ANALISIS DATA PANEL DALAM PENELITIAN EKONOMI DAN BISNIS

(1)

1 | 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

ANALISIS DATA PANEL DALAM

PENELITIAN EKONOMI DAN BISNIS

(DIKLENGKAPI DENGAN PENGGUNAAN EVIEWS)

Dr. Agus Tri Basuki

(2)

ANALISIS DATA PANEL DALAM PENELITIAN EKONOMI DAN BISNIS (DILENGKAPI DENGAN PENGGUNAAN EVIEWS)

Katalog Dalam Terbitan (KDT)

Agus Tri Basuki.; ANALISIS DATA PANEL DALAM PENELITIAN EKONOMI DAN BISNIS (DILENGKAPI DENGAN PENGGUNAAN EVIEWS)

Yogyakarta : 2021

160 hal.; 17,5 X 24,5 cm

Edisi Pertama, Cetakan Pertama, 2021 Hak Cipta 2021 pada Penulis

Dilarang memperbanyak atau memindahkan sebagian atau seluruh isi buku ini dalam bentuk apapun, secara elektronis maupun mekanis, termasuk memfotokopi, merekam, atau dengan teknik perekaman lainnya, tanpa izin tertulis dari penerbit

Penulis : Agus Tri Basuki Desain Cover :

ISBN : Penerbit :

(3)

DAFTAR ISI

Halaman Sampul Daftar Isi

Kata Pengantar

Bab 1 Pengertian Ekonometrika 1

Bab 2 Regresi Data Panel 5

Bab 3 Penggunaan Data Panel Dalam Penelitian 55 Bab 4 Penggunaan Data Panel Dinamis Dalam Penelitian 87

Bab 5 Analsisi Jalur dengan Data Panel 125

Bab 6 Analisis Persamaan Simultan Dengan Data Panel 160 Daftar Pustaka

(4)

KATA PENGANTAR

Alhamdulillah, segala puji syukur penulis panjatkan kehadirat Allah SWT, atas segala karunia dan ridho-NYA, sehingga buku referensi dengan judul “ANALISISDATAPANELDALAMPENELITIAN EKONOMIDANBISNIS” ini dapat diselesaikan.

Buku Referensi disusun bertujuan untuk memberikan tambahan referensi yang berhubungan dengan penelitian terdahulu dan hasil penelitian penulis untuk dapat dijadikan referensi bagi para peneliti selanjutnya.

Oleh karena itu, pada kesempatan ini penulis menyampaikan rasa hormat dan menghaturkan terima kasih yang sebesar-besarnya, kepada :

1. Bapak Dr. Ir. Gunawan Budiyanto, M.P selaku Rektor Universitas Muhammadiyah Yogyakarta yang telah memberi kesempatan dan memfasilitasi penyelesaian buku referensi ini.

2. Bapak Dr. Nano Prawoto, SE, M.Si. selaku Wakil Rektor Bidang Sumberdaya Manusia Universitas Muhammadiyah Yogyakarta yang telah banyak meluangkan waktu dan motivasi untuk membantu menyelesaikan bukui ini.

3. Bapak Rizal Yaya, SE., M.Sc. Ph.D., AK selaku Dekan Fakultas Ekonomi dan Bisnis yang selalu memberikan dorongan dan motivasi dalam menyelesaikan buku ini.

4. Bapak Dr. Imamudin Yuliadi, SE, M.Si. selaku Kepala Program Studi Ilmu Ekonomi FEB UMY yang telah banyak meluangkan waktu untuk membantu menyelesaikan buku ini.

5. Almarhum Ayahanda Sujatmin dan Almarhumah Ibunda Surtilah, serta Bapak mertua Bapak H. Ngadi dan Ibu Hj. Basyariah atas segala dukungan dan doanya.

6. Istri saya tercinta Sri Pujiati, SE., atas segala motivasi, perhatian dan doa nya serta kesabaran menunggu di rumah selama beberapa waktu. Dan Ananda tercinta Nanda, Pandu dan Dinda yang selalu memberi semangat untuk dapat menyelesaikan buku ini.

Dengan keterbatasan pengalaman, ilmu maupun pustaka yang ditinjau, penulis menyadari bahwa buku referensi ini masih banyak kekurangan dan pengembangan lanjut agar benar-benar bermanfaat. Oleh sebab itu, penulis sangat mengharapkan kritik dan saran agar buku referensi ini lebih sempurna serta sebagai masukan bagi penulis untuk penelitian dan penulisan karya ilmiah di masa yang akan datang.

Akhir kata, penulis berharap buku referensi ini memberikan manfaat bagi kita semua terutama untuk pengembangan ilmu pengetahuan bidang ekonomi regional dan ekonomi pembangunan.

Yogyakarta, 1 Agustus 2021 Penulis Agus Tri Basuki

(5)

BAB

PENGERTIAN EKONOMETRIKA

A. Pengantar Ekonometrika

Ekonometrika berkaitan dengan pengukuran hubungan ekonomi. Ini adalah integrasi ekonomi, ekonomi matematika dan statistik dengan tujuan untuk memberikan nilai numerik ke parameter hubungan ekonomi. Hubungan teori ekonomi biasanya diekspresikan dalam bentuk matematika dan digabungkan dengan ilmu ekonomi empiris.

Metode ekonometrika digunakan untuk mendapatkan nilai parameter yang pada dasarnya merupakan koefisien dari bentuk matematis hubungan ekonomi. Metode statistik yang membantu menjelaskan fenomena ekonomi diadaptasi sebagai metode ekonometrik. Hubungan ekonometrik menggambarkan perilaku acak hubungan ekonomi yang umumnya tidak dipertimbangkan dalam ilmu ekonomi dan perumusan matematika.

Dapat ditunjukkan bahwa metode ekonometrik dapat digunakan di bidang lain seperti ilmu teknik, ilmu biologi, ilmu kedokteran, geosains, ilmu pertanian, dll. Dengan kata sederhana, setiap kali ada kebutuhan untuk menemukan hubungan stokastik dalam format matematika, metode dan alat ekonometrik membantu. Alat ekonometrik sangat membantu dalam menjelaskan hubungan antar variabel.

