Tinjauan Empiris TINJAUAN PUSTAKA

Gambar. 3 Kerangka Pemikiran

2.4 Hipotesis Penelitian

Hipotesis yang digunakan dalam penelitian ini adalah 1. Pengaruh faktor-faktor yang diduga menyebabkan terjadinya proses deindustrialisasi di Indonesia sangat signifikan. 2. Globalisasi ekonomi mempercepat terjadinya proses deindustrialisasi di Indonesia baik secara langsung maupun tidak langsung. Keterangan: Pengaruh langsung Pengaruh tidak langsung Terjadinya perubahan struktur ekonomi dalam memacu pertumbuhan ekonomi di Indonesia 1. menurunnya peran sektor pertanian 2. meningkatnya peran sektor manufaktur 3. sektor jasa kurang lebih konstan, namun kontribusinya meningkat sejalan dengan pertumbuhan ekonomi Proses industrialisasi di Indonesia dimulai tahun 1980-an Sejak tahun 2002 terjadi gejala deindustrialisasi Pertumbuhan Produktivitas Pendapatan per kapita Faktor-faktor yang mempengaruhi terjadinya proses deindustrialisasi Saran implikasi kebijakan yang tepat atas fenomena terjadinya gejala deindustrialisasi

2.5 Kerangka Pemodelan

Secara garis besar model yang dibangun dalam penelitian ini untuk mengetahui faktor-faktor yang memengaruhi deindustrialisasi di Indonesia terbagi menjadi dua faktor yaitu faktor domestik dan fakor global. Faktor domestik yang memengaruhi deindustrialisasi adalah national affluence pendapatan per kapita dan productivity growth pertumbuhan produktivitas. Adapun faktor global yang diperkirakan memengaruhi deindustrialisasi adalah openness keterbukaan ekonomi dan foreign direct investment penanaman modal asing. Faktor global memengaruhi deindustrialisasi baik secara langsung maupun tidak langsung. Berikut skema kerangka pemodelan yang dibangun untuk menemukan jawaban atas permasalahan dan tujuan penelitian. Gambar. 4 Kerangka Pemodelan Pendapatan per kapita national affluence Pertumbuhan produktivitas productivity growth Openness PMA Globalisasi ekonomi Deindustrialisasi Keterangan : Pangaruh Langsung Pengaruh tidak langsung Halaman ini sengaja dikosongkan

3. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang akan digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Badan Pusat Statistik BPS dan Badan Koordinasi Penanaman Modal BKPM. Data sekunder yang digunakan antara lain Pendapatan Daerah Regional Bruto PDRB menurut lapangan usaha, PDRB menurut penggunaan, jumlah penduduk, jumlah pengangguran dan jumlah tenaga kerja menurut lapangan usaha yang diperoleh dari Badan Pusat Statistik. Sedangkan data penanaman modal asing diperoleh dari Badan Koordinasi Penanaman Modal. Cakupan penelitian ini adalah seluruh wilayah Indonesia yang tercakup ke dalam 26 provinsi selama periode 2000-2009. Data yang digunakan merupakan data masing-masing provinsi selama kurun waktu tahun 2000-2009 dan berupa data riil atau sudah merujuk pada tahun dasar tertentu. Tahun dasar yang digunakan adalah tahun 2000. Provinsi yang mengalami pemekaran dikembalikan lagi ke provinsi induknya. Pengolahan data menggunakan software Stata 9.0.

