lebih akurat jika dibandingkan dengan regresi biasa, karena dalam panel berarti menggabungkan data cross section dan time series bersama sama sehingga
memiliki jumlah observasi data yang lebih banyak. Kelemahan dalam metode ini adalah tidak terlihatnya perbedaan baik antar individu karena data yang semakin
berkurangnya degree of freedom akibat adanya penambahan variabel dummy pada persamaan, dan terntunya akan memengaruhi keefisienan parameter yang diduga.
Pendugaan metode ini dinyatakan dalam persamaan 2.5. Yit = αi + βj xjit + it …................................................................................... 2.5
dimana : yit = variabel terikat di waktu t untuk unit cross section i
αi = intersep yang akan berbeda antar individu cross section i xjit = variabel bebas j di waktu t untuk unit cross section i
βj = parameter untuk variabel ke j it = komponen error di waktu t untuk unit cross section i
2.5.2. Efek Tetap
Metode pooled least square memiliki kekurangan, yaitu tidak terlihatnya perbedaan baik antar individu, sehingga asumsi intersep dan slope dari persamaan
regresi yang dianggap konstan. Sedangkan untuk generalisai secara umum, dapat dilakukan dengan memasukkan variabel dummy untuk menghasilkan nilai
parameter yang berbeda beda pada setiap unit cross section. Metode dengan memasukkan variabel dummy disebut dengan metode Fixed Effect atau Least
Square Dummy Variable. Metode fixed effect akan menghasilkan intersep yang berbeda beda antar
unit cross section. Kelemahan pada metode ini adalah semakin berkurangnya
degree of freedom akibat adanya penambahan variabel dummy pada persamaan, dan terntunya akan memengaruhi keefisienan parameter yang diduga. Pendugaan
metode ini dinyatakan dalam persamaan 2.6. Yit = αi + βj xjit + it ....................................................................................... 2.6
dimana : yit = variabel terikat di waktu t untuk unit cross section i
αi = intersep yang akan berbeda antar individu cross section i xjit = variabel bebas j di waktu t untuk unit cross section i
βj = parameter untuk variabel ke j it = komponen error di waktu t untuk unit cross section i
2.5.3. Efek Acak
Pada metode efek acak random effect karakteristik antar individu terlihat pada komponen error yang ada pada model. Hal ini tidak akan mengurangi derajat
bebas degree of freedom akibat penambahan variabel, sehingga efisiensi dalam pendugaan parameter juga tidak berkurang. Bentuk model efek acak ini adalah :
Yit = α + βj xjit + wit ....................................................................................... 2.7 dimana :
yit = variabel terikat di waktu t untuk unit cross section i α1i = α1 + it , dengan nilai intersep yang akan berbeda antar individu cross
section i akibat random error it antar individu tersebut O x
jit
= variabel bebas j di waktu t untuk unit cross section i β
j
= parameter untuk variabel ke j w
it
=
it
+ τ
i
, yaitu
it
: error dan τ
i
: individual effect Dalam pengolahan data panel, terdapat pilihan untuk menggunakan
kriteria pembobotan yang berbeda beda, yakni: 1. No Weighting : semua observasi diberi bobot yang sama.
2. Cross Section Weight : Generalized Least Square GLS dengan menggunakan estimasi varians residual cross section. Digunakan apabila ada asumsi bahwa
terdapat cross section heteroskedasticity. 3. SUR seemingly unrelated regression : GLS menggunakan estimasi residual
covariance matrix cross section. Metode ini mengoreksi baik heteroskedastisitas maupun autokorelasi antar unit cross section.
2.6. Penelitian Terdahulu