DAN TENAGA KERJA TERHADAP PDRB
5.1. Penentuan Model Persamaan Regres
Untuk mengestimasi parameter model regresi dengan data panel, terdapat 3 model yang biasa digunakan, yaitu: Common Effects Model atau Pooled, Fixed Effects Model, dan Random Effects Model. Setelah dilakukan penghitungan data dengan bantuan software Eviews 6.0, didapatkan nilai dari masing-masing model sebagai berikut:
Tabel 6. Nilai Variabel Independen dari Masing-masing Model Persamaan
VARIABEL Common Effects Fixed Effects Random Effects Constanta Coefficient Std. error p-value -8,298807 1,075814 0,0000 3,220843 0,746253 0,0000 1,831794 0,695988 0,0095 G Belanja Pemda Coefficient Std. error p-value 1,443890 0,177043 0,0000 0,110092 0,062999 0,0841 0,183637 0,059912 0,0026 I Infrastruktur Coefficient Std. error p-value 0,092727 0,055073 0,0946 0,256128 0,049438 0,0000 0,200098 0,042072 0,0000 L Tenaga Kerja Coefficient Std. error p-value 0,574507 0,096129 0,0000 0,295785 0,065230 0,0000 0,371886 0,059028 0,0000 R square 0,640109 0,998318 0,408023 p-value (F-statistics) 0,000000 0,000000 0,000000 Sumber: data olahan
Ketiga model persamaan data panel menunjukkan bahwa semua variabel independen (Belanja Pemerintah, Infrastruktur, dan Tenaga Kerja) memiliki pengaruh yang positif terhadap variabel dependen (PDRB). Selain itu, nilai p- value secara keseluruhan (F-statistics) menunjukkan nilai kurang dari α. Hal ini
52
berarti bahwa setiap variabel independen keseluruhan, memiliki pengaruh yang signifikan terhadap variabel dependen.
Guna menentukan model regresi mana yang paling sesuai dengan karakter data yang digunakan, dilakukan sejumlah pengujian. Alat uji pertama adalah Uji Statistik F atau Likehood Ratio Test untuk menentukan mana yang lebih baik antara model Common Effects dengan model Fixed Effects. Hasilnya dapat dilihat pada tabel berikut:
Tabel 7. Hasil Uji Statistik F atau Likelihood Ratio Test
Effects Test Statistic d.f. Prob.
Cross-section F 421,162630 (44,87) 0,0000
Cross-section Chi-square 724,407891 44 0,0000
Sumber: data olahan
Melihat nilai p-value sebesar 0,0000 untuk Cross-section F, yang berarti kurang dari α = 0,05 (Keputusan: tolak Ho) sehingga dapat disimpulkan dengan tingkat keyakinan 95 persen bahwa Model Fixed Effects lebih baik daripada Model Common Effects.
Selanjutnya, untuk mengetahui mana yang lebih baik antara model Fixed Effects dengan model Random Effects dilakukan pengujian dengan Hausman Test. Hasilnya tersaji dalam tabel berikut:
Tabel 8. Hasil Hausman Test
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Cross-section random 38,136352 3 0,0000
Sumber: data olahan
Melihat nilai p-value sebesar 0,0000 untuk Cross-section Random, yang berarti kurang dari α = 0,05 (Keputusan: tolak Ho) sehingga dapat disimpulkan dengan tingkat keyakinan 95 persen bahwa Model Fixed Effects lebih baik daripada Model Random Effects.
Berdasarkan hasil Likehood Ratio Test dan Hausman Test di atas dapat disimpulkan bahwa Model Fixed Effects adalah model yang lebih baik daripada Model Common Effects maupun Model Random Effects. Hasil uji tersebut sesuai dengan teori. Menurut Gujarati (2004), keunggulan dari Model Fixed Effects adalah dapat mengakomodasi heteregonitas unit-unit observasi yang digunakan. Heteregonitas unit-unit observasi dapat dilihat pada cross section effect. Nilai- nilai tersebut mempengaruhi heteronitas konstanta intercept unit cross section yang digunakan. Kajian ini melibatkan 45 kabupaten/kota hasil pemekaran dari seluruh Indonesia yang tentu saja memiliki variasi (heterogenintas) yang tinggi. Oleh karena itu, heteregonitas unit observasi yang digunakan dalam kajian ini harus dapat diakomodasi untuk mendapatkan hasil analisis yang lebih mendekati kenyataan.