B. Model Ekonometrik

Model adalah representasi yang disederhanakan dari proses dunia nyata. Ia harus representatif dalam arti bahwa ia harus mengandung ciri-ciri yang menonjol dari fenomena yang diteliti. Secara umum salah satu tujuan dalam pemodelan adalah memiliki model yang sederhana untuk menjelaskan suatu fenomena yang kompleks. Sasaran seperti itu terkadang mengarah pada model yang terlalu disederhanakan dan terkadang asumsi yang dibuat tidak realistis.

Dalam praktiknya, secara umum, semua variabel yang menurut eksperimen relevan untuk menjelaskan fenomena tersebut disertakan dalam model. Variabel lainnya dibuang ke dalam keranjang yang disebut "gangguan" di mana gangguan adalah variabel acak. Inilah perbedaan

1

(6)

utama antara pemodelan ekonomi dan pemodelan ekonometrik. Ini juga merupakan perbedaan utama antara pemodelan matematika dan pemodelan statistik. Pemodelan matematis bersifat eksak, sedangkan pemodelan statistik juga mengandung istilah stokastik. Model ekonomi adalah sekumpulan asumsi yang menggambarkan perilaku suatu perekonomian, atau secara lebih umum, suatu fenomena.

Model ekonometrik terdiri dari seperangkat persamaan yang menggambarkan perilaku.

Persamaan ini diturunkan dari model ekonomi dan memiliki dua bagian variabel yang diamati dan gangguan; pernyataan tentang kesalahan dalam nilai variabel yang diamati; dan spesifikasi distribusi probabilitas gangguan.

C. Tujuan ekonometrik:

Tiga tujuan utama ekonometrik adalah sebagai berikut:

1. Perumusan dan spesifikasi model ekonometrik: Model ekonomi dirumuskan dalam bentuk yang dapat diuji secara empiris. Beberapa model ekonometrik dapat diturunkan dari model ekonomi. Model tersebut berbeda karena perbedaan pilihan bentuk fungsional, spesifikasi struktur stokastik dari variabel, dll.

2. Estimasi dan pengujian model: Model diestimasi berdasarkan kumpulan data yang diamati dan diuji kesesuaiannya. Ini adalah bagian dari inferensi statistik pemodelan.

Berbagai prosedur estimasi digunakan untuk mengetahui nilai numerik dari parameter model yang tidak diketahui. Berdasarkan berbagai rumusan model statistik, maka dipilih model yang sesuai dan sesuai.

3. Penggunaan model: Model yang diperoleh digunakan untuk peramalan dan perumusan kebijakan, yang merupakan bagian penting dalam setiap keputusan kebijakan. Perkiraan semacam itu membantu pembuat kebijakan untuk menilai kebaikan model yang sesuai dan mengambil tindakan yang diperlukan untuk menyesuaikan kembali variabel ekonomi yang relevan. Ekonometrika dan statistik: Ekonometrika berbeda dari statistik matematika dan statistik ekonomi. Dalam statistik ekonomi, data empiris yang dikumpulkan dicatat, ditabulasi, dan digunakan untuk menggambarkan pola perkembangannya dari waktu ke waktu. Statistik ekonomi adalah aspek ekonomi deskriptif. Ini tidak memberikan penjelasan tentang pengembangan berbagai variabel atau pengukuran parameter hubungan.

D. Statistik dan Ekonometrika

Metode statistik menggambarkan metode pengukuran yang dikembangkan atas dasar eksperimen terkontrol. Metode tersebut mungkin tidak cocok untuk fenomena ekonomi karena tidak cocok dengan kerangka eksperimen terkontrol. Misalnya, dalam eksperimen dunia nyata, variabel biasanya berubah secara terus menerus dan bersamaan, sehingga pengaturan eksperimen terkontrol tidak sesuai. Ekonometrika menggunakan metode statistik setelah menyesuaikannya dengan permasalahan kehidupan ekonomi. Metode statistik yang diadopsi ini biasanya disebut sebagai metode ekonometrik. Metode tersebut disesuaikan sehingga sesuai

(7)

untuk pengukuran hubungan stokastik. Penyesuaian ini pada dasarnya mencoba untuk menentukan upaya untuk elemen stokastik yang beroperasi dalam data dunia nyata dan masuk ke dalam penentuan data yang diamati. Hal ini memungkinkan data disebut sampel acak yang diperlukan untuk penerapan alat statistik.

Ekonometrik teoritis mencakup pengembangan metode yang sesuai untuk pengukuran hubungan ekonomi yang tidak dimaksudkan untuk eksperimen terkontrol yang dilakukan di dalam laboratorium. Metode ekonometrik umumnya dikembangkan untuk analisis data non- eksperimental.

Ekonometrik terapan mencakup penerapan metode ekonometrik pada cabang-cabang tertentu teori ekonometri dan masalah-masalah seperti permintaan, penawaran, produksi, investasi, konsumsi, dll. Ekonometrik terapan melibatkan penerapan alat-alat teori ekonometrik untuk analisis fenomena ekonomi dan peramalan. perilaku ekonomi.

Jenis data Berbagai jenis data digunakan dalam estimasi model.

1. Data deret waktu Data deret waktu memberikan informasi tentang nilai numerik variabel dari periode ke periode dan dikumpulkan dari waktu ke waktu. Misalnya, data pendapatan bulanan selama tahun 1990-2010 merupakan data deret waktu.

2. Data penampang Data penampang memberikan informasi tentang variabel yang berkaitan dengan agen individu (misalnya, konsumen atau produksi) pada titik waktu tertentu. Misalnya, penampang sampel konsumen adalah sampel anggaran keluarga yang menunjukkan pengeluaran untuk berbagai komoditas oleh masing-masing keluarga, serta informasi tentang pendapatan keluarga, komposisi keluarga dan karakteristik demografi, sosial atau keuangan lainnya.

3. Data panel: Data panel adalah data dari survei berulang atas satu sampel (penampang lintang) dalam periode waktu yang berbeda.

