T adalah jumlah periode waktunya. Dengan mengansumsi komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara
terpisah untuk setiap unit cross section.
3.10.2 Metode Efek Tetap Fixed Effect Model
Kesulitan terbesar dalam pendekatan metode kuadrat terkecil adalah adanya asumsi intersep dan slope dari persamaan regresi yang dianggap konstan,
baik antar daerah maupun antar waktu yang kurang sesuai dengan tujuan penggunaan data panel. Untuk mengatasi hal ini dapat digunakan pendekatan
model efek tetap fixed effect yaitu dengan menambahkan model dummy pada data panel, sehingga model efek tetap disebut juga dengan Least Square Dummy
Variable. Metode efek tetap memper-hitungkan kemungkinan bahwa peneliti menghadapi masalah omitted variables, yang mungkin membawa perubahan pada
intercept time series atau cross-section . Pada metode efek tetap estimasi dapat dilakukan dengan tanpa pembobot
no weighted atau Least Square Dummy LSDV dan dengan pembobot crosssection weight atau General Least Square GLS. Tujuan dilakukan
pembobotan ini adalah untuk mengurangi heterogenitas antar unit cross section Gujarati 2006 : 639.
3.10.3 Metode Efek Acak Random Effect Model
Pendekatan Metode efek acak memperbaiki efisiensi proses least square dengan memperhitungkan error dan cross-section dan time series. Model efek
acak adalah variasi dari estimasi generalized least square GLS. Model efek acak
Universitas Sumatera Utara
disebut juga sebagai error component model karena dalam model ini, parameter yang berbeda antar individu maupun antar waktu dimasukkan ke dalam error.
Asumsi yang digunakan dalam model ini adalah error secara individual tidak saling berkorelasi, begitu pula dengan error kombinasinya. Penggunaan
model efek acak dapat menghemat derajat kebebasan dan tidak mengurangi jumlahnya seperti pada model fixed effect. Hal ini berimplikasi kepada parameter
hasil estimasi akan menjadi efisien. Semakin efisien maka model yang akan didapat semakin baik. Dengan demikian adanya gangguan asumsi klasik dalam
model ini telah terdistribusi secara normal sehingga tidak diperlukan lagi treatmen terhadap model bagi pelanggaran asumsi klasik yaitu asumsi adanya autokorelasi,
multikoliniearitas dan heterokedastisitas.
3.10.4 Pemilihan Model Data Panel
