April 21, 2017 | Author: Roni Okto Junaedi Manurung | Category: N/A
14/06/2012
Outline DATA PANEL : TEORI DASAR DAN APLIKASI DI STATA
I.
Pengenalan Data Panel 1. Kuadrat Terkecil (Pooled Least Square) 2. Efek Tetap (Fixed Effect) 3. Efek Acak (Random Effect)
II.
Pemilihan Metode Estimasi dalam Panel Data 1. Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Tetap (Fixed Effect) 2. Pemilihan Efek Tetap (Fixed Effect) atau Efek Acak (Random Effect) 3. Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Acak (Random Effect)
III. Evaluasi Hasil Regresi Data Panel 1. Kriteria Teori 2. Kriteria Statistik a. Uji signifikansi serentak (F-Test). b. Uji Signifikansi parsial (t-test). c. Uji Goodness of Fit. 3. Kriteria Ekonometrika a. Bebas dari Multikolinearitas b. Bebas dari Heteroskedastisitas c. Bebas dari Autokorelasi
Oleh : Akbar Suwardi Pelatihan STATA Dept. Ilmu Ekonomi – Universitas Indonesia (2012)
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
IV. Exercise 14/06/2012
I. Pengenalan Data Panel
I. Pengenalan Data Panel
Data dibagi menjadi dua garis besar yaitu time-series dan cross-section. Gabungan antara dua itu adalah data panel. Atau dapat dikatakan, dikatakan data panel merupakan data yang memiliki cross-sectional unit yang sama (contohnya survey data keluarga atau perusahaan) dan dilakukan setiap waktu. (Gujarati, 2003) 14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
2
3
• Gunakan data – Plt-stata.dta – Data dari Buku Gujarati (2003)
• Lakukan Set Panel Data Xtset individu time, year Panel variable: individu (strongly balanced) Time variable: time, 1935 to 1954 Delta: 1 year
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
4
I. Pengenalan Data Panel
I. Pengenalan Data Panel
xtline y 1500
• Mengenal data Panel GM
US
WEST
500 0
Y
1500 1000 500 0
Variable | Mean Std. Dev. Min Max | Observations -----------------+--------------------------------------------+---------------y overall | 290.9154 284.8528 12.93 1486.7 | N = 80 between | 265 265.7954 7954 42 42.8915 8915 608 608.02 02 | n = 4 within | 165.786 -59.40462 1169.595 | T = 20 | | x2 overall | 2229.428 1429.965 191.5 6241.7 | N = 80 between | 1527.907 671.36 4333.35 | n = 4 within | 521.3062 688.2774 4137.778 | T = 20 | | x3 overall | 358.51 398.2685 .8 2226.3 | N = 80 between | 233.5919 85.64 648.435 | n = 4 within | 342.3096 -287.125 1936.375 | T = 20
GE
1000
. xtsum y x2 x3
1935
1940
1945
1950
19551935
1940
1945
1950
1955
Time Graphs by Id
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
5
14/06/2012
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
6
1
14/06/2012
I. Pengenalan Data Panel
I. Pengenalan Data Panel
• xtline y, overlay 1500
Manfaat dari penggunaan data panel antara lain:
0
500
Y
1000
1. Estimasi data panel dapat mengambil heterogenitas dalam individu secara eksplisit ke dalam model atau persamaan data yang y g lebih informatif,, 2. Memberikan variabilitas, serta collinearity yang lemah antar variabel. 3. Sesuai untuk mempelajari dinamika perubahan (dynamics of change) kebebasan lebih banyak dan efisien. 4. Dapat memperkaya analisis empiris dengan caracara yang tidak mungkin menggunakan data timeseries atau cross-section
1935
1940
1945 Time GE US
14/06/2012
1950
1955
GM WEST
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
7
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
8
I. Pengenalan Data Panel
I. Pengenalan Data Panel
Baltagi (1982) memformulasikan model umum persamaan regresi panel data sebagai berikut:
Sebagian besar aplikasi data panel menggunakan model one-way error component untuk error-nya, dapat dirumuskan sebagai berikut:
yit = + xit + uit
uit = µi + vit Dimana µi merupakan simbol untuk efek karakteristik individu yang tidak terobservasi (individual-specific effect) dan vit merupakan simbol untuk remainder disturbance.
