regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Untuk mendeteksi ada atau tidaknya heteroskedastisitas pada penelitian
ini menggunakan
metode Uji
White, dengan
membandingkan nilai prob. ObsR-squared dengan nilai α 5.
Jika prob. ObsR-squared nilai α 5. Maka tidak terjadi
Heteroskedastisitas. Jika prob. Obs R-squared nilai
α 5. Maka terjadi Heteroskedastisitas.
d. Uji Autokorelasi
Autokorelasi merupakan korelasi antara anggota seri observasi yang disusun menurut urutan waktu atau urutan tempat, atau korelasi
yang timbul pada dirinya sendiri. Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara
kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 periode sebelumnya. Untuk mendeteksi ada atu
tidaknya autokorelasi dalam suatu model regresi dilakukan pengujian dengan menggunakan Uji Breusch-Godfrey Serial Langrange
Multiplier Test LM Test, yaitu dengan membandingakn nilai prob. ObsR-squared dengan nilai
α 5. Jika prob. ObsR-squared nilai
α 5. Maka tidak terjadi Autokorelasi.
Jika prob. Obs R-squared nilai α 5. Maka terjadi
Autokorelasi.
G. Estimasi Model Data Panel
5
Secara umum dengan menggunakan data panel kita akan menghasilkan intersep dan slope koefisien yang berbeda pada tiap
perusahaan dan setiap periode waktu. Oleh karena itu, di dalam mengestimasi persamaannya akan sangat tergantung pada dari asumsi
yang kita buat tentang intersep, koefisien slope dan variabel pengganggunya.
Ada beberapa metode yang biasa digunakan untuk mengestimasi model regresi dengan data panel, yaitu:
1. Metode Common Effect Model CEM atau Pooled Least Square
PLS
Metode Common Effect adalah metode estimasi model regresi data panel yang paling sederhana yaitu dengan mengkombinasikan data
time series dan cross section. Dengan hanya menggabungkan data tersebut tanpa melihat perbedaan antar waktu dan individu maka kita
bisa menggunakan metode OLS untuk mengestimasi model data panel. Dalam pendekatan ini tidak memperhatikan dimensi individu maupun
waktu. Diasumsikan bahwa prilaku data antar perusahaan samadalam berbagai kurun waktu.
lnY
it
= β + β1 lnX
1it
+ β2 lnX
2it
+ β3 lnX
3it
+ β4 lnX
4it
+ e
it
5
Agus Widarjono, Ekonometrika Pengantar dan Applikasi, h. 231
Y = Return On Asset Return On Equity X1 = Capital Adequacy Ratio
X2 = Non Performing Loan X3 = Financing to Deposito Ratio
X4 = Biaya Oprasional terhadap pendapatan oprasional.
2. Metode Fixed Effect Model FEM
Teknik model Fixed Effect adalah teknik mengestimasi data panel dengan menggunakan variabel dummy untuk menangkap adanya
perbedaan intersep. Pengertian Fixed Effect inididasarkan adanya perbedaan intersep antara perusahaan namun intersepnya sama antar
waktu time invariant. Disamping itu, model ini juga mengasumsikan bahwa koefisien regresi slope tetap perusahaan dan antar waktu.
Metode teknik variabel dummy ini seringkali disebut dengan teknik Least Squares Dummy Variables LSDV
Model Fixed Effect dengan teknik variabel dummy dapat ditulis sbb:
ln Yit = β0 + β1 lnX1it + β2 lnX2it + β3 lnX3it + β4 lnX4it + β5 D1i
+ β6 D2i + β7 D3i + β8 D4i + β9 D5i + eit
3. Metode Random Effect Model REM
Pada model Fixed Effect tujuan dimasukannya vaiabel dummy yaitu unuk mewakili ketidak tahuan kita tentang model yang sebenarnya.
Namun ini juga membawa konsekuensi berkurangnya derajat kebebasan Degree of Freedom yang pada akhirnya mengurangi efisiensi
parameter. Masalah ini bisa diatasi dengan menggunakan variabel gangguan error terms yang dikenal dengan metode Random Effect.
Dalam model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling berhubungan antar waktu dan antar individu.
Metode yang tepat digunakan untuk mengestimasi model Random Effect adalah Generalized Least Square GLS.
Secara umum, persamaan model random effect adalah sebagai berikut:
6
ln Yit = β
0i
+ β1 lnX
1it
+ β2 lnX
2it
+ β3 lnX
3it
+ β4 lnX
4it
+ e
t
. persamaan 1
Dalam hal ini β
0i
tidak lagi tetap nonstokastik tetapi bersifat random, sehingga dapat diekspresikan dalam bentuk persamaan sbb:
β
0i
= β
+ μ
i
dimana i = 1, ......n. persamaam 2
β adalah parameter yang tidak diketahui yang menunjukan rata-rata
intersep populasi dan μ adalah variabel gangguan yang bersifat random
yang menjelaskan adanya perbedaan perilaku perusahaan secara individu.
Substansi persamaan 1 dan persamaan 2 akan menghasilkan persamaan sebagai berikut:
lnY
it
= β
+ μ
i
+ β1 lnX
1it
+ β2 lnX
2it
+ β3 lnX
3it
+ β4 lnX
4it
+ e
t
.
6
Setiawan, Dwi Endah Kusrini, Ekonometrika, Yogyakarta: Penerbit andi 2010, h. 189