Jenis dan Sumber Data Metode Pooled OLS

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