Dimana: i = 1, 2, …, N (Simbol untuk individu, perusahaan, dll cross-section) t = 1, 2, …, T (Simbol untuk waktu time-series) = koefisien slope α = koefisien konstanta Yit = variabel dependen untuk unit individu ke-i dan unit waktu ke-t Xit = variabel independen untuk unit individu ke-i dan unit waktu ke-t 14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
9
I.1. Kuadrat Terkecil (Pooled Least Square)
Yit = α + βXit + εit untuk i = 1, 2, . . . , N dan t = 1, 2, . . ., T
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
10
I.1. Kuadrat Terkecil (Pooled Least Square)
Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa atau sering disebut Pooled Least Square (PLS) yang d diterapkan k dalam d l d data yang berbentuk b b k pooll
Yi1 = α + βXi1 + εi1
14/06/2012
. reg
y x2 x3
Source | SS df MS -------------+-----------------------------Model | 4849457.37 2 2424728.69 Residual | 1560689.67 77 20268.697 -------------+-----------------------------Total | 6410147.04 79 81141.1018
Number of obs F( 2, 77) Prob > F R-squared Adj R-squared Root MSE
= = = = = =
80 119.63 0.0000 0.7565 0.7502 142.37
-----------------------------------------------------------------------------y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------x2 | .1100955 .0137297 8.02 0.000 .0827563 .1374348 x3 | .3033932 .0492957 6.15 0.000 .2052328 .4015535 _cons | -63.30413 29.6142 -2.14 0.036 -122.2735 -4.334734 ------------------------------------------------------------------------------
untuk i = 1, 2, . . . , N
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
11
14/06/2012
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
12
2
14/06/2012
I.1. Kuadrat Terkecil (Pooled Least Square)
I. 2. Efek Tetap (Fixed Effect)
• Kritikan oleh Gujarati (2003) bahwa metode PLS menawarkan kemudahan, tetapi model dapat mendistorsi gambaran yang sebenarnya dari hubungan antara Y dan X di observasi tersebut. • Apa yang perlu lakukan adalah menemukan beberapa cara untuk mempertimbangkan sifat spesifik (karakteristik) dari setiap individu. 14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
13
• Intercept mungkin berbeda antar individu, namun intercept setiap individu tersebut tidak bervariasi sepanjang waktu (time invariant)
Yit = αi + β1 X1it +β2 X2it + eit
• Intercept sebagai αit, ini berarti intercept setiap individu adalah time variant. Selain itu, seperti terlihat pada persamaan diatas, FEM mengasumsikan bahwa koefisien dari regresor tidak bervariasi baik antar waktu maupun antar individu. akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
14
I. 2. Efek Tetap (Fixed Effect)
I. 2. Efek Tetap (Fixed Effect)
Pendekatan dengan memasukkan variabel boneka sebagai salah satu cara dalam menerapkan model efek tetap (fixed effect) atau Least Square Dummy Variable (LSDV) atau disebut juga Covariance Model
Yang harus di perhatikan pada penggunaan model efek tetap (LSDV) Gujarati (2003): 1. Jika menggunakan variabel dummy terlalu banyak, dapat mengurangi degrees of freedom. 2. Dengan begitu banyak variabel dalam model, selalu ada kemungkinan multikolinearitas, yang mungkin membuat perkiraan sulit tepat dari satu atau lebih parameter.
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
15
I. 2. Efek Tetap (Fixed Effect) 3. Misalkan di FEM juga meliputi variabel seperti jenis kelamin, warna, dan etnis yang time-invariant (karena seks, warna individu, atau etnis tidak berubah dari waktu ke ), p pendekatan LSDV tidak dapat p waktu), mengestimasi persamaan FEM tersebut. Hal ini dikarenakan LSDV tidak dapat mengidentifikasi dampak variabel timeinvariant. 4. Penulis harus berpikir hati-hati tentang error term (uit). akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
16
I. 2. Efek Tetap (Fixed Effect) . xtreg
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
17
y x2 x3, fe
Fixed-effects (within) regression Group variable: individu
Number of obs Number of groups
= =
80 4
R-sq:
Obs per group: min = avg = max =
20 20.0 20
within = 0.8068 between = 0.7304 overall = 0.7554
corr(u_i, ( i Xb)
= -0.1001 0 1001
F(2,74) P Prob b > F
= =
154.53 0 0.0000 0000
-----------------------------------------------------------------------------y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------x2 | .1079481 .0175089 6.17 0.000 .0730608 .1428354 x3 | .3461617 .0266645 12.98 0.000 .2930315 .3992918 _cons | -73.84946 37.52291 -1.97 0.053 -148.6155 .9165759 -------------+---------------------------------------------------------------sigma_u | 139.05116 sigma_e | 75.288894 rho | .77329633 (fraction of variance due to u_i) -----------------------------------------------------------------------------F test that all u_i=0: F(3, 74) = 67.11 Prob > F = 0.0000 14/06/2012
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
18
3
14/06/2012
I. 3. Efek Acak (Random Effect)
I. 3. Efek Acak (Random Effect)
Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, p menggunakan gg disturbance term untuk dapat merepresentasikan ketidaktahuan tentang model yang sebenarnya.
