komponen error individual tidak berkorelasi satu sama lain dan tidak ada otokorelasi baik cross section maupun time series. Kedua variabel random tersebut yaitu variabel cross
section dan variabel time series diasumsikan berdistribusi normal dengan derajat bebas yang tidak berkurang. Model random effect dapat diestimasi sebagai regresi Generalized Least-
Square GLS yang akan menghasilkan penduga yang memenuhi sifat Best Linier Unbiased Estimation BLUE. Dengan demikian adanya gangguan asumsi klasik dalam model ini telah
terdistribusi secara normal, sehingga tidak diperlukan lagi treatment terhadap model bagi pelanggaran asumsi klasik, yaitu asumsi adanya autokorelasi, multikolinearitas dan
heterokedastik.
Untuk menentukan model mana yang terbaik dalam metode GLS tersebut maka dapat dilakukan dengan Uji Hausman, 1978 Gujarati, 2003.
4.6.3. Pendekatan Pooled Least Square PLS
Pada metode ini, penggunaan data panel dilakukan dengan mengumpulkan semua data cross section dan time series dan selanjutnya dilakukanlah pendugaan. Pada metode ini,
model mengasumsikan bahwa nilai intersep dari masing – masing variable adalah sama dan slope koefisien dari variable – variable yang digunakan adalah identik untuk semua unit cross
section. Persamaan yang digunakan adalah :
Y
it
= α
+ β
1
PAD
it
+ β
2
DAU
it
+ β
3
FS
3it
+ e
it
4.6.4. Pendekatan Fixed Effect Model FEM
Universitas Sumatera Utara
Model ini memiliki intercept persamaan yang tidak konstan atau terdapat perbedaan pada setiap individu data cross section. Sementara itu, slope koefisien dari regresi tidak
berbeda pada setiap individu dan waktu.
Y
it
=
α+β
21
X1
it 2
W
2t 3
W
3t
+…+
N
W
Nt
+
2+
Z
12
+
3+….+ T
Z
It+
it
Dimana : Y
it
= variable terikat untuk individu ke –i dan waktu ke-t X
it
= Variabel bebas untuk individu ke-I dan waktu ke-t W
it
dan Z
it
variable dummy yang didefenisikan sebagai berikut: W
it
= 1; untuk individu i; i=1,2,…,N= 0; lainnya Z
it
= 1; untuk periode t; t= 1,2,…,N =0 ; lainnya Persamaan Fixed Effect Model atau pendekatan efek tetap adalah :
Y
it
= α
+ β
1
PAD
it
+ β
2
DAU
it
+ β
3
FS
3it
+ µ
i
+ e
it
Dari model di atas terlihat bahwa sesungguhnya pendekatan efek tetap adalah sama dengan regresi yang menggunakan Dummy Variabel sehingga dapat diestimasi dengan
Ordinary Least Square OLS, maka akan memperoleh estimasi yang tidak bias dan konsisten Nachrowi, 2006.
4.6.5. Pendekatan Random Effect Model REM
Universitas Sumatera Utara
Pada model ini, perbedaan karakteristik individu dan waktu yang diakomodasikan pada error dari model. Ada dua komponen yang mempunyai kontribusi pada pembentukan
error yaitu individu dan waktu, maka random error pada pendekatan random effect model juga perlu diurai menjadi error untuk komponen individu, error komponen waktu dan error
gabungan.Dengan demikian, persamaan random effect model diformulasikan sebagai berikut:
Y
it
= α
+ β
1
PAD
it
+ β
2
DAU
it
+ β
3
FS
it
+E
it
; E
it
= u
i
+v
t
+w
it
u
i
= komponen error cross section v
t
= komponen error time series w
it
= komponen error gabungan
.
Ada beberapa hasil terkait output estimasi REM, yaitu : Penjumlahan dari nilai random effect adalah 0, karena komponen error E
it
merupakan penjumlahan dari time series error dan cross section error. Nilai R
2
diperoleh dari transformasi regresi Generalized Least Square GLS.
Oleh karena ada dua metode yang sesuai untuk data panel, maka kita harus memilih salah satu dari keduanya untuk mencari model yang paling tepat. Masing-masing model
memiliki kelebihan. Metode random effect model REM mempunyai parameter yang lebih sedikit, sehingga model yang dibentuk akan memiliki derajat kebebasan degree of freedom
yang lebih banyak dibandingkan model dengan metode fixed effect model FEM. Sementara itu, metode FEM juga mempunyai keunggulan yaitu metode ini dapat membedakan efek
Universitas Sumatera Utara
individual dan efek waktu dan FEM tidak perlu mengasumsikan bahwa komponen error tidak berkorelasi dengan variabel bebas.
Beberapa pakar ekonometrika membuat pembuktian untuk menentukan metode apa yang paling sesuai untuk digunakan dalam data panel. Adapun kesimpulan dari pembuktian
tersebut adalah: a.
Jika pada data panel, jumlah runtun waktu lebih besar dibandingkan jumlah individu, maka disarankan untuk menggunakan metode FEM.
b. Jika pada data panel, jumlah runtun waktu lebih sedikit dibandingkan jumlah individu,
maka disarankan untuk menggunakan metode REM.
4.7. Pengujian Model 4.7.1. Uji F atau Uji Chow
