Metode yang tepat untuk mengestimasi metode random effect adalah Generalizrd Least Squares
GLS.
4.2.2. Uji Kesesuaian Model
Untuk menguji kesesuaian atau kebaikan model dari ketiga metode pada teknik estimasi model dengan data panel digunakan uji-F, uji LM, dan uji
Hausman. Uji-F digunakan untuk menguji kesesuaian model antara model yangdiperoleh dari metode pooled OLS dengan model yang diperoleh dari metode
fixed effect. Selanjutnya dilakukan uji Hausman terhadap model terbaik yang
diperolehdari hasil fixed effect dengan model yang diperoleh dari metode random effect
. Sementara uji LM Test untuk menguji metode random effect dengan pooled least square.
Uji-F Chow Test
Chow Test atau beberapa buku menyebutnya pengujian F Statistics adalah
pengujian untuk memilih apakah model yang digunakan Pooled Least Square atau Fixed Effect
. Terkadang asumsi bahwa setiap unit cross section memiliki perilaku yang sama cenderung tidak realistis mengingat dimungkinkan saja setiap unit
cross section memiliki perilaku yang berbeda. Dalam pengujian ini dilakukan
dengan hipotesa sebagai berikut:
H : Model PLS Restricted
H
1
: Model Fixed Effect Unrestricted.
Dasar penolakan terhadap hipotesa nol adalah dengan menggunakan F-Statistik seperti yang dirumuskan oleh Chow:
1 K
N NT
URSS N
URSS RRSS
CHOW
dimana: RRSS = Restricted Residual Sum Square
URSS = Unrestricted Residual Sum Square N
= Jumlah data cross section T
= Jumlah data time series K
= Jumlah variabel penjelas,
Chow Test ini mengikuti distribusi F-statistik yaitu F
N-1, NT-N-K.
Jika nilai CHOW Statistics
F-Stat hasil pengujian lebih besar dari F Tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol sehingga model yang
digunakan adalah model fixed effect, begitu juga sebaliknya. Pengujian ini disebut sebagai Chow Test karena kemiripannya dengan Chow Test yang digunakan untuk
menguji stabilitas dari parameter stability test.
Uji Hausman
Hausman Test adalah pengujian statistik sebagai dasar pertimbangan kita
dalam memilih apakah menggunakan model fixed effect atau model random effect. Seperti yang kita ketahui bahwa penggunaan model fixed effect mengandung suatu
unsur trade off yaitu hilangnya derajat kebebasan dengan memasukkan variabel dummy
. Namun, penggunaan metode random effect pun harus memperhatikan ketiadaan pelanggaran asumsi dari setiap komponen galat.
Hausman Test dilakukan dengan hipotesa sebagai berikut:
H : Random Effects Model
H
1
: Fixed Effects Model.
Sebagai dasar penolakan Hipotesa nol maka digunakan statistik hausman dan membandingkannya dengan chi square.
Statistik hausman dirumuskan dengan:
b M
M b
m
1 1
~
K X
2
dimana adalah vektor untuk statistik variabel fixed effect, b adalah vektor
statistik variabel random effect, M
adalah matriks kovarians untuk dugaan FEM dan
1
M adalah matriks kovarians untuk dugaan REM.
LM Test
LM Test atau lengkapnya The Breusch
– Pagan LM Test digunakan sebagai pertimbangan statistik dalam memilih model Random Effect versus Pooled Least
Square .
H : PLS
H
1
: Random Effect.
Dasar penolakan terhadap H0 adalah dengan menggunakan statistik LM yang mengikuti distribusi dari Chi Squre .
Statistik LM dihitung dengan menggunakan residual OLS yang diperoleh dari hasil estimasi model pooled.
Gambar 6. Pengujian Pemilihan Model Dalam Pengolahan Data Panel
Strategi Pengujian
Secara umum, dalam pengujian estimasi model-model data panel diperlukan sebuah strategi. Strategi yang dapat dilakukan adalah dengan menguji:
a RE vs FE Hausman Test, b PLS vs FE Chow Test.
Kerangka pengambilan keputusan dalam memilih sebuah model yang digunakan adalah sebagai berikut:
Jika b tidak signifikan maka kita menggunakan Pooled Least Square. Jika b signifikan namun a tidak signifikan maka kita menggunakan
Random Effect Model . Jika keduanya signifikan, maka kita menggunakan Fixed Effect Model.
FIXED EFFECT
RANDOM EFFECT
POOLED LEAST
SQUARE Hausman
Test
LM Test Chow Test
Evaluasi Model
Sebagai upaya untuk menghasilkan model yang efisien, fleksibel dan konsisten, maka perlu dilakukan pendeteksian terhadap pelanggaran atau
gangguan asumsi model, yaitu gangguan antar waktu time-related disturbance, gangguan antar individu cross sectional disturbance dan gangguan akibat
keduanya. Pengestimasian terhadap model tersebut hasilnya diharapkan memperoleh konstanta intersep yang berbeda-beda untuk masing-masing moda
transportasi di masing-masing tahun.
a. Multikolinearitas
Indikasi multikolinearitas tercermin dengan melihat hasil uji t dan uji F statistik hasil regresi. Jika banyak koefisien paramater dari t statistik diduga tidak
signifikan sementara hasil dari F hitungnya signifikan, maka patut diduga adanya multikolinearitas. Multikolinearitas dapat diatasi dengan memberi perlakuan cross
section weight , sehingga baik t statistik maupun F hitung menjadi signifikan.
b. Autokorelasi
Autkorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson
DW dalam Eviews. Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random
error dari hasil regresi. Pada analisis seperti yang dilakukan dalam model, jika
ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Perlakuan untuk pelanggaran ini adalah dengan menambahkan
AR1atau AR2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model regresi yang kita gunakan.
c. Heteroskedastisitas
Dalam regresi linier berganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut BLUE adalah Var ui = σβ konstan,
semua mempunyai variasi yang sama. Pada umumnya heteroskedastisitas diperoleh pada data cross section. Jika pada model dijumpai heteroskedastisitas,
maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Dengan kata