BAB 7 MODEL REGRESI DENGAN RESPON
8.4 Model Regresi dengan Regresor Kualitatif
propinsi-propinsi di wilayah 2. Penemuan lain yang menarik adalah nilai koefisien untuk variabel TPT yang bernilai positif yaitu β2 = 40.644,26. Hal ini bertentangan dengan logika ekonomi dimana seharusnya terdapat hubungan negative antara PDRB (indikator pertumbuhan ekonomi) dan tingkat pengangguran terbuka. Namun apabila dilakukan scatterplot data antara ke dua variabel ini di dalam wilayah yang berbeda, didapatkan kenya- taan bahwa di semua wilayah terdapat kecenerungan bahwa se- makin tinggi tingkat pengangguran ma semakin tinggi pula PDRB.
Gambar 8.11 Scatterplot antara PDRB dan TPT berdasarkan wilayah
dalam tabel 8.2. Berdasarkan teori dinyatakan bahwa kepuas- an kerja turut dipengaruhi oleh jabatan dan bidang kerja. Oleh karena itu peneliti turut memasukkan variabel kualitatif jabatan dan bidang kerja di dalam model, dimana jabatan terdiri dari dua kategori yaitu manajerial dan pelaksana sedangkan bidang kerja terdiri dari dua kategori yaitu operasional, marketing, dan back office. Maka model regresi yang terbentuk adalah sebagai berikut:
Y=β0+β1 Xi+β2 D1i+β3 D2i+β4 D3i+ε (8.10) dengan :
Y = Kepuasan Kerja X1i = Ketahanan Kerja D1i = 1; jabatan manajerial = 0; jabatan pelaksana D2i = 1; bidang operasional = 0; bidang lainnya D3i = 1; bidang marketing = 0; bidang lainnya
No Kepuasan Kerja (Y) Ketahanan
Kerja (X) Manajerial
(D1) Operasional
(D2) Marketing (D3)
1 3 4 0 1 0
2 4 5 0 1 0
3 3 6 0 1 0
4 5 6 0 0 1
5 3 4 0 1 0
6 4 5 0 1 0
7 3 6 0 1 0
8 5 6 0 0 1
9 4 5 0 0 1
10 5 6 0 0 1
11 6 6 0 0 0
12 8 9 1 1 0
13 9 8 1 1 0
14 8 7 1 0 1
15 7 6 1 0 1
16 8 5 1 0 1
17 9 9 1 0 0
18 9 8 1 0 0
19 8 8 1 0 0
20 7 9 1 0 0
Tabel 8.2 Data kepuasan kerja pegawai bank Syariah
Langkah-langkah pengolahan data model analisis varians dengan Eviews adalah sebagai berikut :
1. Pastikan data sudah diinput di workfile Eviews
2. Klik Quick à Estimate Equation kemudian tuliskan persa- maan y c x d1 d2 d3 pada Equation Estimation
3. Klik OK dan Eviews akan menampilkan output seperti pada gambar 8.12
Gambar 8.12 Tampilan hasil analisis regresi
Gambar 8.13 Tampilan model regresi dengan menu Representations Dari output pada gambar 8.12 dapat diambil kesimpulan bahwa ketahanan kerja dan bidang kerja tidak berpengaruh signi- fikan terhadap kepuasan kerja pada taraf signifikansi α = 0,05. Se- dangkan jabatan berpengaruh signifikan dengan kepuasan kerja pada taraf signifikansi α = 0,05 .
TES FORMATIF
1. Jelaskan yang dimaksud dengan variabel dumi!
2. Apakah perbedaan model ANOVA dan ANCOVA?
3. Berikut disajikan data mengenai jumlah penduduk miskin (Head Count/ HC), Indeks Gini (IG), indeks harga konsumen (IHK) pada tahun 2012 pada tiga wilayah propinsi. Wilayah 1 adalah wilayah Indonesia bagian barat kecuali pulau Jawa dan Bali, wilayah 2 adalah propinsi yang berada di pulau Jawa dan Bali, sedangkan wilayah 3 adalah propinsi-propinsi Indonesia tengah dan timus kecuali pulau Bali.