3.2 Definisi Operasional

Berdasarkan latar belakang, permasalahan, serta tujuan dan didukung dengan tinjauan pusaka, maka ada beberapa variabel yang relevan digunakan dalam penelitian. Variabel-variabel yang digunakan dalam penelitian adalah sebagai berikut: Tabel 6. Nama variabel dan satuannya yang digunakan dalam penelitian Nama Variabel Keterangan Sumber Satuan RME Relative Manfacturing Employment BPS Persen NA National Affluence BPS - PG Productivity Growth BPS Persen OPN Openness BPS Persen U Unemployment BPS Persen HC Human Capital BPS Persen PMA Penanaman Modal Asing BKPM Persen Definisi operasional dari masing-masing variabel yang digunakan adalah sebagai berikut: a. Relative Manufacturing Employment RME adalah proporsi pekerja sektor manufaktur terhadap total pekerja. b. National Affluence NA adalah pendapatan per kapita, diukur dari pendapatan domestik regional bruto dibagi dengan jumlah penduduk. c. Productivity Growth adalah pertumbuhan produktivitas, dimana ukuran productivity growth dari nilai tambah output sektor manufaktur per pekerja dikurangi nilai tambah output sektor jasa per pekerja. d. Openness merupakan tingkat keterbukaan perdagangan internasional yang didekati dengan persentase ekspor ditambah impor terhadap produk domestik regional bruto . Impor barang dan jasa merupakan transaksi perdagangan barang dan jasa dari bukan penduduk non residen ke penduduk residen. Ekspor barang dan jasa merupakan transaksi perdagangan barang dan jasa dari penduduk residen ke bukan penduduk non residen. e. Unemployment Pengangguran atau sering disebut sebagai failure effect Alderson, 1999 adalah tingkat rata-rata pengangguran merupakan persentase jumlah penduduk yang menganggur terhadap total pekerja. f. Penanaman Modal Asing PMA merupakan fixed capital gross yang didekati dengan persentase realisasi foreign direct investment penanaman modal asing terhadap produk domestik regional bruto. g. Human capital merupakan proporsi pekerja terampil pekerja dengan tingkat pendidikan sekolah menengah ke atas terhadap total pekerja. 3.3 Metode Analisis 3.3.1 Analisis Deskriptif Analisis deskriptif merupakan analisis sederhana yang bertujuan mendiskripsikan dan mempermudah penafsiran yang dilakukan dengan memberikan pemaparan dalam bentuk tabel, grafik, dan diagram. Fungsi analisis deskriptif adalah untuk memberikan gambaran umum tentang data yang telah diperoleh. Gambaran umum ini dapat menjadi acuan untuk melihat karakteristik data yang akan diteliti. Dalam penelitian ini, analisis deskriptif digunakan untuk memberikan suatu gambaran secara umum mengenai kondisi perekonomian di Indonesia dan karakteristik variabel-variabel yang terkait dalam penelitian.

