BAB III METODE PENELITIAN
3.8 Teknik Analisis Data
3.8.3 Pemilihan Model Analisis Regresi Data Panel. 50
Data panel adalah data yang dikumpulkan secara cross section dan pada periode waktu tertentu. Karena data panel merupakan gabungan dari data cross section dan time series, jumlah pengamatan menjadi sangat banyak. Oleh karena itu diperlukan teknik tersendiri untuk mengatasi model yang menggunakan data panel. Terdapat beberapa teknik yang ditawarkan, yaitu:
1. Common Effect Model atau Pooled Least Square
Teknik ini hampir mirip dengan membuat regresi dengan cross section atau time series. Tetapi, untuk data panel, sebelum membuat regresi atau cross section dan data time series harus digabungkan terlebih dahulu.
2. Model Efek Tetap (Fixed Effect Model)
menghadapi omitted-variables, yang mungkin membawa perubahan pada intercept time series atau cross section.
3. Model Efek Random (Random Effect Model)
Pendekatan random effect memperbaiki efisiensi proses least square dengan memperhitungkan error dari cross section dan time series. Model random effect adalah variasi dari estimasi generalized least square (GLS).
Adapun langkah-langkah dalam melakukan pemilihan model data panel adalah sebagai berikut:
1. Uji Chow (Common Effect Model atau Fixed Effect Model)
Uji Chow merupakan uji untuk membandingkan model common effect dengan fixed effect (Widarjono, 2009). Uji Chow dalam penelitian ini menggunakan program Eviews. Hipotesis yang dibentuk dalam Chow test adalah sebagai berikut:
H0 : Model CEM lebih baik dibandingkan model FEM.
H1 : Model FEM lebih baik dibandingkan model CEM Dengan kriteria pengambilan keputusan:
Terima H0 bila p-value > nilai signifikan (0,05).
Tolak H0 (terima H1) bila p-value < nilai signifikan (0,05).
2. Uji Hausman (Random Effect Model atau Fixed Effect Model)
Pengujian ini membandingkan model fixed effect dengan random effect dalam menentukan model yang terbaik untuk digunakan sebagai model regresi data panel (Gujarati, 2012). Hausman test menggunakan program yang serupa dengan Chow test yaitu program Eviews.
52
Hipotesis yang dibentuk dalam Hausman test adalah sebagai berikut:
H0 : Model REM lebih baik dibandingkan model FEM.
H1 : Model FEM lebih baik dibandingkan model REM Dengan kriteria pengambilan keputusan:
Terima H0 bila p-value > nilai signifikan (0,05).
Tolak H0 (terima H1) bila p-value < nilai signifikan (0,05).
3. Uji Lagrange Multiplier (Common Effect Model atau Random Effect Model) Uji Lagrange Multiplier merupakan uji untuk membandingkan model common effect dengan random effect. Uji Lagrange Multiplier dalam penelitian ini menggunakan program Eviews. Hipotesis yang dibentuk dalam uji Lagrange Multiplier adalah sebagai berikut:
H0 : Model CEM lebih baik dibandingkan model REM.
H1 : Model REM lebih baik dibandingkan model CEM Dengan kriteria pengambilan keputusan:
Terima H0 bila p-value > nilai signifikan (0,05).
Tolak H0 (terima H1) bila p-value < nilai signifikan (0,05).
3.8.4 Uji Asumsi Klasik
Uji asumsi klasik dilakukan apabila model yang terpilih adalah Common Effect Model (CEM) atau Fixed Effect Model (FEM). Bila yang terpilih adalah model Random Effect Model (REM) maka tidak perlu melakukan uji asumsi klasik karena persamaan yang memenuhi asumsi klasik hanya persamaan yang menggunakan metode Generalized Least Square (GLS). Dalam
sedangkan FEM dan CEM menggunakan Ordinary Least Square (OLS). Dengan demikian perlu atau tidaknya pengujian asumsi klasik dalam penelitian ini tergantung pada hasil pemilihan metode estimasi. Apabila berdasarkan pemilihan metode estimasi yang sesuai untuk persamaan regresi adalah REM, maka tidak perlu dilakukan uji asumsi klasik. Sebaliknya, apabila persamaan regresi lebih cocok menggunakan CEM atau FEM (OLS) maka perlu dilakukan uji asumsi klasik. (Gujarati & Porter, 2009).
Adapun syarat Asumsi Klasik yang harus dipenuhi model regresi berganda sebelum data tersebut dianalisis adalah sebagai berikut:
1. Uji Normalitas
Menurut Ghozali (2013), uji normalitas bertujuan untuk mengetahui apakah masing-masing variabel berdistribusi normal atau tidak. Uji normalitas diperlukan karena untuk melakukan pengujian variabel lainnya dengan mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar maka uji statistik menjadi tidak valid dan statistik parametrik tidak dapat digunakan.
Model regresi yang baik adalah model yang memliki residual normal. Jika residual normal maka hasil penelitian bisa di generalisasikan. Dalam penggunaan Eviews, uji normalitas residu dapat ditempuh dengan Uji Jarque-Bera (J-B test) dengan hipotesis sebagai berikut:
H0 : Jika nilai probabilitas ≥ 0,05 maka asumsi normalitas terpenuhi.
H1 : Jika nilai probabilitas < 0,05 maka asumsi normalitas tidak terpenuhi.
54
2. Uji Heterokedastisitas
Menurut Basuki dan Prawoto (2016), ”Heteroskedastisitas adalah adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Heteroskedastisitas timbul pada saat asumsi bahwa variance dari faktor error adalah konstan untuk semua nilai dari variabel bebas yang tidak dipenuhi”. Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadinya heteroskedastisitas.
Uji heteroskedastisitas dalam penelitian ini menggunakan uji Glejser yang tersedia dalam program Eviews, dengan hipotesis sebagai berikut:
H0 : Tidak terjadi heteroskedastisitas H1 : Terjadi heteroskedastisitas
Dengan kriteria pengambilan keputusan adalah jika seluruh nilai probabilitas dari uji Glejser semua variabel ≥ 0,05, maka H0 diterima, yang berarti tidak terjadi masalah heteroskedasitas.
3. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada masalah autokorelasi (Ghozali, 2013). Untuk mendeteksi adanya autokorelasi dalam penelitin ini digunakan uji Durbin-Watson.
Kriteria pengambilan keputusan:
Tabel 3.4
Kriteria Pengambilan Keputusan Uji Durbin Watson
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl Tidak ada autokorelasi positif No Decision dl ≤ d ≤ du Tidak ada autokorelasi negatif Tolak 4 − dl < d < 4 Tidak ada autokorelasi negatif No Decision 4 − du ≤ d ≤ 4 – dl Tidak ada autokorelasi positif atau negatif Tidak Ditolak du < d < 4 – du Sumber: Lampiran 13.
4. Uji Multikolinieritas
Menurut Ghozali (2013), uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Pada model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Jika variabel bebas saling berkorelasi, maka variabel ini tidak orthogonal. Variabel orthogonal adalah variabel bebas yang nilai korelasi antara variabel bebasnya sama dengan nol. Multikolinieritas dapat diketahui dari uji matriks korelasi.
Dasar pengambilan keputusan sebagai berikut:
H0: Jika nilai korelasi antar variabel independen berada diantara -0,8 dan 0,8 berarti tidak terjadi multikolinearitas.
H1: Jika nilai korelasi antar variabel independen ≤-0,8 atau ≥0,8 berarti terjadi multikolinearitas.