H : Model Pooled Least Square
H
1
: Model Random Effect
Dasar penolakan terhadap hipotesa nol tersebut adalah dengan menggunakan Statistik LM yang mengikuti distribusi dari Chi square.
Statistik LM dihitung dengan menggunakan residual OLS yang diperoleh dari hasil estimasi model pooled dimana:
LM =
2 2
2
1 1
2 ⎥
⎥ ⎦
⎤ ⎢
⎢ ⎣
⎡ −
∑ ∑
∑ −
it i
T T
NT ε
ε ~ x
2
3.12 Jika nilai LM hasil perhitungan lebih besar dari x
2
- Tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol, sehingga model yang
digunakan adalah model random effect, begitu juga sebaliknya.
3.5. Evaluasi Model
Sebagai upaya untuk menghasilkan model yang efisien, tidak bias, dan konsisten, maka perlu dilakukan pendeteksian terhadap pelanggaran atau
gangguan asumsi dasar model ekonometrika, yang antara lain berupa gangguan antar waktu time-related disturbance, gangguan antar individu atau dalam kasus
ini pasangan negara cross sectional disturbance, dan gangguan akibat keduanya. Proses evaluasi model yang perlu dilakukan adalah sebagai berikut:
3.5.1. Multikolinearitas
Indikasi multikolinearitas tercermin dengan melihat hasil t dan F statistik hasil regresi. Jika banyak koefisien parameter dari t statistik diduga tidak
signifikan sementara dari hasil F hitungnya signifikan, maka patut diduga adanya
multikolinearitas. Multikolinearitas dapat diatasi dengan memberi perlakuan cross section weights, sehingga baik t statistik maupun F hitung menjadi signifikan. Jika
cara tersebut tidak berhasil, maka dapat juga diatasi dengan menghilangkan varibel yang tidak signifikan.
3.5.2. Autokorelasi
Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Adanya korelasi serial dapat dideteksi dengan melihat nilai Durbin Watson DW dalam
Eviews. Untuk mengetahui ada tidaknya autokorelasi, maka dilakukan dengan membandingkan DW-statistik dengan DW-tabel. Kerangka identifikasi
Autokorelasi dapat dilihat pada Tabel 3.2.
Tabel 3.2 Kerangka Identifikasi Autokorelasi Nilai DW
Hasil
4-dl DW 4 Tolak H
, korelasi serial negatif 4-dl DW 4 - dl
Hasil tidak dapat ditentukan 2 DW 4 - du
Terima H , tidak ada korelasi serial
du DW 2 Terima H
, tidak ada korelasi serial dl DW du
Hasil tidak dapat ditentukan 0 DW dl
Tolak H , korelasi serial positif
Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random error dari
hasil regresi. Pada analisis seperti yang dilakukan pada model, jika ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan
konsisten. Treatment untuk pelanggaran ini adalah dengan menambahkan AR1 atau AR2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model
regresi yang kita gunakan.
3.5.3. Heteroskedastisitas
Dalam regresi linier ganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut BLUE adalah Var ui =
σ
2
konstan, semua varian mempunyai variasi yang sama. Pada umumnya heteroskedastisitas
diperoleh pada data cross section. Jika pada model dijumpai heteroskedastisitas, maka pada hasil regresi akan terjadi ”misleading” Gujarati, 1995.
Untuk mendeteksi adanya pelanggaran asumsi Heteroskedastisitas, digunakan uji White Heteroscedasticity yang diperoleh dalam program Eviews.
Dengan uji tersebut dibandingkan Obs R-Squared dengan X
2
Chi-Squared tabel. Jika nilai Obs R-Squared lebih kecil daripada X
2
Chi-Squared tabel, maka tidak ada Heteroskedastisitas pada model. Dalam pengolahan data panel
pada Eviews 4.1 yang menggunakan metode General Least Square Cross Section Weights, maka untuk mendeteksi adanya Heteroskedastisitas adalah dengan
membandingkan Sum Square Resid pada Weighted Statistics dengan Sum Square Resid pada Unweighted Statistics. Jika Sum Square Resid pada Weighted Statistics
Sum Square Resid pada Unweighted Statistics, maka terjadi Heteroskedastisitas. Treatment untuk pelanggaran tersebut adalah dengan mengestimasi GLS dengan
White Heteroscedasticity.
IV. HASIL DAN PEMBAHASAN
4.1. Hasil Identifikasi Tingkat Intra-industry Trade dan Integrasi antar Negara-negara ASEAN-5
Intra-industry trade index IIT index berfungsi untuk mengukur besarnya
perdagangan intra-industri yang terjadi di suatu negara atau wilayah. Selain itu, indeks perdagangan intra-industri juga dapat digunakan untuk mengukur seberapa
dalam integrasi yang terjadi antar negara atau sektor tertentu karena indeks tersebut merefleksikan adanya peningkatan dalam division of labor yang
dikombinasikan dengan penurunan dalam biaya transaksi Bora dalam Austria, 2004.
Dalam penelitian ini, pengukuran indeks akan dilakukan terhadap nilai nominal arus perdagangan bilateral antara negara ASEAN-5. Hasil penghitungan
IIT index akan digunakan sebagai indikator dari integrasi yang terjadi pada komoditas ICT. Derajat atau tingkatan integrasi akan ditentukan berdasarkan
klasifikasi rentang nilai-nilai IIT index yang digunakan pada penelitian Austria 2004.
Periode analisis penelitian ini mencakup lima tahun, yaitu dari 2001 sampai dengan 2005. Hasil analisis tingkat integrasi sektor ICT secara
keseluruhan menunjukkan bahwa perdagangan intra industri di ASEAN-5 secara umum berada pada derajat integrasi agak kuat moderately strong integration.
Hal ini terlihat dari hasil perhitungan IIT index yang tertera pada Tabel 4.1 sampai Tabel 4.5 dimana 38 diantara nilai IIT index berada pada klasifikasi integrasi agak