4. Data variabel dummy

Jika variabel tersebut bersifat kualitatif, maka data tersebut dicatat dalam bentuk fungsi indikator. Nilai variabel tidak mencerminkan besarnya data. Mereka hanya mencerminkan ada / tidak adanya suatu karakteristik. Misalnya, variabel seperti agama, jenis kelamin, selera, dll. Adalah variabel kualitatif. Variabel `sex 'mengambil dua nilai - laki-laki atau perempuan, variabel` rasa' mengambil nilai-suka atau tidak suka dll. Nilai tersebut dilambangkan dengan variabel dummy. Misalnya, nilai-nilai ini dapat direpresentasikan sebagai '1' mewakili pria dan '0' mewakili wanita. Demikian pula, '1' mewakili rasa suka, dan '0' mewakili ketidaksukaan pada rasa.

E. Masalah agregasi

Masalah agregasi muncul saat variabel agregat digunakan dalam fungsi. Variabel agregat seperti itu mungkin melibatkan.

1. Agregasi atas individu: Misalnya, total pendapatan dapat terdiri dari jumlah pendapatan individu.

(8)

2. Agregasi atas komoditas: Jumlah berbagai komoditas dapat digabungkan, misalnya, harga atau kelompok komoditas. Ini dilakukan dengan menggunakan indeks yang sesuai.

3. Agregasi selama periode waktu Kadang-kadang data tersedia untuk periode waktu yang lebih pendek atau lebih lama dari yang dibutuhkan untuk digunakan dalam bentuk fungsional hubungan ekonomi. Dalam kasus seperti itu, data perlu dikumpulkan selama jangka waktu tertentu. Misalnya, produksi sebagian besar komoditas manufaktur diselesaikan dalam waktu yang lebih singkat dari satu tahun. Jika angka tahunan akan digunakan dalam model, maka mungkin ada beberapa kesalahan dalam fungsi produksi.

4. Agregasi spasial: Terkadang agregasi terkait dengan masalah spasial. Misalnya, populasi kota, negara, atau produksi di kota atau wilayah, dll. Sumber agregasi seperti itu menimbulkan “bias agregasi” dalam perkiraan koefisien. Penting untuk memeriksa kemungkinan kesalahan tersebut sebelum mengestimasi model.

F. Ekonometrika dan analisis regresi:

Salah satu peran ekonometrika yang sangat penting adalah menyediakan alat untuk pemodelan berdasarkan data yang diberikan. Teknik pemodelan regresi banyak membantu dalam tugas ini. Model regresi dapat berupa linier atau non-linier yang didasarkan pada analisis regresi linier dan analisis regresi non-linier. Kami hanya akan mempertimbangkan alat analisis regresi linier dan minat utama kami adalah pemasangan model regresi linier ke kumpulan data tertentu.

(9)

BAB

REGRESI DATA PANEL

Data panel adalah gabungan antara data runtut waktu (time series) dan data silang (cross section. Menurut Agus Widarjono (2009) penggunaan data panel dalam sebuah observasi mempunyai beberapa keuntungan yang diperoleh. Pertama, data panel yang merupakan gabungan dua data time series dan cross section mampu menyediakan data yang lebih banyak sehingga akan lebih menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time seriesdan cross section dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (omitted-variabel).

Hsiao (2014), mencatat bahwa penggunaan panel data dalam penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross section maupun time series. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan degree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di mana dapat menghasilkan estimasi ekonometri yang efisien. Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja. Dan Ketiga, panel data dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section.

Menurut Wibisono (2005) k eunggulan regresi data panel antara lain : Pertama. Panel data mampu memperhitungkan heterogenitas individu secara ekspilisit dengan mengizinkan variabel spesifik individu. Kedua. Kemampuan mengontrol heterogenitas ini selanjutnya menjadikan data panel dapat digunakan untuk menguji dan membangun model perilaku lebih kompleks. Ketiga, data panel mendasarkan diri pada observasi cross-section yang berulang-ulang (time series), sehingga metode data panel cocok digunakan sebagai study of dynamic adjustment. Keempat, tingginya jumlah observasi memiliki implikasi pada data yang lebih informative, lebih variatif, dan kolinieritas (multikol) antara data semakin berkurang, dan derajat kebebasan (degree of freedom/df) lebih tinggi sehingga dapat diperoleh hasil estimasi yang lebih efisien. Kelima, data panel dapat digunakan untuk mempelajari model-model perilaku yang kompleks. Dan Keenam, Data panel dapat digunakan untuk meminimalkan bias yang mungkin ditimbulkan oleh agregasi data individu.

2

(10)

Model Regresi Panel dari judul diatas sebagai berikut ini:

Y = α + b1X1it + b2X2it +…..+ e Keterangan:

Y = Variabel dependen (LDR) α = Konstanta

X1 = Variabel independen 1 X2 = Variabel independen 2

b(1,2…) = Koefisien regresi masing-masing variabel independen e = Error term

t = Waktu i = Perusahaan

Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain:

1. Common Effect Model

Merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel.

2. Fixed Effect Model

Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik variable dummy untuk menangkap perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya sama antar perusahaan. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).

3. Random Effect Model

Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh error terms masing-masing perusahaan. Keuntungan menggunkan model Random Effect yakni menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error Component Model (ECM) atau teknik Generalized Least Square (GLS)

(11)

Gambar 1

Langkah-Langkah Penelitian Data Panel Ya

Tidak

Studi Pustaka

(Kerangka Teori dan Studi Terdahulu)

Metode Estimasi Data Panel 1. Common Effect 2. Fixed Effect 3. Random Effect

Pemilihan Model Regresi Data Panel 1. Uji Chow

2. Uji Lagrange Multiplier 3. Uji Hausman

Pengujian Hipotesis Memenuhi

(12)