3.3.2 Regresi Data Panel

Dalam melakukan analisis ekonomterik, dapat digunakan data time series, data cross section, atau data panel. Data panel longitudinal data merupakan data yang memiliki dimensi ruang individu dan waktu. Dengan kata lain, data panel merupakan unit-unit individu yang sama yang diamati dalam kurun waktu tertentu. Secara umum, data panel dicirikan oleh T periode waktu t = 1,2,...,T yang kecil dan n jumlah individu i = 1,2,...,n yang besar. Namun tidak menutup kemungkinan sebaliknya, yakni data panel terdiri atas periode waktu yang besar dan jumlah individu yang kecil. Dalam data panel, data cross section yang sama diobservasi menurut waktu. Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel. Sebaliknya jika jumlah observasi berbeda untuk setiap unit cross section maka disebut unbalanced panel. Regresi dengan menggunakan data panel disebut dengan model regresi data panel. Aplikasi metode estimasi dengan menggunakan data panel banyak digunakan baik secara teoritis maupun aplikatif dalam berbagai literatur mikroekonometrik dan makroekonometrik. Popularitas penggunaan data panel ini merupakan konsekuensi dari kemampuan dan ketersediaan analisis yang diberikan oleh data jenis ini. Penggabungan data cross section dan time series dalam studi data panel digunakan untuk mengatasi kelemahan dan menjawab pertanyaan yang tidak dapat dijawab oleh model cross section dan time series murni. Melalui analisis data panel, kita dapat menangkap perilaku sejumlah individu yang memiliki karakteristik yang berbeda-beda dalam suatu rentang waktu yang terdiri atas unit-unit waktu yang juga berbeda. Heterogenitas antar individu maupun antar waktu digambarkan dalam model dengan intersep dan koefisien slope yang berbeda-beda. Nilai intersep dan koefisien slope yang berbeda-beda ini berasal dari pengaruh variabel yang tidak termasuk dalam variabel penjelas dalam persamaan regresi biasa. Menurut Baltagi 2005, beberapa keuntungan penggunaan data panel adalah sebagai berikut : 1. Data panel mampu mengontrol heterogenitas variabel-variabel yang tidak dimasukkan dalam model unobserved heterogenity, 2. Data panel dapat memberikan data yang intensif, mengurangi kolinearitas antar peubah, meningkatkan derajat kebebasan dan lebih efisien, 3. Data panel lebih baik untuk studi dynamics of adjustment, 4. Data panel mampu mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam data cross section saja atau data time series saja, 5. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu karena unit data lebih banyak. Secara umum, terdapat dua pendekatan dalam metode data panel, yaitu Fixed Effect Model FEM dan Random Effect Model REM Baltagi, 2005. Keduanya dibedakan berdasarkan ada atau tidaknya korelasi antara komponen error dengan variabel bebas. Misalkan : it it i it X y       3.1 Pada one way error components model, komponen error dispesifikasikan dalam bentuk: it it it u     3.2 Untuk two way error components model, komponen error dispesifikasi dalam bentuk: it it it it u       3.3 Pada pendekatan one way, komponen error hanya memasukkan komponen error yang merupakan efek dari individu i  . Pada two way telah dimasukkan efek dari waktu t  ke dalam komponen error. Komponen it u diasumsikan tidak berkorelasi dengan it X . Jadi perbedaan antara FEM dan REM terletak pada ada atau tidaknya korelasi antara i  dan t  dengan it X . Uji yang digunakan dalam penentuan kedua metode ini adalah uji Hausman.

