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
lain, jika regresi tetap dilakukan meskipun ada masalah heteroskedastisitas maka hasil regresi akan terjadi “misleading” Gujarati, β00γ. Untuk mendeteksi adanya
pelanggaran asumsi heteroskedastisitas,digunakan uji White Heteroskedasticity yang diperoleh dalam program E-Views.Dengan uji White, dibandingkan Obs R-
Squared dengan X Chi-Squared tabel, Jika nilai Obs R-Squared lebih kecil
daripada X Chi-Squared table, maka tidakada heteroskedastisitas pada model. Data panel dalam E-Views 4.1 yang menggunakan metode General Least Square
Cross Section Weights, maka untuk mendeteksi adanya heteroskedastisitas
adalah dengan membandingkan Sum Square Residual pada Weighted Statistic dengan Sum Square Resid UnweightedStatistics. Jika Sum Square Resid pada
Weighted Statistic Sum Square Resid Unweighted Statistic , maka terjadi
heteroskedastisitas. Untuk mengatasi pelaggaran tersebut, bisa mengestimasi GLS dengan White Heteroskedasticity.
4.2.3. Model Kualitas Infrastruktur dan Kelembagaan Terhadap Biaya Perdagangan
Untuk transportasi laut maupun udara digunakan model ekonometrika dasar sebagai berikut:
TC
ij,t
= a
i
+ a
1
Ln_H
ij,t
+ a
2
Ln_BBKR
ij,t
+ a
3
INFRA
i,t
+ a
4
INFRA
ij,t
+ a
5
INST
i,t
+ a
6
INST
ij,t
+ e
ij,t
…………………………………………………….. 7 a1 0, a2 0, a3 0, a4 0, a5 0, a6 0
Untuk mengetahui sejauh mana masing-masing indikator kualitas infrastruktur maupun kelembagaan memengaruhi biaya perdagangan, maka model
yang digunakan adalah:
Moda Transportasi Laut :
TC
ij,t
= b
i
+ b
1
Ln_H
ij,t
+ b
2
Ln_BBKR
ij,t
+ b
3
PORT
i,t
+ b
4
PORT
j,t
+ b
5
INST
i,t
+ b
6
INST
j,t
+ b
7
LSCI
i,t
+ b
8
LSCI
j,t
+ b
9
ROAD
i,t
+ b
10
ROAD
j,t
+ e
ij,t
… 8 TC
ij,t
= c
i
+ c
1
Ln_H
ij,t
+ c
2
Ln_BBKR
ij,t
+ c
3
INFRA
i,t
+ c
4
INFRA
ij,t
+ c
5
CORRUPT
i,t
+ c
6
CORRUPT
j,t
+ c
7
CRIME
i,t
+ c
8
CRIME
j,t
+ c
9
BURDEN
i,t
+ c
10
BURDEN
j,t
+ e
ij,t
………………………………………………... 9
b1 0, b2 0, b3 0, b4 0, b5 0, b6 0, b7 0, b8 0, b9 0, b10 0 c1 0, c2 0, c3 0, c4 0, c5 0, c6 0, c7 0, c8 0, c9 0, c10 0