Data GDP, POP, KURS, GFCF, LIR, TR, TRADE dan IVA di 5 Negara ASEAN

Tahun GDP POP Kurs GFCF LIR TR Trade IVA

INDONESIA

2000 4,121,726,241,993,900 211,540,428 8,422 1,060,872,288,362,200 18.46 99,643,790,476,190 2,944,432,464,112,750 1,967,791,836,600,200 2001 4,271,899,954,667,000 214,448,301 10,261 1,129,749,087,480,800 18.55 190,614,200,000,000 2,981,495,922,803,340 2,021,590,172,211,700 2002 4,464,113,041,849,300 217,369,087 9,311 1,182,784,395,845,000 18.95 215,467,500,000,000 2,637,374,038,628,250 2,107,764,749,213,200 2003 4,677,514,123,258,600 220,307,809 8,577 1,189,884,726,120,600 16.94 249,404,313,253,852 2,507,919,080,077,860 2,186,913,010,032,200 2004 4,912,833,962,560,100 223,268,606 8,939 1,364,599,072,554,300 14.12 283,093,000,000,000 2,935,973,057,506,130 2,273,100,844,234,100 2005 5,192,500,538,917,800 226,254,703 9,705 1,513,164,999,669,000 14.05 312,488,056,626,926 3,322,573,914,833,110 2,380,026,639,458,400 2006 5,478,137,490,010,100 229,263,980 9,159 1,552,460,084,009,500 15.98 343,625,377,952,311 3,103,755,304,808,870 2,486,855,317,982,500 2007 5,825,726,531,358,900 232,296,830 9,141 1,697,209,598,268,500 13.86 374,762,699,277,696 3,194,202,162,925,520 2,604,234,878,138,900 2008 6,176,068,457,506,700 235,360,765 9,699 1,898,942,099,974,500 13.60 658,701,000,000,000 3,616,792,130,902,920 2,701,585,275,030,700 2009 6,461,950,710,551,600 238,465,165 10,390 1,961,482,072,067,500 14.50 619,922,000,000,000 2,940,970,850,172,160 2,798,525,931,939,900 2010 6,864,133,100,000,000 241,613,126 9,090 2,127,840,682,000,000 13.25 723,307,000,000,000 3,205,637,598,235,500 2,936,192,400,000,000 2011 7,287,635,300,000,000 244,808,254 8,770 2,316,359,104,097,800 12.40 873,874,000,000,000 3,656,936,354,349,880 3,122,633,400,000,000 2012 7,727,083,400,000,000 248,037,853 9,387 2,527,728,790,484,400 11.80 980,518,000,000,000 3,831,311,903,721,210 3,288,298,000,000,000 2013 8,156,497,800,000,000 251,268,276 10,461 2,654,375,036,700,900 11.66 1,077,310,000,000,000 3,967,106,232,237,770 3,431,080,900,000,000 2014 8,566,271,200,000,000 254,454,778 11,865 2,775,733,579,064,600 12.61 1,145,282,928,434,310 4,116,716,178,297,760 3,577,694,800,000,000 2015 8,976,931,500,000,000 257,563,815 13,389 2,916,601,630,562,700 12.66 1,164,554,577,386,610 3,764,719,516,265,140 3,672,595,500,000,000 2016 8,164,934,610,302,790 260,013,489 12,935 2,542,077,573,709,210 11.56 935,748,526,661,157 4,201,921,841,339,830 3,547,268,352,813,750 2017 8,380,512,700,553,410 263,041,350 13,343 2,612,020,756,005,150 11.13 974,202,791,298,637 4,304,178,262,152,610 3,638,770,115,628,690 2018 8,596,090,790,804,030 266,069,210 13,751 2,681,963,938,301,090 10.69 1,012,657,055,936,110 4,406,434,682,965,400 3,730,271,878,443,630

SINGAPORE

2000 183,379,000,000 4,027,887 1.72 57,109,300,000 5.83 24,606,000,000 671,297,132,015 49,397,500,000 2001 181,632,700,000 4,138,012 1.79 54,731,200,000 5.65 23,466,000,000 640,707,943,923 45,290,500,000 2002 189,282,500,000 4,175,950 1.79 50,010,400,000 5.35 21,025,000,000 670,586,235,664 47,163,100,000 2003 197,677,800,000 4,114,826 1.74 47,501,400,000 5.31 21,173,000,000 756,693,631,255 47,769,000,000 2004 216,554,400,000 4,166,664 1.69 52,075,500,000 5.30 22,563,000,000 879,843,366,239 52,653,700,000 2005 232,772,500,000 4,265,762 1.66 53,477,000,000 5.30 24,627,000,000 983,069,170,288 56,860,200,000 2006 253,396,600,000 4,401,365 1.59 58,541,200,000 5.31 27,940,000,000 1,090,511,558,656 63,055,200,000 2007 276,484,900,000 4,588,599 1.51 67,890,600,000 5.33 34,961,000,000 1,102,228,634,774 67,732,000,000

(13)

2008 281,427,400,000 4,839,396 1.41 75,333,000,000 5.38 37,679,000,000 1,237,314,366,668 67,653,400,000 2009 279,729,300,000 4,987,573 1.45 78,111,500,000 5.38 36,584,000,000 1,007,670,883,058 67,881,300,000 2010 322,361,100,000 5,076,732 1.36 84,224,800,000 5.38 41,807,100,000 1,199,503,600,000 84,111,900,000 2011 342,371,500,000 5,183,688 1.26 88,618,400,000 5.38 46,049,300,000 1,282,874,386,498 89,975,600,000 2012 354,937,000,000 5,312,437 1.25 95,931,600,000 5.38 50,081,500,000 1,303,099,571,415 92,002,000,000 2013 371,532,000,000 5,399,162 1.25 101,416,000,000 5.38 51,077,100,000 1,343,427,462,218 94,256,200,000 2014 383,644,000,000 5,469,724 1.27 98,777,300,000 5.35 54,083,600,000 1,380,249,251,424 96,904,600,000 2015 391,349,000,000 5,535,002 1.37 97,756,100,000 5.35 55,639,600,000 1,276,255,855,731 93,605,900,000 2016 378,799,288,506 5,589,202 1.25 98,542,169,425 5.04 50,567,927,816 1,422,227,212,025 94,751,036,782 2017 390,182,949,485 5,687,450 1.23 101,363,281,216 4.99 52,158,273,267 1,466,417,972,886 97,567,786,036 2018 401,566,610,463 5,785,698 1.20 104,184,393,007 4.94 53,748,618,717 1,510,608,733,747 100,384,535,291

