41
dengan: RRSS = Restricted Residual Sum Square
URSS = Unrestricted Residual Sum Square N
= Jumlah data cross section T
= Jumlah data time series K
= Jumlah variabel penjelas, Chow Test ini mengikuti distribusi F-statistik yaitu F
N-1, NT-N-K.
Jika nilai CHOW Statistics F-Stat hasil pengujian lebih besar dari F Tabel, maka cukup bukti
untuk melakukan penolakan terhadap hipotesa nol sehingga model yang digunakan adalah model fixed effect, begitu juga sebaliknya. Pengujian ini disebut
sebagai Chow Test karena kemiripannya dengan Chow Test yang digunakan untuk menguji stabilitas dari parameter stability test.
2. Hausman Test
Hausman Test adalah pengujian statistik sebagai dasar pertimbangan kita dalam memilih apakah menggunakan model fixed effect atau model random effect.
Seperti yang kita ketahui bahwa penggunaan model fixed effect mengandung suatu unsur trade off yaitu hilangnya derajat kebebasan dengan memasukkan
variabel dummy. Namun, penggunaan metode random effect pun harus memperhatikan ketiadaan pelanggaran asumsi dari setiap komponen galat.
Hausman Test dilakukan dengan hipotesa sebagai berikut:
H :
Random Effects Model H
1
: Fixed Effects Model.
Sebagai dasar penolakan Hipotesa nol maka digunakan statistik hausman dan membandingkannya dengan chi square.
Statistik hausman dirumuskan dengan:
b M
M b
m
1 1
~
K X
2
………………………….4 Dimana
adalah vektor untuk statistik variabel fix effect, b adalah vektor statistik variabel random effect,
M
adalah matriks kovarians untuk dugaan FEM dan
1
M
adalah matriks kovarians untuk dugaan REM.
3. LM Test
42
LM Test atau lengkapnya The Breusch – Pagan LM Test digunakan sebagai
pertimbangan statistik dalam memilih model Random Effect versus Pooled Least Square.
H :
PLS H
1
: Random Effect
. Dasar penolakan terhadap H
adalah dengan menggunakan statistik LM yang mengikuti distribusi dari Chi Squre .
Statistik LM dihitung dengan menggunakan residual OLS yang diperoleh dari hasil estimasi model pooled.
Strategi Pengujian
Secara umum, dalam pengujian estimasi model-model data panel diperlukan sebuah strategi. Strategi yang dapat dilakukan adalah dengan menguji:
a RE vs FE Hausman Test,
b PLS vs FE Chow Test.
Kerangka pengambilan keputusan dalam memilih sebuah model yang digunakan adalah sebagai berikut:
Jika b tidak signifikan maka kita menggunakan Pooled Least Square. Jika b signifikan namun a tidak signifikan maka kita menggunakan
Random Effect Model . Jika keduanya signifikan, maka kita menggunakan Fixed Effect Model.
Jika model yang terpilih dalam uji Chow dan uji Hausman tersebut adalah model fixed effect, kita dapat melakukan beberapa uji asumsi penting sebagai berikut:
Uji Homoskedastisitas
Salah satu asumsi yang harus dipenuhi dalam persamaan regresi adalah bahwa taksiran parameter dalam model regresi bersifat BLUE Best Linier
Unbiased Estimate maka var u
i
harus sama dengan σ
2
konstan, atau semua residual atau error mempunyai varian yang sama. Kondisi itu disebut dengan
homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas
dapat menggunakan metode General Least Square Cross section Weights yaitu
43
dengan membandingkan sum square Resid pada Weighted Statistics dengan sum square Resid unweighted Statistics. Jika sum square Resid pada Weighted
Statistics lebih kecil dari sum square Resid unweighted Statistics, maka terjadi heteroskedastisitas.
Uji Autokorelasi
Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Uji
autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang digunakan. Autokorelasi dapat memengaruhi efisiensi dari estimatornya. Untuk
mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson DW. Untuk mengetahui adatidaknya autokorelasi, maka dilakukan dengan
membandingkan DW-statistiknya dengan DW-tabel. Adapun kerangka identifikasi autokorelasi terangkum dalam Tabel 2. Korelasi serial ditemukan jika error dari
periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random error dari hasil regresi.
Nilai DW Hasil
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
Sumber: Gujarati, 2004
Metode estimasi yang digunakan pada model analisis regresi data panel statis, didasarkan pada asumsi struktur matriks varians dan covarians residualnya,
yang terdiri dari 3 metode yaitu : 1.
Ordinary least square OLSLSDV, jika struktur matriks varians dan covarians residualnya diasumsikan bersifat homoskedastik dan tidak ada
cross section correlation. 2.
Generalized least square GLS weighted least square WLS : Cross Section Weight, jika struktur matriks varians dan covarians residualnya
diasumsikan bersifat heteroskedastik dan tidak ada cross section correlation.
Tabel 2. Kerangka Identifikasi Autokorelasi
44
3. Feasible generalized least square FGLS Seemingly uncorrelated
regression SUR, jika struktur matriks varians dan covarians residualnya diasumsikan bersifat heteroskedastik dan ada cross section correlation.
3.4 Model Estimasi Nilai Tukar Perdagangan
