59
kolinearitas antar variabel, meningkatkan derajat kebebasan degree of freedom, dan lebih efisien.
3. Studi data panel lebih memuaskan untuk menentukan perubahan dinamis dibandingkan dengan studi berulang dari cross-section.
4. Data panel lebih mendeteksi dan mengukur efek yang secara sederhana tidak dapat diukur oleh data time-series atau cross section.
5. Data panel membantu studi untuk menganalisis perilaku yang lebih kompleks.
6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu atau perusahaan karena unit data lebih banyak.
1. Model Regresi dengan Panel Data
Model regresi dengan data panel secara umum mengakibatkan kesulitan dalam spesifikasi modelnya. Residualnya akan mempunyai tiga
kemungkinan yaitu residual time series, cross section maupun gabungan keduanya. Dari tiga pendekatan metode data panel, dua pendekatan yang
sering digunakan untuk mengestimasi model regresi dengan data panel adalah pendekatan fixed effect model dan pendekatan random effect model.
Untuk menentukan metode antara pooled least square dan fixed effect dengan menggunakan uji F sedangkan uji Hausmant digunakan untuk
memilih antara random effect atau fixed effect. Selain itu, dalam teknik estimasi model regresi data panel, terdapat uji F, uji Chow Test dan uji
Hausman. Dibawah ini akan dijelaskan tiga pendekatan yang digunakan dalam data panel :
60
a Pooled Least Square PLS
Metode ini juga dikenal sebagai Common Effect Model CEM. Pada metode ini, model mengasumsikan bahwa data gabungan yang
ada menunjukkan kondisi sesungguhnya dimana nilai intercept dari masing
– masing variabel adalah sama dan slope koefisien dari variabel
– variabel yang digunakan adalah identik untuk semua unit cross section.
Di dalam pendekatan ini, unit cross section maupun time series semua diperlakukan sama lalu diregresikan menggunakan metode
ordinary least square yang akan menghasilkan persamaan dengan intercept dan koefisien-koefisien variabel independen yang konstan
untuk setiap unit. Kelemahan dalam model common effect ini yaitu adanya
ketidaksesuaian model dengan keadaan yang sebenarnya. Dimana kondisi tiap objek saling berbeda, bahkan satu waktu akan sangat
berbeda dengan kondisi objek tersebut pada waktu yang lain Wing Wahyu Winarno, 2007:14
b Fixed Effect Model
Kendala yang dimiliki oleh pooled least square adalah asumsi yang menganggap intercept dan koefisien slope yang sama untuk
setiap unit cross section maupun time series. Mengatasi hal itu, pendekatan lainnya adalah dengan menggunakan variabel-variabel
dummy untuk memungkinkan terjadinya perubahan-perubahan dalam intercept dari setiap unit cross-section maupun time series. Pendekatan
ini disebut dengan Fixed Effect Model atau Least Square Dummy
61
Variabel. Adapun kemungkinan asumsi intercept dan koefisien slope
yang terjadi adalah sebagai berikut:
a. Intercept untuk setiap unit cross section berbeda-beda, koefisien slope konstan.
b. Intercept untuk setiap unit cross section maupun time series berbeda-beda.
c. Intercept dan koefisien slope untuk semua individu atau unit cross section berbeda-beda
Banyaknya penggunaan variabel dummy dapat menjadi kelemahan bagi model ini karena menyebabkan rendahnya degree of
freedom, adanya variabel-variabel yang tidak berubah terhadap waktu, kemungkinan adanya multikolinearitas, serta asumsi error yang
digunakan, yang pada akhirnya mempengaruhi koefisien dari parameter yang diestimasi.
c Random Effect Model
Model ini dibentuk untuk mengatasi kelemahan pada fixed effect model dengan memasukkan parameter-parameter yang berbeda antar
unit cross section maupun time series ke dalam error term. Pendekatan ini disebut Random Effect Model atau Error Component Model dan
mengasumsikan bahwa komponen error antar unit cross section dan time series tidak berkorelasi satu sama lain.
Asumsi utama dari random effect model ini adalah bahwa komponen error individu tidak berkorelasi satu dengan yang lainnya,
tidak berautokerlasi antar unit cross section dan time series dan juga