55
mempunyai koefisien regresi slope β yang sama, namun dengan intersep
α yang berbeda untuk setiap individu. Dalam menjelaskan intersep tersebut, model estimasi ini seringkali disebut dengan Least Square
Dummy Variable LSDV, sehingga bentuk umum untuk model Fixed Effect adalah :
Y
it
= β
+ β
1
X
it
+ β
2
X
it
+ β
3
D
it
+ β
4
D
it
+ .... + ε
it
i = 1,2,....,n t = 1,2,....t
D = dummy Contoh :
D
1it
= 1 untuk individu ke i, i = 2,...., N = 0 untuk sebaliknya
D
2it
= 1 untuk individu ke t, t = 2,...., T = 0 untuk sebaliknya
3 Random Effect Model Pendekatan Efek Acak Model Random Effect merupakan metode estimasi dengan intersep yang
berbeda-beda untuk tiap individu dengan memperhitungkan adanya disturbance dari cross section dan time series. Karena itulah, model efek
acak sering juga disebut model komponen error error component model. Metode yang tepat digunakan untuk mengestimasi random effect adalah
Generalized Least Square GLS sebagai estimatornya, karena dapat meningkatkan efisiensi dari estimasi Least Square.
56
Bentuk umum untuk Random Effect Model adalah : Y
it
= β
0i
+ β
j
X
jit
+ ε
it
i = 1,2,...,n t = 1,2,...t
Dalam hal ini β
tidak lagi bersifat tetap tetapi bersifat random sehingga dapat diekspresikan dalam bentuk persamaan sebagai berikut :
β =
β +
μ
i
i = 1,...,n β
adalah parameter yang tidak diketahui yang menunjukkan rata-rata intersep dan
μ
i
adalah variabel gangguan yang bersifat random yang menjelaskan adanya perbedaan perilaku perusahaan secara individu.
Dengan menggunakan model efek acak ini, maka kita dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti
yang dilakukan pada model efek tetap. Hal ini berimplikasi bahwa parameter yang merupakan hasil estimasi akan menjadi semakin efisien.
Keputusan penggunaan model efek tetap ataupun efek acak ditentukan dengan menggunakan spesifikasi yang dikembangkan oleh Haussman.
Spesifikasi ini akan memberikan penilaian dengan menggunakan Chi Square Statistics sehingga keputusan pemilihan model dapat ditentukan
secara statistik.
57
2. Tahapan Analisis Data
a. Pemilihan Metode Estimasi dalam Data Panel Model Tanpa Efek Individu atau dengan Efek Individu
Untuk mendapatkan analisis data panel yang terbaik maka pemilihan model dilakukan melalui beberapa tahap. Pertama adalah memilih antara
model tanpa efek individu common effect atau model dengan efek individu fixed effect dan random effect. Pemilihannya dapat dilakukan secara manual
yaitu dengan menggunakan Uji Chow. Hipotesis Uji Chow adalah : H
: model common effect atau Pooled OLS H
1
: model dengan efek individu Fixed Effect atau Random Effect
Nilai F Statistik ditentukan oleh : F
n
-1,n
t
,n-k = SSE
1
-SSE
2
n-1 SSE
2
n
t
-n-k Dimana :
SSE
1
: sum square error dari model common effect SSE
2
: sum square error dari model individual effect n
: jumlah individual cross section t
: jumlah series waktu time series k
: jumlah variabel independen
58
Kriteria pengujian bagi uji F adalah jika nilai F-statistik lebih besar dari F-tabel, dimana nilai F-tabel mengikuti distribusi F
n
-1,n
t
,n-k α ,
dengan n-1 adalah derajat kebebasan numerator, n
t
-n-k adalah derajat kebebasan denominator dan
α adalah tingkat signifikansi, maka H ditolak dan model yang digunakan adalah model analisis data panel
dengan efek individu. b. Pemilihan Model antara Fixed Effect Efek Tetap dan Random Effect
Efek Acak Dalam memilih antara fixed effect atau random effect, maka terdapat
beberapa pendekatan berikut : 1 Jika unit time series unit cross section, maka tidak terdapat nilai
dalam mengestimasi parameter dengan pendekatan fixed maupun random. Keputusan dengan demikian lebih pada aspek kemudahan
dan kenyamanan peneliti, fixed effect lebih diutamakan. 2 Jika unit time series unit cross section, dan apabila asumsi
random effect terpenuhi maka estimasi dengan menggunakan pendekatan random effect menjadi lebih efisien daripada
pendekatan fixed effect. 3 Jika unit cross section besar dan time series juga besar,
penggunaan kedua pendekatan tersebut akan membawa hasil yang berbeda. Inferensi statistik bersifat kondisional berdasarkan unit
cross section dalam sampel yang diamati. Jika diyakini bahwa unit cross section yang diambil dari sampel yang lebih besar tidak
bersifat random, maka pendekatan yang lebih tepat adalah fixed effect. Sebaliknya jika unit cross section diambil secara random,
maka pendekatan yang lebih tepat adalah random effect.
