PENGGUNAAN DATA PANEL DALAM PENELITIAN EKONOMI
3) Uji Asumsi Klasik
Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji normalitas. uji autokorelasi, uji heteroskedastisitas, dan uji multikolinieritas Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS. Uji asumsi klasik dilakukan untuk model terpilih berdasarkan hasil uji pemilihan model.
a) Uji Normalitas
Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi. Untuk menguji apakah distribusi data normal atau tidak dapat dilakukan dengan menggunkan uji Jarque-Berra (uji J-B).
b) Uji Autokorelasi
Autokorelasi menunjukkan adanya korelasi antara anggota serangkaian observasi. Jika model mempunyai korelasi, parameter yang diestimasi menjadi bias dan variasinya tidak lagi minimum dan model menjadi tidak efisien. Dalam penelitian ini, untuk mengetahui ada tidaknya autokorelasi dalam model digunakan uji Lagrange Multiplier (LM).
c) Uji Multikolinearitas
Multikolinieritas adalah adanya hubungan linier antara variabel independen di dalam model regresi. Untuk menguji ada atau tidaknya multikolinieritas pada model, peneliti menggunakan metode parsial antar variabel independen. Rule of thumb dari metode ini adalah jika koefisien korelasi cukup tinggi di atas 0,85 maka diduga ada multikolinieritas dalam model. Sebaliknya jika koefisien korelasi relatif rendah maka duga model tidak mengandung unsur multikolinieritas (Ajija dan Dyah, 2011).
d) Uji Heteroskedastisitas
Heteroskedastisitas merupakan masalah regresi yang faktor gangguan tidak memiliki varian yang sama atau variannya tidak konstan. Hal ini akan memunculkan berbagai permasalahan yaitu penaksir OLS yang bias, varian dari koefisien OLS akan salah. Dalam penelitian ini akan menggunakan metode dengan uji Glejser untuk mendeteksi ada tidaknya heteroske-dastisitas dalam model regresi.
63 | A n a l i s i s D a t a P a n e l D r A g u s T r i B a s u k i
Berdasarkan Tabel 4.12. diperoleh persamaan regresi data panel untuk common effect, fixed effect dan random effect sebagai berikut:
Tabel 4.12.
Hasil Regresi Model Common effect, Model Fixed Effect dan Model Randon effect
Variabel Bebas Notasi
Variabel Terikat PDRB Koefisien Common
Effect
Fixed Effect
Random effect
1 2 3 4 5
Belanja Pendidikan LOG(EDUC) 0,055 0,071 0,037
[6,006]*** [5,447]*** [4,919]***
Belanja Kesehatan LOG(HEALTH) 0,004 0,007 0,027
[0,424] [0,572] [3,024]***
Belanja Pertanian LOG(AGRIC) 0,062 0,040 0,044
[4,229]*** [2,061]** [2,616]**
Belanja Perikanan dan
Kelautan LOG(MARINE) 0,005 0,032 0,038
[0,404] [2,120]** [2,855]***
DAU LOG(DAU) -0,118 -0,169 0,010
[-4,998]*** [-7,341]*** [0,551]
Populasi LOG(POP) 1,081 0,972 0,939
[15,388]*** [13,470]*** [10,543]***
Penduduk Miskin LOG(POV) -0,127 -0,062 -0,244
[-2,224]** [-0,959] [-3,700]***
Investasi Asing Langsung LOG(FDI) 0,051 0,057 0,011
[8,781]*** [8,044]*** [2,079]**
Opini BPK DOPINI 0,040 0,059 0,013
[4,207]*** [4,360]*** [0,784]
Status Daerah DSTATUS 0,333 0,290 0,311
[3,856]*** [3,574]*** [2,125]**
Konstanta C 16,113 16,661 14,881
[57,271]*** [36,081]*** [57,975]***
R-squared 0,831 0,861 0,811
Uji Chow 2,578***
Uji Hausman 58,186***
Sumber : Lampiran 3, 4 dan 5.