Ide dasar Random Effect (REM) dapat dimulai dari persamaan berikut ini: Assume αi fixed å konstanta adalah variabel acak dengan nilai rata-rata α. Nilai konstanta untuk masing-masing unit cross-section dapat dituliskan sebagai berikut:
Hal ini dikenal sebagai model efek acak (random effect model atau REM).
dimana i adalah random error term dengan nilai rata-rata adalah nol dan variasi adalah p2o (konstan)
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
19
Secara esensial, semua individu yang masuk ke dalam sampel diambil dari populasi yang lebih besar dan mereka memiliki nilai rata-rata yang sama untuk intercept (α) dan perbedaan individual dalam nilai intercept setiap individu akan direfleksikan dalam error term ( ui). Dengan demikian persamaan REM awal dapat dituliskan kembali menjadi: Yit = αi + β1 X1it +β2 X2it + i+ uit Yit = αi + β1 X1it +β2 X2it + wit
wit = i + uit akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
21
I. 3. Efek Acak (Random Effect)
20
Asumsi REM, Gujarati (2003): 1. εi~N (0, б2ε ) 2. uit ~N (0, б 2u) 3. E(ε i, uit) = 0 E(ε i ε j) (i ≠ j) 4. E(uit uis) = E(uit ujt) = E(uit ujs) = 0 (i ≠ j ; t ≠ s)
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
22
Ringkasan: FE, RE, dan OLS Untuk membandingkan ketiganya, terlebih dulu menyimpan hasil regresi masing-masing metode dengan command : estimates store (nama)
y x2 x3
Random-effects GLS regression Group variable: individu
Number of obs Number of groups
= =
80 4
R-sq:
Obs per group: min = avg = max =
20 20.0 20
within = 0.8068 between = 0.7303 overall = 0.7554
Random effects u_i ~ Gaussian corr(u_i, X) = 0 (assumed)
Wald chi2(2) Prob > chi2
= =
317.79 0.0000
-----------------------------------------------------------------------------y | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------x2 | .1076555 .0168169 6.40 0.000 .0746949 .140616 x3 | .3457104 .0265451 13.02 0.000 .2936829 .3977378 _cons | -73.03529 83.94957 -0.87 0.384 -237.5734 91.50284 -------------+---------------------------------------------------------------sigma_u | 152.15823 sigma_e | 75.288894 rho | .80332024 (fraction of variance due to u_i) -----------------------------------------------------------------------------akbarsuwardi.blogspot.com || 14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
• Individual error components tidak berkoleralasi dengan individu lainnya • Tidak ada autocorrelated across individu (unit) antara cross-section dan time-series.
Dimana
. xtreg
αi = α + ii = 1, 2, ..., N
I. 3. Efek Acak (Random Effect)
I. 3. Efek Acak (Random Effect)
14/06/2012
Yit = αi + β1 X1it +β2 X2it + uit
scibd.com/akbar_suwardi
23
. . . .
estimates estimates estimates estimates
store store store table
fe re ols fe re ols, star stats(N r2 r2_a)
-------------------------------------------------------------Variable | fe re ols -------------+-----------------------------------------------x2 | .10794807*** .10765546*** .11009554*** x3 | .34616168*** .34571038*** .30339316*** _cons | -73.849456 -73.035291 -63.304134* -------------+-----------------------------------------------N | 80 80 80 r2 | .80681613 .75652826 r2_a | .79376317 .75020432 -------------------------------------------------------------legend: * p F = 0.0000 14/06/2012
14/06/2012
Hal yang perlu diperhatikan:
y x2 x3, fe
Fixed-effects (within) regression Group variable: individu within = 0.8068 between = 0.7304 overall = 0.7554
• Kriteria : Tolak H0 jika nilai F hitung > F tabel, atau Nilai Prob F < α (Nilai α = 1 persen, 5 persen, atau 10 persen) • Contoh: Jika nilai restricted F-test hasil pengujian (F hitung) lebih besar dari F Tabel, maka cukup bukti bagi penulis untuk melakukan penolakan terhadap hipotesis nol sehingga model yang digunakan adalah model Fixed EffectModel (Unrestricted).