Provinsi HC (ribu) IG IHK (%) Wilayah 1 (D1) Wilayah 2 (D2)
11. Aceh 876,60 0,32 0,06 1 0
12. Sumatera Utara 1378,40 0,33 3,79 1 0
13. Sumatera Barat 397,90 0,36 4,16 1 0
14. Riau 481,30 0,40 3,35 1 0
Provinsi HC (ribu) IG IHK (%) Wilayah 1 (D1) Wilayah 2 (D2)
15. Jambi 270,10 0,34 4,22 1 0
16. Sumatera Selatan 1042,00 0,40 2,72 1 0
17. Bengkulu 310,50 0,35 4,61 1 0
18. Lampung 1219,00 0,36 4,30 1 0
19. Kep. Bangka Belitung 70,20 0,29 6,57 1 0
21. Kepulauan Riau 131,20 0,35 2,02 1 0
31. DKI Jakarta 366,80 0,42 4,52 0 1
32. Jawa Barat 4421,50 0,41 4,02 0 1
33. Jawa Tengah 4863,40 0,38 4,85 0 1
34. DI Yogyakarta 562,10 0,43 4,31 0 1
35. Jawa Timur 4960,50 0,36 4,39 0 1
36. Banten 648,30 0,39 4,41 0 1
51. Bali 161,00 0,43 4,71 0 1
52. Nusa Tenggara Barat 828,30 0,35 4,10 0 0
53. Nusa Tenggara Timur 1000,30 0,36 5,10 0 0
61. Kalimantan Barat 355,70 0,38 6,62 0 0
62. Kalimantan Tengah 141,90 0,33 6,73 0 0
63. Kalimantan Selatan 189,20 0,38 5,96 0 0
64. Kalimantan Timur 246,10 0,36 4,81 0 0
71. Sulawesi Utara 177,50 0,43 6,04 0 0
72. Sulawesi Tengah 409,60 0,40 5,87 0 0
73. Sulawesi Selatan 805,90 0,41 4,57 0 0
74. Sulawesi Tenggara 304,30 0,40 5,25 0 0
75. Gorontalo 187,70 0,44 5,31 0 0
76. Sulawesi Barat 160,60 0,31 3,28 0 0
81. Maluku 338,90 0,38 6,73 0 0
82. Maluku Utara 88,30 0,34 3,29 0 0
Provinsi HC (ribu) IG IHK (%) Wilayah 1 (D1) Wilayah 2 (D2)
91. Papua Barat 223,20 0,43 4,88 0 0
94. Papua 976,40 0,44 4,52 0 0
Tabel 8.3 Tabel jumlah penduduk miskin, IG, dan IHK per propinsi di Indonesia tahun 2012
Pertanyaan :
Lakukan analisis regresi dengan model sebagai berikut : HC=β0+β1*IGi+β2*IHKi+β3 D1i+β2 D2i+ε
TERDAPAT tiga struktur data yang sering digunakan dalam pe- nelitian di bidang ekonomi yaitu data berkala (time series), data tampang lintang (cross section), dan data panel. Pada data berkala observasi dilakukan dari waktu ke waktu misalnya data PDRB suatu negara setiap tahunnya. Berbeda dengan data berkala, obser vasi pada data tampang lintang dilakukan dalam satu waktu misalnya adalah data PDRB setiap provinsi pada tahun 2017. Sedangkan data panel merupakan gabungan antara data ber kala dan data tampang lintang, misalnya adalah data PDRB semua provinsi pada tahun 2014 sampai dengan 2017. Contoh lain adalah pada tahun 2009 industri perbankan Indonesia me- miliki keuntungan di atas rata-rata negara-negara ASEAN, jika data yang diambil adalah data semua bank pada tahun 2009 maka penelitian tersebut menggunakan data tampang lintang.
Se dang kan jika ingin meneliti mengenai banyak bank dalam kurun waktu 2009 sampai dengan 2015 maka data yang diguna- kan adalah data panel. Dengan kata lain, data panel merupakan data dari be be rapa individu atau objek yang diamati dalam suatu periode waktu.
Terdapat beberapa keunggulan dari data panel menurut Hsiao (2003) dan Klevmarken (1989) dalam Baltagi (2005), yaitu : 1. Data panel dapat menjaga heterogenitas individual. Data time
series dan cross section tidak menjaga heterogenitas tersebut, sehingga beresiko mendapatkan hasil yang bias.