59
3. Pengujian Pelanggaran Asumsi Klasik
Tujuan dilakukannya uji asumsi klasik ini adalah untuk memastikan bahwa nilai dari parameter atau estimator yang ada bersifat BLUE Best
Linier Unbiased Estimator. Suatu estimator dikatakan telah bersifat BLUE apabila sudah memenuhi asumsi-asumsi berikut ini :
Nilai harapan rata-rata dari error adalah nol Nilai dari variansnya tetap homoskedasticity
Tidak terdapat hubungan antara variabel bebas dan error term-nya Tidak terdapat serial correlation antar error no-autocorrelation
Tidak terdapat hubungan atau korelasi antar variabel bebas multicolinearity
a. Uji Multikolinearitas Multikolinearitas muncul jika diantara variabel independen memiliki
korelasi yang tinggi dan membuat kita sulit untuk memisahkan efek satu variabel independen terhadap variabel dependen dari efek variabel
independen yang lain. Hal ini disebabkan perubahan suatu variabel akan menyebabkan perubahan pada variabel pasangannya karena korelasinya
tinggi.
60
Beberapa indikator dalam mendeteksi multikolinearitas, diantaranya Winarno, 2011:5.2:
1 Nilai R
2
tinggi, tetapi variabel independen banyak yang tidak signifikan.
2 Dengan menghitung koefisien korelasi antar variabel independen. Apabila
koefisiennya rendah,
maka tidak
terdapat multikolinearitas.
3 Dengan melakukan regresi auxiliary. Regresi jenis ini dapat digunakan untuk mengetahui hubungan antara dua atau lebih
variabel independen yang secara bersama-sama misalnya x
2
dan x
3
mempengaruhi satu variabel independen yang lain misalnya x
1
. Pengujian multikolinearitas masih banyak diperdebatkan, sehingga
cara untuk mengatasinya biasanya dengan mentransformasi data, men- drop salah satu variabel yang tidak signifikan atau dengan
membiarkannya. Ada beberapa alternatif dalam menghadapi masalah multikolinearitas,
sebagai berikut Winarno, 2011:5.8 : 1 Biarkan model yang mengandung multikolinearitas, karena
estimatornya masih dapat bersifat BLUE. Sifat BLUE tidak terpengaruh oleh ada tidaknya korelasi antarvariabel independen.
61
2 Tambahkan data
bila memungkinkan,
karena masalah
multikolinearitas biasanya muncul karena jumlah observasinya sedikit. 3 Hilangkan salah satu variabel independen, terutama yang memiliki
hubungan linier yang kuat dengan variabel lain. Tetapi apabila menurut teori variabel independen tersebut tidak mungkin dihilangkan,
berarti harus tetap dipakai. 4 Transformasikan salah satu atau beberapa variabel, termasuk
misalnya dengan melakukan diferensi.
b. Uji Autokorelasi Autokorelasi didefinisikan sebagai hubungan antara residual satu
observasi dengan residual observasi lainnya. Autokorelasi lebih mudah timbul pada data yang bersifat runtut waktu, karena berdasarkan sifatnya,
data masa sekarang dipengaruhi oleh data pada masa-masa sebelumnya.
Autokorelasi terjadi karena beberapa sebab. Menurut Gujarati 2003, beberapa penyebab autokorelasi adalah :
1 Data mengandung pergerakan naik turun secara musiman, misalnya kondisi perekonomian suatu negara yang kadang naik dan kadang
menurun. 2 Kekeliruan memanipulasi data, misalnya data tahunan dijadikan
data kuartalan dengan membagi empat.