5.2. Uji Asumsi Klasik
53 kesimpulan bahwa persamaan dengan model Fixed Effects adalah persamaan yang paling tepat digunakan dalam kajian ini. Setelah diketahui persamaan regresi yang paling tepat, perlu dilakukan berbagai uji asumsi klasik untuk menilai apakah persamaan yang dihasilkan memenuhi asumsi BLUE (Best Linear Unbiased Estimator). Hasil dari uji asumsi klasik dari model persamaan Fixed Effects adalah sebagai berikut:
a. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah data berdistribusi normal atau tidak. Dalam penelitian ini digunakan uji Jarque-Bera dengan bantuan software Eviews 6.0 untuk melihat apakah data terdistribusi normal atau tidak.
Sumber: data olahan
Gambar 14. Hasil Uji Normalitas
Kriteria pengujian adalah bila nilai chi squaretabel > nilai JBhitung, maka Ho
yang menyatakan residual berdistribusi normal diterima. Sebaliknya, bila nilai chi squaretabel < nilai JBhitung, maka Ho yang menyatakan residual berdistribusi
normal ditolak. Nilai chi square dengan 3 variabel bebas pada tingkat kepercayaan 0,05 = 7,81472. Dikatakan berdistribusi normal jika nilai chi square > Jarque-Bera. Selain itu, dapat dikatakan berdistribusi normal jika p- value > α. Dari tabel di atas terlihat bahwa nilai Jarque-Bera adalah 2,130592. Sedangkan p-value sebesar 0,344626. Karena 7,81472 > 2,130592 dan
0,344626 > α maka dapat disimpulkan bahwa residual dalam persamaan Model Fixed Effects terdistribusi normal (Ho diterima).
b. Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji, apakah pada model regresi ditemukan adanya korelasi antar variabel bebas (independent variable). Model regresi yang baik seharusnya tidak terjadi korelasi tinggi di antara variabel- variabel bebas. Caranya dengan menghitung koefisien korelasi antar variabel bebasnya.
Tabel 9. Hasil Uji Multikolineritas
0 2 4 6 8 10 12 14 16 -0.10 -0.05 -0.00 0.05 0.10
Series: Standardized Residuals Sample 2008 2010 Observations 135 Mean 0.000000 Median 0.000988 Maximum 0.134408 Minimum -0.103979 Std. Dev. 0.043899 Skewness 0.226833 Kurtosis 3.415883 Jarque-Bera 2.130592 Probability 0.344626
54
G I L
G 1,000000 -0,095745 0,413252 I -0,095745 1,000000 0,467226 L 0,4132525 0,467226 1,000000 Sumber: data olahan
Kriteria pengujian adalah bila koefisien antar variabel lebih kurang dari 1 maka Ho yang menyatakan tidak terdapat multikolinieritas diterima. Dari tabel di atas terlihat bahwa koefisien antar variabel terlihat sangat rendah (terletak di antara rentang -0,5 sampai 0,5). Dengan demikian dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel dalam persamaan model Fixed Effects di atas (Ho diterima).
c. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier terdapat korelasi antara serangkaian data observasi cross section atau time series-nya. Salah satu cara untuk mendeteksi gejala autokorelasi digunakan uji Durbin Watson. Caranya dengan membandingkan nilai Durbin Watson (d-hitung)
dengan nilai d-tabel.
Nilai Durbin Watson (d-hitung) dari persamaan model Fixed Effects di atas
sebesar 1,896233. Dari tabel Durbin Watson diketahui bahwa nilai d-tabel untuk
persamaan dengan 3 variabel bebas dan dengan n=145 adalah: dL = 1,6378 dan dU = 1,7645
dL dU d 4-dU 4-dL 1,6378 1,7645 1,896233 2,2355 2,3622
Karena nilai d-hitung (1,896233) terletak antara dU dengan (4-dU) maka berarti
persamaan model Fixed Effects di atas tidak terdapat masalah autokorelasi. d. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui apakah terjadi penyimpangan model karena gangguan varian yang berbeda antar data observasi satu dengan data obsevasi lainnya. Heteroskedastisitas muncul apabila error atau residual model yang diamati tidak memiliki varian yang konstan dari satu observasi ke obsevasi lainnya. Caranya adalah dengan melakukan regresi antara harga mutlak residual (error) dengan variabel- variabel bebas. Dari hasil penghitungan tersebut diketahui bahwa nilai p-value sebesar 0,443530 > α. Dengan demikian, tidak terdapat pelanggaran asumsi homoskedastisitas dari persamaan model Fixed Effects di atas (Ho diterima).
Hasil uji asumsi klasik di atas memperlihatkan bahwa persamaan regresi Fixed Effect yang digunakan dalam analisis ini semuanya memenuhi asumsi uji klasik atau dapat dikatakan BLUE.