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
29
14/06/2012
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
30
5
14/06/2012
II. 2. Fixed Effect VS Random Effect
II. 2. Fixed Effect VS Random Effect Gujarati (2003) menyatakan terdapat beberapa pertimbangan teknis dan empiris yang dapat dijadikan panduan untuk memilih antara fixed effect atau random effect yaitu: – Bila T (jumlah unit time-series) besar sedangkan N (jumlah unit cross-section) kecil, maka hasil FEM dan REM tidak jauh berbeda. Dalam hal ini pilihan umumnya akan didasarkan pada kenyamanan penghitungan, yaitu FEM. akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
31
– Apabila cross-section error component (εi) berkorelasi dengan variabel bebas X maka parameter yang diperoleh dengan REM akan bias sementara parameter yang diperoleh dengan FEM tidak bias. bias – Apabila N besar dan T kecil, dan apabila asumsi yang mendasari REM dapat terpenuhi, maka REM lebih efisien dibandingkan FEM. akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
33
II. 2. Fixed Effect VS Random Effect Katagori
FE
RE
Intercepts
Bervariasi antar individu dan/atau waktu
Konstan
Error variance
Konstan
Bervarisasi antar individu atau waktu
Slopes
Konstan
Konstan
Estimation
LSDV, within effect method
GLS, FGLS
Hypothesis test
Incremental F test
BG LM test
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
32
• FEM: setiap unit cross-section memiliki nilai intercept tersendiri yang fixed. • REM: interceptα merepresentasikan nilai rata-rata dari d i seluruh l h cross-sectional i l intercept dan error components (ui) merepresentasikan deviasi acak intercept individu dari nilai intercept rata-rata. Perlu untuk diingat bahwa ui tidak secara adalah langsung diobservasi, ui unobservable variable. 14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
34
II. 2. Fixed Effect VS Random Effect: Hausman test
Functional form
14/06/2012
14/06/2012
II. 2. Fixed Effect VS Random Effect
II. 2. Fixed Effect VS Random Effect
14/06/2012
– Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan dapat berbeda secara signifikan. Jadi, apabila meyakini bahwa unit cross-section yang pilih dalam penelitian d diambil b l secara acak k (random) ( d ) maka k REM harus digunakan. Sebaliknya, apabila meyakini bahwa unit cross-section yang pilih dalam penelitian tidak diambil secara acak maka harus menggunakan FEM.
35
• Hipotesis: H0: Random Effects Model H1: Fixed Effects Model • Menggunakan nilai distribusi Chi-Square Statistics (χ2) dengan dirumuskan sebagai berikut: H = ( c – e)’ (Vc- Vc)-1 ( c – e) Dimana : – c = Koefisien vektor dari estimator konsisten – e = Koefisien vektor dari estimator effisien – Vc = Kovarian matrix pada estimator konsisten – Vc = Kovarian matrix pada estimator effisien 14/06/2012
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
36
6
14/06/2012
II. 2. Fixed Effect VS Random Effect: Hausman test
II. 2. Fixed Effect VS Random Effect: Hausman test . . . . .
• Kriteria penolakan H0: – Tolak H0 jika nilai Chi-Square Statistics (χ2) hitung > Chi-Square Chi Square Statistics (χ2) tabel, tabel atau – Nilai Prob Chi-Square Statistics (χ2) < α (Nilai α = 1 persen, 5 persen, atau 10 persen).
