Tabel 5.2 Hasil Pengujian Fixed Effect Model
Variable Coefficient
Std. Error t-Statistic
Prob. PDRB
0.032567 0.004195
7.763552 0.0000
GOVED 0.001336
0.000568 2.353548
0.0227 RMISKIN
-106.2893 10.55277
-10.07217 0.0000
RDOK -0.000269
0.000116 -2.324963
0.0243 RBDN
0.003671 0.000610
6.013894 0.0000
RPWT 0.001897
0.000614 3.090752
0.0033 RSD
0.000304 0.000370
0.820903 0.4157
RSMA -0.000860
0.000202 -4.263708
0.0001 RSMP
-0.000634 0.000634
-0.999151 0.3226
C 3.634891
0.049845 72.92422
0.0000 Weighted Statistics
R-squared 0.999831
Mean dependent var 8.844689
Adjusted R-squared 0.999703
S.D. dependent var 8.801467
S.E. of regression 0.005300
Sum squared resid 0.001376
F-statistic 7822.513
Durbin-Watson stat 2.365176
ProbF-statistic 0.000000
Unweighted Statistics R-squared
0.999243 Mean dependent var
4.054650 Sum squared resid
0.001651 Durbin-Watson stat
2.027223 Sumber : Lampiran
Catatan : Signifikan pada taraf nyata 5 persen
5.2.2 Uji Pelanggaran Asumsi
Berdasarkan hasil pengolahan data pada tabel 5.3, nilai probabilitas pada Fstat sama dengan 0.000 lebih kecil dari 0.05, sehingga dikatakan terdapat minimal satu
variabel berpengaruh nyata dalam model. Nilai koefisien determinasi R-squared yang diperoleh sebesar 99.99 persen keragaman IPM dapat dijelaskan oleh variable-
varieabel bebasnya, sedangkan sisanya sebesar 0,01 persen mampu dijelakan oleh faktor-faktor diuar model.
Penggunaan panel
data dapat
mengabaikan pelanggaran
asumsi multikolenearitas. Hal ini karena penggabungan data cross section dan time series
yang dapat mengurangi kolinearitas. Sementara itu model ini mempunyai R-squared yang tinggi yaitu sebesar 0.999 dan uji F yang nyata yaitu sebesar 0.000. Pada uji
autokolerasi dapat dilihat dari nilai Durbin-Watson yang diperoleh. Durbin-Watson stat yang diperoleh dari hasil pengolahan data sebesar 2.365176, hasil tersebut berada
pada batasan 1.55 DW 2.46. Hal ini dapat disimpulkan bahwa dalam pengolahan data tidak terjadi pelanggaran asumsi autokolerasi.
Sedangkan untuk melihat asumsi heteroskedasitas dapat dilihat dari Sum
squared resid pada Weighted Statistics 0.001376 lebih kecil dari Sum squared resid Unweighted Statistics 0.001651. Berdasarkan hal ini dapat dikatakan bahwa model
ini terindikasi pelanggaran asumsi heterokedassitas. Untuk menghilangkan adanya heteroskedasitas, maka diperlakuan dengan cara cross section weight dan white-
heteroskedastisity-consistent covarianve. Sehingga dapat disimpulkan masalah heterokedasitas sudah dapat teratasi dalam mengestimasi model telah menggunakan
metode GLS generalized least square dengan white heteroscedastisity sebagai pembobot Gujarati, 2003.
Dalam menganalisis uji T dapat diinterpretasikan menggunakan nilai probabilitas t-statistik yang diharapkan dapat mendekati nilai nol. Apabila nilai
probabilitasnya semakin kecil maka akan semakin cukup bukti untuk menyatakan bahwa variabel bebas digunakan signifikan terhadap variabel tak bebasnya.
Signifikansi dari variabel bebas ini ditunjukkan yaitu taraf 5 persen 0,05. Selain itu yang harus diperhatikan adalah pada nilai koefisien apakah sesuai dengan hipotesis
awal yang telah dirumuskan. Uji normalitas dilakukan untuk memeriksa apakah error term mendekati
distribusi normal atau tidak. Jika asumsi ini tidak terpenuhi, maka prosedur pengujian mengguakan statistik-t menjadi tidak sah. Uji normalitas error term dapat dilakukan
dengan menggunakan uji Jarque Bera. Pada Lampiran 10, nilai probabilitas Jarque Bera sebesar 0.056118 yang lebih besar dari taraf nyata 5 persen. Hal ini berarti error
term terdistribusi dengan normal, sehingga pengujian menggunakan statistik-t telah sah.
Keunggulan pendekatan efek tetap dalam mengestimasi data panel adalah dapat mengakomodasi heterogenitas unit-unit observasi yang digunakan. Heterogenitas unit
observasi dapat dilihat pada cross section effect. Nilai-nilai tersebut mempengaruhi heterogenitas konstanta intersep unit-unit cross section yang digunakan. Konstanta
intersep dalam suatu hasil regresi menggambarkan komponen peubah terikat yang
tidak dapat diterangkan oleh masing-masing peubah bebas yang digunakan dalam model. Nilai tersebut menunjukkan jika semua peubah yang digunakan tidak
berpengaruh nyata, maka nilai intersep menunjukkan nilai IPM yang sesungguhnya.
5.2.3 Interpretasi Model
