i = 2; t=1; Y
21
= α+
2
+ X
21
+
21
t=2; Y
22
= α+
2
+
2
+ X
22
+
22
: t=T; Y
2T
= α+
2
+
T
+ X
2T
+
2T
: :
: i = N; t=1; Y
N1
= α+
N
+ X
N1
+
N1
t=2; Y
N2
= α+
N
+
2
+ X
N2
+
N2
: t=T; Y
NT
= α+
N
+
T
+ X
NT
+
NT
Untuk mengetahui apakah α konstan pada setiap i dan t ataukah berubah- ubah, maka dilakukan uji sebagai berikut :
F{RSS
OLS
– RSS
MET
RSS
MET
} . {NT-N-T N + T -2} Nilai tersebut dibandingkan dengan Tabel F, jika nilai hasil penghitungan
lebih besar dibandingkan Tabel F, maka kita dapat menolak hipotesis, yang berarti
α tidak konstan pada setiap i dan t, atau dengan kata lain MET lebih baik.
Nacrowi,2006 Menurut Pindyck dan Rubienfield 1998, terdapat beberapa masalah
yang berhubungan dengan penggunaan MET. Permasalahan pertama adalah bahwa penggunaan variabel dummy tidak dapat mengidentifikasi secara langsung
penyebab perubahan garis regresi pada periode dan individu. Dan, permasalahan kedua yakni, teknik variabel dummy akan mengurangi jumlah derajat bebas.
3.1.5.3 Metode Random Effect
Pada Metode Efek Tetap, perbedaan karakteristik individu dan waktu diakomodasikan pada intercept, sehingga intercepnya berubah antar individu dan
antar waktu. Sedang pada Metode Efek Random MER perbedaan karakteristik individu dan waktu diakomodasikan pada error dari model.
Error dapat dipengaruhi oleh individu dan waktu. Oleh karena itu, random
error pada MER juga perlu diurai menjadi error untuk komponen individu, error
komponen waktu, dan error gabungan. Dengan demikian, persamaan MER diformulasikan sebagai berikut :
Y
it
= α + X
it
+
it
;
it
= u
i
+ v
t
+ w
it
dimana : u
i
= komponen error cross-setion v
t
= komponen errortime-series w
it
= komponen error gabungan Asumsi yang digunakan untuk komponen error tersebut adalah :
u
i
~ ζ 0,
u 2
; v
t
~ ζ 0,
v 2
; w
it
~ ζ 0,
w 2
Berdasarkan persamaan di atas, maka dapat dinyatakan bahwa MER menganggap efek rata-rata dari data cross-section dan data time-series
dipresentasikan dalam intercept. Sedangkan deviasi efek secara random untuk data time-series dipresentasikan dalam v
i
dan deviasi untuk data cross-section dinyatakan dalam u
i
. Seperti telah diketahui sebelumnya bahwa :
it
= u
i
+ v
t
+ w
it
. Dengan demikian varians dari error tersebut dapat dituliskan dengan : Var
it
=
it 2
+
v 2
+
w 2
Hal ini tentunya berbeda dengan model OLS yang diterapkan pada data panel Pooled OLS sebagaimana telah dijelaskan diatas yang mempunyai varian
sebesar : Var
it
=
w 2
Dengan demikian, εetode Efek Random dapat diestimasi dengan OδS bila
it 2
=
v 2
= 0. Kalau tidak demikian, MER perlu diestimasi dengan metode lain. Adapun metode estimasi yang digunakan adalah Generalized Least Square GLS.
Menurut Pindyck dan Rubienfield 1998, penggunaan data panel dapat memisahkan dampak ekonomi yang tidak dapat dibedakan apabila hanya
menggunakan data cross-section maupun dengan time-series saja. Hal lain juga, penggunaan data panel dapat menambah poin data yang akan berpengaruh
terhadap derajat bebas dan dapat memecahkan permasalahan penghilangan variabel dengan informasi yang diperoleh dari hubungan antara cross-section dan
time-series . Menurut Hsiao 1986 keuntungan data panel adalah 1 dapat
mengidentifikasi model ekonomi dan membedakan antara hipotesis ekonomi, 2 dapat mengurangi dan menghilangkan bias dugaan, dan 3 dapat mengurangi
masalah multikolinearitas.
3.2 Hipotesis Penelitian