BAB 9
MODEL REGRESI DATA PANEL
2. Data panel lebih informatif, bervariasi, dan derajat bebas lebih besar sehingga lebih efisien.
3. Data panel lebih unggul dalam mempelajari perubahan dinamis.
4. Data panel lebih dapat mendeteksi dan mengukur pengaruh- pengaruh yang tidak terobservasi pada data cross section murni dan time series murni.
5. Data panel meminimalisasi bias.
Seperti halya dalam data tampang lintang, analisis regresi linier dapat pula diterapkan pada data panel. Model regresi linier data panel pada pengamatan individu ke –i dan waktu ke –t dengan K buah variabel independen, direpresentasikan sebagai berikut :
yi,t=β0+x'i,t β+ui,t; i=1,2,…,N; t=1,2,…T (9.1) dimana :
yi,t = variabel dependen, yang merupakan unit tampang lintang ke–i untuk periode ke–t
β0 = intersepsi
x'i,t = vektor dari variabel independen berukuran 1 x K β = vektor slope yang berukuran K x 1
ui,t = error.
Jika terdapat dua variabel independen yaitu x1 dan x2, maka persamaan (9.1) dapat ditulis menjadi :
yi,t=β0+β1 x1it+β2 x2it+ui,t; i=1,2,…,N; t=1,2,…T (9.2) Secara umum model regresi linier data panel yang sering diguna- kan adalah model regresi data panel komponen error satu arah (one-way error component regression model), dimana error terdiri dari:
ui,t=ei+vi,t (9.3)
ei adalah komponen error spesifik individu dan vi,t merupakan komponen error yang bersifat umum (Baltagi, 2005).
9.1 MENGINPUT DATA PANEL DI EVIEWS
Contoh data panel yang disajikan dalam buku ini merupa- kan data dari empat perusahaan developer properti syariah yaitu Anugrahjaya, Dayaindo, Citramulya, dan Grahamas. Penelitian ini dimaksudkan untuk mempelajari hubunga antara variabel investasi (Y), harga saham (X1), dan nilai aktual kapital (X2).
ANUGRAHJAYA DAYAINDO
Tahun Inves-tasi Harga Saham
Nilai Aktual
Kapital Tahun Inves-tasi Harga Saham
Nilai Aktual Kapital 1998 20,36 197,00 6,50 1998 24,43 138,00 100,20 1999 25,98 210,30 15,80 1999 23,21 200,10 125,00 2000 25,94 223,10 27,70 2000 32,78 210,10 142,40 2001 27,53 216,70 39,20 2001 32,54 161,20 165,10 2002 24,60 286,40 48,60 2002 26,65 161,70 194,80 2003 28,54 298,00 52,50 2003 33,71 145,10 222,90 2004 43,41 276,90 61,50 2004 43,50 110,60 252,10 2005 42,81 272,60 80,50 2005 34,46 98,10 276,30 2006 27,84 287,40 94,40 2006 44,28 108,80 300,30 2007 32,60 330,30 92,60 2007 70,80 118,20 318,20 2008 39,03 324,40 92,30 2008 44,12 126,50 336,20 2009 50,17 401,90 94,20 2009 48,98 156,70 351,20 2010 51,85 407,40 111,40 2010 48,51 119,40 373,60 2011 64,03 409,20 127,40 2011 50,00 129,10 389,40 2012 68,16 482,20 149,30 2012 50,59 134,80 406,70 2013 73,34 673,80 164,40 2013 42,53 140,80 429,50 2014 95,30 676,90 177,20 2014 64,77 179,00 450,60 2015 99,49 702,00 200,00 2015 72,68 178,10 466,90 2016 127,52 793,50 211,50 2016 73,86 186,80 486,20 2017 135,72 927,30 238,70 2017 89,51 192,70 511,30
CITRAMULYA GRAHAMAS Tahun Inves-tasi Harga
Saham
Nilai Aktual
Kapital Tahun Inves-tasi Harga Saham
