Pemilihan Model Regresi Data Panel

HASIL DAN PEMBAHASAN

2. Pemilihan Model Regresi Data Panel

Dalam penelitian ini, metode yang akan digunakan untuk menganalisis data sampel yang telah dikumpulkan ialah dengan menggunakan regresi data panel, dimana Data panel (pool) yang merupakan gabungan antara data runtun waktu (time series) dengan data silang (cross section) memiliki gabungan karakteristik yaitu data yang terdiri atas beberapa obyek dan meliputi beberapa waktu (Widarjono, 2018).

Dalam metode estimasi model regresi dengan data panel, dapat dilakukan melalui 3 pendekatan, yaitu Common Effect Model (CEM), Fixed Effect Model (FEM), dan Random Effect Model (REM).

83 Tabel 4.4

Hasil Regresi Data Panel Common Effect Model

Sumber : Output Eviews, 2020 Dependent Variable: JUMLAH_PENDUDUK_MISKIN Method: Panel Least Squares

Date: 01/14/21 Time: 11:41 Sample: 2015 2019

Periods included: 5

Cross-sections included: 22

Total panel (balanced) observations: 110

Variable Coefficient Std. Error t-Statistic Prob. C -2032067. 1695323. -1.198632 0.2333 ASET 105925.1 67541.36 1.568300 0.1198 PEMBIAYAAN 1.48E-06 1.93E-07 7.684973 0.0000 NPF -1878574. 899109.7 -2.089371 0.0391 R-squared 0.624682 Mean dependent var 1022367. Adjusted R-squared 0.614060 S.D. dependent var 1341798. S.E. of regression 833579.5 Akaike info criterion 30.14053 Sum squared resid 7.37E+13 Schwarz criterion 30.23873 Log likelihood -1653.729 Hannan-Quinn criter. 30.18036 F-statistic 58.80908 Durbin-Watson stat 0.123916 Prob(F-statistic) 0.000000

84 Tabel 4.5

Hasil Regresi Data Panel Fixed Effect Model Dependent Variable: JUMLAH_PENDUDUK_MISKIN

Method: Panel Least Squares Date: 01/14/21 Time: 11:45 Sample: 2015 2019

Periods included: 5

Cross-sections included: 22

Total panel (balanced) observations: 110

Variable Coefficient Std. Error t-Statistic Prob. C -8094.684 389586.5 -0.020778 0.9835 ASET 51142.92 15233.75 3.357212 0.0012 PEMBIAYAAN -8.26E-07 3.98E-08 -20.75551 0.0000 NPF 83681.87 110857.8 0.754858 0.4524

Effects Specification Cross-section fixed (dummy variables)

R-squared 0.998578 Mean dependent var 1022367. Adjusted R-squared 0.998177 S.D. dependent var 1341798. S.E. of regression 57289.96 Akaike info criterion 24.94635 Sum squared resid 2.79E+11 Schwarz criterion 25.56010 Log likelihood -1347.050 Hannan-Quinn criter. 25.19529 F-statistic 2487.795 Durbin-Watson stat 1.779877 Prob(F-statistic) 0.000000

Sumber : Output eviews, 2020

Setelah mendapatkan hasil regresi dengan menggunakan model common effect dan fixed effect, maka langkah selanjutnya adalah melakukan uji Chow sebagai uji pemilihan model regresi data panel untuk menentukan model estimasi yang lebih tepat antara model common effect dan fixed effect.

Langkah yang dilakukan untuk uji Chow adalah dengan melakukan uji likelihood ratio menggunakan Eviews setelah melakukan regresi dengan menggunakan model common effect dan fixed effect.

