Penduga FEM dapat dihitung dengan beberapa teknik, yaitu Pooled Least Square
PLS, Within Group WG, Least Square Dummy Variabel LSDV, dan Two Way Error Component Fixed Effect Model
. b.
Random Effect Model REM
REM digunakan ketika efek individu dan efek waktu tidak berkorelasi dengan
it
X atau memiliki pola yang sifatnya acak. Keadaan ini membuat
komponen error dari efek individu dan efek waktu dimasukkan ke dalam error. Untuk one way komponen error:
i it
it i
it
u X
a y
λ β
Untuk two way komponen error:
t i
it it
i it
u X
a y
µ λ
β
Asumsi yang digunakan dalam REM adalah
|
i it
u E
τ
2 2
|
u i
it
u E
σ τ
|
it i
x E
τ untuk semua i dan t
2 2
|
τ
σ τ
it i
x E
untuk semua i dan t
j it
u E
τ
untuk semua i, t, dan j
js it
u u
E
untuk j
i
dan s
t
j i
E τ
τ
untuk j
i
Dimana untuk: One way error component
:
i i
λ τ
Two way error component
:
t i
i
µ λ
τ
Dari semua asumsi di atas, yang paling penting adalah
|
it i
x E
τ .
Pengujian asumsi ini menggunakan HAUSMAN test. Uji hipotesis yang digunakan adalah:
H :
|
it i
x E
τ
Tidak ada korelasi antara komponen error dengan peubah bebas
H
1
:
|
it i
x E
τ
Ada korelasi antara komponen error dengan peubah bebas
k M
M H
FEM REM
REM FEM
FEM REM
2 1
~ ˆ
ˆ ˆ
ˆ χ
β β
β β
dimana M : matriks kovarians untuk parameter
β
k : derajat bebas
2 tabel
χ
Jika nilai χ
2
statistik hasil pengujian lebih besar dari χ
2
tabel, maka cukup bukti untuk melakukan penolakan terhadap H
sehingga pendekatan yang digunakan adalah fixed effect, begitu juga sebaliknya.
3.2.2. 2 Uji Asumsi
Setelah kita memutuskan untuk menggunakan suatu model tertentu FEM atau REM, maka kita dapat melakukan uji asumsi.
a. Uji Homoskedastisitas
Salah satu asumsi yang harus dipenuhi dalam persamaan regresi adalah bahwa taksiran parameter dalam model regresi bersifat BLUE Best Linier
Unbiased Estimate maka var u
i
harus sama dengan σ
2
konstan, atau semua residual atau error mempunyai varian yang sama. Kondisi itu disebut dengan
homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas
dapat menggunakan metode General Least Square Cross section Weights yaitu dengan membandingkan sum square resid pada Weighted Statistics dengan sum
square Resid unweighted Statistics .
Jika sum square resid pada Weighted Statistics lebih kecil dari sum square resid unweighted Statistics
, maka terjadi heteroskedastisitas.
b. Uji Autokorelasi
Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Uji
autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang digunakan. Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Tata
cara untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson
DW. Cara untuk mengetahui adatidaknya autokorelasi, maka dilakukan dengan membandingkan DW-statistiknya dengan DW-tabel. Adapun kerangka
identifikasi autokorelasi terangkum dalam Tabel 3. Korelasi serial ditemukan jika error
dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random error dari hasil regresi.
Tabel 3. Kerangka identifikasi autokorelasi
Nilai DW Hasil
4 – dl DW 4 Terdapat korelasi serial negatif
4 – du DW 4- dl Hasil tidak dapat ditentukan
2 DW 4 – du Tidak ada korelasi serial
Du DW 2 Tidak ada korelasi serial
dl DW du Hasil tidak dapat ditentukan
0 DW dl Terdapat korelasi serial positif
Sumber: Gujarati, 2004
3.2.2.3 Evaluasi Model a. Uji-F
Uji-F digunakan untuk melakukan uji hipotesis koefisien slope regresi secara bersamaan. Jika nilai probabilitas F-statistic taraf nyata, maka tolak H
dan itu artinya minimal ada satu peubah bebas yang berpengaruh nyata terhadap peubah terikat, dan berlaku sebaliknya.
b. Uji-t
Setelah melakukan uji koefisien regresi secara keseluruhan, maka langkah selanjutnya adalah menghitung koefisien regresi secara individu dengan
menggunakan uji-t. Hipotesis pada uji-t adalah : H
: β
i
= 0 H
1
: β
i
≠ 0 Jika t-hitung t-tabel maka H
ditolak yang berarti peubah bebas secara statistik nyata pada taraf nyata yang telah ditetapkan dalam penelitian dan berlaku
hal yang sebaliknya. Jika nilai probabilitas t-statistik taraf nyata, maka tolak H dan berarti bahwa peubah bebas nyata secara statistik.
c. Koefisien Determinasi R
2
Koefisien determinasi Goodness of Fit merupakan suatu ukuran yang penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model
