Pemilihan Model Uji Hipotesis .1 Menentukan Kriteria Pengujian

3.4.2. Analisis Regresi Data Panel Regression of Pooled Data

Metode yang digunakan untuk menganalisis faktor-faktor yang mempengaruhi volume ekspor karet Indonesia ke negara tujuan utama dilakukan dengan model regresi least squares pooled data dengan beberapa teknik, salah saatunnya teknik Model Efek Random Random Effect Model, REM. − Model Efek Random Random Effect Model, REM Penaksiran model regresi data panel Random Effect akan menghasilkan model regresi dengan error term yang terdiri dari dua komponen, yaitu komponen cross section spesifik perusahaan dan komponen error. Komponen error merupakan kombinasi time series error dan cross section error. Asumsi error component model atau random effect model adalah komponen error tidak berkorelasi satu sama lain dan tidak autokorelasi antara cross section dan time series. Perbedaan penting antara fixed effect model FEM dan random effect model REM adalah pada FEM setiap unit cross section mempunyai nilai titik potong tetap dari semua observasi N, sedangkan pada REM nilai titik potong b menjelaskan nilai rata-rata semua titik potong cross section dan komponen error menjelaskan deviasi titik potong anggota panel dari nilai rata-rata. Komponen error ini tidak diamati atau unobservable or latent variable. Oleh sebab itu asumsi di atas harus mengikuti: EE it = 0 dan varE it = σ 2 ε + σ 2 e dan σ 2 e = 0. Asumsi homoskedastisitas dari E it menunjukkan korelasi antara Eε it ε js , yaitu: corr E it , E is = ε 2 2 2 ó e ó e ó + ………………………………………………………6

3.4.3 Pemilihan Model

Untuk mengetahui model Pooled Least Square PLS atau Fixed Effect Universitas Sumatera Utara Model FEM yang akan dipilih untuk estimasi data dapat dilakukan dengan uji F- test atau uji Chow Test. − Uji Haussman Haussman Test Pengujian ini dilakukan untuk menentukan apakah model fixed effect atau random effect yang dipilih. Pengujian ini dilakukan dengan hipotesa sebagai berikut: H : Model Random Effect H 1 : Model Fixed Effect Dasar penolakan H adalah dengan menggunakan pertimbangan statistik Chi Square . Jika Chi Square statistik Chi Square table maka H ditolak model yang digunakan adalah Fixed Effect, dan sebaliknya. Manurung, Manurung dan Saragih 2005 dalam tulisannya meyebutkan ada empat pertimbangan pokok untuk memilih FEM dan REM, yaitu: 1. Jika jumlah time series T besar dan jumlah cross section N kecil maka nilai taksiran parameter berbeda kecil, sehingga pilihan didasarkan pada kemudahan perhitungan, yaitu FEM. 2. Bila N besar dan T kecil penaksiran dengan FEM dan REM menghasilkan perbedaan yang signifikan. Pada REM diketahui bahwa α 0i = α + ε i , di mana ε i adalah komponen acak cross section , pada FEM diperlakukan α adalah tetap atau tidak acak. Bila diyakini bahwa individu atau cross section tidak acak maka FEM lebih tepat, sebaliknya jika cross section acak maka REM lebih tepat. 3. Jika komponen erro r ε i individu berkorelasi maka penaksir REM adalah bias dan penaksir FEM tidak bias. Universitas Sumatera Utara 4. Jika N besar dan T kecil serta asumsi REM dipenuhi maka penaksir REM lebih efisien dari penaksir FEM. Apabila pada model efek tetap, perbedaan individu dan atau antarwaktu dicerminkan melalui intercept, maka pada model efek random, perbedaan tersebut diakomodasi lewat error. Teknik ini juga memperhitungkan bahwa error mungkin berkorelasi sepanjang time series dan cross section. 3.4.4 Uji Hipotesis 3.4.4.1 Menentukan Kriteria Pengujian Kriteria pengujian adalah bentuk pembuatan keputusan dalam menerima atau menolak hipotesis nol H dengan cara membandingkan nilai α tabel distribusinya nilai kritis dengan nilai uji statistiknya, sesuai dengan bentuk pengujiannya. Penerimaan H terjadi jika nilai uji statistiknya lebih kecil atau lebih besar daripada nilai positif atau negatif dari α tabel. Atau nilai uji statistik berada di luar nilai kritis. Penolakan H terjadi jika nilai uji statistiknya lebih besar atau lebih kecil daripada nilai positif atau negatif dari α tabel. Atau nilai uji statistik berada di dalam nilai kritis. − Pengujian Hipotesis Individual Uji-t Uji t adalah uji yang biasa digunakan oleh para ahli ekonometrika untuk menguji hipotesis tentang koefisien slope regresi secara individual. Uji-t mudah digunakan karena menjelaskan perbedaan-perbedaan unit-unit pengukuran variabel dan deviasi standar dari koefisien yang diestimasi. Universitas Sumatera Utara Untuk menetukan atau menolak atau tidak menolak sebuah hipotesis nol berdasarkan perhitungan nilai-t, digunakan nilai kritis-t. Menurut Sarwoko 2005 nilai kritis-t adalah nilai yang membedakan daerah penerimaan dari daerah penolakan. Nilai kritis-t dapat dilihat dari table-t. Aturan keputusan uji-t adalah sebagai berikut “Menolak H jika  t h  t t dan jika tanda yang dimiliki oleh koefisien seperti dinyatakan dalam hipotesis alternatif. Tidak menolak jika sebaliknya”. − Pengujian Hipotesis Serempak Uji F Uji F adalah suatu cara menguji hipotesis nol yang melibatkan lebih dari satu koefisien. Untuk menunjukkan bahwa kecocokan secara keseluruhan pada persamaan hasil estimasi adalah signifikan, maka kita harus dapat menolak hipotesis nol ini menggunakan uji F. Keputusan menggunakan uji F adalah menolak hipotesi nol apabila nilai F hasil hitung estimasi persamaan lebih besar daripada nilai kritis F atau “menolak Ho jika F F t dan Tidak Menolak H jika F F t . 3.4.4.2 Koefisien-Koefisien Regresi − Koefisien Determinasi Koefisien determinasi adalah ukuran variasi total pada peubah tak bebas yang dapat dijelaskan oleh hubungannya dengan peubah bebas. Koefisien determinasi juga disebut sebagai R 2 . Batas nilai r antara -1 dan 1, tanda minus terjadi kalau Σx i y i memberikan nilai minus. Nilai terkecil minimum r 2 adalah nol 0 terjadi kalau Σe i 2 = Σy i 2 , yaitu kalau garis regresi =Y dan explained variation nol. Universitas Sumatera Utara Untuk menghitung koefisien determinasi digunakan rumus sebagai berikut: R 2 = ��� ��� ………………………………………………………………………….7 SSE Sum of Square Error menunjukkan jumlah total kuadrat peubah tak bebas yang tidak dijelaskan oleh garis regresi kuadrat terkecil. Sedangkan SSR Sum of Square Regression merupakan jumlah total kuadrat yang dapat dijelaskan oleh garis regresi sedangkan TSS Total Sum of Square merupakan jumlah SSE dan SSR.

3.4.5 Uji Asumsi Klasik − Uji Autokorelasi