Pemilihan Teknik Estimasi Data Panel
C. Pemilihan Teknik Estimasi Data Panel
1. Estimasi Data Panel Pengaruh VAIC ke ROA
a. Uji Signifikansi Fixed Effect (Uji Chow)
Pengujian ini dilakukan untuk memilih model yang lebih baik antara model Fixed Effect dan model Common Effect . Uji chow dilakukan dengan membandingkan nilai uji F tabel dengan F hitung.
Jika F hitung > F tabel maka menerima H A yang berarti bahwa intersep dari fixed effect dan common effect adalah berbeda sertamemilih model fixed effect. (Widarjono, 2013: 362). Berikut adalah hasil olah data menggunakan Eviews 8 :
1) Estimasi Commom Effect
Tabel 4.4
Hasil Regresi Estimasi Common Effect
Variable
Coefficient
t-Statistic Prob.
-0.132410 0.8953 VAIC
C -0.007117
3.264488 0.0022 Sum squared resid
Prob (F-statistic)
Adjusted R Square
Sumber : Data diolah, 2016
2) Estimasi Fixed Effect
Tabel 4.5
Hasil Regresi Estimasi Fixed Effect
Variable
Coefficient
t-Statistic Prob.
0.158633 0.8751 VAIC
C 0.012274
1.935134 0.0628 Sum squared resid
Prob (F-statistic)
Adjusted R Square
Untuk mengetahui model yang akan dipilih, menggunakan nilai
F hitung dengan rumus :
Nilai F tabel untuk numerator 14 dan denumerator 43 pada alpha 0.05 adalah 1.93. Dengan demikian maka H A diteriam, yang menyatakan bahwa nilai Uji F hitung lebih besar dari F tabel (4.01 > 1.93), sehingga model estimasi data yang tepat dan baik digunakan dalam uji chow adalah model fixed effect Nilai F tabel untuk numerator 14 dan denumerator 43 pada alpha 0.05 adalah 1.93. Dengan demikian maka H A diteriam, yang menyatakan bahwa nilai Uji F hitung lebih besar dari F tabel (4.01 > 1.93), sehingga model estimasi data yang tepat dan baik digunakan dalam uji chow adalah model fixed effect
Ada dua pertimbangan dalam pemilihan mode (Widarjono, 2013: 364) :
1) Ada tidaknya hubungan antara error term dengan variabel X. Jika ada hubungan antara error term dengan variabel independen maka model random effect lebih tepat.
2) Berkaitan dengan jumlah sampel penelitian. Jika sampel hanya bagian kecil dari populasi maka kita mendapatkan sampel yang bersifat random, dengan begitu model random effect lebih tepat
Untuk mengetahuhi model yang lebih tepat antara Fixed Effect atau Random Effect maka harus dilakukan Uji Hausman/ Uji signifikansi fixed effect atau random effect.
Tabel 4.6 Hasil Uji Hausman
Test Summary
Chi-Sq. d.f. Prob. Cross-section random
Chi-Sq. Statistic
Output di atas menunjukkan hasil Uji Hausman yang menghasilkan nilai statistik hausman chi-square 0.058688 dengan nilai p –value sebesar 0.8086. Nilai tabel chi-square dengan df (degree off freedom ) 1 pada alpha 0.05 sebesar 3.84146. Berdasarkan nilai
statistik dan nilai tabel, maka yang berarti bahwa model random effect lebih baik dari model fixed effect. Hal ini terbukti dengan nilai tabel Chi-Square lebih besar daripada nilai Uji Hausman pada alfa
0.05 (3.84146 > 0.058688), sehingga model yang dipilih adalah fixed effect. Setelah melakukan 2 tahap pemilihan model estimasi, dapat diketahui bahwa uji Hausman menghasilkan random effect, sedangkan uji Chow menghasilkan fixed effect. Maka model random effect lebih baik untuk digunakan dalam model estimasi regresi VAIC terhadap ROA.
2. Estimasi Data Panel Pengaruh VAIC dan ROE ke PBV
a. Uji Signifikansi Fixed Effect (Uji Chow)
Pengujian ini dilakukan untuk memilih model yang lebih baik antara model fixed effect dan model common effect . Uji Chow dilakukan dengan membandingkan nilai uji F tabel dengan F hitung.
Jika F hitung > F tabel maka menerima H A yang berarti bahwa intersep dari fixed effect dan common effect adalah berbeda serta memilih model fixed effect (Widarjono, 2013: 362). Berikut adalah hasil olah data untuk memilih model estimasi antara fixed effect dan common effect menggunakan Eviews 8 :
1) Estimasi Common Effect
Tabel 4.7
Hasil Regresi Estimasi Common Effect
Variable
Coefficient
t-Statistic Prob.
-1.866556 0.0690 VAIC
C -6.976013
0.665267 0.5095 ROA
5.639494 0.0000 Sum squared resid
Prob (F-statistic)
Adjusted R Square
2) Estimasi Fixed Effect
Tabel 4.8
Hasil Regresi Estimasi Fixed Effect
Variable
Coefficient
t-Statistic Prob.
-2.010607 0.0541 VAIC
C -11.06247
1.293055 0.2066 ROA
4.190214 0.0003 Sum squared resid
Prob (F-statistic)
Adjusted R Square
Untuk mengetahui model yang akan dipilih, menggunakan nilai F hitung dengan rumus :
Nilai F tabel dengan numerator 14 dan denumerator 42 pada alpha 0.05 masing-masing adalah 1.94. Dengan demikian maka H A dierima karena nilai Uji F hitung lebih besar dari F tabel (3.69 > 1.94), sehingga model estimasi data yang tepat dan baik digunakan adalah model fixed effect.
b. Uji Signifikansi Fixed Effect atau Random Effect (Uji Hausman)
Ada dua pertimbangan dalam pemilihan model (Widarjono, 2013: 364) :
1) Ada tidaknya hubungan antara error term dengan variabel X. Jika ada hubungan antara error term dengan variabel independen maka model random effect lebih tepat.
2) Berkaitan dengan jumlah sampel penelitian. Jika sampel hanya bagian kecil dari populasi maka kita mendapatkan sampel yang bersifat random, dengan begitu model random effect lebih tepat.
Untuk mengetahuhi model yang lebih tepat antara fixed effect atau random effect maka harus dilakukan Uji Hausman/ Uji signifikansi fixed effect atau random effect.
Tabel 4.9 Hasil Uji Hausman
Test Summary
Chi-Sq. d.f. Prob. Cross-section random 0.662466
Chi-Sq. Statistic
Output di atas menunjukkan hasil Uji Hausman yang menghasilkan nilai nilai statistik hausman chi-square 0.662466 dengan nilai p –value sebesar 0.7180. Nilai tabel chi-square dengan
df (degree off freedom) 2 pada alpha 0.05 sebesar 5.99146. Berdasarkan nilai statistik dan nilai tabel, maka dengan menggunakan alfa 0.05 nilai tabel Chi-Square lebih besar daripada nilai Uji Hausman (5.99146 > 0.662466) sehingga model yang dipilih adalah random effect.
Berdasarkan dua proses pemilihan estimasi diketahui bahwa uji Chow menghasilkan fixed effect, dan uji Hausman menghasilkan random effect. Maka disimpulkan bahwa hasil regresi model random lebih baik untuk digunakan dalam model estimasi regresi VAIC dan ROA terhadap PBV.