3. Lebih baik untuk studi dynamics of adjustment. Karena berkaitan dengan
observasi cross section yang berulang, maka data panel lebih baik dalam mempelajari perubahan dinamis.
4. Lebih baik dalam mengidentifikasi dan mengukur efek yang secara sederhana
tidak dapat diatasi dalam data cross section saja atau data time series saja. Selain keuntungan yang diperoleh dari penggunaan data panel, metode ini
juga memiliki keterbatasan, yaitu: 1.
Masalah dalam desain survei panel, pengumpulan dan manajemen data. Masalah yang sering dihadapi diantaranya adalah cakupan coverage,
nonresponse, kemampuan daya ingat responden recall, frekuensi dan waktu wawancara.
2. Distorsi kesalahan pengamatan measurement errors yang pada umumnya
terjadi karena respon yang tidak sesuai. 3.
Masalah selektivitas selectivity yang mencakup: a.
Self-selectivity: permasalahan yang muncul karena data-data yang dikumpulkan untuk suatu penelitian tidak sepenuhnya dapat menangkap
fenomena yang ada. b.
Nonresponse: permasalahan yang muncul dalam panel data ketika ada ketidaklengkapan data atau jawaban yang diberikan oleh responden.
c. Attrition: jumlah responden yang cenderung berkurang pada survei
lanjutan yang biasanya terjadi karena responden pindah, meninggal dunia, atau biaya menemukan responden yang terlalu tinggi.
4. Dimensi waktu time series yang pendek.
5. Cross-section dependence. Sebagai contoh, apabila macro panel dengan
analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence akan mengakibatkan inferensi yang salah
misleading inference. Analisis data panel dibedakan menjadi dua, yaitu statis dan dinamis. Pada
analisis data panel dinamis, regressor-nya mengandung variabel lag dependent- nya, sedangkan pada analisis data panel statis tidak demikian.
Pada analisis data panel statis, secara umum terdapat dua pendekatan yaitu Fixed Effect Model FEM dan Random Effect Model REM. Kedua pendekatan
tersebut dibedakan berdasarkan ada atau tidaknya korelasi antar komponen error dengan variabel bebas.
Misalkan diberikan persamaan regresi data panel sebagai berikut: 3.3
keterangan: : nilai variabel tak bebas untuk setiap unit individu ke-i pada periode ke-t
i = 1, …, n; t = 1, …, T : unobserved heterogeneity
: nilai variabel bebas yang terdiri dari sejumlah k variabel. Pada pendekatan one way, komponen error dispesifikasikan sebagai
berikut: 3.4
keterangan: : efek individu individual invariant
: disturbance yang bersifat acak ~ 0, Untuk pendekatan two way, komponen error dispesifikasikan sebagai
berikut: 3.5
keterangan: : efek waktu time invariant
Pada pendekatan one way, komponen error hanya memasukkan komponen error yang bersumber dari individu , sedangkan pada two way telah
memasukkan efek waktu ke dalam komponen error, adapun diasumsikan
tidak berkorelasi dengan . Jadi perbedaan antara FEM dan REM terletak pada
ada atau tidaknya korelasi antara dan dengan .
Pendekatan regresi data panel yang umum digunakan ada 2 dua yaitu:
1. Fixed Effect model FEM
Pendekatan FEM mengasumsikan bahwa perbedaan karakteristik antar individu diakomodasi oleh intercept-nya. FEM didasarkan oleh adanya perbedaan
intercept antar individu, namun intercept-nya sama antar waktu time invariant. Model ini digunakan ketika efek individu dan efek waktu mempunyai korelasi
dengan atau memiliki pola yang tidak acak. Asumsi tersebut membuat
komponen error dari efek individu dan waktu dapat menjadi bagian dari intercept. Untuk one way komponen error:
3.6 Sedangkan untuk two way komponen error:
3.7 Penduga FEM dapat dihitung dengan beberapa teknik yaitu Pooled Least
Square PLS, Within Group WG, Least Square Dummy Variable LSDV, dan Two Way Error Component Fixed Effect Model.
2. Random Effect model REM
REM digunakan ketika ada efek individu dan efek waktu yang tidak berkorelasi dengan
atau memiliki pola yang sifatnya acak. Keadaan ini membuat komponen error dari efek individu dan efek waktu dimasukkan di
dalam error. Untuk one way komponen error:
3.8 Sedangkan untuk two way komponen error:
3.9 Asumsi-asumsi yang digunakan dalam REM antara lain:
| +
|, 0 untuk semua i dan t
+,
-
untuk semua i dan t .