Keterangan : [ ] t hitung
*** signifikan α 1% ** signifikan α 5% * signifikan α 10%
64 | A n a l i s i s D a t a P a n e l D r A g u s T r i B a s u k i
Model Common Effect (persamaan 4.1)
Log(PDRBti) = 0,055 log(EDUC)*** + 0,004 log(HEALTH) + 0,062 log(AGRIC)*** – 0,005 log(MARINE) – 0,118 log(DAU)*** + 1,081 log(POP)*** – 0,127 log(POV)**
0,051 log(FDI)*** – 0,040 DOPINI*** + 0,333 DSTATUS*** + 16,113***
Model Fixed Effect (persamaan 4.2)
Log(PDRBti) = 0,071 log(EDUC)*** + 0,007 log(HEALTH) +0,040 log(AGRIC)** – 0,032 log(MARINE)** – 0,169 log(DAU)*** + 0,972 log(POP)*** – 0,062 log(POV) + 0,057 log(FDI)*** – 0,059 DOPINI*** + 0,290 DSTATUS*** + 16,661***
Model Random effect (persamaan 4.3)
Log(PDRBti) = 0,037 log(EDUC)*** + 0,027 log(HEALTH)*** + 0,044 log(AGRIC)** – 0,038 log(MARINE)*** + 0,010 log(DAU) + 0,939 log(POP)*** – 0,244 log(POV)***
+ 0,011 log(FDI)** – 0,013 DOPINI + 0,311 DSTATUS** + 14,881***
a. Uji Pemilihan Model Data Panel
Uji Chow adalah pengujian untuk menentukan model Fixed Effet atau Polled OLS yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:
H0 : Common Effect Model atau pooled OLS H1 : Fixed Effect Model
Jika hasil uji Chow menunjukkan nilai probablitas cross section F statistic dibawah 0,05 maka Ho ditolak dan model fixed effect lebih tepat digunakan. Sebaliknya jika hasil uji Chow Keterangan *** signifikan pada α 1 %
** signifikan pada α 5 %
* signifikan pada α 10 %
Keterangan *** signifikan pada α 1 %
** signifikan pada α 5 %
* signifikan pada α 10 %
Keterangan *** signifikan pada α 1 %
** signifikan pada α 5 %
* signifikan pada α 10 %
65 | A n a l i s i s D a t a P a n e l D r A g u s T r i B a s u k i
menunjukkan nilai probablitas cross section F statistic di atas 0,05 maka Ho diterima dan model common effect lebih tepat digunakan. Berdasarkan hasil perhitungan uji Chow (Tabel 4.13) menunjukkan nilai probablitas cross section F statistic dibawah 0,05 maka Ho ditolak dan model fixed effect lebih tepat digunakan.
Tabel 4.13 Hasil Uji Chow
Tes Efek F Statistik Probabilitas Cross-section F 2,578 0,0059***
Sumber : Lampiran 4
Keterangan *** signifikan pada α 1%
** signifikan pada α 5%
* signifikan pada α 10%
Uji Hausman (Greene, 2003:303) dapat didefinisikan sebagai pengujian statistik untuk memilih apakah model Fixed Effect atau Random Effect yang paling tepat digunakan.
Pengujian uji Hausman dilakukan dengan hipotesis berikut:
H0 : Random Effect Model H1 : Fixed Effect Model
Jika hasil uji Hausman menunjukkan nilai probabilitas Chi-Sq. Statistic dibawah 0,05 maka Ho ditolak dan model fixed effect lebih tepat digunakan. Tetapi sebaliknya jika hasil uji Hausman menunjukkan nilai probablitas Chi-Sq. Statistic di atas 0,05 maka Ho diterima dan model random effect lebih tepat digunakan. Berdasarkan hasil perhitungan Hausman test (Tabel 4.14), maka hipotesis nol ditolak sehingga Model Fixed Effect lebih tepat digunakan dibandingkan model Common Effect.
Tabel 4.14 Hasil Uji Hausman
Ringkasan hasil Uji Statistik Chi-Square Probabilitas Cross-section random 58,1863 0,0000***
Sumber : Lampiran 5
Keterangan *** signifikan pada α 1%
** signifikan pada α 5%
* signifikan pada α 10%
Uji Lagrange Multiplier (LM) harus dilakukan jika hasil berada pada dua kondisi saat melakukan regresi data panel. 1) Hasil uji Chow menunjukkan bahwa metode yang terbaik adalah Common Effect dari pada fixed effect. 2) Hasi uji Hausman menunjukkan bahwa metode yang terbaik adalah Random effect dari pada Fixed Effect. Jika salah satu
66 | A n a l i s i s D a t a P a n e l D r A g u s T r i B a s u k i
atau dua-duanya terpenuhi maka langkah berikutnya adalah melakukan uji Lagrange Multiplier Test.
Berdasarkan hasil uji Chow (Tabel 4.13) dan uji Hausman (Tabel 4.14) sudah konsisten memilih model fixed effect, sehingga uji Lagrange Multiplier tidak perlu dilakukan.
Model tebaik ditetapkan dalam penelitian ini adalah model fixed effect.
b. Asumsi Klasik
Sebuah regresi berganda yang baik dikategorikan jika memenuhi persyaratan asumsi klasik. Asumsi klasik dalam data panel sedikit berbeda dengan uji regresi linier berganda. Ada empat tes yang harus dipenuhi dalam riset data panel ini. Uji asumsi klasik yang dilakukan untuk model terpilih berdasarkan hasil uji pemilihan model adalah uji asumsi klasik untuk model fixed effect.