36
��
Ada3 modelyangdapatdigunakan untukmenafsirkan datapanelyaitu: 1 Pooled LeastSquarePLS atau metodeCommon
2 FixedEffectModelFEM 3 RandomEffectModelREM , Baltagi, 2005
3.8.1 Pooled LeastSquarePLS atauMetodeCommon
Modelpertamamenggunakandatayangdigabung kemudiandiestimasi adalah merupakanpenggunaanmetodePooledLeastSquaresPLSataumetode
Common.Koefisiennyamenggambarkandampakvariabelindependen.Terhadap variabledependenkonstanuntuksetiap crosssectiondantimeseries.Artinya metode
initidakmemperhitungkan‘nature’dariperubahanyang terjadidisetiap
crosssectiondantimeseriessehinggakompleksitaskenyataansebenarnyatidak dapatdicerminkan dalam metode ini.PersamaanmodelPLS sebagaiberikut:
Yit= �+ ���
�
+ ��
��
i=1,…,N dan t=1,…,K
Di mana N adalah jumlah unit cross section individu dan T adalah jumlah
timeseriesperiodewaktu. ProsesestimasimenggunakanmetodePLS
dilakukan dengan menggabungkan unit timeseriesdan unit cross section sehingga menghasilkan jumlahobservasisebanyakNT.Asumsidasarpadapendekatan PLS
adalahnilaiintersep��dannilaislope��antarunitcrosssectiondanunittime seriesadalah konstansama.
3.8.2 Fixed EffectModelFEM
Metodeini memilikibeberapakemungkinanasumsiyang bisadigunakan
penelitiberdasarkan kepercayaannyadalam memilih data, seperti:
Universitas Sumatera Utara
37 ���
��
a. Intersepdankoefisienslopekonstandari setiapcrosssectiondisepanjang
waktu.Errortermdiasumsikanmampu mengatasiperubahansepanjang waktu dan individu.Asumsi ini mengikutiasumsidalam metodeOLS.
b. Koefisien slopekonstan namun intersepnya bervariasi di setiap cross section.
c. Seluruh koefisien baik slopemaupun intersep bervariasisetiap individu. Pendekatan
ini memasukanvariabelbonekadummy
variableuntuk mengizinkan terjadinyaperbedaannilaiintersep antarunitcross section.Pendekatan
denganmemasukan variabel boneka ini dekenal dengan sebutan model efek tetap fixed effect. Persamaanmodel inidalah sebagaiberikut:
Yit =
�
�
+ �
�
�
�
+ ∑
�
��iDi+��
��
Keterangan:
Yit =variabelterikatdiwaktutuntukunitcross sectioni
�
�
=intersepyangberubah–ubahantarunitcross section �
�
=variabelbebas ke-jdiwaktutuntukunitcross sectioni �
�
=parameteruntukvariabelbebas ke-j ��
���
=komponenerrordiwaktutuntukunitcross sectioni
KeputusanmemasukanvariabelbonekaDipadapendekatanfixedeffecttidak dapatdipungkiriakanmengurangijumlahdegreeoffreedomyangpadaakhirnya akan
mempengaruhi efisiensidariparemeteryangdiestimasi.
3.8.3RandomEffectModel
Kelemahan dari pendekatan LSDV adalah penambahanvariabel boneka ternyatadapatmengurangiderajatkebebasandegreeoffreedomyangpadaakhirnya
mengurangi efisiensi dari parameteryangdiestimasi.Kelemahanini kemudiandiatasi denganpendekatanketigayaitupendekatanefekacakrandomeffect.Asumsidasar
Universitas Sumatera Utara
38 ��
padapendekatanefekacakadalahperbedaannilaiintersepantarunitcrosssection dimasukankedalamerror.Karenahalinipendekatanefekacakseringdisebutmodel
variancecomponents. Persamaanmodelvariancecomponentssebagaiberikut:
Yit =
�+ ���
�
+ ��
���
��
���
=��
�
+ ��
�
+��
���
,
i=1,…Ndan t=1,..,K Keterangan:
��
�
~N 0,��
2
=komponencross sectionerror ��
�
~N 0,��
2
=komponentimeseries error ��
���
~N0,��
2
=komponenerrorkombinasi
Pendekatanefekacakdapatmenghematpemakaianderajatkebebasandan tidakmengurangijumlahnnyasepertiyangdilakukanpadapendekatanefektetap. Hal
iniberimplikasiparameter hasil estimasiakanmenjadisemakin efisien.
3.8.4. Uji HausmanTest
