Teori Pembangunan Manusia TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN

a. Self-selectivity Æ Permasalahan ini muncul karena data-data yang dikumpulkan untuk suatu penelitian tidak sepenuhnya dapat menangkap fenomena yang ada. b. Nonresponse Æ Permasalahan ini muncul dalam panel data ketika ada ketidaklengkapan jawaban yang diberikan oleh responden sample rumahtangga. c. Attrition Æ Yaitu jumlah responden yang cenderung berkurang pada survei lanjutan yang biasanya terjadi karena responden pindah, meninggal dunia atau biaya menemukan responden yang terlalu tinggi 4. Dimensi waktu time series yang pendek. Jenis panel mikro biasanya mencakup data tahunan yang relatif pendek untuk setiap individu. 5. Cross-section dependence. Sebagai contoh, apabila macro panel dengan unit analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence akan mengakibatkan inferensi yang salah misleading inference. Analisis data panel secara garis besar dibedakan menjadi dua macam yaitu statis dan dinamis. Pada analisis data panel dinamis, regressor-nya mengandung variabel lag dependent-nya, sedangkan pada analisis data panel statis tidak. Penelitian ini menggunakan analisis data panel statis sehingga pembahasannya dibatasi untuk analisis statis saja. Secara umum, terdapat dua pendekatan dalam metode data panel, yaitu Fixed Effect Model FEM dan Random Effect Model REM. Keduanya dibedakan berdasarkan ada atau tidaknya korelasi antara komponen error dengan peubah bebas. Misalkan diberikan persamaan regresi data panel sebagai berikut: it it i it X a y ε β + + = 3.1 dimana: it y : nilai dependent variable untuk setiap unit individu cross section unit i pada periode t dimana i = 1, …, n dan t = 1, …, T i a : unobserved heterogenity it X : nilai independent variable yang terdiri dari sejumlah K variabel. Struktur datanya sebagai berikut. ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = KNT NT NT KN N N KN N N T K T T K K T K T T K K it x x x x x x x x x x x x x x x x x x x x x x x x x x x X ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 2 1 2 2 2 2 1 1 1 2 1 1 2 22 12 22 222 122 21 221 121 1 21 11 12 212 112 11 211 111 Pada one way, komponen error dispesifikasikan dalam bentuk: it i it u + = λ ε 3.2 dimana: i λ : efek individu time invariant it u : disturbance yang besifat acak , ~ 2 u it N u σ Untuk two way, komponen error dispesifikasikan dalam bentuk: it t i it u + + = μ λ ε 3.3 Dimana: t μ : efek waktu individual invariant Pada pendekatan one way komponen error hanya memasukkan komponen error yang merupakan efek dari individu i λ . Pada two way telah memasukkan efek dari waktu t μ ke dalam komponen error. uit diasumsikan tidak berkorelasi dangan it X . A Fixed Effect Model FEM FEM digunakan ketika efek individu dan efek waktu mempunyai korelasi dengan it X atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat komponen error dari efek individu dan waktu dapat menjadi bagian dari intecept. Untuk one way komponen error: it it i i it u X a y + + + = β λ 3.4 Untuk two way komponen error: it it t i i it u X a y + + + + = β μ λ 3.5 Penduga FEM dapat dihitung dengan beberapa teknik, yaitu Pooled Least Square PLS, Within Group WG, Least Square Dummy Variable LSDV, dan Two Way Error Component Fixed Effect Model. individu ke-1 individu ke-2 individu ke-N periode 1 periode 2 periode T

1. Pendekatan Pooled Least Square PLS

Pada prinsipnya, pendekatan ini adalah dengan menggunakan gabungan dari seluruh data pooled sehingga terdapat N x T observasi yang diregresikan dengan model: it it i it u X y + + = α dengan i i i a λ α + = 3.6 Asumsinya tidak ada perbedaan antar individu sehingga i α bersifat konstan untuk semua observasi i α = α . Pendugaan parameternya mirip dengan estimasi dengan metode OLS Ordinary Least Square. Keuntungan menggunakan pendekatan PLS adalah dapat meningkatkan derajat kebebasan sehingga dapat memberikan hasil estimasi yang lebih efisien. Hal ini disebabkan oleh observasinya menjadi lebih banyak. Kelemahan pendekatan PLS yaitu dugaan parameter β akan bias karena mengabaikan efek individu. PLS tidak dapat membedakan observasi yang berbeda pada periode waktu yang sama atau sebaliknya yaitu PLS tidak dapat membedakan observasi yang sama pada periode yang berbeda.

2. Pendekatan Within Group WG

Pendekatan WG digunakan untuk mengatasi masalah bias pada PLS. Teknik yang digunakan adalah dengan menggunakan data deviasi dari rata-rata individu. Model regresi dari pendekatan WG ini adalah: i it it y y y − = ∑ = − = T t it i y T y 1 1 i i i i u x y + + = β α 3.7 i it it x x x − = ∑ = − = T t it i x T x 1 1 it it i it u x y + + = β α 3.8 i it i it i i i it u u x x y y − + − + − = − β α α atau it it it u x y + = β 3.9 Kelebihan pendekatan WG adalah dapat menghasilkan dugaan parameter β yang tidak bias. Kelemahannya adalah dugaan parameter β relatif lebih tidak efisien dibanding pendekatan PLS. Atau dengan kata lain nilai var WG β var PLS β . Kelemahan lainnya adalah tidak mengakomodir heterogenitas individu karena tidak ada intercept dalam model WG.

3. Pendekatan Least Square Dummy Variable LSDV

Pendekatan ini banyak digunakan untuk menduga parameter pada FEM. Pendekatan ini merepresentasikan perbedaan intercept dengan dummy variable. Jumlah dummy variable adalah sesuai dengan banyaknya individu. Persamaan regresi untuk pendekatan LSDV adalah sebagai berikut : it it Nit N it it it u x d d d y + + + + + = β α α α 2 2 1 1 ... 3.10 Persamaan ini diestimasi dengan metode OLS sehingga diperoleh LSDV β . Kelebihan pendekatan LSDV adalah dapat menghasilkan parameter LSDV β yang efisien dan tidak bias. Kelemahannya hanya terjadi jika jumlah unit observasinya individu sangat besar sehingga akan terlihat cumbersome. Uji signifikansi intercept menggunakan uji-F dengan hipotesis: H : N α α α = = = ... 2 1 Lebih baik menggunakan metode PLS H 1 : minimal satu dari i α ada yang tidak sama Lebih baik menggunakan metode LSDV