3.3.2.1 Fixed Effect Model FEM

FEM digunakan ketika antara efek individu i  dan efek dari waktu t  memiliki korelasi dengan it X atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat komponen error dari efek individu i  dan efek waktu t  menjadi bagian dari intersep, yaitu: a. Untuk one way error component: it it i i it u X y        3.4 b. Untuk two way error component: it it it it it it u X y          3.5 Penduga FEM secara umum dapat dihitung dengan beberapa teknik sebagai berikut: 1. Pendekatan Pooled Least Square PLS Pendekatan ini menggunakan gabungan dari seluruh data pooled, sehingga terdapat N x T observasi, dimana N menunjukkan jumlah unit cross section dan T menunjukkan jumlah series yang digunakan, yang diregresikan dengan model: it it it it u X y      3.6 dimana i  bersifat konstan untuk semua observasi, atau    i , yang dirumuskan sebagai : x y   ˆ ˆ   3.7        N i T t it N i T t it it x NT y x NT 1 1 2 1 1 ~ 1 ~ ~ 1 ˆ  3.8 Dengan        N i T t it x NT x 1 1 . 1 dan x x x it it   ~ serta        N i T t it y NT y 1 1 . 1 dan y y y it it   ~ Dengan mengkombinasikan semua data cross section dan data time series, data panel dapat meningkatkan derajat kebebasan sehingga dapat memberikan hasil estimasi yang lebih efisien, sehingga:          N i T t it it x u 1 1 2 ~ var var  3.9 Pendekatan dengan least square memiliki kelemahan yaitu dugaan parameter β yang dihasilkan dapat bersifat bias. Hal ini ditunjukkan dari arah kemiringan PLS yang tidak sejajar dengan garis regresi dari masing-masing individu. Dugaan parameter β yang bersifat bias ini disebabkan karena PLS tidak dapat membedakan observasi individu yang berbeda pada periode yang sama, atau tidak dapat membedakan observasi individu yang sama pada periode yang berbeda. 2. Pendekatan Within Group WG Pendekatan ini digunakan untuk mengatasi masalah bias pada PLS. Teknik yang digunakan adalah dengan menggunakan data deviasi dari rata-rata individu dimana:     T t it i y T y 1 1 dan     T t it i x T x 1 1 dengan i it it x x x   dan i it it y y y   dan dengan membuat persamaan 3.6 dalam bentuk rata-rata, diperoleh: i i i i u x y      3.10 Dengan mengurangi persamaan 3.6 dan 3.10, maka diperoleh       i it i it i i i it u u x x y y           3.11 atau it it it u x y    sehingga dapat dihitung penduga Within Group sebagai        N i T t it N i T t it it WG x NT y x NT 1 1 2 1 1 1 1 ˆ  3.12 Berdasarkan persamaan tersebut, FEM dengan pendekatan WG tidak memiliki konstanta intersep. Kelebihan dari pendekatan WG adalah dapat menghasilkan parameter β yang tidak bias, tetapi kelemahannya adalah nilai var β WG cenderung lebih besar dari var β PLS sehingga dugaan WG menjadi relatif lebih tidak efisien dibanding PLS. Kelemahan lain dari pendekatan WG adalah tidak dapat mengakomodir karakteristik time-invariant efek individual pada FEM sebagaimana terlihat dari tidak disertakannya konstanta intersep ke dalam model. 3. Pendekatan Least Square Dummy Variable LSDV Metode ini bertujuan merepresentasikan perbedaan intersep dengan membuat dummy variable . Untuk mengilustrasikan pendekatan ini misalkan persamaan awal seperti pada persamaan PLS dan kelompok dummy variable 1  git d g=i. it it i it u x y      it it Nit N it it u x d d d           .... 2 2 1 1 3.13 persamaan ini dapat diestimasi dengan pendekatan OLS sehingga diperoleh parameter β LSDV . Kelebihan pendekatan LSDV adalah dapat menghasilkan dugaan parameter β yang tidak bias dan efisien. Tetapi kelemahannya jika jumlah unit observasinya besar maka terlihat cumbersome atau sulit menduga persamaan regresinya karena penggunaan peubah dummy yang terlalu banyak sehingga pada gilirannya dapat mengurangi derajat bebas. Selanjutnya untuk menguji apakah intersep konstan atau tidak, atau untuk menguji apakah lebih baik menggunakan PLS atau LSDV, dapat digunakan F- test dengan hipotesis sebagai berikut: H : N         ... 3 2 1 H 1 : minimal ada sepasang α yang tidak sama Dasar penolakan terhadap H0 adalah dengan menggunakan F-statistik yaitu: 1 . 1 2 2 2       N k N NT R R R F DV P DV keterangan : 2 DV R = koefisien determinasi LSDV 2 P R = koefisien determinasi PLS k = banyaknya peubah Jika nilai F hasil pengujian lebih besar dari F-tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesis nol sehingga dugaan bahwa α adalah sama untuk semua individu dapat ditolak. 4. Two Way Error Components Fixed Effect Model Model ini disusun berdasarkan fakta bahwa terkadang fixed effects tidak hanya berasal dari observasi individu tetapi juga berasal dari time-effect, sehingga model dasar yang digunakan adalah: it it t i it u x y        3.14 dengan γ t merepresentasikan time-effect. Jika masing-masing pengaruh individu i  dan time-effect t  diasumsikan berbeda, sehingga dengan menambahkan sejumlah 1  sit z s = t peubah dummy yang merepresentasikan efek waktu diperoleh persamaan: it it Tit T it Nit N it it it u x z g z g d d d y              ... ... 2 2 2 2 1 1 3.15 Penambahan sejumlah dummy variable ke dalam persamaan menyebabkan masalah pada penggunaan two way fixed effect yaitu berkurangnya derajat kebebasan, yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi.