quietly xtreg y estimates store quietly xtreg y estimates store hausman fe re
x2 x3, fe fe x2 x3, re re
---- Coefficients ---| (b) (B) (b-B) sqrt(diag(V_b-V_B)) | fe re Difference S S.E. E -------------+---------------------------------------------------------------x2 | .1079481 .1076555 .0002926 .0048738 x3 | .3461617 .3457104 .0004513 .0025204 -----------------------------------------------------------------------------b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 0.07 Prob>chi2 = 0.9678
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
37
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
38
II. 3. Pooled Least Square VS Random Effect
II. 3. Pooled Least Square VS Random Effect
• Awal mulanya dengan model panel data seperti ini:
Langarange Multiplier Test (LM Test) oleh Brusch dan Pagan (1980) • Hipotesis:
yit = + xit + uit • Dilakukan estimasi dengan menggunakan PLS menghitung nilai Langarange Multiplier Test (λLM)
model,
H0: Pooled Least Square Model H1: Random Effects ff Model
lalu
• Menggunakan nilai distribusi Chi-Square Statistics (χ2) • Kriteria penolakan H0: – Tolak H0 jika nilai Chi-Square Statistics (χ2) hitung >Chi-Square Statistics (χ2) tabel, atau – Nilai Prob Chi-Square Statistics (χ2) < α (Nilai α = 1 persen, 5 persen, atau 10 persen)
• Sedangkan nilai A1 didapat dari rumus berikut:
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
39
II. 3. Pooled Least Square VS Random Effect
14/06/2012
Lakukan pengujian LM test tepat setelah melakukan estimasi dengan REM
•
Mengapa penting??? – Agar koefisien yang didapatkan efisien serta unbiased.
• Oleh karena itu kriteria teori, kriteria statistik, dan kriteria ekonometrika harus dilakukan.
Breusch and Pagan Lagrangian multiplier test for random effects y[individu,t] = Xb + u[individu] + e[individu,t] Estimated results: | Var sd = sqrt(Var) ---------+----------------------------y | 81141.1 284.8528 e | 5668.418 75.28889 u | 23152.13 152.1582
•
Menurut Baltagi (1981), dasar pembentukkan model panel masih menggunakan Least Square. Oleh karena itu, dalam mengevaluasi hasil model persamaan simultan-panel dapat dilakukan melalui pendekatan Least Square.
•
Khusus Random Effects Model (REM) metode yang dipakai adalah GLS regression. Jadi tidak perlu lagi untuk melakukan pengujian Heteroskedastisitas dan Autokolerasi
Var(u) = 0 chi2(1) = Prob > chi2 =
14/06/2012
40
III. Teori Evaluasi Hasil Regresi
. xtreg y x2 x3, re . xttest0
Test:
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
379.08 0.0000
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
41
14/06/2012
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
42
7
14/06/2012
III.1. Kriteria Ekonomi atau Teori
III.2. Kriteria Statistik A. Uji signifikansi serentak (F-Test)
Dapat dilihat dari beberapa indikator:
• Uji ini untuk melihat secara global, apakah semua variable independent secara bersamasama mempengaruhi variable dependent. • Hipotesis:
–Slope –Arah –Signifikansi
H0 : 0 = 1 = 2 = 3 = 4 = ….. = k = 0 H1 : 0 ≠ 1 ≠ 2 ≠ 3 ≠ 4 ≠ ….. = k ≠ 0
Apakah sudah sesuai dengan teori? Tidak? ada kemungkinan data, variabel, dan spesifikasi model yang digunakan dalam regresi salah.
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
43
• Hipotesis nol akan ditolak jika nilai Fstatistik > nilai F tabel atau bila (Prob > F) F) = 0 berarti (Prob > F) |t|) nilai kritis t-tabel. akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
45
• Untuk mengukur seberapa besar variasi dari nilai variabel dependen dapat dijelaskan oleh variasi nilai dari variabel independen. • Caranya? Lihat R-squared dari hasil regresi estimasi.
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
46
y x2 x3, fe
Fixed-effects (within) regression Group variable: individu
Number of obs Number of groups
= =
80 4
R-sq:
Obs per group: min = avg = max =
20 20.0 20
within = 0.8068 between = 0.7304 overall = 0.7554
corr(u_i, Xb)
= -0.1001
F(2,74) ( , ) Prob > F
= =
154.53 0.0000
-----------------------------------------------------------------------------y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------x2 | .1079481 .0175089 6.17 0.000 .0730608 .1428354 x3 | .3461617 .0266645 12.98 0.000 .2930315 .3992918 _cons | -73.84946 37.52291 -1.97 0.053 -148.6155 .9165759 -------------+---------------------------------------------------------------sigma_u | 139.05116 sigma_e | 75.288894 rho | .77329633 (fraction of variance due to u_i) -----------------------------------------------------------------------------F test that all u_i=0: F(3, 74) = 67.11 Prob > F = 0.0000 14/06/2012
