Teknik Penaksiran Model Uji Asumsi Klasik

KINERJA, Volume 16, No.1, Th. 2012: Hal. 1-12 6

3.4.1. Teknik Penaksiran Model

Dalam penelitian ini akan digunakan data panel dalam upaya mengestimasi model yang ada. Ada dua pendekatan mendasar yang digunakan dalam menganalisis panel data. Pertama, pendekatan Fixed Effects yang menetapkan bahwa α 1 adalah sebagai kelompok yang spesiik atau berbeda dalam constant term dalam model regresinya . Kedua, pendekatan Random Effects, meletakkan α 1 sebagai gangguan spesiik kelompok, sama dengan ε it kecuali untuk masing-masing kelompok, tetapi gambaran tunggal yang memasukkan regresi sama untuk tiap-tiap periode. Sebelum model diestimasi dengan model yang tepat, terlebih dahulu dilakukan uji spesiikasi apakah Fixed Effects atau Random Effects atau keduanya memberikan hasil yang sama. Pilihan antara Fixed Effects dan Random Effects ditentukan dengan menggunakan Hausman ‘s Test . Untuk pendekatan Fixed Effects menggunakan uji F statistik Green, 2000 : 562. Jika ternyata hasil perhitungan uji Fhit ≥ Ftab n-1, nT-n-K ini berarti Ho ditolak, artinya intersep untuk semua unit cross sections tidak sama. Dalam hal ini, akan digunakan Fixed Effects model untuk mengestimasi persamaan regresi. Metode penaksiran model yang dipakai adalah Generalized Least Square GLS. Metode GLS dipilih dalam penelitian ini karena adanya nilai lebih yang dimiliki oleh GLS dibandingkan OLS dalam mengestimasi parameter regresi. Gujarati 2003:394 menyebutkan bahwa metode OLS yang umum tidak mengasumsikan bahwa varians variabel adalah heterogen, pada kenyataannya variasi data pada data pooling cenderung heterogen. Metode GLS sudah memperhitungkan heterogenitas yang terdapat pada variabel independent secara eksplisit sehingga metode ini mampu menghasilkan estimator yang memenuhi kriteria best linear unbiased estimator BLUE

3.4.2. Uji Asumsi Klasik

Uji Multikolinearitas dilakukan dengan pendeteksian atas nilai R 2 dan signiikansi dari variabel yang digunakan. Rule of Thumb mengatakan apabila didapatkan R 2 yang tinggi sementara terdapat sebagaian besar atau semua variabel yang secara parsial tidak signiikan, maka diduga terjadi multikolinearitas pada model tersebut Gujarati, 2003: 369. Lebih dari itu, multikolinearitas biasanya terjadi pada estimasi yang menggunakan data runtut waktu sehingga dengan mengkombinasikan data yang ada dengan data cross section mengakibatkan masalah multikolinearitas secara teknis dapat dikurangi. Uji Heteroskedastisitas, masalah ini muncul bersumber dari variasi data cross section yang digunakan. Metode GLS yang pada intinya memberikan pembobotan kepada variasi data yang digunakan dengan kuadrat varians dari model sehingga dapat dikatakan dengan menggunakan GLS masalah heteroskedastisitas sudah dapat diatasi. Uji Autokorelasi, yang paling sederhana adalah menggunakan uji Durbin Watson DW. Sebagai rule of thumb nilai DW hitung yang mendekati 2 dianggap menunjukkan bahwa model terbebas dari autokolinearitas atau jika jika du d 4 - du Gujarati, 2003 : 469.

4. HASIL DAN PEMBAHASAN