumen. Di sini, berkorelasi dengan tetapi tidak berkorelasi dengan , dan tidak berkorelasi serial. Di sini, penduga variabel instrumen bagi disajikan sebagai
...(3.38) syarat perlu agar penduga ini konsisten adalah
...(3.39) Penduga (3.38) merupakan salah satu penduga yang diajukan oleh Anderson dan Hsiao dalam Verbeek (2000). Mereka juga mengajukan penduga alternatif di mana digunakan sebagai instrumen. Penduga variabel instrumen bagi disajikan sebagai
...(3.40) syarat perlu agar penduga ini konsisten adalah
...(3.41) Penduga variabel instrumen yang kedua memerlukan tambahan lag variabel untuk membentuk instrumen, sehingga jumlah amatan efektif yang digunakan
untuk melakukan pendugaan menjadi berkurang (satu periode sampel “hilang”).
Dalam hal ini pendekatan metode momen dapat menyatukan penduga dan mengeliminasi kerugian dari pengurangan ukuran sampel. Langkah pertama dari pendekatan metode ini adalah mencatat bahwa
...(3.42) yang merupakan kondisi momen (moment condition). Dengan cara yang sama dapat diperoleh:
...(3.43)
yang juga merupakan kondisi momen. Kedua estimator selanjutnya dikenakan kondisi momen dalam pendugaan. Sebagaimana diketahui penggunaan lebih banyak kondisi momen meningkatkan efisiensi dari penduga. Arellano dan Bond menyatakan bahwa daftar instrumen dapat dikembangkan dengan cara menambah kondisi momen dan membiarkan jumlahnya bervariasi berdasarkan t. Untuk itu, mereka mempertahankan T tetap. Sebagai contoh, ketika T = 4 diperoleh
untuk t=2
, untuk t=3
,
untuk t = 4
Semua kondisi momen dapat diperluas ke dalam GMM. Selanjutnya, untuk memperkenalkan penduga GMM, misalkan didefinisikan ukuran sampel yang lebih umum sebanyak T, sehingga dapat dituliskan
...(3.44) sebagai vektor tranformasi error, dan
...(3.45)
sebagai matriks instrumen. Setiap baris pada matriks berisi instrumen yang valid untuk setiap periode yang diberikan. Konsekuensinya, himpunan seluruh kondisi momen dapat dituliskan secara ringkas sebagai
...(3.46)
yang merupakan kondisi bagi 1+2+…+T-1. Untuk menurunkan penduga GMM, Persamaan (3.46) dituliskan sebagai
Karena jumlah kondisi momen umumnya akan melebihi jumlah koefisien yang belum diketahui, akan diduga dengan meminimumkan kuadrat momen sampel yang bersesuaian, yakni
... (3.48)
dengan adalah adalah matriks penimbang definit positif yang simetris. Dengan mendifrensiasikan Persamaan (3.58) terhadap akan diperoleh penduga GMM sebagai
...(3.49) Sifat dari penduga GMM (3.56) bergantung pada pemilihan yang konsisten selama definit positif, sebagai contoh yang merupakan matriks identitas.
Matriks penimbang optimal (optimal weighting matrix) akan memberikan penduga yang paling efisien karena menghasilkan matriks kovarian asimtotik terkecil bagi . Sebagaimana diketahui dalam teori umum GMM, diketahui bahwa matriks penimbang optimal proposional terhadap matriks kovarian invers dari momen sampel (Verbeek, 2000). Dalam hal ini, matriks penimbang optimal seharusnya memenuhi
...(3.50)
Dalam kasus biasa, dimana tidak ada restriksi yang dikenakan terhadap matriks kovarian , matriks penimbang optimal dapat diestimasi menggunakan first-step consistent estimator bagi dan mengganti operator ekspektasi dengan rata-rata sampel, yakni (two step estimator)
...(3.51)
Dengan menyatakan vektor residual yang diperoleh dari first-step consistent estimator.
