Uji Asumsi Model Regresi Data Panel

Kabupaten Cilacap masih terdapat banyak kecamatan yang tergolong relatif tertinggal.

2. Analisis Regresi Data Panel

f. Uji Asumsi Model Regresi Data Panel

1 Uji Normalitas Hasil pengujian dari variabel independen yang diduga bisa menjelaskan variasi besaran indeks ketimpangan pembangunan ekonomi di Kabupaten Cilacap, terdapat enam variabel independen yang dilakukan pengujian menggunakan software Stata 12.0 . Untuk uji asumsi yang pertama, untuk menguji apakah residual mempunyai distribusi normal atau tidak sehingga pengaruh variabel independen secara individual terhadap variabel dependen dapat dikatakan valid, maka dilakukan uji dengan Skewness Kurtosis Test . Berikut adalah hasil pengujian menggunakan uji Skewness Kurtosis. Tabel 15. Uji Normalitas SkewnessKurtosis tests for Normality Variabel Obs PrSkewness PrKurtosis Adj chi22 Probchi2 resid 237 0.4750 0.0210 5.75 0.0562 Sumber: Output Stata 12.0 Berdasarkan Tabel 15, hasil uji normalitas menunjukan nilai Probchi2 sebesar 0.0562. Apabila nilai Prodchi2 lebih besar dari α= 0.05 berarti data berdistribusi normal. Dari hasil pengujian diperoleh nilai P robchi2 lebih besar dari α = 0.05, yang menunjukan bahwa dalam model regresi data panel data berdistribusi normal. 2 Uji Multikolinearitas Setelah dinyatakan data berdistribusi normal, pengujian selanjutnya adalah uji asumsi multikolinear. Dari hasil regresi terdapat variabel independen yang terdeteksi masalah omitted collinearity . Untuk itu, dalam mengatasi adanya masalah multikolinearitas, variabel yang mengalami collinearity atau variabel yang memiliki nilai korelasi antar variabel lebih dari 0,75 layak dikeluarkan dari model persamaan. Berdasarkan hasil uji menggunakan Pearson Correlation, dapat diketahui besarnya nilai korelasi sebagai berikut. Tabel 16. Hasil Perhitungan Uji Multikolinearitas dengan Pearson Correlation Pearson Correlation x1 x2 x3 x4 x5 x6 x1 1.0000 237 x2 - 0.8023 0.0000 237 1.0000 237 x3 - 0.9253 0.0000 237 0.5159 0.0000 237 1.0000 237 x4 0.0569 0.3835 237 0.0104 0.8732 237 - 0.0882 0.1758 237 1.0000 237 x5 -0.1177 0.0705 237 - 0.0259 0.6916 237 0.1853 0.0042 237 -0.6306 0.0000 237 1.0000 237 x6 0.0181 0.7820 237 - 0.0015 0.9821 237 - 0.0269 0.6809 237 - 0.1209 0.0631 237 0.1142 0.0794 237 1.0000 237 Sumber: Output Stata 12.0 Berdasarkan Tabel 16, menunjukan adanya korelasi yang cukup kuat antara X1 dan X2 serta X1 dan X3, maka akan dilakukan beberapa model untuk menentukan model yang layak untuk dikeluarkan. Sedangkan untuk pemodelannya yaitu: a Mengelurkan variabel X1 karena diduga memiliki pengaruh korelasi yang kuat antar variabel Model 1. b Mengeluarkan variabel X1 dan variabel X2 Model 2. c Mengeluarkan variabel X1 dan variabel X3 Model 3. Melalui analisis regresi terhadap Model 1, Model 2 dan Model 3 menggunakan software Stata, diperoleh hasil sebagai berikut. Tabel 17. Hasil Model Regresi Pooled Least Square dengan Mengeluarkan Variabel Independen yang Berkorelasi