3.4.3. Model Efek Acak
Random Effect
Keputusan untuk memasukkan variabel boneka dalam model effek tetap tak dapat dipungkiri akan dapat menimbulkan konsekuensi. Penambahan variabel
boneka akan dapat mengurangi banyaknya derajat kebebasan yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Untuk mengatasi
masalah tersebut maka kita bisa menggunakan Model Efek Acak Random Effect. Dalam model efek acak parameter yang berbeda antar individu maupun antar
waktu dimasukkan ke dalam error. Karena hal inilah model efek acak sering juga disebut model komponen error error component model.
Bentuk model efek acak ini bisa dijelaskan pada persamaan berikut : Y
it
= α
i
+ β X
it
+ ε
it
3.5 ε
it
= u
it
+ v
it
+ w
it
3.6 dimana :
u
it
~ N0,δu² = komponen cross section error,
v
it
~ N0,δv² = komponen time series error,
w
it
~ N0,δv² = komponen combination error,
kita juga mengasumsikan bahwa error secara individual juga tidak saling berkorelasi begitu juga dengan error kombinasinya.
Penggunaan model efek acak dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model
efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi efisien. Semakin efisien maka model akan semakin baik.
3.5. Evaluasi Model
Gujarati 1995 menjelaskan, sebagai upaya untuk menghasilkan model yang efisien, tak bias, dan konsisten, maka perlu dilakukan pendeteksian terhadap
pelanggarangangguan asumsi dasar ekonometrika yang berupa gangguan antar waktu time-related disturbance, gangguan antar daerah atau antar propinsi
cross sectional disturbance, dan gangguan akibat keduanya. Pengujian model yang perlu dilakukan adalah sebagai berikut:
1 Multikolinearitas Indikasi multikolinearitas tercermin dengan melihat hasil uji t dan F
statistik hasil regresi. Jika banyak koefisien parameter dari t statistik diduga tidak signifikan sementara dari hasil F hitungnya signifikan, maka patut di duga adanya
multikolinearitas. Multikolinearitas salah satunya dapat diatasi dengan menghilangkan variabel yang tidak signifikan.
2 Autokorelasi
Autolorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson
DW dalam Eviews. Untuk mengetahui ada tidaknya autokorelasi, maka dilakukan dengan membandingkan DW-statistikanya dengan DW-tabel. Adapun
kerangka identifikasi Autokorelasi terangkum dalam tabel 3.1. 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 pada model, jika ditemukan
korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan
Kategori