Pendekatan GMM secara umum tidak menekankan bahwa pada seluruh individu dan waktu, dan matriks penimbang optimal kemudian diestimasi tanpa mengenakan restriksi. Sebagai catatan bahwa, ketidakberadaan autokorelasi dibutuhkan untuk menjamin validitas kondisi momen. Oleh karena pendugaan matriks penimbang optimal tidak terestriksi, maka dimungkinkan (dan sangat
dianjurkan bagi sampel berukuran kecil) menekankan ketidakberadaan autokorelasi pada dan juga dikombinasikan dengan asumsi homoskedastis. Dengan catatan di bawah restriksi
...(3.52)
matriks penimbang optimal dapat ditentukan sebagai one step estimator
...(3.53)
Sebagai catatan bahwa (3.53) tidak mengandung parameter yang tidak diketahui, sehingga penduga GMM yang optimal dapat dihitung dalam satu langkah bila error diasumsikan homoskedastis dan tidak mengandung autokorelasi.
Jika model data panel dinamis mengandung variabel eksogenus, maka Persamaan (3.40) dapat dituliskan kembali menjadi
...(3.54)
Parameter persamaan (3.54) juga dapat diestimasi menggunakan generalisasi variabel instrumen atau pendekatan GMM. Bergantung pada asumsi yang dibuat terhadap , sekumpulan instrumen tambahan yang berbeda dapat dibangun. Bila
strictly exogenous dalam artian bahwa tidak berkorelasi dengan sembarang
error , akan diperoleh
; untuk setiap s dan t ...(3.55)
sehingga dapat ditambah ke dalam daftar instrumen untuk persamaan
first difference setiap periode. Hal ini akan membuat jumlah baris pada menjadi besar. Selanjutnya, dengan mengenakan kondisi momen
; untuk setiap t ...(3.56)
Matriks instrumen dapat dituliskan sebagai
...(3.57)
Bila variabel tidak strictly exogenous melainkan predetermined, dalam kasus di mana dan lag tidak berkorelasi dengan bentuk error saat ini, akan diperoleh , untuk s ≥ t. Dalam kasus dimana hanya
instrumen yang valid bagi persamaan first difference pada periode t, kondisi momen dapat dikenakan sebagai
...(3.58)
Dalam prakteknya, kombinasi variabel x yang strictly exogenous dan
predetermined dapat terjadi lebih dari sekali. Matriks kemudian dapat disesuaikan.
System GMM (SYS-GMM)
Ide dasar dari penggunaan metode Sys-GMM adalah untuk mengestimasi sistem persamaan baik pada first-differences maupun pada level, dimana instrumen yang digunakan pada level adalah lag first-differences dari deret. Blundell dan Bond (1998) menyatakan pentingnya pemanfaatan initial condition
dalam menghasilkan penduga yang efisien dari model data panel dinamis ketika T berukuran kecil. Misalkan diberikan model autoregresif data panel dinamis tanpa regresor eksogen sebagai berikut:
...(3.59)
dengan , dan untuk i =1, 2,…, N; t = 1, 2,…,T. Dalam hal ini, Blundel dan Bond memfokuskan pada T = 3, oleh karenanya hanya terdapat satu kondisi ortogonal yang diberikan oleh sedemikian sehingga tepat teridentifikasi (just identified). Dalam kasus ini, tahap pertama dari regresi variabel instrumen diperoleh dengan meregresikan pada . Perhatikan bahwa regresi ini dapat diperoleh dari Persamaan (3.66) yang dievaluasi pada saat t=2 dengan mengurangi kedua ruas pada persamaan tersebut, yakni:
...(3.60)
Dikarenakan ekspektasi , maka akan bias ke atas (upward biased) dengan
...(3.61) dengan . Bias dapat menyebabkan koefisien estimasi dari variabel instrumen mendekati nol. Selain itu, nilai statistik-F dari regresi
variabel intsrumen tahap pertama akan konvergen ke dengan parameter non- centrality
, dengan ...(3.62) Karena maka penduga variabel instrumen menjadi lemah. Di sini, Blundell dan Bond mengaitkan bias dan lemahnya presisi dari penduga FD-GMM dengan masalah lemahnya instrumen, yang mana dicirikan dari parameter konsentrasi .
3.3 Spesifikasi Model
Model yang digunakan dalam penelitian ini merujuk pada model yang digunakan oleh Chen dan Gupta (2006), serta Chang et al. (2009). Model Chen dan Gupta (2006) mendefinisikan pertumbuhan ekonomi sebagai fungsi dari keterbukaan perdagangan, penanaman modal asing, investasi domestik, kesiapan finansial, tingkat inflasi, pengeluaran pemerintah, tingkat pendidikan, dan nilai tukar perdagangan (term of trade). Model tersebut digunakan dalam penelitaannya “An Investigation of Openness and Economic Growth Using Panel Estimation” untuk negara-negara di Kawasan Afrika Bagian Selatan (The Southern Africa Development Community, SADC) periode 1990-2003. Sementara itu, model Chang et al. (2009) yang digunakan dalam penelitiannya “Openness Can be Good
for Growth: The Role of Policy Complementarities” mendefinisikan pertumbuhan ekonomi sebagai fungsi dari keterbukaan perdagangan, infrastruktur publik, sektor finansial, stabilitas inflasi, dan tingkat pendidikan.
