3.3.2. Model Efek Tetap Fixed Effect
Masalah terbesar dalam pendekatan model kuadrat terkecil adalah asumsi interesep dan slope dari persamaan regresi yang dianggap konstan baik
antar individu maupun antar waktu yang mungkin kurang beralasan. Untuk mengatasi masalah ini maka kita bisa menggunakan Model Efek Tetap Fixed
Effect .
Model Efek Tetap Fixed Effect yaitu model yang di dapatkan dengan mempertimbangkan bahwa peubah-peubah yang dihilangkan dapat
mengakibatkan perubahan dalam interesep-interesep cross section dan time series. Peubah boneka dummy dapat ditambahkan ke dalam model untuk
memungkinkan perubahan-perubahan interesep ini lalu model di duga dengan OLS, yaitu :
Y
it
= α
i
D
i
+ β X
it
+
ε
it
3.4 dimana :
Y
it
= variabel
endogen, X
it
= variabel eksogen, α
i
= interesep model yang berubah-ubah antar cross section unit, β
= slope, D
= variabel boneka, i
= individu ke-i, t =periode waktu ke-t,
ε
=errorsimpangan.
3.4.3. Model Efek Acak
Random Effect
Keputusan untuk memasukkan variabel boneka dalam model effek tetap tak dapat dipungkiri akan dapat menimbulkan konsekuensi. Penambahan variabel
boneka akan dapat mengurangi banyaknya derajat kebebasan yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Untuk mengatasi
masalah tersebut maka kita bisa menggunakan Model Efek Acak Random Effect. Dalam model efek acak parameter yang berbeda antar individu maupun antar
waktu dimasukkan ke dalam error. Karena hal inilah model efek acak sering juga disebut model komponen error error component model.
Bentuk model efek acak ini bisa dijelaskan pada persamaan berikut : Y
it
= α
i
+ β X
it
+ ε
it
3.5 ε
it
= u
it
+ v
it
+ w
it
3.6 dimana :
u
it
~ N0,δu² = komponen cross section error,
v
it
~ N0,δv² = komponen time series error,
w
it
~ N0,δv² = komponen combination error,
kita juga mengasumsikan bahwa error secara individual juga tidak saling berkorelasi begitu juga dengan error kombinasinya.
Penggunaan model efek acak dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model
efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi efisien. Semakin efisien maka model akan semakin baik.