85

Berikut hasil dari uji likelihood ratio untuk uji Chow pada tabel di bawah ini:

Tabel 4.6 Hasil Uji Chow

Sumber : Output Eviews, 2020

Tujuan Uji Chow ialah untuk membandingkan model common effect dan fixed effect untuk mendapatkan model regresi yang lebih tepat diantara kedua model tersebut. Hipotesis dari Uji Chow adalah:

H₀ ∶ 𝐶𝑜𝑚𝑚𝑜𝑛 𝐸𝑓𝑓𝑒𝑐𝑡 𝑀𝑜𝑑𝑒𝑙 H₁ ∶ 𝐹𝑖𝑥𝑒𝑑 𝐸𝑓𝑓𝑒𝑐𝑡 𝑀𝑜𝑑𝑒𝑙

Apabila nilai probabilitas F ≥ 0,05 artinya H0 diterima,maka model yang dipilih adalah Common Effect Model. Namun jika probabilitas F < 0,05 artinya H0

ditolak, yang berarti model regresi yang paling tepat digunakan adalah Fixed Effect Model. Dilihat pada hasil uji Chow diatas, nilai probabilitas F lebih kecil dari alpha (0,05), yakni sebesar 0,0000 sehingga H0 ditolak dan H1 diterima. Maka dari itu model yang paling tepat adalah Fixed Effect Model.

Setelah mendapatkan model yang tepat pada hasil uji Chow yaitu Fixed Effect Model, maka selanjutnya akan dilakukan uji Hausman untuk menguji model yang lebih tepat antara Fixed Effect Model atau Random Effect Model. Sebelum melakukan uji Hausman, dilakukan regresi Random Effect Model terlebih dahulu.

Redundant Fixed Effects Tests Equation: Untitled

Test cross-section fixed effects

Effects Test Statistic d.f. Prob.

Cross-section F 1064.573206 (21,85) 0.0000 Cross-section Chi-square 613.359486 21 0.0000

86 Tabel. 4.7

Hasil Regresi Data Panel Random Effect Model

Sumber : Output Eviews, 2020 Dependent Variable: JUMLAH_PENDUDUK_MISKIN Method: Panel EGLS (Cross-section random effects) Date: 01/14/21 Time: 11:54

Sample: 2015 2019 Periods included: 5

Cross-sections included: 22

Total panel (balanced) observations: 110

Swamy and Arora estimator of component variances

Variable Coefficient Std. Error t-Statistic Prob. C -227803.4 422834.3 -0.538753 0.5912 ASET 59218.52 15131.12 3.913690 0.0002 PEMBIAYAAN -7.92E-07 3.96E-08 -20.00759 0.0000 NPF 81268.43 110716.2 0.734025 0.4646 Effects Specification S.D. Rho Cross-section random 800507.3 0.9949 Idiosyncratic random 57289.96 0.0051 Weighted Statistics

R-squared 0.693831 Mean dependent var 32704.90 Adjusted R-squared 0.685166 S.D. dependent var 133534.4 S.E. of regression 74926.30 Sum squared resid 5.95E+11 F-statistic 80.07129 Durbin-Watson stat 0.843759 Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared -0.550827 Mean dependent var 1022367. Sum squared resid 3.04E+14 Durbin-Watson stat 0.001650

87

Setelah dilakukan regresi random effect model, selanjutnya dilakukan uji hausman. Hasil dari uji Hausman ialah sebagai berikut:

Tabel 4.8 Hasil Uji Hausman Correlated Random Effects - Hausman Test

Equation: Untitled

Test cross-section random effects

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Cross-section random 78.308173 3 0.0000

Sumber : Output Eviews, 2020

Hipotesis yang digunakan dalam Uji Hausman yaitu: H₀ ∶ 𝑅𝑎𝑛𝑑𝑜𝑚 𝐸𝑓𝑓𝑒𝑐𝑡 𝑀𝑜𝑑𝑒𝑙

H₁ ∶ 𝐹𝑖𝑥𝑒𝑑 𝐸𝑓𝑓𝑒𝑐𝑡 𝑀𝑜𝑑𝑒𝑙

Apabila nilai probabilitas Chi-Square ≥ 0,05 artinya H0 diterima, yang berarti model regresi yang paling tepat digunakan adalah Random Effect Model. Namun jika probabilitas Chi-Square < 0,05 artinya H0 ditolak, maka model regresi yang paling tepat ialah Fixed Effect Model. dari hasil uji Chow diatas, nilai probabilitas lebih kecil dari alpha (0,05), yakni sebesar 0,0000 sehingga H0 ditolak dan H1

diterima. Sehingga model yang paling tepat dari hasil uji diatas adalah Fixed Effect Model.