MALAYSIA

2000 1,148,003,261,100 51,360,341 3.80 128,089,585,500 7.67 48,709,000,000 2,530,283,567,400 252,963,440,700 2001 1,135,692,216,900 51,627,469 3.80 125,447,962,500 7.13 62,741,041,000 2,309,596,343,100 246,632,941,000 2002 1,234,364,173,200 54,313,322 3.80 126,172,668,100 6.53 66,859,000,000 2,460,785,113,800 256,965,744,900 2003 1,348,896,825,900 57,179,984 3.80 129,760,671,400 6.30 64,891,000,000 2,619,488,710,800 275,957,749,900 2004 1,526,959,233,900 61,743,758 3.80 134,371,788,600 6.05 72,051,000,000 3,212,322,502,500 295,216,014,600 2005 1,750,919,095,800 68,447,143 3.79 141,057,295,500 5.95 80,593,000,000 3,569,326,678,800 304,465,944,800 2006 1,922,297,721,300 72,460,107 3.67 149,892,719,300 6.49 86,630,341,000 3,894,145,623,900 317,580,854,500 2007 2,143,126,674,000 75,138,535 3.44 166,072,117,100 6.41 95,168,389,525 4,124,792,489,400 320,087,395,500 2008 2,480,079,502,800 85,628,170 3.34 170,207,590,500 6.08 112,897,300,469 4,381,521,541,195 317,288,727,200 2009 2,296,183,240,765 82,719,612 3.52 165,973,951,600 5.08 106,504,411,011 3,732,653,603,412 296,120,332,600 2010 2,645,921,057,400 90,575,721 3.22 184,291,000,000 5.00 109,515,185,226 4,179,100,235,400 310,501,000,000 2011 2,936,783,166,300 97,017,891 3.06 195,995,000,000 4.92 134,885,000,000 4,550,187,060,900 317,855,000,000 2012 3,128,496,596,100 99,526,719 3.09 233,202,000,000 4.79 151,643,000,000 4,625,225,806,500 333,553,000,000 2013 3,281,054,334,300 101,224,491 3.15 252,162,000,000 4.61 155,952,200,000 4,682,757,873,600 345,531,000,000 2014 3,564,037,632,600 105,256,037 3.27 264,235,000,000 4.59 164,204,890,000 4,929,400,721,700 366,742,000,000 2015 3,727,244,327,400 106,369,976 3.91 274,010,000,000 4.59 171,820,174,259 5,000,287,469,400 385,975,000,000 2016 3,312,462,743,639 106,050,403 3.76 240,567,558,210 4.11 148,973,844,049 5,321,087,688,624 391,630,457,386 2017 3,431,095,788,324 109,225,560 3.80 246,963,417,904 3.88 153,844,596,033 5,503,669,636,066 401,523,890,471

(14)

2018 3,549,728,833,009 112,400,717 3.84 253,359,277,598 3.65 158,715,348,016 5,686,251,583,508 411,417,323,556

PHILIPHINES

2000 3,580,714,144,600 77,932,247 44.19 22,780,068,912 10.91 657,897,000,000 3,750,076,902,703 1,233,773,328,500 2001 3,684,339,740,200 79,604,541 50.99 28,241,646,217 12.40 698,603,300,000 3,644,141,422,664 1,245,634,218,900 2002 3,818,667,014,300 81,294,378 51.60 32,665,121,487 9.14 777,180,201,653 3,911,654,622,596 1,281,633,984,300 2003 4,008,468,654,600 82,971,734 54.20 32,518,898,694 9.47 914,844,580,454 4,082,598,605,877 1,336,430,145,900 2004 4,276,941,311,300 84,596,249 56.04 31,791,893,213 10.08 1,032,942,517,592 4,389,960,376,553 1,406,338,222,200 2005 4,481,279,173,600 86,141,373 55.09 32,732,240,297 10.18 1,223,016,054,876 4,386,211,041,984 1,465,272,159,600 2006 4,716,230,536,300 87,592,899 51.31 27,782,334,454 9.78 1,313,608,090,000 4,477,628,221,117 1,532,814,099,000 2007 5,028,287,876,800 88,965,508 46.15 27,651,234,906 8.69 1,374,438,470,000 4,355,473,236,639 1,621,226,456,600 2008 5,237,100,460,900 90,297,115 44.32 34,110,276,561 8.75 1,493,400,000,000 3,994,978,933,960 1,699,171,312,900 2009 5,297,239,678,000 91,641,881 47.68 31,149,659,786 8.57 1,370,973,490,000 3,474,479,880,030 1,666,600,706,000 2010 5,701,538,990,500 93,038,902 45.11 40,997,390,701 7.67 1,613,942,200,000 4,072,010,141,559 1,859,515,257,400 2011 5,910,201,356,700 94,501,233 43.31 42,148,492,542 6.66 1,850,017,280,000 4,001,083,182,690 1,893,950,404,200 2012 6,305,228,000,000 96,017,322 42.23 40,341,662,592 5.68 1,908,089,229,239 4,092,057,890,248 2,031,443,000,000 2013 6,750,631,382,800 97,571,676 42.45 51,615,050,648 5.77 2,234,672,960,446 4,066,937,408,096 2,219,068,131,300 2014 7,170,414,383,100 99,138,690 44.40 54,322,486,994 5.53 2,104,916,011,848 4,392,838,913,938 2,391,188,162,800 2015 7,593,828,396,600 100,699,395 45.50 62,528,463,225 5.58 2,226,639,359,382 4,786,807,132,718 2,535,795,730,900 2016 6,709,102,527,567 102,660,095 54.71 48,133,076,269 4.38 2,046,163,554,941 5,090,859,842,252 2,180,660,780,772 2017 6,877,076,533,656 104,218,712 55.79 49,313,829,021 3.86 2,114,772,103,119 5,213,700,151,795 2,232,595,737,294 2018 7,045,050,539,745 105,777,329 56.86 50,494,581,774 3.35 2,183,380,651,297 5,336,540,461,339 2,284,530,693,817

