1. Mampu mengidentifikasi dan mengukur efek yang secara sederhana tidak
dapat diatasi dalam data cross section murni atau data time series murni. 2.
Mampu mengontrol heterogenitas individu atau unit cross section. 3.
Memberikan data yang informatif, mengurangi kolinearitas antar peubah serta meningkatkan derajat kebebasan sehingga data menjadi lebih efisien.
4. Data panel lebih baik digunakan untuk studi dynamics of adjusment karena
terkait dengan observasi pada cross section yang sama secara berulang. 5.
Mampu menguji dan mengembangkan model perilaku yang lebih kompleks. Estimasi model dengan menggunakan data panel dapat dilakukan dengan tiga
metode, yaitu metode kuadrat terkecil pooled least square, metode efek tetap fixed effect, dan metode efek random random effect.
3.9 Metode Analisis Data Panel 3.9.1 Metode Kuadrat Terkecil Pooled Least Square Common Effect Model
Metode kuadrat terkecil yaitu mengestimasi data panel dengan Metode Pooled least square PLS. Metode ini merupakan metode yang paling sederhana
dalam pengolahan data panel yaitu dengan menggabungkan seluruh data time series dan data silang. Dengan N sebagai jumlah unit cross section individu dan
T adalah jumlah periode waktunya. Dengan mengansumsi komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara
terpisah untuk setiap unit cross section.
3.9.2 Metode Efek Tetap Fixed Effect Model
Kesulitan terbesar dalam pendekatan metode kuadrat terkecil adalah adanya asumsi intersep dan slope dari persamaan regresi yang dianggap konstan,
baik antar daerah maupun antar waktu yang kurang sesuai dengan tujuan
Universitas Sumatera Utara
penggunaan data panel. Untuk mengatasi hal ini dapat digunakan pendekatan model efek tetap fixed effect yaitu dengan menambahkan model dummy pada
data panel, sehingga model efek tetap disebut juga dengan Least Square Dummy Variable. Metode efek tetap memperhitungkan kemungkinan bahwa peneliti
menghadapi masalah omitted variables, yang mungkin membawa perubahan pada intercept time series atau cross-section .
Pada metode efek tetap estimasi dapat dilakukan dengan tanpa pembobot no weighted atau Least Square Dummy LSDV dan dengan pembobot
crosssection weight atau General Least Square GLS. Tujuan dilakukan pembobotan ini adalah untuk mengurangi heterogenitas antar unit cross section
Gujarati 2006:639.
3.9.3 Metode Efek Acak Random Effect Model
Pendekatan Metode efek acak memperbaiki efisiensi proses least square dengan memperhitungkan error dan cross-section dan time series. Model efek
acak adalah variasi dari estimasi generalized least square GLS. Model efek acak disebut juga sebagai error component model karena dalam model ini, parameter
yang berbeda antar individu maupun antar waktu dimasukkan ke dalam error. Asumsi yang digunakan dalam model ini adalah error secara individual
tidak saling berkorelasi, begitu pula dengan error kombinasinya. Penggunaan model efek acak dapat menghemat derajat kebebasan dan tidak mengurangi
jumlahnya seperti pada model fixed effect. Hal ini berimplikasi kepada parameter hasil estimasi akan menjadi efisien. Semakin efisien maka model yang akan
didapat semakin baik. Dengan demikian adanya gangguan asumsi klasik dalam model ini telah terdistribusi secara normal sehingga tidak diperlukan lagi treatmen
Universitas Sumatera Utara
terhadap model bagi pelanggaran asumsi klasik yaitu asumsi adanya autokorelasi, multikoliniearitas dan heterokedastisitas.
3.9.4 Pemilihan Model Data Panel