Nilai Aktual Kapital 1998 26,63 290,60 162,00 1998 209,90 1362,40 53,80 1999 23,39 291,10 174,00 1999 355,30 1807,10 50,50 2000 30,65 335,00 183,00 2000 469,90 2676,30 118,10 2001 20,89 246,00 198,00 2001 262,30 1801,90 260,20 2002 28,78 356,20 208,00 2002 230,40 1957,30 312,70 2003 26,93 289,80 223,00 2003 361,60 2202,90 254,20 2004 32,08 268,20 234,00 2004 472,80 2380,50 261,40 2005 32,21 213,30 248,00 2005 445,60 2168,60 298,70 2006 35,69 348,20 274,00 2006 361,60 1985,10 301,80 2007 62,47 374,20 282,00 2007 288,20 1813,90 279,10 2008 52,32 387,20 316,00 2008 258,70 1850,20 213,80 2009 56,95 347,40 302,00 2009 420,30 2067,70 232,60 2010 54,32 291,90 333,00 2010 420,50 1796,70 264,80 2011 40,53 297,20 359,00 2011 494,50 1625,80 306,90 2012 32,54 276,90 370,00 2012 405,10 1667,00 351,10 2013 43,48 274,60 376,00 2013 418,80 1677,40 357,80 2014 56,49 339,90 391,00 2014 588,20 2289,50 342,10 2015 65,98 474,80 414,00 2015 645,20 2159,40 444,20 2016 66,11 496,00 443,00 2016 641,00 201,30 623,60 2017 49,34 474,50 468,00 2017 459,30 2115,50 669,70
Tabel 9.1. Data Investasi dari empat perusahaan properti
Untuk menginput data pada table 9.1 ke dalam workfile EVIEWS, langkah-langkah yang dapat diikuti adalah sebagai berikut:
1. Buatlah workfile pada eviews seperti contoh pada pemba
hasan sebelumnya dengan start date 1998 dan end date 2017.
Kemudian klik OK
Gambar 9.1 Membuat workfile untuk data panel
2. Klik Object à New Object kemudian pilihlah Pool dalam type of object. Berikan nama objek baru pada Name for object, misalnya investasi. Kemudian klik OK.
Gambar 9.2 Membuat objek untuk data pool
3. Selanjutnya akan muncul perintah seperti di bawah ini. Isilah nama-nama perusahaan (komponen data tampang lintang) dengan didahului tanda underscore “_”.
Gambar 9.3 Menuliskan nama perusahaan didahului tanda underscore
4. Klik Proc à Import Pool Data (ASCII, XLS,WK?)…
Gambar 9.4 Menentukan data yang akan diimpor dari MS Excell
5. Klik OK, jika datanya benar akan muncul seperti berikut :
Gambar 9.5 Tampilan nama-nama variabel
6. Doble Klik hs_anugrahjaya untuk melihat data harga saham perusahaan anugrah jaya. Lakukan hal yang sama jika ingin melihat data pada variabel lain. Untuk melihat variabel hs_anugrahjaya hingga nak_grahamas bisa ditekan Ctrl kemudian klik semua variabel yang ingin dibuka à double klik à open group, maka akan dihasilkan tampilan sebagai berikut :
Gambar 9.6 Tampilan semua data
7. Bisa pula dengan cara klik Sheet di pojok kanan atas pada jendela Pool. Kemudian isikan inv? hs? nak?. Kemudian klik OK
Gambar 9.7 Menuliskan semua variabel yang akan ditampilkan 8. Selanjutnya akan muncul tampilan data berikut :
Gambar 9.8 Tampilan semua data 9.2 ESTIMASI REGRESI DATA PANEL
Estimasi parameter pada model regresi data panel akan se- makin kompleks jika variabel independen yang digunakan se- makin banyak. Beberapa pendekatan yang dapat digunakan untuk mengestimasi parameter pada model regresi data panel adalah me lalui pendekatan common effect, fixed effect, dan random effect.
1. Common Effect
Pendekatan common effect merupakan pedekatan yang paling sederhana yaitu hanya dengan mengkombinasikan data tampang litang dengan data berkala tanpa memperhatikan dimensi
individu dan waktu. Dengan demikian perilaku data perusahaan akan diasumsikan sama dalam berbagai kurun waktu, sehingga koefisien akan diasumsikan sama tetap antarwaktu dan individu.