THAILAND

2000 5,254,390,000,000 62,693,322 40.11 1,169,038,000,000 7.83 657,897,000,000 6,373,463,864,778 1,927,493,000,000 2001 5,435,364,000,000 63,415,174 44.43 1,190,489,000,000 7.25 698,603,300,000 6,536,987,066,250 1,972,132,000,000 2002 5,769,578,000,000 64,136,669 42.96 1,264,207,000,000 6.88 777,180,201,653 6,633,269,000,000 2,137,333,000,000 2003 6,184,372,000,000 64,817,254 41.48 1,423,985,000,000 5.94 914,844,580,454 7,216,719,210,212 2,330,706,000,000 2004 6,573,325,000,000 65,404,522 40.22 1,649,896,000,000 5.50 1,032,942,517,592 8,375,209,795,797 2,498,509,000,000 2005 6,848,605,000,000 65,863,973 40.22 1,885,491,000,000 5.79 1,223,016,054,876 9,441,069,296,356 2,629,316,000,000 2006 7,188,838,000,000 66,174,486 37.88 1,934,759,000,000 7.35 1,313,608,090,000 9,639,280,718,938 2,766,905,000,000 2007 7,579,558,000,000 66,353,572 34.52 1,968,711,000,000 7.05 1,374,438,470,000 9,843,810,058,786 2,949,715,000,000 2008 7,710,356,000,000 66,453,255 33.31 2,014,697,000,000 7.04 1,493,400,000,000 10,828,190,199,033 3,017,886,000,000

(15)

2009 7,653,432,000,000 66,548,197 34.29 1,795,686,000,000 5.96 1,370,973,490,000 9,098,188,909,247 2,958,856,000,000 2010 8,227,953,000,000 66,692,024 31.69 2,003,974,000,000 5.94 1,613,942,200,000 10,429,526,413,952 3,268,640,000,000 2011 8,296,548,000,000 66,902,958 30.49 2,101,553,000,000 6.91 1,850,017,280,000 11,520,956,231,846 3,134,519,000,000 2012 8,896,468,000,000 67,164,130 31.08 2,326,689,000,000 7.10 1,908,089,229,239 12,256,242,432,126 3,362,631,000,000 2013 9,136,861,000,000 67,451,422 30.73 2,303,576,000,000 6.96 2,234,672,960,446 12,129,469,377,752 3,408,964,000,000 2014 9,211,567,000,000 67,725,979 32.48 2,248,499,000,000 6.77 2,104,916,011,848 12,155,262,559,984 3,397,938,000,000 2015 9,472,101,000,000 67,959,359 34.25 2,354,425,000,000 6.56 2,226,639,359,382 12,010,739,741,105 3,473,353,000,000 2016 9,581,084,527,582 70,220,299 38.03 2,239,457,166,099 4.77 2,046,163,554,941 13,100,796,034,461 3,686,402,218,541 2017 9,821,753,731,260 70,740,037 38.40 2,271,216,203,380 4.47 2,114,772,103,119 13,514,300,617,845 3,784,104,999,890 2018 10,062,422,934,937 71,259,775 38.77 2,302,975,240,662 4.17 2,183,380,651,297 13,927,805,201,228 3,881,807,781,239

Sumber : Laporan Bank Dunia

Persamaan Regresi Data Panel :

GDP = f (POP, KURS, GFCF, LIR, TR, TRADE, IVA)

GDPt = α0 + α1 POPt + α2KURSt +α3GFCFt + α4LIRt + α5TRt + α6 TRADEt+ α6IVAt + εt

(16)

Ada 2 cara meregres data panel dalam program eviews, yaitu : 1. Cara Pertama

Cara memindah data dari excel ke eviews sebagai berikut : a. Buka Excell yang datanya akan kita pindah ke eviews

b. Buka eviews

Klik  File  New  Workfile

(17)

Maka akan muncul dilayar

Pilih  Dated-regular frequency Pilih Frequency  Annual

Dan Isi Start Date 2000

End date 2018 tekan OK

(18)

Pilih  Object  New Object

Muncul dilayar

Isi DATAPANEL

Pilih Pool

(19)

Dilayar akan muncul :

Dan isilah

Kemudian pilih  Proc  Import Pool Data (ASCI,XLS,WK?)…

Sebanyak Negara yang dijadikan sampel

(20)

Perhatikan data yang akan kita impor, file tersebut harus dalam keadaan tertutup. Dan yang kita ingat adalah letak data pertama

Dan kita cari posisi file tersebut

Klik  Open

Letak data awal yang akan di copy di kursor D3

Pilih Excel (*.xls)

(21)

Klik  OK dan akan muncul dilayar

 Jika muncul tampilah diatas, maka upload data panel di eviews sukses

Cara melakukan regresi data panel

Lokasi Kursor di awal data

Tulislah semua symbol variabel yang dijadikan sampel data dan diakhiri

dengan tanda tanya

(22)

Klik  datapanel

Dilayar akan muncul

Pilih  Estimate

(23)

Isilah Variabel terikatnya dan variabel bebasnya dan diakhiri setiap variabel dengan tanda tanya Dalam meregres data panel akan dihasilkan 3 Model :

1. Model Common Effect 2. Model Fixed Effect 3. Model Random Effect

(24)

Model Common Effect

Karena muncul tanda E berarti perbedaan nilai antar

variabel sangat besar, sehingga perlu kita kecilkan

dengan model logaritma

(25)

Setelah semua variabel kita log kan (kecuali LIR karena dalam persen) didapat hasil sebagai berikut :

Menunjukan angka elastisitas

(26)

Model Fixed Effect

Hasil Regresi

(27)

Model Random Effect

Hasil Regresi

(28)

Pemilihan Metode Pengujian Data Panel Uji Chow (Uji likelihood)

Uji Chow merupakan uji untuk menentukan model terbaik antara Fixed Effect Model dengan Common/Pool Effect Model. Jika hasilnya menyatakan menerima hipotesis nol maka model yang terbaik untuk digunakan adalah Common Effect Model. Akan tetapi, jika hasilnya menyatakan menolak hipotesis nol maka model terbaik yang digunakan adalah Fixed Effect Model, dan pengujian akan berlanjut ke uji Hausman.

Chow test yakni pengujian untuk menentukan model Common Effect atau Fixed Effect yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:

H0 : Common Effect Model atau pooled OLS H1 : Fixed Effect Model

Uji Hausman

Hausman test yakni pengujian untuk menentukan model Fixed Effet atau Random Effect yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:

H0 : Random Effect Model H1 : Fixed Effect Model

Jika dari hasil Uji Hausman tersebut menyatakan menerima hipotesis nol maka model yang terbaik untuk digunakan adalah model Random Effect. Akan tetapi, jika hasilnya menyatakan menolak hipotesis nol maka model terbaik yang digunakan adalah model Fixed Effect.