Berdasarkan baseline model tersebut, selanjutnya dilakukan pemilihan dan penambahan beberapa variabel yang disesuaikan dengan obyek dan fokus penelitian serta pertimbangan pada ketersediaan data. Akhirnya, model yang digunakan dalam penelitian ini adalah:
LnGDPit = 0 + 1 LnOPENit + 2 LnFDIit +3 LnFINit + 4 LnCPIit + 5
LnINFRAit + 8 LnEDUit + 9 LnTECHit +10 LnEMPit + εit ...(3.63)
keterangan:
LnGDP = Nilai produk domestik bruto (miliar US$), dalam log natural (ln) LnOPEN = Pangsa perdagangan terhadap PDB sebagai indikator keterbukaan
LnFDI = Nilai penanaman modal asing (miliar US$), dalam log natural (ln) LnFIN = Jumlah kredit domestik yang disediakan oleh sektor perbankan
(miliar US$) sebagai proksi kesiapan sektor finansial, dalam log natural (ln)
LnCPI = Indeks harga konsumen (IHK) dengan tahun dasar 2005, dalam log natural (ln)
LnINFRA= Jumlah pasokan listrik (miliar kwh) sebagai proksi ketersediaan infrastruktur, dalam log natural (ln)
LnEDU = Banyaknya mahasiswa perguruan tinggi (juta orang) sebagai proksi investasi modal manusia, dalam log natural (ln)
LnTECH = Pengeluaran untuk riset dan pengembangan (miliar US$) sebagai proksi kemajuan teknologi, dalam log natural (ln)
LnEMP = Jumlah penduduk yang bekerja (juta orang), dalam log natural (ln). Dari persamaan (3.63) dimodifikasi dengan memasukkan interaksi antara variabel keterbukaan (LnOPEN) dengan variabel kontrol. Persamaannya menjadi sebagai berikut:
LnGDPit =0 + k (X)it + j (LnOPEN)it * (Z)it+ εit ...(3.64)
.keterangan:
Xit = Variabel-variabel struktural yang terdapat pada persamaan (3.63) Zit = Subset variabel Xit, yang meliputi variabel penanaman modal asing
(LnFDI), kesiapan sektor finansial (LnFIN), infrastruktur (LnINFRA), tingkat inflasi (LnCPI), tingkat pendidikan (LnEDU), kemajuan teknologi (LnTECH), dan jumlah pekerja (LnEMP)
k = Koefisien parameter pada variabel-variabel struktural
3.4 Definisi Variabel Operasional
Definisi operasional variabel-variabel yang digunakan dalam model sebagai berikut:
1. Produk domestik bruto (PDB) adalah nilai barang dan jasa akhir (final goods and services) yang dihasilkan oleh suatu perekonomian (negara) selama satu tahun. Dalam penelitian ini digunakan PDB riil dengan tahun dasar 2000.
2. Keterbukaan perdagangan adalah jumlah nilai ekspor dan impor selama satu tahun dibagi dengan nilai PDB.
Nilai ekspor dihitung berdasarkan nilai FOB (freight on board)meliputi nilai barang dan jasa, biaya angkut, asuransi, royalti, lisensi, dan jasa lainnya.
Impor dihitung berdasarkan nilai CIF (cost insurance and freight) meliputi nilai barang dan jasa, biaya angkut, asuransi, royalti, lisensi, dan jasa lainnya. 3. Penanaman modal asing (PMA) adalah jumlah investasi yang berasal dari
luar negeri meliputi ekuitas modal, keuntungan yang diinvestasikan kembali, modal jangka panjang dan jangka pendek sebagaimana yang tertera dalam neraca pembayaran (balance of payment).
4. Kredit domestik yang disalurkan oleh sektor perbankan adalah seluruh kredit yang disalurkan oleh perbankan dan lembaga keuangan lainnya, seperti lembaga simpan pinjam, koperasi, dan BPR (bank perkreditan rakyat). Dalam penelitian ini, sebagai proksi kesiapan sektor finansial dalam perekonomian digunakan jumlah kredit domestik yang disalurkan oleh sektor perbankan.