Metode estimasi parameternya menggunakan metode kuadrat terkecil atau ordinary least square (OLS). Model regresi linier data panel dengan pendekatan common effect untuk data dalam tabel 9.1 adalah sebagai berikut :
Inv=β0+β1 HSit+β2 NAKit+ui,t (9.4) dengan i menunjukkan perusahaan sedangkan t menunjukkan waktu. Dengan demikian akan terdapat tiga variabel yaitu inves- tasi, harga saham, dan nilai aktual kapital untuk 80 observasi.
Langkah-langkah estimasi menggunakan pendekatan Common effect :
a. Klik Estimate pada jendela pool
b. Isikan inv? pada Dependent variable dan c hs? Nak? pada Common coefficients. Kemudian klik OK
Gambar 9.10 Memasukkan variabel untuk pool estimastion
Gambar 9.11. Tampilan hasil analisis regresi data panel dengan pendekatan common effect
Tampilan output analisis regresi data panel pada Gambar 9.11 tersebut sama dengan output hasil analisis regresi linier biasa yang telah dibahas pada bab terdahulu. Output tersebut me nun jukkan bahwa variabel harga saham dan nilai aktual kapital berpengaruh signifikan terhadap investasi pada α=0,05. Demikian pula dengan hasil ANOVA yang menunjukkan bahwa uji F atau uji kecocokan model signifikan pada =0,05. Kesesuaian model juga cukup bagus dengan nilai R2 –79,9862.
Persamaan regresi data panel yang dihasilkan dapat dengan mudah ditampilkan pada jendela EVIEWS, dengan klik view à representation. Sehingga akan tampil output pada gambar 9.12.
Gambar 9.12 Persamaan hasil analisis regresi data panel 2. Fixed Effect
Kelemahan dari model common effect adalah adanya ke tidak- sesuaian model dengan keadaan yang sesungguhnya. Kon disi masing-masing objek berbeda dari satu waktu ke waktu yang lain nya. Maka dibutuhkan suatu model yang dapat meng ako- mo dasi hal tersebut. Model ini dikenal dengan model fixed effect.
Pada model fixed effect, konstanta untuk masing-masing individu akan berbeda (jika dalam hal ini adalah perusahaan) walaupun koefisien (slope) pada masingmasing variabel independent akan tetap.
Untuk membedakan objek yang satu dengan yang lain, di- gunakan variabel dumi. Maka model ini sering disebut sebagai Least Square Dummy Variables (LSDV). Berdasarkan contoh pada tabel 9.1, terdapat empat perusahaan maka akan dibuat tiga variabel dumi. Sehingga persamaan (9.4) akan berubah menjadi : ܫ݊ݒ ൌ ߙଵ ߙଶܦଶ ߙଷܦଷ ߙସܦସ ߚଵܪܵ௧ ߚଶܰܣܭ௧ ݑǡ௧ (9.5)
Dengan :
D2i = 1, jika perusahaan tersebut adalah Citramulya 0, jika lainnya
D3i = 1, jika perusahaan tersebut adalah Dayaindo 0, jika lainnya
D4i = 1, jika perusahaan tersebut adalah Grahamas 0, jika lainnya
Dalam hal ini perusahaan Anugerahjaya adalah perusahaan yang dijadikan kontrol. Sehingga koefisien α1 merupakan koefi
sien milik perusahaan Anugerahjaya.
Langkah-langkah pengolahan data dengan pendekatan fixed effect menggunakan EVIEWS adalah sebagai berikut :
a. Klik Estimate pada jendela pool
b. Isikan inv? pada Dependent variable dan hs? Nak? pada Common coefficients.
c. Pilihlah Fixed pada cross-section dalam kolom Estimation Method.
d. Klik OK.
Gambar 9.13 Memasukkan variabel untuk pool estimastion
Gambar 9.14 Tampilan hasil analisis regresi data panel dengan pendekatan fixed effect
Berdasarkan tampilan output hasil analisis regresi data panel dengan pendekatan fixed effect pada gambar 9.14, dapat diambil kesimpulan bahwa variabel nilai aktual kapital berpengaruh signi fikan terhadap investasi pada taraf signifikansi α = 0,05. Se- dang kan variabel harga saham berpengaruh signifikan terha dap investasi pada taraf signifikansi α = 0,1. Konstanta atau inter- sep untuk perusahaan Anugerah jaya adalah sebesar 51,03361- 39,37139=11,66222, untuk perusahaan Citramulya sebesar 51,03361-91,34866=-40,3151 dan analog untuk perusahaan yang lain. Untuk uji kecocokan model atau uji F juga memperlihatkan bahwa model signifikan, didukung dengan peningkatan nilai R2 = 88,63. Hal ini mengindikasikan bahwa model dengan pendekatan fixed effect lebih bagus daripada pendekatan common effect.