0 0 untuk semua i, t dan j .
1
0 0 untuk i ≠ j dan t ≠ s .
0 0 untuk i ≠ j untuk:
One way error component: Two way error c omponent:
Dari semua asumsi di atas, asumsi yang paling penting adalah asumsi |,
0. Pengujian asumsi ini dilakukan dengan menggunakan Hausman test, dengan hipotesis yang diuji adalah:
H :
|, 0 tidak ada korelasi komponen error dengan variabel bebas.
H
1
: |, 2 0 ada korelasi komponen error dengan variabel bebas.
Hausman test dirumuskan dengan: 3 .45
678
9 45
678
0 :
;78
9 :
678
.45
678
9 45
678
0 =
?
3.10
dimana M adalah matriks kovarians untuk parameter dan k adalah derajat bebas.
Ketentuan pengujian pada Hausman test adalah jika A
BCDE
maka komponen error mempunyai korelasi dengan variabel bebas dan artinya model
yang valid digunakan adalah FEM. Penduga REM dapat dihitung dengan dua pendekatan yaitu dengan pendekatan Between Estimator BE dan Generalized
Least Square GLS.
3.2.4.2 Pengujian Asumsi dan Pemilihan Model Terbaik
Untuk memilih model terbaik pada sebuah penelitian diperlukan pertimbangan statistik. Pertimbangan tersebut bertujuan untuk mendapatkan
penduga yang paling efisien. Untuk memutuskan apakah menggunakan FEM atau REM, dapat menggunakan uji Hausman. Hipotesis yang diuji sebagai berikut:
H :
|, 0 model yang tepat adalah REM
H
1
: |, 2 0 model yang tepat adalah FEM.
Pengujian dilakukan dengan menggunakan nilai Chi Square. Kriteria pengujiannya adalah jika
F GH
A
BCDE
maka cukup bukti untuk menolak H sehingga pendekatan yang digunakan adalah FEM, dan sebaliknya.
3.2.4.3 Pengujian Asumsi
Setelah diputuskan untuk menggunakan suatu model FEM atau REM, maka selanjutnya dilakukan uji asumsi sebagai berikut:
1. Uji Homoskedastisitas
Homoskedastisitas merupakan salah satu asumsi yang harus dipenuhi dalam model regresi yang berarti bahwa semua residual atau error mempunyai
varians yang sama. Apabila varians tidak konstan atau berubah-ubah maka
terjadi pelanggaran asumsi homoskedastisitas atau sering disebut sebagai heteroskedastisitas. Untuk mendeteksi heteroskedastisitas dapat menggunakan
metode General Least Square Cross Section Weights yaitu dengan membandingkan sum square residual dengan sum square residual unweighted
statistics. Apabila sum square residual lebih kecil dari sum square residual unweighted statistics maka terjadi heteroskedastisitas.
2. Uji Autokorelasi
Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa yang sekarang.
Terjadinya autokorelasi dapat berpengaruh terhadap efisiensi dari estimator yang diperoleh. Untuk mendeteksi adanya autokorelasi dapat menggunakan
statistik Durbin Watson DW. Untuk mengetahui ada autokorelasi atau tidak dilakukan dengan membandingkan nilai statistik DW dengan nilai DW-tabel.
Gujarati 2004 mengelompokkan nilia DW-tabel untuk identifikasi autokorelasi tabel 3.1.
Tabel 3.1. Nilai dan Arti Statistik Durbin Watson DW Nilai DW
ArtiHasil 4 – dl DW 4
Terdapat korelasi serial negatif 4 – du DW 4 - dl
Hasil tidak dapat ditentukan 2 DW 4 - du
Tidak ada korelasi serial du DW 2
Tidak ada korelasi serial dl DW du
Hasil tidak dapat ditentukan 0 DW dl
Terdapat korelasi serial positif
3.2.4.4 Evaluasi Model
Untuk mengevaluasi model yang diperoleh, beberapa uji yang dilakukan sebagai berikut:
1. Uji-F
Uji-F digunakan untuk menguji hipotesis koefisien regresi slope secara simultan. Hipotesis yang diuji adalah:
H :
I 0 j adalah jumlah variabel bebas
H
1
: Paling sedikit ada satu 2 0