3.3.2.2 Random Effect Model REM

REM muncul ketika antara efek individu dan periode tidak berkorelasi dengan it X atau memiliki pola yang sifatnya acak. Asumsi ini membuat komponen error dari efek individu dan waktu dimasukkan ke dalam error, dimana: a. Untuk one way error component: i it it i it u X y        3.16 b. Untuk two way error component: i i it it i it u X y          3.17 Beberapa asumsi yang digunakan dalam REM yaitu:   i it u E  = 0   i it u E  2 = 2 u    it i x E  = 0 for all t i ,   it i x E 2  = 2     j it u E  = 0 for all j t i , ,   js it u u E = 0 for j i  or s t    j i E   = 0 for j i  . Untuk one way error component, i i    dan untuk two way error component, i i i      . Dari semua asumsi tersebut, yang paling penting dalam REM adalah asumsi bahwa nilai harapan dari it x untuk setiap τ i adalah 0, atau    it i x E  . Untuk menguji asumsi ini yaitu dengan menggunakan Haussman Test. Karena berkaitan dengan ditolak atau tidak ditolaknya asumsi ada atau tidaknya korelasi antara komponen error dengan peubah bebas, maka Haussman Test dapat secara langsung digunakan untuk memilih antara FEM dan REM. Hipotesis yang digunakan dalam Haussman Test adalah sebagai berikut: H :    it i x E  , tidak ada korelasi antara komponen error dengan peubah bebas REM H 1 :    it i x E  , ada korelasi antara komponen error dengan peubah bebas FEM Sebagai dasar penolakan H maka digunakan statistik Haussman dan membandingkannya dengan Chi square. Statistik Haussman dirumuskan dengan :       FEM REM REM FEM FEM REM M M H         1 ~ 2 k  3.18 Keterangan : M = matrik kovarians untuk parameter β k = derajat bebas Apabila nilai H hasil pengujian lebih besar dari χ 2 – tabel, maka cukup bukti untuk melakukan penolakan terhadap H sehingga model yang digunakan adalah model fixed effect , begitu juga sebaliknya. Untuk menghitung estimator REM, ada dua jenis pendekatan yang digunakan, yaitu: 1. Pendekatan Between Estimator Pendekatan ini berkaitan dengan dimensi antar data differences between individual , yang ditentukan sebagaimana OLS estimatror pada sebuah regresi dari rata-rata individu y dalam nilai x secara individu. Between estimator konsisten untuk N tak hingga, dengan asumsi bahwa peubah bebas dengan error tidak saling berkorelasi atau   ,  i it x E  begitu juga dengan nilai rata- rata error   ,  i it x E  . 2. Pendekatan Generalized Least Square Pendekatan GLS mengkombinasikan informasi dari dimensi antar dan dalam between dan within data secara efisien. GLS dapat dipandang sebagai rata- rata yang dibobotkan dari estimasi between dan within dalam sebuah regresi.