Persamaan regresi data panel yang dihasilkan dapat dengan mudah ditampilkan pada jendela EVIEWS, dengan klik view à representation. Sehingga akan tampil output pada gambar 9.15.
Gambar 9.15 Persamaan hasil analisis regresi data panel 3. Random Effect
Pendekatan fixed effect menggunakan LSDV dapat meng- halangi kita untuk mengetahui model aslinya. Sehingga estimasi parameter model regresi data panel perlu menggunakan model komponen eror atau disebut juga sebagai model efek acak (random effect). Secara umum model efek acak dapat dituliskan dalam per- samaan sebagai berikut :
ܻ௧ ൌ ߚଵ ߚଶܺଶ௧ ߚଷܺଷ௧ ݑ௧ (9.6) Nilai konstanta atau intersepsi dari masing-masing individu perusahaan dapat ditulikan dalam persamaan berikut :
ߚଵ ൌ ߚଵ ߝǢ ݅ ൌ ͳǡʹǡ ǥ ǡ ܰ (9.7)
Dengan mensubtitusikan persamaan (9.6) dan (9.7) akan di- dapatkan persamaan sebagai berikut :
ܻ௧ ൌ ߚଵ ߚଶܺଶ௧ ߚଷܺଷ௧ ߝ ݑ௧
ܻ௧ ൌ ߚଵ ߚଶܺଶ௧ ߚଷܺଷ௧ ݓ௧ (9.10) Dengan wit=εi+uit (9.11)
Nilai wit mengandung eror untuk data tampang lintang εi dan untuk data berkala uit dengan asumsi dan ݑ௧̱ܰሺͲǡ ߪ௨ଶሻ. Variabel tersembunyi εi ini tidak dapat langsung diamati sehingga nilainya dihitung berdasarkan nilai wit Metode yang sesuai dengan pendekatan random effect adalah Generalized Least Square (GLS).
Langkah-langkah pengolahan data dengan pendekatan random effect menggunakan EVIEWS adalah sebagai berikut : a. Klik Estimate pada jendela pool
b. Isikan inv? pada Dependent variable dan hs? Nak? pada Common coefficients.
c. Pilihlah Random pada cross-section dalam kolom Estimation Method.
d. Klik OK.
Gambar 9.16 Memasukkan variabel untuk pool estimastion
Gambar 9.17 Tampilan hasil analisis regresi data panel dengan pendekatan random effect
Berdasarkan tampilan output hasil analisis regresi data panel dengan pendekatan random effect pada gambar 9.17, dapat di- ambil kesimpulan bahwa variabel harga saham dan nilai aktual kapital berpengaruh signifikan terhadap investasi pada taraf signi fikansi α = 0,05. Konstanta atau intersep untuk perusahaan
Anugerah jaya adalah sebesar -38,58694-1,171038=-39,758, untuk perusahaan Citramulya sebesar -38,58694-41,75149=-80,3384 dan analog untuk perusahaan yang lain. Untuk uji kecocokan model atau uji F juga memperlihatkan bahwa model signifikan. Namun nilai R2 = 52,36%. Hal ini mengindikasikan bahwa model dengan pendekatan common effect tidak lebih bagus daripada pendekat- an fixed effect. Untuk pemilihan model yang tepat menggunakan pengujian formal akan dibahas dalam pembahasan selanjutnya.
Persamaan regresi data panel yang dihasilkan dapat dengan mudah ditampilkan pada jendela EVIEWS, dengan klik view à representation. Sehingga akan tampil output pada gambar 9.18.