5. Indeks harga konsumen (IHK) mengukur biaya pembelian sekelompok tetap barang dan jasa selama periode waktu tertentu. Dalam penelitian ini digunakan IHK dengan tahun dasar 2005 (IHK tahun 2005 = 100). IHK dipilih dalam penghitungan inflasi karena lebih menggambarkan perubahan daya beli masyarakat di tingkat konsumen.
Inflasi adalah kenaikan harga-harga secara umum dalam perekonomian yang berlangsung terus-menerus.
6. Infrastruktur adalah seluruh sarana dan prasarana publik yang dapat digunakan sebagai fasilitas pendukung dalam suatu kegiatan perekonomian, meliputi sarana jalan, pelabuhan, bandar udara, kelistrikan, jaringan telepon,
dan sebagainya. Dalam penelitian ini digunakan jumlah pasokan listrik sebagai proksi ketersediaan infrastruktur.
7. Modal manusia (human capital) adalah sumberdaya yang melekat pada diri manusia seperti penguasaan ilmu dan pengetahuan, keterampilan, pengalaman, dan lainnya. Dalam penelitian ini digunakan jumlah mahasiswa perguruan tinggi sebagai proksi investasi modal manusia.
8. Jumlah pekerja adalah banyaknya penduduk berumur 15 tahun ke atas yang melakukan aktivitas ekonomi (bekerja) selama periode waktu tertentu.
3.5 Prosedur Analisis
Parameter model data panel statis pada Persamaan (3.63) akan diestimasi dengan menggunakan model pooled least square (PLS), fixed effect model (FEM)
dan random effect model (REM). Tahap pertama adalah uji Chow untuk pemilihan model terbaik antara PLS dan FEM. Uji dilakukan dengan membandingkan nilai F-hitung dan F-statistik. Hipotesis yang digunakan adalah:
H0 : 1= 2= … = i (memiliki nilai intercept sama)
H1 : sekurang-kurangnya ada 1(satu) intercept yang berbeda
Kesimpulan yang dapat diambil dari hasil uji, dengan melihat kondisi sebagai berikut:
Jika F-hitung ≤ F-tabel maka dikatakan terima H0 (tidak signifikan), artinya model PLS lebih baik daripada FEM.
Jika F-hitung > F-tabel maka dikatakan tolak H0 (signifikan), artinya FEM lebih baik daripada PLS.
Tahap Kedua adalah uji Hausman untuk menentukan model yang lebih baik antara FEM dan REM. Uji dilakukan dengan menggunakan hipotesa sebagai berikut:
H0: E( i | xit) = 0 atau REM adalah model yang tepat H1: E( i | xit) ≠ 0 atau FEM adalah model yang tepat
Sebagai dasar penolakan H0 digunakan statistik Hausman dan membandingkannya
dengan Chi square ( 2). Jika nilai 2 hitung hasil pengujian lebih besar dari 2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga pendekatan yang digunakan adalah FEM, begitu juga sebaliknya.
Menurut Hsiao (2003) ketika uji pemilihan FEM atau REM tidak dapat ditentukan secara teoritis maka sebaiknya ditentukan berdasarkan keadaan datanya, apakah berupa data sampel atau populasi. Metode REM digunakan jika data diambil dari sampel individu atau beberapa individu yang dipilih secara acak untuk menarik kesimpulan tentang populasinya. Namun jika evaluasi meliputi seluruh individu dalam populasi atau hanya meliputi beberapa individu dengan penekanan pada individu-individu tersebut maka lebih baik menggunakan metode FEM.
Tahap ketiga, jika model yang terpilih setelah dilakukan uji Chow dan uji Hausman adalah REM maka model diasumsikan best linier unbiased estimator (BLUE) dan tidak perlu dilakukan pengujian terhadap tiga asumsi utama model BLUE (non-multicolinierity, homoskedasticity, dan non-autocorelation). Hal ini dikarenakan dua alasan, yaitu: (i) sifat data panel adalah bebas dari gejala multikolinieritas; dan (ii) REM adalah model generalized least square (GLS), dan estimasi dengan menggunakan GLS secara otomatis sudah terbebas dari gejala autokorelasi, bahkan terbebas dari gejala heteroskedastisitas yang disebabkan variansi sisaannya konstan (Gujarati, 2004).
