hasil pengujian tersebut maka model efek tetap digunakan untuk mengestimasi PCM. Hasil estimasi dengan mengguanakan model efek tetap dijelaskan dalam
tabel 4.1.
4.2.1 Indikator Kebaikan Model
Berdasarkan hasil estimasi yang diperoleh dari tabel 5.1, menurut Gujarati 1995, model ekonometrika yang baik harus memnuhi kriteria ekonometrika dan
kriteria statistik. Berdasarkan kriteria ekonometrika, model harus sesuai dengan asumsi klasik yang artinya harus terbebas dari gejala multikolinearitas,
autokorelasi dan heteroskedastisitas. Kesesuaian model dengan kriteria statistik dilihat dari hasil uji koefisiensi determinasi R
2
, uji F dan uji t. Tabel 4.1.
Hasil estimasi dengan Model Efek Tetap Fixed Effect Model
+ ,
-
. +
Sumber : Lampiran 2,3,5,6 dan 7 diolah.
Nilai R-Square R
2
atau koefisien determinasi sebesar 0,96 menunjukkan bahwa 96 persen keragaman PCM pada lapangan usaha pertambangan non-migas
dapat dijelaskan oleh variabel bebasnya CR
2
, X-eff, PROD dan EX, sedangkan sisanya dijelaskan oleh variabel lain diluar model. Hal ini diperkuat dengan
probabilitas F-statistik yang signifikan pada tingkat α = 10 persen yaitu sebesar 0,00 yang berarti bahwa minimal ada satu variabel bebas yang berpengaruh nyata
terhadap variabel terikat sehingga model penduga sudah layak untuk menduga parameter yang ada dalam fungsi. Untuk uji signifikasi individu uji-t maka
menggunakan t-statistik dengan taraf nyata α = 10 persen yang memiliki t kritis sebesar 1,64 dan membandingkan dengan nilai mutlak t-statistik dari hasil
estimasi fungsi PCM. Indikasi multikolinearitas tercermin dengan melihat hasil probabilitas t-
statistik dalam regresi. Model pada tabel 4.1 menunjukkan tidak teradapat multikolinearitas. Berdasarkan hasil estimasi PCM tidak ada variabel yang tidak
signifikan pada tarat nyata 10 persen. Kriteria ekonometrika kedua adalah Autokolerasi, pada tabel 5.1 tidak ditemukan adanya autokorelasi dimana nilai
Durbin Watson, 2DW2,014-dU2,22, hal ini bisa terjadi karena jumlah series yang digunakan hanya 5 tahun. Kriteria ekonometrika yang terakhir adalah
mendeteksi adanya heteroskedastisitas, karena menggunakan data cross section maka perlu diestimasi dengan pendekatan General Least Square Cross Section
Weights yaitu Sum Square Resid Weighted StatisticSum Square Resid Unweighted Statistic 352.7073407.8942, karena dalam mengestimasi model
diberi perlakuan Cross Section Weights, serta White Heteroskedasticity, maka adanya heteroskedastisitas dapat diabaikan.
4.2.2 Hasil Estimasi