23 data panel meningkatkan jumlah derajat bebas degree of freedom dan
mengurangi kolinieritas di antara variable penjelas, yang dalam hal ini meningkatkan efisiensi dari penduga ekonometrik. Keunggulan kedua dari
penggunaan model data panel adalah mampu mengurangi masalah identifikasi. Dalam banyak kasus, data panel melibatkan identifikasi dari keberadaan regresor
endogenous atau measurement error, ketahanan terhadap variabel yang dihilangkan dan identifikasi dinamika individual.
Secara umum keunggulan dari penggunaan data panel dalam analisis ekonometrik antara lain: i mampu mengontrol heterogenitas individu; ii
memberikan informasi yang lebih banyak dan beragam, meminimalkan masalah kolinieritas collinearity, meningkatkatkan jumlah derajat bebas dan lebih efisien;
iii data panel lebih baik dalam mengukur dan mengidentifikasi dan mengukur efek yang tidak dapat dideteksi apabila menggunakan data cross section atau time
series murni; dan iv data panel dapat digunakan untuk mengkonstruksi dan menguji model perilaku yang lebih kompleks dibandingkan data cross section
atau time series murni.
3.5 Prosedur Analisis
Analisis data panel akan dilakukan terhadap 5 kelompok data yaitu: 1 data panel 10 negara maju berpendapatan tinggi kelompok OECD; 2 data panel 10
negara maju berpendapatan tinggi kelompok Non OECD; 3 data panel 10 negara berkembang berpendapatan menengah; 4 data panel 10 negara berkembang
berpendapatan rendah; dan 5 data panel gabungan 40 negara maju dan berkembang.
Paramater model data panel pada awalnya akan diestimasi dengan menggunakan Pooled Least Square PLS. Metode PLS umumnya digunakan
pada model cross section dan time series murni. Sebelum membuat regresi dengan menggunakan data panel, sebelumnya data cross-section harus digabungkan
dengan data time-series sehingga menjadi data gabungan pool data. Kemudian data gabungan ini diperlakukan sebagai satu kesatuan pengamatan yang
digunakan untuk mengestimasi model data panel dengan metode PLS.
24 Sebagaimana dibahas sebelumnya bahwa data panel memiliki jumlah
observasi lebih banyak dibandingkan data cross section dan time series murni. Akibatnya, ketika data digabungkan menjadi pool data, regresi yang dihasilkan
cenderung lebih baik dibandingkan regresi yang menggunakan data cross section dan time series murni.
Akan tetapi, dengan mengabungkan data, maka variasi atau perbedaan baik antara individu dan waktu tidak dapat terlihat. Hal ini tentunya kurang sesuai
dengan tujuan dari digunakannya model data panel. Lebih jauh lagi, dalam beberapa kasus, penduga yang dihasilkan melalui least square dapat menjadi bias
akibat kesalahan spesifikasi data. Untuk mengatasi permasalahan tersebut, digunakan 2 dua metode yang biasanya digunakan dalam pemodelan data panel
yaitu Model Efek Tetap atau Fixed Effects Model FEM, dan Model Efek Random atau Random Effects Model REM.
Pada Model FEM, perbedaan antar individu dan atau waktu dicerminkan melalui intercept. Adanya variabel-variabel yang tidak semuanya masuk dalam
persamaan model memungkinkan adanya intercept yang tidak konstan. Atau dengan kata lain, intercept ini mungkin berubah untuk setiap individu dan waktu.
Bila pada FEM, perbedaan antar individu dan atau waktu dicerminkan dengan intercept, maka pada Model REM, perbedaan tersebut diakomodasi
dengan error. Mengingat ada dua komponen yang mempunyai kontribusi pada pembentukan error, yaitu individu dan waktu, maka random error pada model
REM juga perlu diuraikan menjadi error untuk komponen individu, error komponen waktu dan error gabungan.
Selanjutnya, dari hasil estimasi ketiga model tersebut, akan dilakukan beberapa uji statistik untuk melihat model yang lebih valid di antara ketiga model
data panel yang dipergunakan yaitu PLS, FEM, dan REM. Hausman Tests dan Redundant Fixed Effects Tests dipergunakan untuk menentukan model yang lebih
valid diantara model data panel yang dipergunakan. Setelah dipilih model yang lebih valid di antara ketiga model data panel
yang dipergunakan yaitu PLS, FEM, dan REM, selanjutnya akan diketahui hasil estimasi untuk model yang dipilih. Hasil estimasi dari model yang
memperlihatkan tanda koefisien yang positif untuk pendapatan per kapita, dan
25 negatif untuk pendapatan per kapita kuadrat menunjukkan hasil sesuai dengan
tanda harapan teoritis dan menjelaskan bahwa emisi memiliki hubungan yang non-linier kuadratik dengan pendapatan per kapita. Hasil ini konsisten dengan
hipotesis EKC berbentuk kurva U terbalik. Namun jika hasil estimasi dari model yang memperlihatkan tanda koefisien yang negatif untuk pendapatan per kapita,
dan positif untuk pendapatan per kapita kuadrat, maka hasil ini tidak konsisten dengan hipotesis EKC.
Selanjutnya turning point, yakni nilai pendapatan per kapita yang
memaksimukan nilai indikator lingkungan akan dapat dihitung berdasarkan data hasil estimasi dengan mempergunakan persamaan 2.8 sebagaimana telah dibahas
sebelumnya. Setelah diperoleh hasil estimasi dari model yang lebih valid, selanjutnya
hasil estimasi akan dipergunakan menganalisis dinamika emisi GRK dalam hubungannya dengan tingkat PDB per kapita di negara maju dan negara
berkembang yang dikaji, menganalisis perubahan emisi GRK per Unit PDB dari waktu ke waktu di negara maju dan negara berkembang yang dikaji, serta
mengetahui kesesuaian hipotesis EKC dengan situasi di negara-negara maju dan berkembang yang dikaji.
Pengolahan data dalam penelitian ini selanjutnya dilakukan dengan menggunakan program komputer Eviews 7, dikarenakan ketersedian tools untuk
pengolahan data sekaligus pengujian asumsi baik dalam model data panel.
26
27
IV. GAMBARAN UMUM