Namun, jika model yang terpilih dalam uji Chow dan uji Hausman tersebut adalah FEM maka dilakukan beberapa uji asumsi sebagai berikut:
(i). Uji Homoskedastisitas
Salah satu asumsi yang harus dipenuhi dalam persamaan regresi adalah bahwa taksiran parameter dalam model regresi bersifat BLUE maka varian (ui)
harus sama dengan σ2
(konstan), atau semua residual atau error memiliki varian yang sama. Kondisi itu disebut dengan homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas dapat menggunakan metode GLS cross section weights, yakni membandingkan jumlah kuadrat residual (sum square residual) antara weighted statistics dengan unweighted statistics. Jika jumlah kuadrat residual pada weighted statistics ternyata lebih kecil maka dapat dinsimpulkan terjadi heteroskedastisitas pada model.
(ii). Uji Autokorelasi
Autokorelasi adalah korelasi yang terjadi antarobservasi dalam satu peubah atau korelasi antara error masa yang lalu dengan error saat ini. Uji autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang digunakan. Autokorelasi dapat memengaruhi efisiensi dari penduganya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson (DW). Untuk mengetahui ada atau tidaknya autokorelasi dilakukan dengan membandingkan nilai DW-hitung dan DW-tabel. Adapun kerangka identifikasi autokorelasi terangkum dalam Tabel 3. Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola error acak dari hasil regresi.
Tabel 3 Kerangka identifikasi autokorelasi
Nilai DW Hasil
4 – dL < DW < 4 Terdapat korelasi serial negatif 4 – dU < DW < 4- dL Hasil tidak dapat ditentukan 2 < DW < 4 – dU Tidak ada korelasi serial dU < DW < 2 Tidak ada korelasi serial dL < DW < dU Hasil tidak dapat ditentukan 0 < DW < dL Terdapat korelasi serial positif Sumber: Gujarati (2004)
Sementara itu, untuk menduga parameter pada model data panel dinamis akan digunakan metode first differences-generalized method of moments (FD- GMM) dan system-generalized method of moments (Sys-GMM). Pertama, estimasi dilakukan dengan metode FD-GMM, kemudian dilakukan uji validitas dan konsistensi instrumen yang digunakan. Apabila hasil uji tidak memperoleh instrumen yang valid dan sekaligus konsisten pada metode ini, maka akan dilanjutkan dengan penggunaan metode Sys-GMM. Uji validitas dan konsistensi juga dilakukan pada metode Sys-GMM.
Untuk menguji validitas instrumen digunakan uji Sargan. Uji Sargan untuk
overidentifying restriction merupakan suatu pendekatan untuk mendeteksi apakah ada masalah dengan validitas instrumen. Hipotesis nol untuk uji ini menyatakan bahwa tidak ada masalah dengan validitas instrumen (instrumen valid) dalam
artian bahwa instrumen tersebut tidak berkorelasi dengan error pada model. Hasil uji yang diharapkan adalah terima H0 pada taraf nyata 5 persen.
Sementara itu, untuk melihat konsistensi hasil estimasi yang dihasilkan model dapat dilakukan dengan uji autokorelasi menggunakan statistik Arrellano- Bond m1 dan m2. Konsistensi hasil estimasi model ditunjukkan oleh nilai statistik m1 yang signifikan dan nilai statistik m2 yang tidak signifikan.
Setelah diperoleh model terbaik di antara ketiga pendekatan dalam model data panel statis, selanjutnya akan dikomparasikan dengan hasil estimasi pada model data panel dinamis untuk kemudian ditelaah dan dianalisis lebih lanjut. Selain itu, akan diuji juga tingkat signifikansi dan tanda dari setiap koefisien estimasi yang diperoleh. Tanda koefisien estimasi ini kemudian dianalisis apakah sesuai atau relevan dengan harapan teoritis. Dari hasil estimasi kedua pendekatan tersebut selanjutnya akan dilakukan telaah dan analisis untuk menjawab tujuan dan hipotesis penelitian.
Seluruh pengolahan data, baik pada model data panel statis maupun dinamis, akan dilakukan dengan bantuan program komputer STATA v10.0 dan Eviews 6.0. Pemilihan program ini dikarenakan ketersedian tools untuk pengolahan data sekaligus pengujian berbagai asumsi yang disyaratkan.