Uji Chow

Regres Model Fixed Effect

Klik  View  Fixed/Random Effect Testing

(29)

Hasilnya sebagai berikut :

Karena nilai prob. 0.000 < dari nilai α = 0.05 maha Ho ditolak, sehingga model terbaik adalah Model Fixed Effect

Uji Hausman

Regres Model Random effect

(30)

Hasil Uji Hausman

Karena nilai prob. 0.000 < dari nilai α = 0.05 maha Ho ditolak, sehingga model terbaik adalah Model Fixed Effect

Dari hasil Uji Chow dan Uji Hauman memutuskan model terbaik adalah Model Fixed Effect, sehingga Uji LM tidak perlu kita lakukan.

Uji Asumsi Klasik

Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas, Normalitas, Multikolinieritas, Heteroskedastisitas dan Autokorelasi.

(31)

Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS (Gujarati, 2003)

a. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana tingkat linieritasnya.

b. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.

c. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.

d. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat ke ciri data cross section dibandingkan time series.

e. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.

Sehingga dalam data panel cukup di uji Multikolinearitas dan Uji Heteroskedastisitas.

Uji Multikolinearitas

Salah satu asumsi regresi linier klasik adalah tidak adanya multikolinearitas sempurna (no perfect multicolinearity) tidak adanya hubungan linier antara variabel penjelas dalam suatu model regresi.

Istilah ini multikoliniearitas itu sendiri pertama kali diperkenalkan oleh Ragner Frisch tahun 1934.

Menurut Frisch, suatu model regresi dikatakan terkena multikoliniearitas bila terjadi hubungan linier yang sempurna (perfect) atau pasti (exact) di antara beberapa atau semua variabel bebas dari suatu model regresi. Akibatnya akan kesulitan untuk dapat melihat pengaruh variabel penjelas terhadap variabel yang dijelaskan (Maddala, 1992: 269-270).

Untuk menguji multikolinearitas bisa dibandingkan R kuadrat regresi variabel bebas terhadap variabel terikat dengan R kuadrat regresi antar variable bebasnya. Jika R² regresi variabel bebas terhadap variabel terikat lebih besar dari R² regresi antar variable bebasnya, maka dapat disimpulkan bahwa model tersebut tidak mengandung multikolinearitas.

Karena model terbaik adalah Fixed Effect Model, maka model inilah yang akan kita uji apakah model tersebut memenuhi asumsi klasik.

Lakukan regres seperti dibawah ini dan lihar R21 :

(32)

Didapat R21 = 0.999774

(33)

Didapat R22 = 0.941266

Didapat R23 = 0.995060

(34)

Didapat R24 = 0.999547

(35)

Didapat R25 = 0.997681

(36)

Didapat R26 = 0.999616

(37)

Didapat R27 = 0.964295

R21 = 0.999774 Lebih besar

R22 = 0.941266 R23 = 0.995060 R24 = 0.999547 R25 = 0.997681 R26 = 0.999616 R27 = 0.964295

Kesimpulan karena R21 > R22, R23, R24, R25, R26, R27 maka model fixed effect tidak mengandung multikolinearitas.

(38)

Uji Heteroskedastisitas

Heteroskedastisitas tidak merusak sifat kebiasan dan konsistensi dari penaksir OLS, tetapi penaksir tadi tidak lagi efisien yang membuat prosedur pengujian hipotesis yang biasa nilainya diragukan.

Oleh karena itu jika suatu model terkena heteroskedastisitas diperlukan suatu tindakan perbaikan pada model regresi untuk menghilangkan masalah heteroskedastisitas pada model regresi tersebut.

Lakukan regres terhadap model fixed effect, kemudian klik  Proc  Make Residuals

(39)

Akan muncul dilayar

Resid ini otomatis akan tersimpan

(40)

Lakukan regresi ulang  klik Estimate

Gantilah Log(GDP?) dengan Log(abs(resid?)) lalu tekan OK, dan akan muncul dilayar

(41)

Model diatas tidak mengandung heteroskedastisitas

Tidak Signifikan

(42)

2. Cara Kedua

Copy data yang ada di excel

Dari GDP sampai IVA Buka Eviews

Pilih  File  New  Workfile

(43)

Pilih  Balanced Panel dan isi Panel specification

Akan muncul tampilan

Klik  Quick  Empty Group (Edit Series)

(44)

Copy data di Excell

Dan Pastekan di sini

Sehingga muncul tampilan sebagai berikut :

(45)

Cara Meregres dengan cara kedua ini Klik  Proc  Make Equation

(46)

Ganti

gdp pop kurs gfcf lir tr trade iva c Dengan

log(gdp) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade) log(iva) c

Klik  Panel Options

(47)

Untuk Regresi Common Effeck pilih

Dan hasil regresinya

(48)

Untuk Regresi Fixed Effeck pilih

(49)

Untuk Regresi Random Effeck pilih

(50)

Untuk pemilihan Model terbaik Uji Chow

Estimate Regresi Model Fixed Effect

Pilih  View  Fixed/Random Effect Testing  Redundan Fixed Effect – Likelihood Ratio

Muncul Hasil Uji Chow

(51)

Kesimpulan :

Ho ditolak artinya Model Fixed Effect adalah model terpilih

Uji Hausman

Estimate Regresi Model Random Effect Effect

Pilih  View  Fixed/Random Effect Testing  Correlated Random Effect – Hausman Test

(52)

Hasil Uji Hauman

Kesimpulan :

Ho ditolak artinya Model Fixed Effect adalah model terpilih

Berdasarkan Uji Chow dan Uji Hausman  Model Terpilih adalah Model Fixed Effect Uji Asumsi Klasik

Uji Normalitas

Pilih  View  Residual Diagnostics  Histogram – Normality Test

(53)

Hasil Uji Normalitas

Karena nilai probabilitas < 0,05 maka data tidak berdistribusi normal Uji Multikolinearitas

Klik  gdp pop kurs gfcf lir tr trade iva

Kemudian klik kanan dan klik  Copy

Kemudian klik  Quick  Group Statistics  Correlation

(54)

Maka akan muncul

Klik OK

Klik Yes

(55)

Ceck apakah ada nilai > 0.85

Atau untuk uji multikolinearitas gunakan cara dengan membandingkan R² hasil regres variabel bebas terhadap variabel dengan R² hasil regres antar variabel bebasnya.

