3.3.1 Uji Stasioneritas Data Panel
Analisis data panel umumnya menggunakan data dalam bentuk level dengan tujuan untuk memudahkan interpretasi model, namun jika kemudian
penelitian menggunakan data dengan series yang yang mengandung tren, maka perlu dilakukan pengujian unit root, untuk memastikan bahwa hubungan antara
variabel dependen dan variabel independen tidak menunjukkan spurious regression. Bila hasil pengujian unit root menunjukkan adanya tren pada data
level, maka seperti biasanya, harus dilakukan pembedaan pertama first differencing untuk menghindari terjadinya hasil yang misleading. Perlu diingat
bahwa karena data yang digunakan dalam penelitian adalah data panel, maka pengujian unit root yang digunakan bukan menggunakan metode yang biasa,
tetapi menggunakan panel unit root. Pengujian ini disarankan oleh Baltagi 2005 untuk data panel dengan N dan T yang relatif tidak besar.
Hipotesis nol yang digunakan dalam pengujian panel unit root sama seperti pada pengujian unit root untuk data time series murni, hanya saja statistik
uji yang digunakan merupakan pengembangan lebih lanjut dari statistik uji Augmented Dickey–Fuller ADF dan Phillips–Perron PP. Statistik uji yang
digunakan dalam menguji panel unit root terdiri dari dua jenis, yaitu common unit root yang terdiri dari statistik uji Levin, Lin and Chu LLC dan Breitung’s test;
serta individual unit root yang terdiri statistik uji Im, Pesaran and Shin IPS, ADF – Fisher test dan PP – Fisher test. Setelah diperoleh hasil pengujian yang
menyatakan bahwa series dari data panel tidak mengandung unit root maka estimasi bisa dilaksanakan.
3.3.2 Metode Estimasi Regresi Data Panel
Data panel adalah satu set observasi yang terdiri dari beberapa individu pada suatu periode tertentu. Observasi tersebut merupakan pasangan y
it
variabel terikat dengan x
it
variabel bebas dimana i menunjukkan individu, t menunjukkan waktu, dan j menunjukkan variabel bebas yang dinyatakan dalam
sebuah persamaan berikut: y
it
= α + βxj
it
+
it
3.1
N adalah jumlah unit cross section, T adalah jumlah periode waktunya dan K
komponen error dalam pengolahan kuadrat
2. Fixed Effect Model
emasukkan unsur variabel dummy sehingga intersept
it it
it 1i
2 2it
3 3it
it
3.3
Metode estimasi regresi data panel dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain :
1. Pooled Least Square Model
Pooled Least Square Model merupakan metode estimasi model regresi data panel yang paling sederhana dengan asumsi intercept dan koefisien slope
yang konstan antar waktu dan cross section Common Effect. Persamaan pada estimasi menggunakan Pooled Least Square Model dapat dituliskan dalam bentuk
sebagai berikut : 3.2
dimana : = nilai variabel terikat dependent variable untuk setiap unit cross section
= nilai variabel penjelas explanatory variable ke-j untuk setiap cross section α = intercept yang konstan antar waktu dan cross section
= slope untuk variabel ke-j yang konstan antar waktu dan cross section = komponen error untuk setiap unit cross section ke-i pada periode waktu t.
adalah jumlah variabel penjelas. Dengan
mengasumsikan terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap
cross section. Kelemahan Pooled Least Square Model ini adalah dugaan parameter
β akan bias karena tidak dapat membedakan observasi yang berbeda pada periode yang sama serta tidak dapat membedakan observasi yang sama pada
periode yang berbeda.
Fixed effect
model m α bervariasi antar individu maupun antar unit waktu. Fixed effect model lebih
tepat digunakan jika data yang diteliti ada pada tingkat individu serta jika terdapat korelasi antara dan x . Persamaan pada estimasi menggunakan Fixed effect
model dapat dituliskan dalam bentuk sebagai berikut : Y =
β + β X + β X + u
Asumsinya adalah bahwa error secara individual tidak saling berkorelasi begitu
g paling tepat digunakan untuk
Test
erupakan pengujian untuk memilih apakah model yang
1
Keputusan memasukkan
variabel dummy ini harus didasarkan pada
pertimbangan statistik. Penambahan variabel dummy ini akan dapat mengurangi banyaknya degree of freedom yang akhirnya akan memengaruhi keefisienan dari
parameter yang diestimasi. Kelebihan pendekatan ini adalah dapat menghasilkan dugaan parameter
β yang tidak bias dan efisien. Tetapi kelemahannya jika jumlah unit observasinya besar maka akan terlihat rumit.
3. Random Effect Model
Random Effect Model disebut juga komponen error error component model karena di dalam model ini parameter yang berbeda antar unit cross section
maupun antar waktu yang dimasukkan ke dalam error. Persamaan pada estimasi menggunakan Random Effect Model dapat dituliskan dalam bentuk sebagai
berikut : 3.4
dengan 3.5
dimana : ~ N 0, u
2
= komponen cross section error ~ N 0, v
2
= komponen time series error
2
~ N 0, w = komponen error kombinasi
juga dengan error kombinasinya.
3.3.3 Pengujian Model Data Panel Statis