chi square statistik maka H
o
ditolak sehingga model yang digunakan random effect model
.
4. Strategi Pengujian
Secara umum, dalam pengujian estimasi model-model data panel diperlukan sebuah strategi. Strategi yang dapat dilakukan adalah dengan menguji:
1. Random Effect Model vs Fixed Effect Model Hausman Test, 2. Pooled Least Square vs Fixed Effect Model Chow Test.
Kerangka pengambilan keputusan dalam memilih sebuah model yang digunakan adalah sebagai berikut:
a. Jika Chow test tidak signifikan maka menggunakan Pooled Least Square
b. Jika Chow test signifikan namun Hausman test tidak signifikan maka
menggunakan Random Effect Model c.
Jika Chow test signifikan dan Hausman test signifikan, maka menggunakan Fixed Effect Model.
3.3 Pengujian Model
1. Uji Normalitas
Uji normalitas digunakan untuk menguji apakah variabel pengganggu memiliki distribusi normal atau tidak. Jika data tidak terdistribusi normal maka
diperlukan upaya untuk mengatasi seperti memotong data yang out liers, memperbesar sampel, atau melakukan transformasi data. Untuk menguji
normalitas maka dilihat dari probabilitas Jarque Bera. Jika probabilitas Jarque- Bera lebih kecil dari taraf nyata yang digunakan, maka data tidak terdistribusi
normal sedangkan jika probabilitas Jarque-Bera lebih besar dari taraf nyata yang digunakan, maka data terdistribusi normal.
2. Uji Multikolinieritas
Uji dalam model selanjutnya adalah uji multikolinieritas kolinieritas ganda, multikolinieritas menyebabkan R-Squared tinggi tapi tidak ada sedikit
koefisien yang nyata, bahkan tanda hubungan dapat terbalik. Cara mendeteksi multikolinieritas dengan menggunakan Pearson Correlation atau dengan
Spearman’s Rho Correlation, apabila angka korelasi lebih kecil dari 0,8 maka dapat dikatakan telah terbebas dari masalah multikolinieritas. Jika data terdeteksi
multikolinieritas maka hal yang harus dilakukan adalah: a. Memanfaatkan informasi sebelumnya a priori information
b. Mengeluarkan variabel dengan kolinieritas tinggi c. Transformasi data dengan perbedaan pertama first differnce form utk
data time series. d. Menambahkan data baru
3. Uji Heteroskedastisitas
Uji dalam model selanjtunya adalah uji heteroskedastisitas. Heteroskedastisitas muncul apabila error atau residual dari model yang diamati
tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya. Dampak heteroskedastisitas adalah:
1. Standard Error menjadi bias 2. Nilai b bukan nilai terbaik
3. Nilai t dan nilai F yang tidak dapat ditentukan Untuk mendeteksi heteroskedastisitas, dapat dilakukan dengan berbagai cara
seperti uji grafik, uji Glejser, uji Spearman’s, Rank Correlation dan uji Whyte menggunakan langrange multiplier. Jika R-Squared x N lebih besar dari chi-
square, maka standar eror mengalami heteroskedastisitas. Jika R-Squared x N lebih kecil dari chi-square, maka standar error telah bebas dari masalah
heteroskedastisitas
4. Uji Autokorelasi
Uji model yang terakhir adalah uji autokorelasi, autokorelasi adalah keadaan dimana variabel gangguan pada periode tertentu berkorelasi dengan
variabel gangguan pada periode lain. Akibat adanya autokorelasi maka nilai t hitung akan menjadi bias, Beberapa penyebab autokorelasi adalah:
a. Kesalahan dalam pembentukan model b. Tidak memasukkan variabel yang penting
c. Manipulasi data
d. Menggunakan data yang tidak empiris Untuk mengatasi autokorelasi dapat dilakukan uji Durbin-Watson, ada
beberapa keputusan yang harus dilihat dalam menggunakan uji Durbin-Watson yakni:
a. DW dL = Terdapat autokorelasi positif
b. dL DW dU = Tidak dapat disimpulkan
c. dU DW 4-dU = Tidak terdapat autokorelasi
d. 4-dU DW 4-dL = Tidak dapat disimpulkan
e. DW 4-dL = Terdapat autokorelasi negatif
Keterangan: DW : Nilai Durbin-Watson
dU : Nilai batas atas dL : Nilai batas bawah
3.4 Definisi Operasional
Kategori