3.4 Spesifikasi Model Ekonometrik

Berdasarkan pertimbangan dari beberapa penelitian terdahulu seperti Rowthorn dan Ramaswamy 1997,1999 dan Alderson 1997,1999, maka model faktor-faktor yang memengaruhi deindustrialisasi di Indonesia dengan merujuk pada penelitian Kollmeyer 2009 dan direpresentasikan ke dalam tiga persamaan adalah sebagai berikut: it it it it it it UN HC PMA Opnguna NA             4 3 2 1 3.19 it it it it it it UN HC PMA Opnguna PG             4 3 2 1 3.20         it it it it it it it PMA Opnguna PG PG NA NA RME 6 5 2 4 3 2 2 1        it it it UN HC      8 7 3.21 Keterangan : RME : Proporsi pekerja sektor manufaktur terhadap total pekerja persen NA : Pendapatan per kapita yang didekati dengan produk domestik regional bruto PDRB terhadap jumlah penduduk NA 2 : Kuadrat pendapatan per kapita PG : Pertumbuhan produktivitas yang didekati dengan produktivitas sektor manufaktur dikurangi produktivitas sektor jasa PG 2 : Kuadrat pertumbuhan produktivitas Opnguna : Keterbukaan ekonomi openness yang diukur dengan ekspor ditambah impor terhadap produk domestik regional bruto persen PMA : nilai realisasi penanaman modal asing terhadap produk domestik regional bruto persen HC : jumlah pekerja terampil yang ddiukur dengan jumlah pekerja dengan tingkat pendidikan SMASMK ke atas terhadap total pekerja persen UN : jumlah penduduk yang tidak bekerja terhadap total pekerja persen i : Provinsi ke – i t : Tahun ke – t Sebelum melakukan estimasi ketiga persamaan diatas, ada dua hal yang harus dipertimbangkan terkait dengan multiple equation models. Salah satu hal yang mungkin muncul dalam multiple equation adalah terdapat hubungan dua arah timbal balik dalam proses sebab akibat atau seringkali disebut dengan variabel bermasalah problematic variable. Problematic variable ini akan berkorelasi dengan satu atau lebih dari disturbance terms dalam model, sehingga hasil dari estimasi dengan teknik regresi standar akan menghasilkan estimasi parameter yang bias dan tidak efisien. Untuk mengatasi problematic variable, kadangkala digunakan instrument variable IV, seperti two-stage least squares 2SLS atau three-stage least squares 3SLS untuk menggantikan problematic variable dengan pendekatan proxy yang tepat. Akan tetapi model yang digunakan dalam penelitian ini tidak mempunyai pola sebab akibat atau hanya mempunyai hubungan yang searah, sehingga estimasi dengan menggunakan instrument variable IV tidak diperlukan. Model persamaan 3.21 merupakan model yang tidak mempunyai pola sebab akibat karena relative manufacturing employment hanya dipengaruhi oleh faktor domestik domectic causes dan faktor global global causes, akan tetapi kedua faktor tersebut tidak memengaruhi terjadinya relative manufacturing employment. Hal ini berarti bahwa ketiga persamaan diatas 3.19 – 3.21 dapat diestimasi secara terpisah dengan menggunakan teknik regresi standar Kollmeyer, 2009. Faktor domestik yang memengaruhi relative manufacturing employment merupakan faktor-faktor yang berasal dari dalam negeri yang terdiri dari national affluence pendapatan per kapita dan productivity growth pertumbuhan produktivitas dari sektor manufaktur. Sedangkan faktor global merupakan faktor- faktor yang berkaitan dengan pengaruh global dalam memengaruhi relative manufacturing employment , yang diukur melalui tingkat keterbukaan ekonomi openness dan investasi asing langsung foreign direct investment serta kontrol variabel yaitu human capital dan unemployment. Sehingga secara keseluruhan persamaan 3.21 dapat dipecah menjadi dua persamaan yang melihat hubungan tidak langsung indirect model dari faktor domestik dan faktor global dalam memengaruhi relative manufacturing employment yaitu sebagai berikut: it it it it it it PG PG NA NA RME             2 4 3 2 2 1 3.22 it it it it it it UN HC PMA Opnguna RME             4 3 2 1 3.23 Masalah lain yang mungkin timbul pada mulyiple equations adalah pada saat disturbance terms dari masing-masing persamaan saling berkorelasi satu sama lain. Terjadinya korelasi antar disturbance terms dari masing-masing persamaan akan membuat estimasi parameter yang dihasilkan