tinggi. Variabel Model 1 Model 2 Model 3 Prob │t│ X1 - - - X2 0.030 - 0.158 X3 0.069 0.433 - X4 0.001 0.001 0.001 X5 0.000 0.000 0.000 X6 0.428 0.476 0.494 ProbF 0.0000 0.0000 0.0000 Adj. R-Square 0.4366 0.4275 0.4309 Sumber: Output Stata 12.0 Berdasarkan Tabel 17, hasil dari ketiga model menunjukan Model 1 memiliki 4 variabel yang signifikan, sedangkan Model 2 dan Model 3 terdapat 3 variabel yang signifikan. Selain pemilihan melalui banyaknya variabel yang signifikan, pemilihan model regresi yang layak juga ditentukan dari besarnya tingkat kepercayaan melalui nilai adjusted r-square. Dan model dengan tingkat kepercayaan yang paling tinggi adalah Model 1 dengan adjusted r-square sebesar 0.4366. Sehingga Model 1 layak dipilih untuk estimasi regresi data panel. Berikut adalah hasil korelasi antar variabel setelah dihilangkan variabel X1. Tabel 18. Hasil Uji Multikolinear setelah diatasi dengan menghilangkan variabel X1. Pearson Correlation x2 x3 x4 x5 x6 x2 1.0000 237 x3 0.5159 0.0000 237 1.000 x4 0.0104 0.8732 237 -0.0882 0.1758 237 1.0000 237 x5 -0.0259 0.6916 237 0.1853 0.0042 237 -0.6306 0.0000 237 1.0000 237 x6 0.0015 0.9821 237 -0.0269 0.6809 237 -0.1209 0.0631 237 0.1142 0.0794 237 1.0000 237 Sumber: Output Stata 12.0 3 Uji Heterokedastisitas Setelah lolos dari uji asumsi multikolinearitas, pengujian dilanjutkan dengan uji heterokedastisitas. Untuk mendeteksi adanya masalah heterokedastisitas, dilakukan uji Wald Test. Berikut adalah hasil pengujian heterokedastisitas model fixed effect. Tabel 19. Uji Heterokedastisitas Chi-Squarechi2 24 Probchi2 5130.56 0.0000 Sumber: Output Stata 12.0 Berdasarkan Gambar 19, menunjukan melalui uji Wald Test diperoleh nilai chi-square sebesar 5130.56 dan nilai Probchi2 sebesar 0.0000. Hasil pengujian menunjukan adanya masalah heterokedastisitas, dimana nilai ProbChi2 kurang dari alpa 0,05. Untuk mengatasi masalah heterokedastisitas pada model regresi Fixed Effect masalah heterokedastisitas dapat diatasi menggunakan Robust Benedict: 9 4 Uji Autokorelasi Sedangkan untuk mendeteksi adanya masalah autokorelasi, dilakukan pengujian dengan uji Wooldridge Test. Berikut adalah hasil uji autokorelasi model fixed effect. Tabel 20. Uji Autokorelasi F hitung Probchi2 44.158 0.0000 Sumber: Output Stata 12.0 Berdasarkan Tabel 20, menunjukan hasil F hitung sebesar 44.158 dengan ProbF sebesar 0.0000. Oleh karena nilai ProbF kurang dari Alpa 0.05, maka bisa dikatakan terjadi masalah autokorelasi. Sedangkan masalah autokorelasi dan heterokedastisitas, di software Stata 12.0 dapat mengatasi dua permasalahan dalam sekaligus. Untuk mengatasi masalah asumsi heterokedastisitas dan autokorelasi regresi data panel tak seimbang unbalanced panel data, cara penyembuhan dapat dilakukan menggunakan Feasible General Lears Square FGLS. Penggunaan FGLS ditujukan untuk meminimalisir error dan residu agar estimastor tetap efisien dan estimator mampu mendekati nilai estimates prediksi mendekati kenyataan.

g. Penentuan Teknik Estimasi Data panel