42
2. Jika pada data panel jumlah data time series lebih sedikit dibanding jumlah data cross section, maka disarankan untuk menggunakan model Random
Effect Model REM.
3.8.1 Uji Chow Chow Test
Untuk mengetahui model mana yang lebih baik dalam pengujian data panel, bisa dilakukan dengan penambahan variabel dummy sehingga dapat
diketahui bahwa intersepnya berbeda, dapat diuji dengan uji Statistik F. Uji ini digunakan untuk mengetahui apakah teknik regresi data panel dengan metode
Fixed Effect lebih baik dari regresi model data panel tanpa variabel dummy atau metode Common Effect. Hipotesis nol pada uji ini adalah bahwa intersep sama,
atau model yang tepat untuk regresi data panel adalah Common Effect, dan hipotesis alternatifnya adalah intersep tidak sama atau model yang tepat untuk
regresi data panel adalah Fixed Effect.
Nilai Statistik F hitung akan mengikuti distribusi statistik F dengan derajat kebebasan deggre of freedom sebanyak m untuk numerator dan sebanyak n – k
untuk denumerator m merupakan merupakan jumlah restriksi atau pembatasan di dalam model tanpa variabel dummy. Jumlah restriksi adalah jumlah individu
dikurang satu. n merupakan jumlah observasi dan k merupakan jumlah parameter dalam model Fixed Effect. Jumlah observasi n adalah jumlah individu dikali
dengan jumlah periode, sedangkan jumlah parameter dalam model Fixed Effect k adalah jumlah variabel ditambah jumlah individu. Apabila nilai F hitung lebih
besar dari F kritis maka H ditolak yang artinya model yang tepat untuk regresi
data panel adalah model Fixed Effect. Dan sebaliknya, apabila nilai F hitung lebih
43
kecil dari F kritis maka H diterima yang artinya model yang tepat untuk regresi
data panel adalah model Common Effect. Hasil yang akan didapat dari uji Chow Test ini jika H
diterima atau menggunakan model Common Effect, maka pengujian berhenti sampai disini. Tetapi, jika H
ditolak atau menggunakan model Fixed Effect Model FEM maka pengujian berlanjut ke Hausman Test.
3.8.2 Uji Hausman Hausman Test
Uji formal dikembangkan oleh Hausman. Hausman telah mengembangkan suatu uji statistik untuk memilih menggunakan model fixed effect atau random
effect. Uji Hausman ini didasarkan pada ide bahwa kedua metode OLS dan GLS konsisten tetapi OLS tidak efisien di dalam hipotesis nol. Dilain pihak, hipotesis
alternatifnya metode OLS konsisten dan GLS tidak konsisten. Karena itu uji hipotesis nolnya adalah hasil estimasi keduanya tidak berbeda sehingga uji
Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut. Jika nilai statistik Hausman lebih besar dari nilai kritisnya atau hasil dari
Hausman test signifikan maka H ditolak, berarti model yang tepat adalah FEM.
Dan sebaliknya apabila nilai statistik Hausman lebih kecil dari nilai kritisnya maka model yang tepat adalah REM Widarjono, 2005 Uji Hausman dapat
dijelaskan dengan menggunakan kovarian matrik dari perbedaan vektor [β
OLS
– β
GLS
] : 3.6
var[β
OLS
– β
GLS
] = var β
OLS
+ var β
OLS
– covβ
OLS,
β
GLS
– covβ
OLS,
β
GLS
Karena perbedaan kovarian dari estimator yang efisien dengan estimator yang tidak efisien adalah nol sehingga:
cov[β
OLS
– β
GLS
, β
GLS
] = cov β
OLS,
β
GLS
– var β
GLS
= 0 cov β
OLS,
β
GLS
= var β
GLS
3.7
44
Kemudiaan persamaan 3.7 dimasukkan ke dalam persamaan 3.6 akan menghasilkan kovarian matrik sebagai berikut:
var[β
OLS
– β
GLS
] = varβ
OLS
– varβ
GLS
= var
q
3.8 Selanjutnya mengikuti kriteria Wald, uji Hausman ini akan mengikuti distribusi
chi-squares sebagai berikut: m =
q
’var
q
-1
q
3.9 dimana
q
= [β
OLS
– β
GLS
] dan var
q
= varβ
OLS
- varβ
GLS
Statistik uji Hausman ini mengikuti distribusi statistik Chi Square dengan degree of freedom sebanyak k dimana k adalah jumlah variabel independen. Jika
menolak hipotesis nol yaitu ketika nilai statistik Hausman lebih besar dari nilai kritisnya maka model yang tepat adalah model fixed effect sedangkan sebaliknya
bila gagal menolak hipotesis nol yaitu ketika nilai statistik Hausman lebih kecil dari nilai kritisnya maka model yang tepat adalah model random effect.
3.8.3 Test of Goodness of Fit Uji Kesesuaian a.