dengan teknik regresi standar menjadi tidak efisien. Terdapat dua uji untuk mengetahui ada tidaknya korelasi disturbance terms antara satu persamaan dengan persamaan lain, yaitu 1 uji Breusch-Pagan dimana hipotesis nolnya H adalah disturbance terms antar persamaan independen dan 2 melihat matriks korelasi disturbance terms yang dihasilkan oleh masing-masing persamaan dengan menggunakan teknik regresi kuadrat terkecil Ordinary Least Square. Pemilihan metode regresi yang tepat perlu dilakukan untuk mendapatkan model estimasi yang efisien, sehingga dalam penelitian ini digunakan data panel agar efisiensi dapat ditingkatkan. Data panel juga mampu mengontrol heterogenitas variabel-variabel yang tidak dimasukkan dalam model unobserved heterogenity . Heterogenitas dalam data panel dapat diatasi dengan penggunaan metode fixed effects maupun random effects. Pemilihan antara kedua metode tersebut juga untuk mengetahui ada tidaknya korelasi antara i  efek individu dan t  efek waktu dengan it X . Uji yang digunakan dalam pemilihan antara metode fixed effect dan random effects adalah menggunakan uji Hausman. Menurut Hsiao 2003 ketika uji pemilihan fixed effect dan random effect tidak dapat ditentukan secara teoritis maka sebaiknya menggunakan metode random effect apabila data diambil dari sampel individu atau beberapa individu yang dipilih secara acak untuk menarik kesimpulan tentang populasinya. Namun apabila evaluasi meliputi seluruh individu dalam populasi atau hanya meliputi beberapa individu dengan penekanan pada individu-individu tersebut maka lebih baik menggunakan fixed effect model. Dikarenakan jumlah cross section dari persamaan yang akan diestimasi mencerminkan seluruh populasi 26 provinsi di Indonesia, maka secara teori dapat langsung digunakan fixed effects model. Regresi data panel juga harus memenuhi asumsi dasar bahwa estimasi parameter dalam model regresi harus bersifat BLUE Best Linier Unbiased Estimate , dimana var ui harus sama dengan σ 2 konstan, atau semua error mempunyai varian yang sama. Kondisi itu disebut dengan homoskedastisitas, tetapi apabila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastisitas. Pendeteksian ada tidaknya autokorelasi pada model juga perlu dilakukan sehingga model regresi bersifat BLUE. Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu variabel atau korelasi antar error masa yang lalu dengan error masa sekarang. Adanya autokorelasi dapat memengaruhi efisiensi dari estimatornya, walaupun estimatornya tetap tidak bias. Penggunaan data panel dengan memasukan efek individu dan efek waktu tidak selalu dapat mengatasi masalah yang mungkin terkait dengan data panel. Masalah yang mungkin timbul dalam penggunaan data panel adalah adanya korelasi serial, korelasi spasial dan heteroskedastisitas. Untuk mengatasi adanya masalah tersebut, maka estimasi model dapat dilakukan dengan metode General Least Square GLS dengan kelemahan penduga estimasi GLS tidak memberikan nilai R-squared. Metode General Least Square GLS sebagai salah satu bentuk estimasi least square merupakan bentuk estimasi yang mampu mengatasi heteroskedastisitas dengan menghasilkan estimasi yang efisien serta masih bersifat unbiased dan konsisten. Sifat heteroskedastisitas potensial dimiliki oleh data cross-section. Terdeteksinya gejala heteroskedastisitas dalam data panel apabila menggunakan model estimasi Ordinary Least Square OLS akan mendapatkan hasil yang tidak efisien. Model estimasi GLS pada dasarnya melakukan transformasi error terms pada data dasar dan menerapkan model OLS terhadap data yang telah ditransformasi. Estimator fixed effects yang ditransformasi dapat ditulis dalam bentuk GLS dan tidak berhubungan dengan GLS dalam estimator random effects, yaitu                 T i i i T i i i FE My X MX X 1 1 1 ˆ dimana e e T I M T    1 Estimator fixed effects menggunakan M sebagai matriks pembobot dibandingkan ’ .. .. .. .. .. 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 ee I E u u i u u i i                                                           , dimana   iT i i i     ,...., , 2 1   dan   1 ... 1 1   e . Transformasi error terms