C. Uji Goodness of Fit.
III.3. Kriteria Ekonometrika
III.2. Kriteria Statistik . xtreg
44
III.2. Kriteria Statistik
III.2. Kriteria Statistik
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
47
1. Bebas dari Multikolinearitas • Yaitu kondisi antar variabel independen memiliki hubungan yang lebih dari rule of thumb. • Meskipun hasil masih BLUE, BLUE namun memiliki variasi dan kovariasi yang besar sehingga membuat nilai dari estimasi sulit untuk sangat tepat • Cara Deteksi: Tolerance and variance inflation factor (VIF) dan Tes partial correlations • Mengatasi: Transformasi, tambah variabel, tambah data akbarsuwardi.blogspot.com || 14/06/2012
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
scibd.com/akbar_suwardi
48
8
14/06/2012
III.3. Kriteria Ekonometrika
III.3. Kriteria Ekonometrika
. corr y x2 x3 (obs=80)
VIF dilakukan setelah melakukan regresi dengan PLS
. reg y x2 x3 . vif
| y x2 x3 -------------+--------------------------+ y | 1.0000 x2 | 0.7980 1.0000 x3 | 0.7438 0.5783 1.0000
Variable | VIF 1/VIF -------------+---------------------+ x2 | 1.50 0.665623 x3 | 1.50 0.665623 -------------+---------------------Mean VIF | 1.50
Diindikasikan multikolinearitas tinggi jika nilainya lebih dari 0.75
• Diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari 10
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
14/06/2012
49
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
50
III.3. Kriteria Ekonometrika
III.3. Kriteria Ekonometrika
VIF dilakukan setelah melakukan regresi dengan FE atau RE
2. Bebas dari Heteroskedastisitas
. xreg y x2 x3, fe . vif, uncentered
• Salah satu asumsi yang sangat penting pada Ordinary Least Square (OLS) adalah nilai error (ui) homoskedastisitas. • Ketika terjadi j heteroskedastisitas estimasi OLS akan unbiased karena hasil estimator akan mempunyai pergerakan error yang berpola. Karena estimasi yang dibuat oleh OLS tersebut tidak lagi memiliki variasi minimum dan efisien maka tidak lagi BLUE. • Cara Deteksi: Modified Wald test • Mengatasi: General Least Square (GLS) dan Robust.
Variable | VIF 1/VIF -------------+---------------------+ x2 | 2.74 0.365614 x3 | 2.74 0.365614 -------------+---------------------Mean VIF | 2.74
• Diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari 10
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
51
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
III.3. Kriteria Ekonometrika
III.3. Kriteria Ekonometrika
• Uji heterokedastisitas hanya dilakukan ketika menggunakan estimasi FE dan PLS • Hipotesis:
. xtreg y x2 x3, fe . xttest3
H0 : Homoskedastis H k d ti H1 : Heteroskedastis
• Hipotesis nol akan ditolak bila (Prob>chi2) nilai kritis t-tabel. 14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
53
52
Modified Wald test for groupwise heteroskedasticity in fixed effect regression model H0: sigma(i)^2 = sigma^2 for all i chi2 (4) = Prob>chi2 = 14/06/2012
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
240.33 0.0000 akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
54
9
14/06/2012
III.3. Kriteria Ekonometrika
III.3. Kriteria Ekonometrika
3. Bebas dari Autokorelasi • Keadaan dimana terjadi korelasi error antar periode waktu. • Greene (2000) : walaupun adanya autokorelasi bisa membuat linear, unbiased, asymptotically normal distrubusted (pada data besar), ) tetapi p tidak lagi g memilki variasi minimum • Autokorelasi akan membuat model jadi tidak BLUE, sehingga biasanya nilai t, F, dan chai-squre (X2) tidak lagi valid • Autokorelasi terjadi di data panel dengan data waktu yang panjang • Cara Deteksi: serial correlation in the idiosyncratic errors of a linear panel-data model • Mengatasi: General Least Square (GLS), First difference dan robust. akbarsuwardi.blogspot.com || 14/06/2012 55 scibd.com/akbar_suwardi
• Uji serial correlation in the idiosyncratic errors of a linear panel-data model oleh Wooldridge (2002).
• Hipotesis: H0 : No N autokorelasi k l i H1 : Autokorelasi • Hipotesis nol akan ditolak bila (Prob>chi2) nilai kritis t-tabel.
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
56
III.3. Kriteria Ekonometrika . xtreg y x2 x3, fe . xtserial y x2 x3
Selesai
Wooldridge test for autocorrelation in panel l d data t H0: no first-order autocorrelation F( 1, 3) = 1300.479 Prob > F = 0.0000
14/06/2012
akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi
Terimakasih
[email protected] akbarsuwardi.blogspot.com scribd.com/akbar_suwardi
57
akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi
10
