34
3. Random Effects Model Jika variabel dummy ternyata kurang memberikan informasi tentang model,
maka digunakanlah error term. Model ini sering disebut sebagai Error Components Model ECM dengan ide dasar:
Y
it
= β
1i
+ β
2
X
2it
+ β
3
X
3it
+ u
it
β
1i
= β
1
+ ε
i
i = 1, 2, . . . ,N Yit =
β
1
+ β
2
X
2it
+ β
3
X
3it
+ ε
i
+ u
it
= β
1
+ β
2
X
2it
+ β
3
X
3it
+ w
it
w
it
= ε
i
+ u
it i
~ N0,
2
= komponen cross section error u
it
~ N0, u
2
= komponen time series error E
ε
i
u
it
= 0 E
ε
i
ε
j
=0 ≠ j
Eu
it
u
is
= Eu
it
u
jt
= Eu
it
u
js
=0 ≠ j ; t ≠
Error secara individual dan error secara kombinasi diasumsikan tidak berkolerasi. Tetapi dalam random effects juga terdapat kelemahan, yaitu adanya korelasi
antara error term dengan variabel independen.
3.3.2.1. Pengujian untuk Memilih Model Terbaik
Pengujian yang dapat dilakukan untuk memilih model yang paling tepat dalam pengolahan data panel, antara lain:
1. Chow Test adalah pengujian untuk memilih apakah model yang digunakan Pooled Least Square atau Fixed Effect. Dalam pengujian ini dilakukan
dengan hipotesis sebagai berikut: H
: Model Pooled Least Square Restrictedcommon
35
H
1
: Model Fixed Effect Unrestricted Dasar penolakan terhadap hipotesis nol tersebut adalah dengan
menggunakan F-statistik seperti yang dirumuskan oleh Chow: Chow =
– –
–
dimana: RRSS = Restricted Residual Sum Square Sum Square Residual PLS
URSS = Unrestricted Residual Sum Square Sum Square Residual Fixed N= Jumlah data cross section
T= Jumlah data time series K=Jumlah variabel penjelas
Dimana pengujian ini mengikuti distribusi F-statistik yaitu F
N-1, NT-N-K
. Jika nilai Chow Statistics F Stat hasil pengujian lebih besar dari F tabel, maka
cukup bukti untuk penolakan terhadap H sehingga model yang kita
gunakan adalah model fixed effect, begitu juga sebaliknya. 2. Haussman Test adalah pengujian statistik sebagai dasar pertimbangan kita
dalam memilih antara menggunakan model fixed effect atau model random effect. Pengujian ini dilakukan dengan hipotesis sebagai berikut:
H : Random Effects Model
H
1
: Fixed Effects Model Sebagai dasar penolakan H
tersebut digunakan dengan menggunakan pertimbangan statistik chi square.
36
3.3.2.2. Pengujian Validitas Model
1. Koefisien Determinasi R
2
Koefisien determinasi menunjukkan seberapa besar persentase variasi variabel bebas dapat menjelaskan variasi variabel terikatnya. Nilai R
2
berkisar antara nol dan satu. Nilai R
2
yang kecil atau mendekati nol berarti kemampuan variabel bebas dalam menjelaskan variasi variabel terikat amat
terbatas. Sebaliknya, jika nilai R
2
mendekati satu berarti variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi
variasi variabel terikat Gujarati, 2003. 2.
F-Statistic dan Probability Untuk metode ordinary least squares nilai F-statistik dihitung dengan
formula: F =
–
Nilai F statistik yang besar lebih baik dibandingkan dengan nilai F statistik yang rendah. Sedangkan nilai probabiltas F merupakan tingkat signifikansi
marginal dari F statistik. Dengan menggunakan hipotesis :
H : semua parameter yang kita duga sama dengan nol tidak ada variabel
bebas yang berpengaruh terhadap variabel terikat H
1
: minimal ada satu parameter yang kita duga tidak sama dengan nol minimal ada satu variabel bebas yang memengaruhi variabel terikat
Tolak H jika Prob F
stat
α
37
Jika nilai prob F kurang dari nilai alpha α, maka dengan tingkat keyakinan
1- α kita dapat menyimpulkan bahwa minimal ada parameter yang kita
duga tidak termasuk konstanta adalah berbeda dengan nol. 3.
Uji t Partial test Pada uji t dilakukan pengujian kofisien regresi secara individu masing-
masing variabel untuk melihat pengaruh variabel bebas terhadap variabel terikat. Hipotesis yang digunakan untuk pengujian ini adalah:
H : semua parameter yang kita duga sama dengan nol
H
1
: semua parameter yang kita duga tidak sama dengan nol Berdasarkan hasil perhitungan dalam uji t, maka akan dipilih variabel bebas
yang signifikan secara statistik dimana probability value- nya kurang dari α.
3.3.2.3. Pengujian Asumsi Klasik