Gambar 9.18 Persamaan hasil analisis regresi data panel
9.3 PEMILIHAN MODEL
Dari tiga model yang telah diestimasi melalui pendekat an common effect, fixed effect, dan random effect akan dipilih model yang paling tepat. Pemilihan model dilakukan menggunakan uji formal, yaitu uji Chow dan uji Hausman.
a. `Uji Chow (Uji F)
Uji Chow diperlukan untuk membandingkan model common effect dan fixed effect. Sebelum melakukan pengujian meng- gu nakan EVIEWS, pastikan bahwa jedela model yang aktif adalah model fixed effect kemudian klik ViewàFixed/ Random Effects Testingà Redudant Fixed Effect-Likelihood Ratio maka kan muncul tampilan di bawah ini :
Gambar 9.19 Tampilan output hasil uji Chow
Dari tampilan output pada gambar 9.19 didapatkan nilai Prob. untuk Cross-section F sebesar 0,000. Jika nilai Prob.<α maka model yang cocok adalah Fixed Effect namun jika nilai Prob.> α maka model yang cocok adalah Common Effect. Karena nilai Prob. untuk Cross-section F sebesar 0,000< α=0,05 maka dapat disimpulkan bahwa model yang tepat adalah fixed effect.
b. Uji Hausman
Uji Hausman diperlukan untuk membandingkan model random effect dan fixed effect. Sebelum melakukan pengujian menggunakan EVIEWS, pastikan bahwa jedela model yang aktif adalah model random effect kemudian klik ViewàFixed/
Random Effects Testingà Correlated Random Effects- Hausman Test maka kan muncul tampilan di bawah ini :
Gambar 9.20 Tampilan output hasil uji Hausman
Dari tampilan output pada gambar 9.20 didapatkan nilai Prob. untuk Cross-section random sebesar 0,000. Jika nilai Prob.<α maka model yang cocok adalah Fixed Effect namun jika nilai Prob.>
α maka model yang cocok adalah Random Effect. Karena nilai
Prob. untuk Cross-section random sebesar 0,000< α=0,05 maka dapat disimpulkan bahwa model yang tepat adalah fixed effect.
Berdasarkan dua pengujian formal untuk pemilihan model, di- dapatkan kesimpulan yang sama bahwa model dengan pen- dekatan fixed effect adalah model terbaik untuk kasus ini.
Menurut Judge, et al (1999) dalam Setiawan (2010) meng- ungkapkan bahwa beberapa hal yang dapat menjadi pertimbang- an dalam memilih model yang dipakai adalah sebagai berikut : 1. Jika waktu (T) besar sedangkan banyaknya individu (N) kecil,
maka model efek teteap akan memberikan hasil esti masi yang lebih baik.
2. Jika N besar dan T kecil, hasil estimasi dari kedua pendekatan akan memberikan hasil yang berbeda sigifikan. Apabila data tampang lintang tidak diambil secara acak maka model efek tetap akan lebih sesuai. Namun apabila data sampel diambil secara acak, maka model efek random akan memberikan hasil yang lebih sesuai.
3. Jika komponen eror individu (εi) berkorelasi dengan satu atau lebih variabel independent maka estimasi dengan pen- dekatan efek random akan memberikan hasil yang bias. Se- dang kan hasil estimasi dengan pendekatan efek tetap tetap tidak bias.
4. Jika N besar dan T kecil serta terdapat asumsi di bawah model efek acak, maka model efek acak lebih efisien dibandingkan model efek tetap.
TES FORMATIF
1. Apa yang dimaksud dengan data panel?
2. Apakah perbedaan model efek tetap dan efek acak?
3. Berikut ini disajikan data hasil penjualan, biaya iklan dan laba dari tiga perusahaan yang bergerak di bidang kuliner halal.
Perusahaan Tahun Penjualan(Juta rupiah) Biaya Iklan
(juta rupiah) Laba
(juta Rupiah)
Mumtaz 2001 535 30 40
Mumtaz 2002 580 25 38
Mumtaz 2003 550 50 55
Mumtaz 2004 545 75 80
Barokah 2001 480 45 53
Barokah 2002 500 35 45
Barokah 2003 560 65 70
Barokah 2004 590 40 50
Fastabiq 2001 515 55 65
Fastabiq 2002 530 63 75
Fastabiq 2003 575 46 57
Fastabiq 2004 550 54 65
Dari data tersebut, lakukan analisis meliputi :
a. Estimasi model dengan pendekatan common effect b. Estimasi model dengan pendekatan efek tetap c. Estimasi model dengan pendekatan efek acak
d. Lakukan pemilihan model terbaik dengan uji Chow dan uji Hausman