3. Uji Asumsi Klasik a. Uji Normalitas

Uji normalitas dilakukan untuk menguji apakah pada suatu model regresi, suatu variabel independen dan variabel dependen ataupun keduanya mempunyai distribusi normal atau tidak normal. Metode yang digunakan untuk mendeteksi adanya normalitas dalam penelitian ini adalah dengan uji Jarque-bera. Berikut adalah hasil uji Normalitas.

88 Tabel 4.9 Hasil Uji Normalitas

Sumber : Output Eviews, 2020

Dari hasil uji Normaitas diatas, didapat nilai probabilitas sebesar 0,068816 .Jika nilai probabilitasnya lebih besar dari taraf signifikan (alpha = 0,05), maka nilai residualnya terdistribusi normal. Dengan demikian nilai probabilitas 0,068816 > 0,05 maka nilai residual terdistribusi normal.

b. Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Untuk mengetahui ada atau tidaknya multikolinieritas digunakan uji correlation dengan menggunakan matriks korelasi. Menurut Widarjono (2018) cara untuk mengetahui multikolinearitas dalam suatu model, salah satunya ialah dengan melihat koefisien korelasi hasil output komputer. Jika terdapat keofisien korelasi yang lebih besar dari 0,85 maka terdapat gejala multikolinearitas. Berdasarkan hasil perhitungan yang dilakukan dengan Eviews, didapat hasil uji multikolinieritas sebagai berikut:

89 Tabel 4.10

Hasil Uji Multikolinearitas

Sumber : Output Eviews, 2020

Berdasarkan tabel hasil uji multikolinearitas diatas, dapat diketahui bahwa nilai koefisien korelasi antar variabel independen berada pada kisaran angka dibawah 0,85 sehingga dapat dinyatakan bahwa data yang digunakan dalam penelitian ini terbebas dari masalah multikolinearitas.

c. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Uji heteroskedastisitas pada penelitian ini menggunakan metode White. Metode ini merupakan pengembangan metode yang tidak memerlukan asumsi tentang adanya normalitas pada variabel gangguan. Apabila nilai Probabilitas Chi-Square pada nilai Obs*R-squared lebih kecil dari α=5% maka data bersifat heteroskedastisitas begitu pula sebaliknya.

Tabel 4.11

Hasil Uji Heteroskedastisitas

Sumber : Output Eviews,2020

ASET PEMBIAYAAN NPF

ASET 1.000000 0.736108 -0.033636

PEMBIAYAAN 0.736108 1.000000 0.063679

NPF -0.033636 0.063679 1.000000

Heteroskedasticity Test: White

F-statistic 1.451058 Prob. F(3,106) 0.2322 Obs*R-squared 4.339242 Prob. Chi-Square(3) 0.2271 Scaled explained SS 4.020478 Prob. Chi-Square(3) 0.2593

90

Hasil output pada tabel menunjukan nilai Prob. Chi-Square pada Orbs*R-squared adalah sebesar 0,2271 > α = 0,05. Dengan demikian dapat disimpulkan bahwa data tidak mengandung heteroskedastisitas.

d. Uji Autokorelasi

Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi ada korelasi antara kesalahan pengganggu pada periode-t dengan kesalahan pengganggu pada periode t-1. Uji autokorelasi pada penelitian ini menggunakan uji Breusch Goodfrey Serial Corellation LM Test. Dipilihnya uji ini karena Breusch Goodfrey Serial Corellation LM Test merupakan pengembangan dari kelemahan-kelemahan uji Durbin–Watson. Uji ini dapat menjelaskan apabila nilai Probabilitas Chi-Square lebih kecil dari α=5% maka data bersifat Autokorelasi begitu pula sebaliknya.

Tabel 4.12 Hasil uji Autokorelasi

Sumber Output Eviews

Hasil output pada tabel menunjukan nilai Prob. Chi-Square adalah sebesar 0,9658 > α = 0,05. Dengan demikian dapat disimpulkan bahwa data tidak mengandung heteroskedastisitas.

4. Uji Signifikansi