Uji Heteroskedastisitas

Buka hasil regresi Model Fixed Effect Model Pilih  Proc  Make Residual Series

Akan muncul tampilan

(56)

Pilih OK

Kemudian klik  Estimate

Ganti

log(gdp) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade) log(iva) c Dengan

log(abs(resi01)) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade) log(iva) c

(57)

Dan hasilnya

Tidak signifikan

(58)

Hasil Analisis

Interpretasi Regresi Data Panel Model Fixed Effect

Variable Coefficient Std. Error

C -2.823947 1.889121

LOG(POP?) 0.215406*** 0.016576

LOG(KURS?) 0.197261** 0.082540

LOG(GFCF?) -0.095415*** 0.019391

LIR? -0.030963*** 0.007783

LOG(TR?) -0.035275 0.069587

LOG(TRADE?) 0.918337*** 0.043936

LOG(IVA?) 0.150876** 0.072395

R-squared 0.999774

Keterangan :

*** signifikan pada α = 1 %

** signifikan pada α = 5 %

* signifikan pada α = 10 %

Hasil regresi tersebut dapat kita susun menjadi persamaan regresi sebagai berikut :

LOG(GDP) = - 2.8239 + 0.2154 LOG(POP) + 0.1972 LOG(KURS) - 0.0309 LIR - 0.0954 LOG(GFCF) - 0.0352 LOG(TR) + 0.9183 LOG(TRADE) + 0.1509 LOG(IVA)

(59)

BAB

PENGGUNAAN DATA PANEL DALAM PENELITIAN EKONOMI

Regresi dengan menggunakan data panel statis akan menghasilkan 3 model persamaan regresi, yaitu: model commont effect, model fixed effect dan model random effect. Model commont effect merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel (Lampiran 2).

Model fixed effect adalah model yang mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik variable dummy untuk menangkap perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya sama antar perusahaan. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (Lampiran 3). Model Random Effect adalah model yang akan mengestimasi data panel dimana variabel gangguan saling berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh error terms masing-masing perusahaan. Keuntungan menggunkan model Random Effect yakni menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error Component Model (ECM) atau teknik Generalized Least Square (Lampiran 4).

1. Model Regresi Data Panel

Sesuai dengan uraian teknis analisis data maka persamaan regresi yang tepat digunakan dalam disertasi ini adalah regresi data panel. Fungsi PDRB adalah sebagai berikut ini ( 3.1):

PDRBti = f(Educti, Healthti, Agricti, Marineti, DAUti, Popti, Povt, FDIti, Opnti, Status)

………..……….. 3.1.

Dari fungsi PDRB (3.1) dapat dijabarkan persamaan matematika sebagai berikut :

3

(60)

PDRBti = β0 + β1Educti + β2Healthti + β3Agricti + β4 Marineti + β5 DAUti + β6Popti + β7Povti + β8FDIti + β9 DOpnti+ β10 DStatus + εt

………..…....…..…….. 3.2.

Keterangan :

PDRB : Produk Domestik Regional Bruto Educ : Belanja Pemerintah Untuk Pendidikan Health : Belanja Pemerintah Untuk Kesehatan Agric : Belanja Pemerintah untuk Pertanian

Marine : Belanja Pemerintah Untuk Kelautan dan Perikanan DAU : Dana Alokasi Umum

Pop : Jumlah Penduduk Pov : Jumlah Penduduk Miskin FDI : Investasi Asing

DOpn : Dummy untuk Opini BPK terhadap Laparon Pertangungjawaban Keuangan Daerah

DStatus : Dummy untuk variabel Status

β (1…2) : Koefisien regresi (angka elastisitas) masing-masing variabel

independen ε : Error term t : Waktu i : Wilayah

Persamaan 3.2 di atas, dapat digunakan untuk mencari koefisien regresi yang menunjukkan angka elastisitas yaitu nilai β. Nilai koefisien regresi β dapat diartikan perubahan persentase variabel bebas akan mempengaruhi perubahan prosentase variabel terikat. Koefisien regresi ini dapat dicari dengan melakukan log (Gujarati, 2003 : 168) terhadap semua variabel kecuali variabel yang nilainya persen atau pecahan (perubahan dalam prosen). Variabel PDRB dalam persamaan tersebut dijadikan dalam bentuk logaritma, dan hasil persamaan 3.3 regresi untuk log PDRB akan menghasilkan arti pertumbuhan ekonomi. Koefisien yang ingin dicari adalah nilai elastisitas, maka model regresi dirubah dengan model double log, sehingga log(PDRBti) dapat diartikan sebagai pertumbuhan ekonomi. Model panel statis yang digunakan dalam penelitian ini menggunakan model double log (persamaan 3.3).

Log(PDRBti) = β0 + β1log(Educti) + β2log(Healthti ) + β3log(Agricti) + β4log(Marineti) + β5log(DAUti) + β6log(Popti) + β7Log(Povti) + β8log(FDIti) + β9DOpnti + β10DStatusti + εt ………. 3.3.

(61)

2. Metode Estimasi Model Regresi Panel

Tahapan analisis data panel sebagai berikut (Gambar 3.1). Tahapan yang harus dilakukan untuk melakukan regresi dengan model panel statis dan model panel dinamis ditunjukan dalam Gambar 3.1. Metode estimasi data panel statis harus melalui tiga pendekatan (Greene, 2003) pengujian pemilihan model (uji Chow, uji Hausman dan uji LM), dan jika pengujian dengan uji Chow dan uji Hausman sudah konsinten menolak hipotesis nol maka uji LM tidak perlu dilakukan. Setelah model terpilih (common effect, fixed effect atau random effect), kemudian dilakukan pengujian asumsi klasik (Gambar 3.1 tentang panel statis).

Untuk tahap pengujian regresi panel dinamik melalui pengujian : uji akar unit; uji penentuan panjang lag, uji stabilitas, uji kointegrasi, uji kausalitas Grangger, regresi model VECM, impulse respon function dan variance decomposition (Gambar 3.1. tentang Model Panel Dinamis).

a. Model Regresi Panel Statis

Metode estimasi model regresi dengan menggunakan data panel tahapan analisisnya dapat dilakukan sebagai berikut:

(62)

58 | 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 Gambar 3.1

Tahapan Analisis Data Panel